Escolar Documentos
Profissional Documentos
Cultura Documentos
T R A D U C C I O N E S
MODELOS DE TRANSPORTE
ISBN: 978-84-8102-512-5
D.L.: M-29.991-2008
Impreso en Espaa
Imprenta PEDRO CID, S.A., 2008
ndice
11
17
1.
Introduccin ........................................................................................
1.1. Planificacin y modelizacin del sistema de transportes .......
1.2. Problemtica del transporte .....................................................
1.3. Modelos y proceso decisional ..................................................
1.4. Tpicos en modelizacin del transporte ..................................
1.5. Estructura del modelo clsico de transporte ..........................
1.6. Planificacin continua del transporte .....................................
1.7. Sobre la teora versus la prctica ...........................................
21
21
25
36
43
55
59
64
2.
69
69
70
77
80
91
3.
97
97
112
122
180
189
4.
193
194
201
219
ndice
4.4.
4.5.
5.
6.
7.
301
302
304
305
306
317
323
8.
250
254
259
264
274
277
285
288
297
330
334
338
342
352
364
Introduccin ..............................................................................
Determinacin del conjunto de elecciones ..............................
Especificacin y forma funcional ............................................
Estimacin estadstica ..............................................................
Mtodos de estimacin del MNP .............................................
Estimacin del modelo logit mixto de componentes de error ..
369
371
373
378
401
407
MODELOS
DE
TRANSPORTE
447
449
451
454
461
465
474
481
482
488
497
507
511
515
516
528
543
557
565
569
571
573
577
604
610
613
ndice
640
652
664
673
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
de la Universidad de Montreal; Rodrigo Garrido, de la Pontificia Universidad Catlica de Chile; Ben Heydecker, del University College London; Frank
Koppelman, de la Northwestern University; Maritte Kraan, de la University
of Twente; Marcela Munizaga, de la Universidad de Chile; Piotr Olszewski,
de la Nanyang Technological University, y Sofa Athanassiou, Neil Chadwick
y David Pearmain, de Steer Davies Gleave.
Nuestro agradecimiento final va dirigido a todos nuestros estudiantes en
Gran Bretaa, Chile, Colombia, Portugal y Espaa. Ellos son siempre agudos crticos y nos han estimulado a invertir nuestro tiempo de forma provechosa.
No todas las sugerencias que se nos han hecho han sido tenidas en cuenta,
por cuanto algunas de ellas habran significado modificar el enfoque y estilo
del texto; pensamos que otros libros, en el futuro, continuarn aclarando ciertos
temas y proporcionarn un mayor rigor a muchos de los temas aqu tratados. El
transporte es realmente una problemtica muy dinmica. Finalmente, a pesar de
todo este apoyo generoso, nos consideramos como antes los nicos responsables de los errores que puedan subsistir en esta tercera edicin. Valoramos,
genuinamente, la oportunidad de aprender de nuestros errores.
MODELOS
DE
TRANSPORTE
1.
Introduccin
1.1.
1.1.1. Antecedentes
Introduccin
De inters especial son los avances logrados en las ltimas dcadas en la informtica a bajo coste, tanto en el software como sobre todo en el hardware, lo cual
ha posibilitado la eliminacin de los cuellos de botella clsicos en el tratamiento masivo de datos. De hecho, las principales limitaciones van ahora por el
lado humano y tcnico: la planificacin de transporte contemporneo requiere
de profesionales muy bien cualificados as como de tcnicas de modelizacin
tericamente slidas con implementaciones computacionales eficientes y que
faciliten su interpretacin.
Asimismo, la mayora de los pases en desarrollo tambin sufren problemas
graves de congestin y contaminacin urbana en particular y de transporte en
general. Dichos problemas no son ya slo la falta de conexiones entre reas
rurales y los correspondientes mercados sino que tambin padecen los tpicos
problemas del mundo industrializado. Desgraciadamente, los pases en desarrollo tienen caractersticas diferentes que demandan tratamientos tambin
distintos: ingresos bajos, crecimiento rpido, alta demanda en el transporte
pblico, escasez de recursos, datos fiables y de personal cualificado.
Los comienzos del siglo XXI vienen caracterizados por dos importantes
hechos conceptuales que afectan a multitud de aspectos vitales y, por tanto,
al progreso socio-econmico. En primer lugar, el concepto de globalizacin,
as como la potenciacin de la sociedad del conocimiento y, en segundo lugar, y como soporte a ella, el fuerte desarrollo de las telecomunicaciones baratas
y de alta capacidad. La combinacin de ambas consigue la correspondiente
integracin en redes ms amplias cambiando la forma en que se abordan
muchos de los problemas actuales. Evidentemente, el mundo del transporte,
no puede ser ajeno a dichas transformaciones. Algunas de estas influencias
son: i) las variaciones sustanciales en las asignaciones de trficos a las redes
de transporte gracias a la agilidad que supone la rpida tramitacin de instrucciones a travs del mundo de Internet, una ventaja competitiva empresarial
nada despreciable en las economas modernas; ii) la decisiva implicacin del
sector privado en el suministro y la operacin del transporte hasta ahora en
determinados mbitos en manos del poder pblico; iii) el papel tambin decisivo de las telecomunicaciones en la posibilidad de reducir la necesidad de
viajar al poder, por ejemplo, tener reuniones no presenciales, sobre todo en
transacciones internacionales.
En cuanto se refiere a transporte, puede afirmarse que en el ltimo tercio
del siglo pasado se produjeron importantes avances tcnicos en la modelizacin,
especialmente en los principales centros de investigacin; estos desarrollos
MODELOS
DE
TRANSPORTE
1.1.2.
Introduccin
MODELOS
DE
TRANSPORTE
del transporte, sosteniendo no slo que el uso de los modelos es inevitable sino
que el uso de modelos formales es altamente deseable.
Como se mencion anteriormente, la modelizacin del transporte es solamente una parte de la planificacin. Los procedimientos administrativos, el
marco institucional, profesionales expertos y con buen nivel de comunicacin
con quienes toman las decisiones, con los medios de comunicacin y con el
pblico, son los otros elementos que un sistema de planificacin eficaz debe
incluir. Por otro lado, la modelizacin del transporte y el proceso decisional
pueden ser combinados de diferente forma, en funcin de la experiencia local,
de sus tradiciones y competencias. Por tanto, antes de discutir cmo elegir un
modelo y una aproximacin a la planificacin, merece la pena definir algunas
de las caractersticas principales de los sistemas de transporte y de sus tpicos
asociados, as como ilustrar algunos problemas importantes que se presentan en
la modelizacin y de los cuales se dar cuenta en otros captulos de este libro.
1.2.
1.2.1.
Introduccin
MODELOS
DE
TRANSPORTE
1.2.2.
Introduccin
MODELOS
DE
TRANSPORTE
Introduccin
MODELOS
DE
TRANSPORTE
Tiempo de viaje t
Figura 1.1.
1 Flujo V
Este efecto externo, motivado por el fenmeno de la congestin, es generalmente percibido por los dems usuarios pero no por el conductor que lo
origina. ste es el coste que se intenta internalizar mediante sistemas como la
tarificacin vial electrnica, con el objetivo de ayudar en la toma de decisiones
individuales ms razonadas.
1.2.3.
En trminos generales, dado un sistema de transporte con una cierta capacidad de operacin, la funcin de la planificacin del transporte es asegurar la
satisfaccin de una cierta demanda D de movimiento de personas y mercancas
con diferentes motivos de viaje, en distintos momentos del da, semana, mes y
ao, utilizando los distintos modos que lo conforman. El sistema de transporte
se puede definir como la interaccin de:
Introduccin
(1.1)
(1.2)
El sistema de gestin tambin puede ser utilizado para redistribuir la capacidad entre las diferentes infraestructuras de transporte, generando otra variable
Q y/o dando prioridad a ciertos tipos de usuarios frente a otros, basndose
en criterios de eficiencia (usuarios de transporte pblico, ciclistas), medioambientales (vehculos elctricos) o de equidad (todos somos peatones alguna
vez cada da).
Como en el caso de la mayora de los bienes y servicios, se espera que el
nivel de demanda D dependa del nivel de servicio ofrecido por el sistema de
transporte y tambin de la distribucin de las actividades A en el espacio:
D = f {S,A}
(1.3)
MODELOS
DE
TRANSPORTE
Reduccin de
frecuencias en bus
Aumento
posesin
de coche
Disminucin
de la demanda de
transporte pblico
Incrementos
tarifarios
Ms congestin
y retrasos
Menor nmero
de km por autobs
Figura 1.2.
Introduccin
repite cada ao, los niveles de congestin aumentan, los autobuses se retrasan,
sus frecuencias disminuyen y sus tarifas son cada vez ms altas; se constata,
por tanto, que la acumulacin de decisiones individuales razonables, provoca
un estado final peor para todos que el inicial.
Esta sencilla representacin tambin puede ayudar a identificar las posibles
medidas a tomar para ralentizar e incluso, invertir, este crculo vicioso. Estas
ideas se resumen en la figura 1.3.
Por ejemplo, medidas estructurales (fsicas) como el establecimiento de
carriles bus y otras medidas de prioridad a buses son particularmente atractivas, ya que dan como resultado una asignacin ms eficiente del espacio vial.
Por otro lado, las subvenciones al transporte pblico tienen sus detractores y
sus defensores; pueden reducir la necesidad de subir los precios a corto plazo,
pero tienden a generar grandes dficits y a proteger una gestin pobre, que
es en parte consecuencia de su propia ineficacia. Este aspecto ltimamente
ha hecho que, en pases en los que el transporte pblico se ejerce, por parte
de empresas u operadores privados en base a concesiones (Espaa, p. ej.), las
licitaciones se realicen en funcin de lo que se denomina Contratos de Gestin
Interesada, en los cuales se exige y vigila al empresario en el cumplimiento
de ciertos estndares de calidad (puntualidad, frecuencias, comportamiento y
atencin al usuario, adaptabilidad de bus, edad del bus, etc.), de forma que sus
Aumentos
de renta
Uso ms atractivo
del coche
ciones
Restric
ches
a los co
Aumento
posesin
de coche
Disminucin
de la demanda de
transporte pblico
ven
cio
Su
b
Incrementos
tarifarios
ne
Reduccin de
frecuencias en bus
Ms congestin
y retrasos
Prioridad a buses
Menor nmero
de km por autobs
MODELOS
DE
TRANSPORTE
Introduccin
1.3.
1.3.1.
MODELOS
DE
TRANSPORTE
Introduccin
MODELOS
DE
TRANSPORTE
1.3.2.
Este libro supone que el estilo de decisin adoptado implica el uso de modelos, por ejemplo, estrategias de racionalidad sustantiva o mixtas, pero no pro-
Introduccin
mueve un enfoque de toma de decisiones nico (es decir, normativo). La aceptabilidad de la modelizacin o de un enfoque de modelizacin en particular,
en el contexto de un estilo de decisin es muy importante. Los modelos que
terminan siendo ignorados por quienes toman decisiones no solamente malgastan recursos sino que tambin producen analistas y planificadores desanimados. Tambin se propone que cuando se especifica un enfoque analtico
hay que tener en cuenta varias caractersticas de los problemas y modelos de
transporte.
1. El contexto de la toma de decisiones. Implica adoptar una perspectiva
particular y elegir el alcance o amplitud del sistema de inters. La eleccin de la perspectiva define el tipo de decisiones que se han de considerar: planificacin estratgica, tctica (de gestin de transporte) o incluso
soluciones a problemas especficos de operacin. La eleccin del alcance implica especificar el nivel del anlisis: solamente se ha de incluir el
transporte o tambin ha de implicarse la localizacin de actividades?; para
diferentes niveles del sistema de transporte, interesa solamente la demanda o tambin la oferta?; ha de considerarse tambin la eficiencia del sistema o de los operadores de servicios, la minimizacin de los costes entre
los operadores, etc.? Tambin es crucial la cuestin de cuntas alternativas
hay que tener en cuenta para satisfacer a los diferentes grupos de inters
o para desarrollar el mejor plan; por lo tanto, el contexto en que se toman
las decisiones tambin ayudar a definir los requerimientos de los modelos
utilizados, las variables a ser incluidas en el modelo y las que se considerarn dadas o exgenas.
2. Exactitud deseada. ste es resultado del punto anterior y est influenciado en gran manera por los dos puntos siguientes (3 y 4). Sin embargo,
normalmente la exactitud deseada es justo la necesaria para discriminar
entre una buena solucin y otra menos buena. En algunos casos puede ser
bastante obvio cul es la mejor solucin, necesitndose as una modelizacin menos precisa. Sin embargo, hay que recordar que en el pasado, se ha
responsabilizado al sentido comn de algunas decisiones de planificacin
de transporte muy pobres.
3. La disponibilidad de datos adecuados, su estabilidad y las dificultades
asociadas a pronosticar sus valores futuros. En muchos casos puede que
se disponga de muy pocos datos; en otros pueden existir razones para
desconfiar de la informacin, o tener menos confianza en las predicciones
a futuro de las variables clave de planificacin, pues el sistema no es lo
MODELOS
DE
TRANSPORTE
Introduccin
MODELOS
DE
TRANSPORTE
1.4.
Introduccin
Exgenos
Estratgica
Operacional
Endgenos
Tctica
Perspectivas
de
Planicacin
y Gestin
Localizacin de actividades L
Demanda
Rendimiento
Alcance
de este
libro
Intervenciones en la oferta S
Minimizacin de costes
CM
Produccin
PR
Figura 1.4.
deran algunos temas generales, como, por ejemplo, los roles de la teora y los
datos, la especificacin y la calibracin de modelos. Pero quizs, las elecciones
ms crticas son aquellas que sitan al planificador entre el uso de enfoques de
modelizacin agregados o desagregados, modelos de corte transversal o de series de tiempo y tcnicas de preferencias reveladas o declaradas.
1.4.1.
Wilson (1974) proporciona una interesante lista de preguntas que deberan ser
respondidas por cualquier aspirante a modelizador; sta abarca desde aspectos generales como el propsito que hay detrs de construir el modelo, hasta
aspectos ms detallados como qu tcnicas estn disponibles para dicha construccin. A continuacin se discuten algunos de estos temas, junto con otros
que son especialmente relevantes para el desarrollo de este libro.
MODELOS
1.4.1.1.
DE
TRANSPORTE
Mucha gente tiende a asociar la palabra teora a una serie sin fin de frmulas
y manipulaciones algebraicas. En el campo de la modelizacin del transporte
urbano esta asociacin ha sido bastante correcta: es difcil comprender y replicar las complejas interacciones entre seres humanos, que constituyen una
caracterstica inevitable de los sistemas de transporte.
Algunos desarrollos tericos que trataron de superar estas dificultades, han
dado como resultado modelos a los que les faltaban tanto datos como software
adecuados para su implementacin prctica. Ello ha llevado a muchos profesionales a pensar que la brecha entre teora y prctica es cada vez ms amplia;
y esto es algo que se ha intentado contrarrestar en este libro.
Una consideracin importante para juzgar la contribucin de una nueva
teora es si sta impone restricciones que tengan sentido a, por ejemplo, la
forma de una funcin de demanda. Existe por lo menos un caso documentado
sobre un estudio prctico de planificacin de transporte, que dur varios
aos y cost varios millones de dlares, que dependa de modelos de demanda
pragmticos con una estructura errnea (algunas de sus elasticidades tenan el
signo incorrecto; vase Williams y Senior, 1977). Aunque esto podra haber sido
diagnosticado previamente por dichos profesionales pragmticos si no hubieran
despreciado la teora, slo fue descubierto a posteriori por los tericos.
Desgraciadamente (o quizs afortunadamente, dira un pragmtico) a veces se pueden derivar formas funcionales similares de los modelos a partir de
diferentes perspectivas tericas (este tpico de equifinalidad se trata con ms
detalle en el Captulo 8). Sin embargo, la interpretacin de los resultados de
un modelo depende en gran medida del marco terico adoptado. Por ejemplo,
la misma forma funcional del modelo gravitacional se puede derivar de una
analoga con la fsica, de la maximizacin de la entropa y de la teora de la
maximizacin de la utilidad. La interpretacin de los resultados, sin embargo,
puede depender de la teora adoptada. Si interesan solamente los flujos en los
arcos de una red, podra ser irrelevante qu marco terico subyace en la funcin
analtica del modelo. Sin embargo, si se requiere una medida de evaluacin, la
situacin cambia, ya que slo sera de ayuda en este caso una teora basada en
el comportamiento del usuario bajo la perspectiva econmica. En otros casos,
se utilizarn frases como la atraccin de la zona de destino de viajes se incrementar, o sta es la forma ms probable de organizar los viajes, o
la matriz de viajes ms probable coincidente con nuestra informacin acerca
del sistema; estas frases no ayudan a definir medidas de evaluacin pero
Introduccin
MODELOS
DE
TRANSPORTE
Especificacin de modelos
En su acepcin ms amplia e interesante, la especificacin del modelo comprende los siguientes aspectos:
La estructura del Modelo. Se puede replicar el sistema que se va a modelizar con una estructura sencilla que suponga, por ejemplo, que todas las
alternativas son independientes? o es necesario construir modelos ms
complejos que calculen, por ejemplo, las probabilidades de eleccin condicionales en elecciones anteriores? Modelos contemporneos, como los que
se discuten en los Captulos del 7 al 9, normalmente contienen parmetros
que representan aspectos de la estructura de los modelos, y las extensiones
metodolgicas logradas a mediados de los 80 han permitido la estimacin
de modelos cada vez ms generales. Sin embargo, como ha sealado Daly
(1982b), aunque podra suponerse hipotticamente que, al fin y al cabo,
todas las cuestiones acerca de la forma de los modelos podran resolverse
con pruebas empricas, tal solucin no es posible ni apropiada.
Forma Funcional. Es posible utilizar formas lineales o el problema requiere
funciones no lineales ms complejas? Estas ltimas pueden representar al
sistema de inters con mayor exactitud, pero seguramente van a ser ms
exigentes en trminos de recursos y tcnicas de calibracin y uso del modelo.
Aunque las consideraciones tericas pueden jugar un importante papel a la
hora de solucionar esta cuestin, tambin es posible examinarla de forma
inductiva mediante simulaciones de laboratorio, por ejemplo, mediante
experimentos de intenciones/preferencias declaradas.
Especificacin de variables. ste es el significado ms usual asociado al
tema de especificacin, y consiste en definir qu variables se deben utilizar y cmo (de qu forma) deberan entrar en un modelo determinado.
Por ejemplo, si se supone que el ingreso de los usuarios influye en la eleccin modal individual, cmo debera entrar esta variable en el modelo,
como tal o deflactando a la variable coste? Los mtodos para avanzar en
esta cuestin van desde la utilizacin deductiva (constructiva) de la teora
Introduccin
(1.4)
MODELOS
DE
TRANSPORTE
Comportamiento
individual
Eleccin
Respuesta
Factores
que determinan
la eleccin
Poblacin
Medioambiente
Teora
del comportamiento
Atributos
Cambio de poltica
Muestra
Modelo
Simulacin
Figura 1.5.
Modelizacin y muestreo.
Previsin
Introduccin
1.4.2.
El nivel de agregacin seleccionado para la medicin de los datos es una cuestin importante en el diseo general de un estudio de planificacin de transporte. Aunque un nivel mayor de detalle con miras a un mayor grado de
exactitud debera mejorar la calidad de los modelos, probablemente incrementar los costes de recogida y anlisis de datos as como de la mayora de
los restantes aspectos del ejercicio de la modelizacin.
De inters central es la agregacin de los datos exgenos, es decir, la informacin acerca de cuestiones diferentes al comportamiento de los viajeros,
que se supone endgeno (es decir, el modelo intenta replicarlo). Por ejemplo,
durante aos se ha discutido si un tem de datos representa el valor medio de
un grupo de viajeros o si debera ser recogido especficamente para un individuo. Es inevitable un cierto grado de agregacin cuando el modelo de inters
procura representar el comportamiento de ms de un individuo (p. ej., un
seguimiento de mercado como los propietarios de coche de una determinada
zona) como en el caso de los modelos agregados o de primera generacin, que
sern examinados en los Captulos 5 y 6. Pero, cuando el modelo de inters
intenta representar el comportamiento individual, como es el caso de los mo-
MODELOS
DE
TRANSPORTE
Introduccin
resultados), y definitivamente mucho mayor que en el caso de los modelos agregados. Adems, se ha exagerado la diferencia entre los modelos de primera
y segunda generacin. Por ejemplo, los modelos desagregados fueron inicialmente promocionados como radicalmente diferentes a los mtodos clsicos,
una revolucin en este campo del conocimiento. Sin embargo, bastante ms
tarde qued claro que era ms adecuado considerarlos una evolucin desde un
punto de vista de modelizacin (vase Williams y Ortzar, 1982b). De hecho,
en muchos casos, existe una equivalencia completa en la forma de pronosticar
(Daly, 1982a).
La diferencia esencial est en el tratamiento de la descripcin del comportamiento, en particular durante el proceso de desarrollo del modelo; en muchos
casos, el enfoque desagregado es claramente superior al conjunto de comportamientos individuales por zonas y estratos predefinidos de la poblacin.
Los intentos de clarificar el tema de en qu circunstancias sera preferible
utilizar un enfoque agregado o desagregado, han llegado a la conclusin de que
no existe un enfoque ms adecuado para todas las situaciones planteadas (vase
Daly y Ortzar, 1990). Estos intentos tambin han concluido que se requiere
una serie de directrices para ayudar a los profesionales desesperados a elegir
la herramienta de modelizacin ms apropiada para un contexto determinado.
En este libro se ha intentado dar respuesta a esta cuestin.
1.4.3.
MODELOS
DE
TRANSPORTE
Introduccin
1.4.4.
MODELOS
DE
TRANSPORTE
1.5.
Introduccin
Zonificacin
Datos futuros
de
Planicacin
Base de datos:
Ao base
Futuro
iteraciones
Generacin
Distribucin
Reparto modal
Asignacin a la red
Evaluacin
Figura 1.6.
MODELOS
DE
TRANSPORTE
Adems, a ms largo plazo pueden tener lugar otras respuestas ms complejas, por ejemplo, cambio de lugar de empleo, de localizacin residencial, de
reas comerciales, etc.; todos estos aspectos son sensibles, al menos en parte,
a cambios en la accesibilidad del sistema de transporte.
A pesar de estos comentarios, el modelo secuencial de cuatro etapas constituye un punto de referencia respecto a mtodos alternativos. Por ejemplo,
algunos de los enfoques actuales intentan tratar de forma simultnea la eleccin de frecuencia de viaje (viajes por semana), destino y modo de viaje en un
modelo nico que colapsa estas tres etapas. Otros enfoques ponen el nfasis
en el papel de las actividades familiares y en las elecciones de viaje que ellas
originan; conceptos como circuitos, presupuestos de tiempo y dinero se utilizan
en este contexto para modelizar las decisiones y restricciones de viaje. Estas
estrategias de modelizacin son ms difciles de plantear en trminos de los
cuatro submodelos o decisiones anteriormente descritas. Hasta el momento,
estos nuevos enfoques han jugado un papel ms bien de investigacin y su
uso operativo parece an lejano. Sin embargo, estos modelos basados en las
actividades permiten una mejor comprensin del comportamiento respecto
a viajes y probablemente en el futuro mejoren los enfoques de modelizacin
ms convencionales.
La secuencia generacin-distribucin-eleccin modal-asignacin es la ms
comn pero no es la nica posible. Por ejemplo, algunos estudios en el pasado han situado la eleccin modal antes que la distribucin e inmediatamente
despus de (o junto con) la generacin de viajes. Esto permite dar un mayor
nfasis a las variables decisionales que dependen de la unidad que genera el
viaje, quizs el hogar. Sin embargo, situar la eleccin modal antes de que se
conozca la distribucin dificulta la inclusin en el modelo de los atributos del
viaje y del modo y le resta relevancia en trminos de anlisis de polticas al
modelo de reparto modal. Quizs un mejor enfoque sera tratar simultneamente
la distribucin y eleccin del modo, tal y como se discute en el Captulo 6.
Obsrvese tambin que el modelo clsico considera a la generacin de viajes
como inelstica, es decir, es independiente del nivel de servicio proporcionado
por el sistema de transporte. Probablemente, ello no es demasiado realista pero
Introduccin
solamente en los ltimos aos se han desarrollado tcnicas que pueden tener
en cuenta estos efectos de forma sistemtica.
Una vez calibrado y validado el modelo segn las condiciones del ao
base es cuando puede ser aplicado a uno o ms horizontes de planificacin. Para hacer esto se deben plantear escenarios y planes que describan
las caractersticas relevantes del sistema de transporte y las variables de planificacin en situaciones futuras. La elaboracin de escenarios realistas y
consistentes no es tarea fcil, ya que es muy sencillo caer en la trampa de construir alternativas futuras que no sean financieramente factibles ni realistas
en cuanto al probable desarrollo de los usos del suelo y de las actividades en
la zona de estudio. A pesar de estas dificultades, establecer escenarios es an
ms un arte que una tcnica y requiere mucha experiencia ingenieril combinada con un slido juicio poltico; desgraciadamente, stos son recursos
escasos que no suelen encontrarse al mismo tiempo en los equipos de planificacin.
Una vez definidos un conjunto de escenarios y planes realistas para su
verificacin, se activa nuevamente la misma secuencia de modelos para simular sus prestaciones. A continuacin se realiza una comparacin entre los costes y beneficios de los diferentes proyectos bajo diferentes escenarios, con el
objetivo final de elegir el programa de inversin ms rentable y la poltica de
transporte ms adecuada que satisfaga la demanda por desplazamientos en la
zona de estudio.
Una cuestin importante en el modelo clsico de cuatro etapas es la necesidad de verificar la utilizacin consistente de las variables que influyen
sobre la demanda. Por ejemplo, al final de la fase de asignacin de trfico se
obtendrn nuevos niveles de flujo y, por lo tanto, nuevos tiempos de viaje que,
probablemente, no sean los mismos tiempos de viaje supuestos al estimar la
distribucin de viajes y eleccin de modo. Por ello parecera necesario volver a
ejecutar los modelos de distribucin y eleccin modal basndose en los nuevos
tiempos de viaje deducidos de la asignacin, recalcular las nuevas matrices
modales y utilizarlas para la aplicacin, tambin de nuevo, del modelo de
asignacin y as sucesivamente. Desafortunadamente, en general este proceso
iterativo ingenioso, no conduce a un conjunto estable de modelos de distribucin, eleccin modal y asignacin con tiempos de viaje consistentes. En el
Captulo 11 se tratar este problema en detalle; su particular importancia est
en el riesgo de elegir un plan equivocado dependiendo solamente del nmero
de iteraciones que se est dispuesto a realizar.
MODELOS
1.6.
DE
TRANSPORTE
Previsin de
las variables de
planificacin
Test del modelo y Solucin
Figura 1.7.
2.
3.
4.
5.
6.
Introduccin
MODELOS
DE
TRANSPORTE
Introduccin
Generacin
de soluciones
a testear
Previsin de
las variables de
planicacin
Test del modelo y Solucin
Funcin de seguimiento
Construccin analtica
del modelo y calibracin
Figura 1.8.
MODELOS
DE
TRANSPORTE
de seguimiento tiene dos funciones principales: en primer lugar, debera proporcionar datos para identificar cundo el sistema de transporte y las variables
exgenas clave, como poblacin y crecimiento econmico, se alejan de su
comportamiento estimado. En segundo lugar, los datos recogidos deberan
ser tiles para continuar validando y mejorando el enfoque de modelizacin
utilizado en la preparacin de los planes.
Un buen sistema de seguimiento tambin debera facilitar el aprendizaje
del equipo de planificacin y proporcionar ideas acerca de cmo mejorar y
modificar los modelos. En este sentido, la ocurrencia de problemas serios en
el sistema de transporte, como, por ejemplo, huelgas de transporte pblico,
escasez temporal de combustible o grandes obras viales que temporalmente
cambien la estructura de la red y sus caractersticas, deberan constituir una
importante fuente de informacin acerca del comportamiento del sistema que
puede ser contrastado con las previsiones del modelo. Estos experimentos no
planificados, deberan permitir que los analistas verificaran y mejoraran sus
modelos. Un sistema de seguimiento encaja muy bien con la idea de un enfoque
de planificacin de transporte regular o continua. Por lo tanto, si no existe un
sistema de seguimiento, ste debera establecerse como parte de cualquier
estudio de planificacin de transporte.
El seguimiento de las prestaciones (rendimiento) de un sistema y planes
de transporte es una funcin tan importante que merece influir en la eleccin de los modelos de transporte a utilizar para apoyar la planificacin y la
toma de decisiones. En particular, el uso de modelos que puedan ser reutilizados
y actualizados usando datos de bajo coste y relativamente fciles de obtener,
parecen particularmente apropiados para esta tarea. No obstante, como se ver
en los captulos siguientes, estos modelos ms simples no pueden considerar
toda la riqueza de comportamiento de enfoque ms detallados. Sin embargo,
existe la posibilidad de combinar las dos tcnicas, aplicando las herramientas
con mayor resolucin a las partes ms crticas del problema y utilizando las
ms gruesas y sencillas que son ms fciles de actualizar para seguir el proceso e identificar dnde y cundo hace falta un esfuerzo de modelizacin ms
detallado. Se han hecho intentos por identificar el potencial de compromisos
de este tipo en el resto de este libro.
La adopcin de una funcin de seguimiento permite establecer un proceso
de planificacin continua que contrasta con el enfoque convencional en el que
se gastan recursos considerables durante un perodo de uno o dos aos para
realizar un estudio de transporte a gran escala. Este intenso esfuerzo puntual
Introduccin
1.7.
MODELOS
2.
3.
4.
5.
DE
TRANSPORTE
cripciones como partir siempre de los costes de flujo libre o iterar solamente dos veces, no son razones suficientes para suponer un resultado
estable: la vez siguiente alguien podra sugerir hacer dos iteraciones ms o
utilizar, justificadamente, un punto de partida diferente pero ello no debera
ser suficiente para justificar un cambio en la recomendacin, a favor o en
contra, de un determinado proyecto.
Garantiza la coherencia. Hay que tener precaucin en no utilizar un modelo
particular de eleccin en una parte de un sistema y otro diferente en otra
parte. A veces los modelos pragmticos no superan este test. La consistencia del modelo es necesaria para superar el test de razonabilidad as
como el juicio pblico.
Proporciona confianza en las predicciones. Casi siempre es posible ajustar un modelo a una situacin existente. Sin embargo, hay muchos ejemplos de modelos con buen ajuste que no tienen demasiado sentido, quizs
porque estn basados en variables correlacionadas. En este sentido, variables que estn correlacionadas hoy puede que no lo estn maana; por
ejemplo, una fuerte correlacin entre la produccin de pltanos y la tasa
de motorizacin en un pas determinado, puede desaparecer si se descubre
petrleo all. Por lo tanto, los modelos deberan apoyarse en alguna teora de comportamiento del viajero con la finalidad de poder interpretarlos
correctamente y tener alguna confianza en que seguirn siendo vlidos
en el futuro.
Permite comprender las propiedades del modelo y desarrollar mejores algoritmos para su solucin. Cuando se est en posicin de plantear un problema en trminos de programacin matemtica o de maximizacin de la
verosimilitud, por citar dos enfoques populares para generar modelos, se dispone de una variedad de herramientas tcnicas que ayudan a desarrollar
buenos algoritmos de solucin. stos han sido mejorados con el paso de los
aos por investigadores trabajando en muchos campos adems del de transporte.
Facilita la comprensin de lo que se puede suponer constante y lo que se
debe aceptar como variable, en un contexto particular de decisin y un
cierto nivel de anlisis. Un aspecto clave en la modelizacin econmica
es la identificacin de variables exgenas y endgenas, y aquellas que se
pueden suponer que permanecern constantes. Por ejemplo, en algunos
estudios de planificacin tctica a corto plazo, tal y como sucede en muchos
esquemas de gestin de trfico, puede ser razonable suponer una matriz
Introduccin
de viajes fija. Sin embargo, esta suposicin podra no ser vlida, incluso a
corto plazo, si las polticas de inters implicasen variaciones significativas
en el precio o en la accesibilidad.
Por otra parte, los profesionales a menudo han renunciado al esfuerzo de
utilizar modelos tericamente mejores, por varias razones, entre otras:
1. Son demasiados complejos. Esto implica que enfoques heursticos, reglas
empricas y procedimientos ad hoc son ms fciles de entender y, por lo
tanto, preferibles. ste es un argumento razonable; aqu no se propone usar
modelos del tipo caja negra sino todo lo contrario. Los resultados de
un modelo necesitan ser interpretados y esto slo puede conseguirse si
existe un nivel de comprensin razonable de las bases sobre las que el
modelo est construido. Sin ignorar la importancia del papel de la literatura
acadmica en avanzar el estado del arte, existe la necesidad de contar con
un mayor nmero de publicaciones que expliquen las bases de los modelos
sin recurrir a notaciones difciles o a conceptos oscuros para el profesional.
La mayora de los modelos no son tan complicados, aunque algunas de
las implantaciones estadsticas e informticas que se necesitan pueden ser
bastante sofisticadas. Buenas publicaciones, que tiendan a disminuir la
brecha entre profesionales y acadmicos, son una urgente necesidad.
2. Requieren datos que no estn disponibles o que son costosos de obtener.
Esta afirmacin no siempre es correcta; muchos modelos avanzados aprovechan mejor los datos correspondientes a muestras pequeas de lo que lo
hacen algunos de los enfoques ms pragmticos. Las mejoras en los mtodos de recogida de datos tambin han reducido estos costes y mejorado
la precisin de la informacin.
3. Es mejor trabajar con matrices reales que con modelos del comportamiento de los usuarios. Esto equivale a decir que es mejor trabajar con
matrices de viaje fijas, incluso si hay que expandirlas al horizonte de planificacin considerado. Se ver, no obstante, que los errores de muestreo
y otros errores asociados a la recogida de datos ponen en duda la precisin
de esas matrices reales; es ms, es imposible que reaccionen frente a la
mayora de las polticas (p. ej., mejoras en la accesibilidad, nuevos servicios, variaciones de precios) ni son razonables bajo condiciones futuras de
sobresaturacin en escenarios del tipo hacer lo mnimo. Solamente el
usar observaciones puede conducir a tomar decisiones obtusas, a tener
una falsa sensacin de precisin y a subestimar el potencial de cambio.
MODELOS
DE
TRANSPORTE
2.
Prerrequisitos matemticos
2.1. INTRODUCCIN
Prerrequisitos matemticos
2.2.
2.2.1.
LGEBRA Y FUNCIONES
Introduccin
(2.1)
(2.2)
MODELOS
DE
TRANSPORTE
(2.3)
Prerrequisitos matemticos
x1 x2 x3 ... xn
(2.4)
i 1
o bien:
m
y1 y2 y3 ... ym
(2.5)
j 1
En ciertos casos no es suficiente un solo ndice, pudiendo entonces utilizarse dos o ms. Por ejemplo, se podran definir las seis variables siguientes,
T11, T12 , T21, T22 , T31, T32 como Tij, i = 1,2,3, y j =1,2. Con variables de dos subndices se pueden establecer dobles sumas o dobles productos, como en:
3
T (T
ij
i 1 j 1
i1
(2.6)
i 1
(2.7)
en la que los valores de la variable dependiente y vienen dados por los valores
de los parmetros y n, y de los de la variable independiente x; una funcin
requiere que, para cada valor de x en algn rango, se especifique un valor
correspondiente de la variable y. A menudo no deseamos referirnos a una
funcin particular, sino slo sealar que y es algn tipo de funcin de x o
viceversa; esto puede escribirse como:
y = f (x)
(2.8)
Existe un gran abanico de funciones de diferentes tipos y formas y consecuentemente, los lectores deben familiarizarse con ellas. Es conveniente,
MODELOS
DE
TRANSPORTE
y
x3 x2
x
x1/2
x3
Figura 2.1.
(2.9)
pero se requieren n + 1 dimensiones para proceder a su representacin grfica (n para las variables independientes y 1 para la variable dependiente). Las
coordenadas cartesianas se pueden utilizar para tres o ms dimensiones; en
el caso de tres dimensiones, el tercer eje, en la figura 2.1, saldra del papel
hacia fuera. Ms de tres dimensiones no pueden visualizarse fsicamente, sin
embargo, su tratamiento algebraico es semejante que en el caso de una, dos o
tres dimensiones. Por ejemplo, en el caso de n = 2 la funcin puede representar una superficie que, evidentemente, se sale del plano conformado por las
dimensiones (x1,x2).
Generalmente, cualquier ecuacin puede ser representada de la forma
f(x) = 0 por ejemplo, la ecuacin lineal:
ax = b
es equivalente a la ecuacin
ax b = 0
Prerrequisitos matemticos
y = f(x)
x1
Figura 2.2.
x2
MODELOS
DE
TRANSPORTE
y = f(x)
Una de las funciones ms importantes es la lnea recta (ver Figura 2.4), cuya
ecuacin general es la especificada en (2.1), toma el valor a cuando x = 0 y se
denomina normalmente intercepto de la funcin con el eje y. La constante a
se denomina pendiente de la funcin, cuyo valor fcilmente se demuestra que es:
y 2 y1
a = x2 x1
(2.10)
donde (x1, y1) y (x2, y2) son dos puntos cualesquiera de la recta (ver Figura 2.4a).
Aunque una lnea recta tiene por definicin su pendiente (gradiente) constante,
sta puede ser positiva o negativa (Figura 2.4b).
y = ax+b
y1
y2
y = ax+b
b
(a)
Figura 2.4.
x1
x2
(b)
Prerrequisitos matemticos
Dos rectas no paralelas se cortan siempre en un punto (ver Figura 2.5) que
se calcula resolviendo el sistema de ecuaciones como en el ejemplo siguiente:
y=x+2
(2.11a)
y = x + 4
(2.11b)
y=x+2
4
3
2
y = x + 4
1
2
Figura 2.5.
S N u1 u2 ... u N un
(2.12)
(2.13)
Se puede deducir fcilmente que la suma de N trminos de una progresin aritmtica en la que el primer trmino es b, viene dada por la siguiente
expresin:
MODELOS
DE
TRANSPORTE
S N Nb
N ( N
1)d
2
(2.14)
SN
b(1
r n )
1
r
(2.15)
(2.16)
SN
N ( N 1)
2
Y en el caso de una progresin geomtrica cuyos trminos vienen representados por la expresin un = xn, la suma finita, tambin de N trminos es:
SN
x(1
x N )
para x
1
(1
x)
Pero cuando N
,
la
suma
de
la
serie
anterior
tiende
tambin
a
infinito.
Lo mismo sucede para la serie un = n; y para la serie un = xn si x > 1; sin embargo, para esta misma serie, si 0 < x < 1, su suma es finita y su expresin es:
SN
x
1
x
Prerrequisitos matemticos
i = 1,2,, N; y tal que j = 1,2,, M son los elementos de la matriz B. Por tanto,
puede escribirse que:
B11
B21
B
M
BN 1
B12
B22
BN 2
B13 L B1M
B23 L B2 M
BN 3 L BNM
(2.17)
Como puede verse, la matriz B tiene N filas y M columnas; por esta razn se la denomina matriz de N M. Un vector es un caso especial e importante de matriz. Sera una matriz N 1 denominada matriz columna (otros
autores utilizan tambin las matrices fila). En aquel caso, el segundo ndice es
redundante, y su representacin matricial es {Vi}, es decir:
V1
V2
V [Vi ] V3
M
VN
(2.18)
B11
B12
BT
M
B1M
B21
B22
B2 M
B31 L BN 1
B32 L BN 2
B3 M L BNM
(2.19)
(2.20)
MODELOS
DE
TRANSPORTE
1 0 L0
0 1 L0
I
M
0 0 L1
(2.21)
(2.22)
Los elementos de la matriz C se definen as: Cij = Aij + Bij. Por ello se requiere que ambas matrices tengan la misma dimensin, as: N M. Lo mismo
sucede con la diferencia de matrices:
C=AB
(2.23)
(2.24)
(2.25)
Prerrequisitos matemticos
(2.26)
(2.27)
MODELOS
DE
TRANSPORTE
2.4.1. Diferenciacin
Utilizando la ecuacin (2.10), la pendiente (gradiente) del segmento PQ en la
figura 2.6 puede escribirse como:
(x) = [ f(x0 + h) f(x0)] / h
Si el lmite de (x) cuando h
0
existe
y
es
el
mismo
si
h tiende a cero
desde ambos lados del punto considerado, entonces a este lmite se le denomina
derivada de la funcin y o f(x) con respecto a x en xo y usualmente se escribe
como f '(x0) o dy / dx en xo. El proceso de encontrar la derivada se denomina
diferenciacin.
Si f(x) viene dada como una funcin de x, normalmente no es difcil calcular f '(x) como otra funcin de x. La tabla 2.1 proporciona las derivadas de las
funciones ms usuales.
A partir de aqu, tambin se pueden definir las derivadas de segundo orden,
tercero y en general derivadas de orden superior (p. ej., f 0"(x) o d 2 x / dx2 d 2y / dx2
y as sucesivamente). Por ejemplo, si se diferencia la derivada primera de la
funcin y = xb en la tabla 2.1, resulta:
d2 y
b( b
1) x b
2
x
d 2
(2.28)
y
y = f(x)
f(x0 + h)
f(x0)
x0
x0 + h
Prerrequisitos matemticos
Tabla 2.1.
Derivadas ms comunes
Funcin f(x)
Derivada f '(x)
(k constante)
(b constante, x > 0)
bxb1
(k constante)
ku '(x)
ku(x)
u(x) + v(x)
u '(x) + v'(x)
u(x)v(x)
u[v(x)]
u'[v(x)]v'(x)
2.4.2.
Integracin
y g ( x)dx
x
y este resultado depende siempre de una constante arbitraria aditiva; por ejemplo, si g = bxb1 (ver Tabla 2.1), la integral indefinida de g(x) viene dada por:
y G ( x) bx b 1dx x b C
(2.29)
(2.30)
Por ejemplo, si se toma el caso simple de una lnea recta paralela al eje x,
de ecuacin y = f(x) = h y se quiere proceder a su integracin entre los valores
a y b (ver Figura 2.7b), resulta:
F(x) = hx + C
MODELOS
DE
TRANSPORTE
y
y = f(x)
c
d
(a)
(b)
Figura 2.7. reas bajo curvas: (a) caso general, (b) recta paralela al eje x.
y por tanto:
rea = F(b) F(a) = h(b a)
que es, de hecho, el rea del rectngulo sombreado en la figura 2.7(b).
Como ejemplo, pueden utilizarse las derivadas de la tabla 2.1 para calcular
sus integrales indefinidas; en particular, si:
u ( x)dx U ( x) C
v( x)dx V ( x) C
entonces:
Prerrequisitos matemticos
1,0
0,5
y = 1/x
Figura 2.8.
0,5
1,0
1,5
2,0
2,5 e 3,0
Como otras funciones logaritmo, el log (x) tiene las siguientes propiedades:
log (1) = 0
lim
log (t)
t
lim
log (t)
t
0
log (uv) = log (u) + log (v)
Otra funcin muy utilizada es la funcin exponencial exp (x) o ex, definida
como el nmero w tal que log (w) = x, y como se sabe:
e(x + y) = ex e y
MODELOS
DE
TRANSPORTE
elog(x) = x
Ambas funciones log (x) y exp (x) son fciles de diferenciar; por definicin:
d
1
log ( x)
dx
x
(2.31)
d x
(e ) e x
dx
(2.32)
2.4.4.
x1
Figura 2.9.
x2
x3
Prerrequisitos matemticos
caso de los puntos de inflexin como el (x3,0) de la figura 2.9. Para averiguar
si un cero de la funcin f(x) es mximo, mnimo o inflexin, hay que analizar
las derivadas segundas as:
La funcin f(x) presenta un mximo si f '(x) = 0, y adems:
f "(x) < 0
(2.33)
(2.34)
(2.35)
Estos casos se ilustran en la figura 2.10 y para evitar errores puede utilizarse la siguiente regla nemotcnica. Imagnese la funcin como si fuera una copa
con lquido; si estuviera boca abajo, el lquido se derramara (signo menos) y
entonces se tratara de un mximo. Recprocamente si la copa estuviera boca
arriba, el lquido permanecera (signo ms) y se tratara de un mnimo.
y
(a)
Figura 2.10.
(b)
(c)
En orden a desarrollar una teora directamente dirigida hacia una caracterizacin global de los ceros locales de funciones, los matemticos consideran
necesario introducir nociones complementarias sobre convexidad y concavidad.
Ambos conceptos son importantes y adems proporcionan una interpretacin
MODELOS
DE
TRANSPORTE
(a)
Figura 2.11.
(b)
(c)
La figura 2.11 presenta algunos ejemplos de funciones convexas y noconvexas. Geomtricamente, una funcin es convexa si la lnea que une dos
puntos cualesquiera de dicha funcin, no intercepta a la curva ms que en esos
dos puntos. Vase como en la figura 2.11(a), en dos dimensiones, una funcin
convexa tendra un grfico en forma semejante a la de un cuenco. Entonces,
de la misma manera, se dice que una funcin g es cncava si la funcin f = g
es convexa. Una propiedad interesante de las funciones convexas es que la
suma de dos funciones convexas tambin es convexa.
2.4.5.
(2.36)
Entonces para derivar dicha funcin respecto a una de estas variables xi,
se deriva normalmente respecto de ella suponiendo constantes las dems. Se
conoce con el nombre de derivada parcial de la funcin con respecto a la variable
considerada
y
se
escribe
as:
y
/
xi. Por ejemplo, si:
y = 2x1 + x23x3
Prerrequisitos matemticos
resulta que:
uy
2
ux1
uy
3x22 x3
ux2
uy
x23
ux3
Los mximos y mnimos de una funcin (2.36) se obtendran igualando a
cero todas las derivadas parciales:
uy
0 i = 1, 2,..., n
uxi
(2.37)
r1 ( x1 , x2 ,..., xn ) b1
r2 ( x1 , x2 ,..., xn ) b2
M
(2.38)
rK ( x1 , x2 ,..., xn ) bK
Para su resolucin pueden aplicarse los multiplicadores de Lagrange 1,
2 ,, K sobre cada una de las ecuaciones (2.38) y, a su vez, maximizar la
funcin Lagrangiana as definida:
kK
L f ( x1 , x2 ,...xn ) L k rk ( x1 , x2 ,..., xn ) bk
(2.39)
k 1
uL
0 i = 1, 2,..., n
uxi
(2.40)
MODELOS
DE
TRANSPORTE
y
L = 0
k
k = 1,2,,K
(2.41)
(2.42)
S f ( x1 , x2 )
(2.43)
V f ( x1 , x2 )dx1dx2
(2.44)
y representa el volumen bajo esta superficie entre los lmites que se consideren,
de la misma manera que para el caso de una sola variable representara el rea
bajo la curva entre los lmites fijados.
2.4.7. Elasticidades
La elasticidad de una variable dependiente y con respecto a otra variable xi en
una funcin como la que representa (2.9), viene dada por la expresin:
uy
uy xi
y
E ( y , xi )
uxi y uxi
xi
(2.45)
Prerrequisitos matemticos
uD uD
uD
E ( D, T ) D D
0, 33 m
0, 0033
uT 0, 01
D
T
2.4.8.
Desarrollos en serie
(2.46)
f ( x0 h) f ( x0 )
h0
h1
h2
h3
f '( x0 ) f ''( x0 ) f '''( x0 ) L
0!
1!
2!
3!
(2.47)
MODELOS
DE
TRANSPORTE
f ( x ) f ( 0)
h0
h1
h2
h3
f '(0) f ''(0) f '''(0) L
0!
1!
2!
3!
(2.48)
e x 1 x x 2 / 2! x 3 / 3! ...
2.5.1. Probabilidades
La definicin ms intuitiva del concepto de probabilidad es que la medida de
que un cierto resultado ocurra (p. ej., obtener un seis lanzando un dado) viene
dada por el lmite de su frecuencia relativa:
P (ei ) pi lim
md
x
ni
n
(2.49)
donde ei es el resultado deseado, n es el nmero de veces que se repite el experimento y ni el nmero de veces que ocurre ei. La expresin (2.49) permite
deducir ciertas propiedades bsicas de las probabilidades:
Prerrequisitos matemticos
0
pi
1
(2.50)
1
(2.51)
35 pi x(1
pi )
Por lo tanto, de aqu se obtiene la probabilidad de ganar la apuesta, despejando pi, es decir:
pi
x
x 35
E [e1 , e2 ,..., ei ]
se puede ver que la probabilidad de un suceso es la suma de las probabilidades
de los resultados que lo componen, esto es:
P( E ) pi ,
ei E
Ejemplo 2.1: dado el suceso E: {obtener por lo menos dos caras en tres
lanzamientos de una moneda}, los resultados que se pueden dar de los ocho
posibles son cuatro: (c, c, c), (c, c, s), (c, s, c), (s, c, c), (s, s, c), (s, c, s), (c, s, s) y
(s, s, s). Como cada resultado de los ocho tiene una probabilidad de 1/8 (si las
probabilidades de conseguir caras y cruces son iguales, es decir, si la moneda
no est trucada), la probabilidad del suceso E es 1/2.
MODELOS
DE
TRANSPORTE
Para combinaciones de eventos (es decir, dos caras pero de tal forma que no
todos los lanzamientos proporcionan el mismo resultado) llega a ser necesario
trabajar con los conceptos de unin () e interseccin () representados en la
figura 2.12. El rectngulo en la figura representa el espacio del evento y A y
B son eventos dentro de l. En general, es cierto que:
P ( A U B ) P ( A) P( B) P( A I B)
(2.52)
P ( A U B ) P ( A) P ( B )
(2.53)
B
Unin
D
Interseccin
Figura 2.12.
P( A / B)
P( A I B)
P( B)
(2.54)
P( E I F ) P( E ) P( F )
(2.55)
Prerrequisitos matemticos
Rx = rango de la variable X
X = variable aleatoria
(mapeo)
s = suceso
x = valor
especco
de X
E
S
X(S)
Rx
Figura 2.13.
Variable aleatoria.
Ejemplo 2.2: al lanzar una moneda al espacio dos veces, se tiene que los
posibles resultados son: S = {cc, cs, sc, ss}. Si se define la variable aleatoria
X = nmero de caras, es fcil ver que slo puede tomar los tres siguientes
valores:
x
=
N
de
caras
x(cc) = 2
x(cs) = x(sc) = 1
x(ss) = 0
MODELOS
DE
TRANSPORTE
f ( x) dx 1
f ( x) r 0,
x
(2.56)
(2.57)
E (a bX cY ) a bE ( X ) cE (Y )
(2.58)
Prerrequisitos matemticos
P( X 0 ,5 ) P( X ) 0, 5
x 1
P( x X 0 ,5 )
X 0 ,5
a
f ( x ) dx 0, 5
(2.59)
Var ( X ) E ; X E ( X )=
(2.60)
Var ( X ) E X 2 2 XE ( X ) ; E ( X )=
E ( X )2
2 ; E ( X )= ; E ( X )= E ( X 2 )
; E ( X )=
2
(2.61)
(2.62)
3.
Datos y rol del espacio
Consideraciones estadsticas
La estadstica puede definirse como la ciencia que trata sobre la recogida, anlisis, tratamiento e interpretacin de datos con objeto de obtener la mxima
Definiciones bsicas
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
se ( x )
( N
n)s 2
( N
1) n
(3.1)
se ( x )
( N
n) S 2
Nn
(3.2)
se ( x )
S
n
(3.3)
n'
S2
se ( x ) 2
(3.4)
n
n'
n'
1
N
(3.5)
MODELOS
DE
TRANSPORTE
(3.6)
Con coche
Sin coche
Tamao familiar
% de poblacin
4 o menos
Ms de 4
16
4 o menos
25
Ms de 4
50
MODELOS
DE
TRANSPORTE
n 100m / 9 11,1m
2. Alternativamente se puede llevar a cabo una muestra aleatoria preliminar de 11,1m hogares donde nicamente se pregunte el grupo o clase al
que pertenece. Esta encuesta, de bajo presupuesto, puede utilizarse para
obtener las direcciones de m hogares incluso para el grupo menor. Como
slo se necesitan m observaciones por celda sera suficiente seleccionar
aleatoriamente una muestra estratificada de 3m hogares en los otros grupos
para ser encuestada en detalle (junto con las m ya detectadas para la celda
ms restrictiva).
Como puede observarse en el primer caso se obtiene una muestra mayor;
su coste (aproximadamente tres veces ms encuestas) debe compararse con el
coste de la encuesta preliminar.
(3.7)
(3.8)
(3.9)
MODELOS
DE
TRANSPORTE
f(i, X / ) = f(i)P(X / i, )
(3.10)
(3.11)
f ( i,X / Q ) f ( i ) P( i/ X ,QP(i
) P/()
X )=/ P( i/ X , Q ) P( X )
X
(3.12)
f ( i,X / Q ) f ( i ) P( i/ X ,Q ) P( X ) / P( i/ X , Q ) P( X )
(3.13)
Total
Usuario Bus
0,45
0,15
0,60
Usuario Coche
0,20
0,20
0,40
Total
0,65
0,35
1,00
1. Muestreo aleatorio. Est claro que si la muestra es al azar, se debera obtener la misma distribucin en la muestra que en la poblacin.
2. Muestreo estratificado. Considrese una muestra con el 75% de viajeros de
Ingreso Bajo (IB) y el 25% de viajeros con Ingreso Alto (IA). De la tabla
anterior es posible calcular la probabilidad de que un viajero de ingreso
bajo utilice el autobs, as:
P (Bus/IB) =
P (IB y Bus)
0,45
=
= 0,692
P (IB y Bus) + P (IB y Coche)
0,45 + 0,2
Ahora, como la muestra estratificada tiene el 75% de individuos con ingreso bajo, la probabilidad de encontrar un usuario de autobs de ingreso
bajo en la muestra es: 0,75 0,692 = 0,519. Procediendo anlogamente
se puede construir la siguiente tabla de probabilidades para la muestra
estratificada:
Ingreso Bajo
Ingreso Alto
Total
Usuarios de coche
0,519
0,107
0,626
Usuarios de autobs
0,231
0,143
0,374
Total
0,750
0,250
1,000
P (IB y Bus)
0,45
=
= 0,75
P (IB y Bus) + P (IA y Bus)
0,45 + 0,15
Ingreso Alto
Total
Usuarios de coche
0,563
0,187
0,75
Usuarios de autobs
0,125
0,125
0,25
Total
0,688
0,312
1,00
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
de respuesta bajas (p. ej., algunas encuestas postales), pero se utilizan debido
a su menor coste.
Ejemplo 3.3: en una poblacin a estudiar, se sabe que su ingreso medio (I)
es de 33.600 $/ao y que su tasa de motorizacin media (TM) es de 0,44 coches/familia. Adems se realizaron pequeas encuestas en los diferentes modos,
con los siguientes resultados:
Modo
I ($ / ao)
TM (coches / familia)
Vehculo privado
78.000
1,15
Autobs
14.400
0,05
Metro
38.400
0,85
F1 0, 2451
F2 0, 6044
F3 0,1505
Esto significa que si la poblacin total del rea es de 180.000 habitantes,
habra aproximadamente 44.100 usuarios de coche, 108.800 usuarios de autobs
y 27.100 de metro.
MODELOS
DE
TRANSPORTE
Datos
ingenieriles
Errores de percepcin,
informacin y tiempo
de respuesta
Datos
percibidos
Errores de registro,
redondeo
y comunicacin
Restricciones
Modo
elegido
Figura 3.1.
Datos
registrados
MODELOS
DE
TRANSPORTE
opcin elegida por el individuo son percibidos como mejores y los de la opcin
rechazada como peores de lo que ambos son en la realidad, de forma que se
refuerza la racionalidad de la eleccin efectuada).
3.2.1.2. Errores de muestreo
Estos errores aparecen porque los modelos han de estimarse a partir de un conjunto finito de datos en lugar de la poblacin completa. Los errores de muestreo
tienden a ser inversamente proporcionales a la raz cuadrada del nmero de
observaciones (esto es, para reducirlos a la mitad es necesario cuadriplicar el
tamao de la muestra), por lo que su reduccin puede resultar muy costosa.
Daganzo (1980) ha estudiado el problema de definicin de estrategias de
muestreo ptimas para tratar de incrementar la exactitud de la estimacin.
3.2.1.3. Errores de clculo
Este tipo de error aparece porque los modelos generalmente se basan en procesos iterativos para los cuales la solucin exacta, si existe, no se logra obtener,
debido a su excesivo tiempo de clculo computacional.
En general estos errores son ms pequeos en comparacin con el resto,
excepto en casos tales como asignacin en redes congestionadas y problemas
de equilibrio entre oferta y demanda en sistemas completos de modelizacin,
donde pueden llegar a ser muy grandes (ver ESTRAUS, 1989).
3.2.1.4.
Errores de especificacin
Aparecen cuando el fenmeno que se est intentando modelizar no se comprende bien, o porque necesita ser simplificado por alguna razn, y ello se debe a
que ningn modelo puede representar la realidad de forma exacta. Un mejor
modelo, ms sofisticado, puede reducir este tipo de errores mediante una mayor
inversin en la etapa de recoleccin de datos y su procesamiento.
Dentro de este tipo, los errores ms importantes son los siguientes:
Inclusin de una variable irrelevante (p. ej., una variable que no afecte al
proceso de eleccin modelizado). Este error no producir sesgo en el modelo
(o sus estimaciones) si los parmetros aparecen de forma lineal, pero tender
a incrementar el error muestral. En un modelo no lineal, por el contrario,
puede producir sesgos (ver Tardiff, 1979).
Omisin de una variable relevante. Es quizs el error de especificacin
ms comn. Es interesante destacar que los modelos que incorporan un
MODELOS
DE
TRANSPORTE
3.2.2.
z f ( x1 , x2 , ... , xn )
se puede utilizar la siguiente frmula:
2
u f 2
uf uf
e =
ex +
ex ex rj
i u xi
i
j x i u xi u x j
2
z
(3.14)
uez uf exi
uexi uxi ez
(3.15)
MODELOS
DE
TRANSPORTE
Mediante la utilizacin de estas tasas marginales de mejora y de una estimacin de los costes marginales resultantes para mejorar la exactitud de los
datos, es posible, en principio, determinar un presupuesto ptimo para mejorar
los datos. En la prctica, el problema no es de fcil resolucin, entre otras
cosas debido a la ley de rendimientos decrecientes (cada porcentaje adicional
de reduccin en el error de una variable tender a costar proporcionalmente
ms), resultando un complejo proceso iterativo. Sin embargo, de la ecuacin
(3.15) se pueden deducir dos reglas lgicas:
se debe concentrar el esfuerzo de mejora en aquellas variables que posean
un error mayor y
se debe concentrar el esfuerzo en las variables ms relevantes, es decir,
aquellas que posean un valor superior de la derivada parcial del trmino
(f
/
xi), ya que tienen un mayor efecto sobre la variable dependiente.
Ejemplo 3.4: sea el modelo z = xy + w, y las siguientes medidas de las
variables independientes:
x = 100 10; y = 50 5; w = 200 50
y suponiendo que los costes marginales de mejora de cada medida sean los
siguientes:
Coste marginal de mejora de la variable x (a 100 9) = $5,00
Coste marginal de mejora de la variable y (a 50 4) = $6,00
Coste marginal de mejora de la variable w (a 200 49) =$0,02
Aplicando la ecuacin (3.14) se obtiene:
10y2
ez
=
= 35,2;
ex
708,87
ez
= 70,5;
ey
ez
= 0,0705
ew
Estos tres ltimos valores son las tasas de mejora marginal correspondientes
a cada variable. Para obtener las mejoras marginales de ez, se deben dividir los
costes marginales de mejora de cada variable por sus tasas de mejora marginales
respectivas. Los costes marginales de perfeccionar ez debido a las diferentes
mejoras de las variables son los siguientes:
Mejora marginal en x = 5/35,2 = $0,142
Mejora marginal en y = 6/70,5 = $0,085
Mejora marginal en w = 0,02/0,0705 = $0,284
A partir de estos valores debera decidirse mejorar la exactitud de medicin
de la variable y si la reduccin marginal en ez fuera al menos de $0,085.
Se definamos la complejidad como un incremento en el nmero de variables
del modelo y/o un aumento del nmero de operaciones algebraicas con dichas
variables. Parece obvio que para reducir el error de especificacin (es) se debe
aumentar la complejidad del modelo. No obstante tambin es claro que al existir
ms variables que medir y/o al haber mayores problemas para su medida, el
error de medicin de los datos (em), tambin crecer.
2
2
Si el error total de modelizacin se define como E (es em ) , se puede
observar que el valor mnimo de E no tiene que estar necesariamente en el punto
de mxima complejidad (es decir, mximo realismo). La figura 3.2 demuestra
grficamente no slo que ello es cierto intuitivamente, sino tambin que segn
se incrementa el valor del error de medicin, el valor ptimo nicamente puede
alcanzarse con niveles decrecientes de complejidad del modelo.
Error
em
es
Complejidad
Figura 3.2.
MODELOS
DE
TRANSPORTE
Ejemplo 3.5: sea una situacin en la que se debe elegir entre un modelo
extremadamente simple, del cual se conoce que el error total en la prognosis
es del 30%, y un nuevo modelo que posee una especificacin perfecta (es decir
es = 0), dado por:
z = x1 x2 x3 x4 x5
donde las variables xi son independientes y tienen un error de medicin del 10%
(es decir, em = 0,1xi). Para decidir qu modelo es ms conveniente, se puede
aplicar la ecuacin (3.14):
es
Pases pobres Pases ricos
Complejidad
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
decir en el medio y largo plazo. Tambin, dado que la mayor parte de sus usos
se relacionan con el transporte, la mejor prctica actual sugiere que el banco
de datos debera tener las siguientes caractersticas:
Los datos deben ser recolectados considerando las diferentes etapas del viaje,
asegurndose de que es posible relacionar modos especficos a diferentes
localizaciones, diferentes horarios del da y longitudes de viajes.
Han de incluirse todos los modos de viaje, incluso los no motorizados.
Los datos sobre los propsitos o motivos de los viajes deben recolectarse a
nivel altamente desagregado.
El perodo temporal de referencia debe ser lo ms amplio posible y enteramente cubierto, por ejemplo, 24 horas en un da, siete das en una semana y
quizs 365 das al ao (a fin de cubrir las cuatro estaciones anuales).
Los datos relevantes han de ser relativos a todos los miembros de la familia.
Los datos tienen que ser de elevada calidad y suficientemente robustos como
para poder ser utilizados a nivel disgregado (Daly y Ortzar, 1990).
Deben ser utilizados sistemas de recoleccin integrales que comprendan
tanto encuestas en hogares como datos referentes al origen-destino que provengan de otras fuentes como encuestas en cordn.
Desdichadamente, la recoleccin de datos a travs de este mtodo, que propicia un alto nivel de exactitud, no es tarea simple y a menudo es obstaculizado
por la dificultad de convencer en las entrevistas a un conjunto suficientemente
amplio de individuos, a que participen en este esfuerzo. Por tanto, en funcin de
los objetivos de la modelizacin (es decir, anlisis estratgico versus estudios
detallados de planificacin tctica), e1 analista puede decidir simplificar la
carga sobre los entrevistados contentndose con adquirir informacin menos
detallada.
3.3.2.1. mbito de la encuesta
La figura 2.4 puede ser til a la hora de describir el mbito de referencia de
un estudio para capturar todos los viajes que afecten a un rea metropolitana.
Ante todo es necesario definir el rea de inters del estudio. Su lmite exterior
es conocido como cordn externo. Una vez que ste ha sido definido, el rea se
subdivide en zonas (se vern algunas reglas bsicas sobre la zonificacin en la
seccin 3.4) para disponer de una idea clara y espacialmente desagregada sobre
los orgenes y destinos de los viajes, de forma que variables como la poblacin
y el empleo puedan ser cuantificadas espacialmente.
Desplazamientos
de los residentes
Figura 3.4.
Desplazamientos
de los no-residentes
entrando y saliendo
del rea de estudio
El rea fuera del cordn externo tambin debe ser subdividida en zonas
pero con un nivel de detalle ms bajo (zonas ms amplias). En el interior del
rea de estudio tambin pueden existir cordones internos y lneas pantalla (es
decir, una subdivisin ficticia que siga lmites naturales o artificiales en los
que existan pocos cruces para atravesarlos, como pueden ser un ro o una lnea
ferroviaria), cuyos objetivos sern discutidos a continuacin. No existen reglas
simples y rpidas para decidir la localizacin del cordn externo y, por ende,
qu reas deberan ser consideradas como externas al estudio; eso depende del
mbito y de los niveles de decisin adoptados para el estudio, es decir, es un
problema sumamente contextual.
De la figura 3.4 se deduce que son necesarios los siguientes datos:
Encuestas domiciliarias: deben obtenerse los desplazamientos efectuados
por todos los miembros de la familia en todos los modos de transporte, tanto
dentro del rea de estudio como entrando y saliendo de dicha rea, durante
el perodo temporal de referencia. Asimismo, esta investigacin tambin
debera incluir informacin socio-econmica (renta, posesin de coche, tamao y estructura de la familia, etc.). Esta informacin es muy eficiente para
generar datos que permitan la estimacin de modelos de generacin de viajes
as como de eleccin modal; adems, los datos sobre los desplazamientos
de los hogares proporcionan buena informacin sobre la distribucin de la
longitud de los viajes en la ciudad, que es un elemento importante para
la estimacin de los modelos de distribucin de los viajes.
Encuestas de interceptacin, cordn externo: proporcionan datos relativos a las personas que atraviesan los lmites del rea de estudio, en par-
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
Es necesario esperar un ao al menos, antes de que se tengan datos suficientes para alcanzar los objetivos planteados en el estudio (tpicamente un modelo estratgico completo).
Si se emplean encuestadores, es necesario mantenerlos motivados por un
largo perodo de tiempo.
Es pertinente desarrollar procesos de ponderacin de los datos que tengan
en cuenta las variaciones estacionales.
Es menester desarrollar mtodos especiales de ponderacin de los datos
anuales al combinar datos de encuestas continuas. Ms adelante se discutir
este tema.
Actualizacin peridica de matrices y modelos. Las matrices y los modelos asociados a sistemas de adquisicin continua de datos deberan ser puestos
al da peridicamente para maximizar el beneficio de contar con informacin
continua. As, aunque sea posible elaborar matrices parciales de viajes debido
a exigencias particulares, las matrices y los modelos para el rea completa de
estudio no deberan ser puestos al da ms de una vez cada 12-18 meses, en
funcin del tipo de ciudad en estudio.
Implicaciones sobre la recoleccin de datos. Puede ser que la puesta al
da peridica de modelos y matrices O-D tenga efectos sobre la recoleccin
de los datos. Por ejemplo, qu informacin es ms sensible para la puesta al
da? En este contexto, pueden existir varios elementos que merece la pena
actualizar peridicamente:
Los modelos de generacin y atraccin de viajes.
Las matrices O-D que reflejan el crecimiento diferencial de determinadas
zonas del rea de estudio.
La distribucin o reparto modal, incluyendo los modos no motorizados, que
refleja el posible impacto de diferentes polticas de transporte.
Los niveles de servicio (trfico) en diferentes puntos de la red, ya que permiten la identificacin de crecimientos diferenciados en las redes primarias,
secundarias, de acceso y locales.
La posesin de coche y las tendencias de crecimiento de las familias en
determinados municipios de las ciudades.
La prioridad asociada a cada uno de estos indicadores depender del tipo
de poltica de transporte considerada as como de la necesidad de hacer el
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
lo tanto, incluye no slo a los residentes sino tambin a visitantes de los hogares
y a los que pernoctan en hoteles, y otras personas que no residan en viviendas
privadas (como hospitales) as como a los viajeros que atraviesan el rea de
estudio en los das de la encuesta.
Una vez que el mbito de la investigacin ha sido definido, es necesario
determinar el marco muestral. En otras palabras, qu tipo de lista podra proporcionar la informacin correspondiente a todos los residentes, visitantes
y personas que circulan a travs del rea, para as elegir una muestra de dichas
personas y de sus viajes respectivos. Aunque hay varias alternativas, el marco
muestral de hogares, si bien complejo, es normalmente el ms directo. Si existe
informacin censal actualizada y se dispone de una base de datos sobre todas
las viviendas, esto puede ser perfecto; alternativamente, podra utilizarse un
listado de direcciones del rea completa (llevada a cabo por otras razones,
por ejemplo, por una compaa de suministro de servicios o por anteriores
encuestas), a condicin de que estn al da.
Por otra parte, escoger un marco muestral para los viajes de los no-residentes es ms complicado, por lo que es recomendable que esto se haga de la
siguiente forma:
Consgase una lista de las viviendas no-privadas y seleccionar una muestra
(posiblemente estratificada por tamao o por tipo de husped o visitante).
Obtngase una lista de las estaciones de intercambio de los diferentes modos de transporte pblico que representen el probable punto de llegada y
salida del rea metropolitana (p. ej., aeropuertos, estaciones ferroviarias, estaciones de autobuses de largo recorrido). Idealmente ello proporcionar una
muestra de viajes, en cada punto de interceptacin, aunque en algunos casos
puede que slo sea necesario utilizar una muestra de todos los puntos.
Localcese y confrmese una lista con todos los puntos que sean cruces de
carreteras o viales en el cordn externo al rea. Entonces y tal y como en el
caso anterior, deberan incluirse todos los cruces, aunque en algunos casos
puede que tambin sea necesario muestrearlos.
Tamao de la muestra. Las encuestas sobre viajes siempre estn basadas
en algn tipo de muestreo. Sin embargo, aunque fuera posible entrevistar a
todos los viajeros sobre un servicio especfico en un da dado, sta slo sera
una muestra de los viajeros que realizan viajes en una semana dada, mes o
ao. El desafo en el diseo de muestras consiste en identificar estrategias de
muestreo y tamaos muestrales que permitan alcanzar conclusiones razonables
Mnimo
Menos de 50.000
1 de 5
1 de 10
50.000-150.000
1 de 8
1 de 20
150.000-300.000
1 de 10
1 de 35
300.000-500.000
1 de 15
1 de 50
500.000-1.000.000
1 de 20
1 de 70
Ms de 1.000.000
1 de 25
1 de 100
Los problemas creados por estas enormes muestras han sido empeorados
porque muchos organismos, especialmente en pases en vas de desarrollo,
MODELOS
DE
TRANSPORTE
creen que estos tamaos son esenciales y por lo tanto requieren muestras hasta
20% ms grandes para afrontar prdidas eventuales debidas a la validacin de
los datos (ver Grate, 1988).
Los mtodos para estimar el tamao de la muestra a partir de un enfoque
estadstico ms lgico y con mayor aprovechamiento, requieren el conocimiento
de la variable a estimar, su coeficiente de variacin y la exactitud de medicin
deseada, as como el nivel de significacin asociado a la misma.
El primer requisito, aunque obvio y fundamental, ha sido ignorado muchas
veces en el pasado. La mayora de las encuestas domiciliarias O-D se han
diseado a partir de objetivos demasiado generales, tales como reproducir
los patrones de viaje del rea. Qu significa esto? Son los elementos de la
matriz O-D los que se buscan y, si ste es el caso, se desean por motivo, por
modo y hora del da, o solamente son de inters los grandes flujos de viajes
entre macrozonas?
Si se quieren obtener nicamente tasas de generacin de viajes, se puede
demostrar que muestras compuestas por unos mil individuos garantizan un
5% de tolerancia (error) y un 90% de confianza en los valores. La situacin
cambia drsticamente si se centra el inters en el nmero de viajes de cada celda
de una matriz O-D tpica (esto es con muchas zonas; obviamente el nivel de
detalle afecta). Por ejemplo, si cada celda tiene alrededor de 1.000 viajes, una
muestra del 4,3% garantiza errores de menos del 25% con un 90% de nivel de
confianza. Sin embargo, para volmenes de 20 30 viajes entre zonas, que son
muy comunes en la prctica, el mismo nivel de exactitud requerira muestras
del 100% (esto es, toda la poblacin).
El ejemplo anterior demuestra que la eleccin del tamao muestral no es
una tarea fcil. En primer lugar, es necesario que los objetivos de la encuesta
estn suficientemente claros, y en segundo lugar, se debe tomar una decisin
sobre el esfuerzo (generalmente econmico) que se va a dedicar para alcanzar
un grado de exactitud concreto en los resultados (Brg y Ampt, 1982).
El segundo elemento (coeficiente de variacin de la variable que va a ser
medida) sola ser una incgnita en el pasado, pero actualmente puede estimarse
a partir de la informacin obtenida del gran nmero de encuestas domiciliarias
O-D que se han llevado a cabo en aos recientes. Finalmente, el nivel de exactitud (porcentaje de error aceptado por el analista) y su nivel de confianza son
conceptos dependientes del contexto que el analista debe especificar en base
a su experiencia personal. Cualquier muestra puede llegar a ser muy grande
si el nivel de exactitud requerido es demasiado estricto. Puede decirse que,
n
CV 2 Z2
E2
(3.16)
CV
0,87
Pennsylvania (1967)
0,86
1,07
Baltimore (1962)
1,05
Por conveniencia y dado que todos los valores son prximos a la unidad,
se elige CV=1. Como se ha mencionado anteriormente, la decisin a adoptar
sobre la exactitud y el nivel de confianza es la ms complicada. La ecuacin
(3.16) seala que si se escogen niveles muy estrictos, el tamao de muestra
se incrementa exponencialmente. Por otra parte, es conveniente fijar niveles
estrictos para este caso, ya que el nmero de viajes por hogar es una variable
crucial (si este nmero se estima pobremente, la exactitud de los modelos posteriores podra verse gravemente afectada). En este ejemplo se elige un 0,05 de
exactitud con un nivel de confianza del 95%.
Para = 95%, el valor de Z es de 1,645, por lo que se obtiene:
n = 1,0 (1,645)2 / (0,05)2 = 1.084
es decir, sera suficiente tomar una muestra de aproximadamente 1.100 observaciones para asegurar tasas de generacin de viajes con un 5% de tolerancia,
MODELOS
DE
TRANSPORTE
requiera un esfuerzo mayor por parte del analista y no garantice una solucin
nica (DICTUC, 1998). La heurstica se inicia ordenando las clases sociodemogrficas en relacin al grado en el que stas se encuentran representadas
en la poblacin. A continuacin, a las zonas del rea de estudio se les asigna
una clase en base al grupo socio-econmico que presente la frecuencia ms
alta en su interior. Sucesivamente se selecciona una muestra aleatoria de zonas
para cada tipologa socioeconmica (es decir, del orden del 1% de todos los
hogares). Las restantes zonas se clasifican en orden de prioridad y entre ellas se
eligen las necesarias para llenar la diferencia entre la muestra ya seleccionada
y el mnimo requerido por cada nueva clase. El procedimiento se repite hasta
que todas las clases alcancen la mnima dimensin requerida (ms o menos
unas 30 50 observaciones).
Este procedimiento fue aplicado en Santiago para el sistema de 264 zonas definido en la encuesta O-D de 1991 (Ortzar et al., 1993) y para una
estratificacin de 14 clases en base al ingreso (renta) y a la posesin de coche.
El resultado final fue que una muestra de 1.312 hogares localizados en slo
15 zonas garantizaba un mnimo de 30 observaciones por clase. Sin embargo,
en ciertas zonas, en particular en las que contenan a personas de ingreso alto,
esta solucin implic tamaos muestrales no muy razonables (p. ej. cerca del
20% de la poblacin de la zona). Se hall finalmente una solucin mejor resolviendo el siguiente problema de optimizacin (Ampt et al., 1998):
Minimizar
s.a.
i[clases] j[ zonas]
jij
0 bj b
j[ zonas]
jij r i
MODELOS
DE
TRANSPORTE
2 ao
3 ao
4 ao
5 ao
15.000
5.000
5.000
5.000
5.000
MODELOS
DE
TRANSPORTE
tes para la adecuada realizacin de estas encuestas. A continuacin se indican algunas consideraciones en torno al tamao muestral y al nivel de exactitud:
Ejemplo 3.7: considrese un punto de control que es cruzado por N coches
y se desea extraer una muestra de n vehculos a encuestar. Se asume tambin
que de estos n vehculos, X1 viajan entre un par origen-destino O-D1. Como
X1 tiene una distribucin hipergeomtrica H(N, N1, n) donde N1 es el nmero
total de viajeros entre el par O-D1, puede demostrarse que su valor esperado o
esperanza matemtica y su varianza vienen dados por:
E(X1) = np con p = N1 / N
V(X1) = np(1 p)(1 n / N)
Utilizando una aproximacin a la Normal (basada en el teorema central
del lmite), se obtiene la distribucin de X1 as:
X l ~ N (np, np (1
p )(1
n / N ))
y un estimador de p es:
p
Xl
n
Por tanto:
p(1
p )(1
n / N )
p ~ N p,
p(1
p )(1
n / N )
p(1
p )(1
n / N )
, p z
p
z
n
n
donde z es el valor de la variable Normal estandarizada para el nivel de confianza requerido (1,96 para el 95%). Usualmente se requiere que el error absoluto e asociado a p no exceda de un valor preestablecido (normalmente 0,1),
es decir:
MODELOS
DE
TRANSPORTE
Ez
p (1
p )(1
n / N )
be
n
p (1
p )(1
n / N )
(e / z ) 2
nr
o lo que es equivalente:
nr
p (1
p )
2
p (1
p )
e
z
N
(3.17)
N (viajeros/perodo)
100
n (viajeros/perodo)
100n/N (%)
49
49,0
200
65
32,5
300
73
24,3
500
81
16,2
700
85
12,1
900
87
9,7
1.100
89
8,1
ms de 900
10,0 (1 de 10)
700 a 899
12,5 (1 de 8)
500 a 699
16,6 (1 de 6)
300 a 499
25,0 (1 de 4)
200 a 299
33,3 (1 de 3)
1 a 199
50,0 (1 de 2)
El trabajo de campo requiere parar aleatoriamente al nmero correspondiente de vehculos, encuestando a todos los pasajeros y preguntando el
origen, destino y motivo del viaje. En el caso de viajes en transporte pblico, dadas las dificultades prcticas de inmovilizar los vehculos durante el
tiempo necesario para entrevistar a los viajeros, se realiza la encuesta a bordo
de los vehculos. Para este trabajo es necesario definir tramos de carretera en
vez de estaciones de encuesta y tener en cuenta que el nmero de encuestadores depende de los factores de ocupacin observados en el tramo. Incluso
este mtodo puede ser difcil de aplicar si los vehculos estn cercanos a su
capacidad.
Encuestas cordn. Este tipo de encuestas ofrece informacin til sobre
viajes externos-externos y externos-internos. Su objetivo es determinar el
nmero de viajes que abandonan y/o cruzan el rea delimitada por el cordn, contribuyendo de esta manera a completar la informacin obtenida
en las encuestas domiciliarias. La encuesta ms importante se lleva a cabo en
el cordn externo, aunque tambin es posible realizar encuestas en cordones internos. Para reducir las demoras, a veces la realizacin de estas encuestas implica detener a una muestra de vehculos que pasan por una estacin
de control (normalmente con ayuda de la polica), entregando a los ocupantes de dichos vehculos un pequeo cuestionario para ser devuelto por correo.
En algunos estudios holandeses se ha tomado una muestra de nmeros de matrculas en las estaciones de control de forma que los cuestionarios se envan
a las direcciones correspondientes obtenidas del gobierno. En estos casos,
uno de los problemas principales es el conocido sesgo que tienen las encuestas devueltas por correo; ste se debe a que normalmente se devuelven menos del 50% de los cuestionarios repartidos, quedando demostrado que el
tipo de persona que los devuelve es diferente al que no lo hace (ver Brg
MODELOS
DE
TRANSPORTE
Datos lnea
pantalla
Datos encuesta O-D
(incluyendo encuesta
a vehculos de carga)
Hora del da
Figura 3.5.
Encuestas de diario de viajes. Son un tipo especial de encuestas domiciliarias a travs de las cuales se obtiene informacin similar a la de las encuestas
O-D, pero con mayor detalle. Sin embargo, parece difcil imaginar un detalle
superior al del enfoque actual de diseo de encuestas contemporneas, por lo
que podra darse el caso de que finalmente este tipo de encuestas desaparezca.
De hecho, slo si la carga al entrevistado no permite que el analista recopile
los datos de la forma recomendada aqu, el diario de viajes puede ser la nica
salida en muchos estudios.
El diario de viajes debe ser aplicado por separado a cada uno de los miembros de la familia encuestada que viaje durante el tiempo de realizacin del
MODELOS
DE
TRANSPORTE
mente en los pases en desarrollo. En este ltimo caso sera necesario calcular
la proporcin de hogares en cada grupo y los factores de expansin de forma
ms tradicional (Ortzar et al., 1993).
El mtodo bi-proporcional no garantiza que cada valor de la celda sea
idntico en el censo y en la encuesta O-D, ya que en cualquier matriz existe
un grado de indeterminacin relevante (es decir, muchas combinaciones de
valores de las celdas de una matriz pueden dar origen a los mismos totales
de filas y columnas). En particular, y dada su naturaleza multiplicativa cuando se utiliza este mtodo, una celda (o sea, un elemento de la matriz de viajes) que contenga un cero siempre mantendr el valor cero. Por otro lado,
algunas estructuras particulares de matrices (que contengan ceros en algunas celdas clave), pueden llevar a la no convergencia del mtodo (ver epgrafe 5.6.1).
Para evitar sesgos en la correccin bi-proporcional ya que, por un lado,
se est corrigiendo en base al tamao del hogar (nmero de personas) y, por
otro, segn caractersticas individuales (sexo y edad), se recomienda definir categoras bi-unvocas evitando clases que comprendan, por ejemplo, de
dos a cuatro personas, o seis o ms personas. No obstante, es fcil imaginar situaciones en las que podra ser necesario reagrupar una determinada
categora porque de lo contrario no estara representada en la muestra para
una determinada zona. En este caso es conveniente averiguar si es posible
agrupar zonas que sean semejantes antes que hacer correcciones a tal nivel de
desagregacin.
Correcciones adicionales en las encuestas domiciliarias. Adems de las
correcciones por tamao del hogar y caractersticas socio-demogrficas, hay
otros dos procedimientos de correccin segn se trate de entrevistas personales
o encuestas de autollenado (Richardson et al., 1995).
Correcciones por informacin no reportada. Este problema se ocasiona
cuando ciertos elementos de la encuesta no han sido respondidos (es decir,
hay tems sin respuesta). En encuestas de auto-llenado, esto puede ser resuelto
encuestando a una muestra de validacin usando entrevistas personales y luego
ponderando la informacin adecuadamente (Richardson et al., 1995). Dado
que se asume que los entrevistadores estn bien entrenados y supervisados,
este tipo de correccin no debera realizarse cuando se trata de encuestas con
entrevista personal, pero incluso en estos casos, puede que no se obtenga respuesta a datos difciles de obtener, como el ingreso.
MODELOS
DE
TRANSPORTE
Si no es posible obtener la informacin de O-D siguiendo las reglas mencionadas anteriormente (es decir, viajes por etapas en un da predefinido y
siguiendo un marco recordatorio de actividades), puede existir una subestimacin de los viajes no habituales. En estos casos puede ser importante verificar
el nmero de viajes por propsito, obtenido en la encuesta O-D, con aquellos
obtenidos mediante diarios de viajes, donde se debera haber conseguido informacin ms detallada acerca de cada viaje y especialmente acerca de los
viajes no habituales. Un mtodo de correccin propuesto por Ortzar y Hutt
(1988) considera los siguientes pasos:
Dividir los hogares en categoras (definidas, p. ej., por ingreso, motorizacin
y tamao familiar). El nmero total de categoras est limitado por la condicin de que cada una debe al menos poseer 30 observaciones en la encuesta
del diario de viajes, para asegurar que la tasa de viajes media tenga una
distribucin Normal.
Calcular el nmero medio de viajes por motivo (y su varianza) para cada
categora, tanto para la encuesta O-D como para los datos del diario de
viajes. Denominando a las medias como X y Xb y a las varianzas como S
y Sb respectivamente, calcular la diferencia D = X Xb.
La diferencia mnima detectable (d) entre las medias de una cierta variable
X en dos muestras con tamaos N y Nb para una probabilidad del 80% de
que su diferencia real (D) sea significativa al 95% de confianza, viene dada
por la expresin (Skelton, 1982):
1/ 2
S
S
d 2, 8 a b
N a Nb
MODELOS
DE
TRANSPORTE
Tabla 3.3.
Total
Ao 1
2.000
13,33%
3.000
20,00%
4.000
26,67%
5.000
33,33%
1.000
6,67%
15.000
Ao 2
850
17,00%
1.200
24,00%
1.000
20,00%
1.500
30,00%
450
9,00%
5.000
Ao 3
2.850
14,29%
4.200
21,00%
5.000
25,00%
5.600
32,50%
1.450
7,25%
20.000
Ao 1
17,00/13,33
1.275
1.200
0,750
0,900
1.350
Procedimiento de ponderacin
1
Total
Ao 1
2.550
3.600
3.000
4.500
1.350
15.000
Ao 2
850
1.200
1.000
1.500
450
5.000
Ao 3
3.400
17%
4.800
24%
4.000
20%
6.000
30%
1.805
9%
20.000
Mtodos de imputacin. Existen varios mtodos de imputacin en el estado del arte (una interesante discusin sobre este tema puede verse en Armoogum y Madre, 1998). Sin embargo, estos mtodos no conservan la varianza
de la variable a imputar (p. ej., el ingreso), y por tanto, cuando la variable que
contiene imputaciones es incluida en un modelo, pueden conducir a estimaciones inconsistentes. Por esta razn, algunos investigadores consideran que en
algunos casos imputar valores incrementa el error, es decir, simplemente los
datos se transforman en valores improvisados. Por tanto se aconseja registrar
los cambios producidos tras imputar valores y, si es posible, evaluar sus efectos.
Para solucionar ste y otros problemas, estudios recientes sugieren realizar
imputaciones mltiples y luego combinar los estimadores de los modelos resultantes en cada caso para as conseguir valores consistentes que tengan en
cuenta los errores asociados al proceso de imputacin (Brownstone, 1998).
Fi
A
A(C CD / B ) / B
B
C
D
donde Fi es el factor de expansin para la zona i, A es el nmero de direcciones de la poblacin total en la lista original, B es el nmero de direcciones
seleccionado como la muestra original, C es el nmero de direcciones de la
muestra que no fueron elegibles en la prctica (p. ej., casas demolidas, edificios
no residenciales), y D es el nmero de direcciones de la muestra donde no se
obtuvo respuesta. Como se puede ver, si A fuera perfecto (es decir C = 0), el
factor sera simplemente A / (B D) , como se defini anteriormente. Por otra
parte si D = 0, puede comprobarse que la frmula considera sustraer de A la
proporcin de casos no elegibles, con objeto de evitar sesgos en Fi.
3.3.3.3. Validacin de resultados
Los datos obtenidos de las encuestas O-D se someten normalmente a tres procesos de validacin. El primero de ellos consiste simplemente en comprobaciones
en campo de la coherencia y completitud de los datos. A esta comprobacin
sigue normalmente la codificacin y grabacin de los datos en gabinete. El
segundo proceso es una comprobacin por ordenador de los rangos vlidos
para la mayor parte de las variables y, en general, de la consistencia interna de
los datos. Una vez que se han completado ambos procesos, se supone que los
datos no tienen errores obvios.
En el estado del arte en estudios de movilidad, puede observarse que la
validacin ms importante de los datos se hace con los datos mismos de la encuesta y no con datos secundarios como los conteos de trfico sobre lneas
pantalla y cordn. La razn es que cada mtodo posee sus propias y particulares
distorsiones, las cuales pueden engendrar confusin en el proceso de validacin.
Por ejemplo, comparaciones groseras, como el nmero de desplazamientos que
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
Tarifa
Trasbordo
70 p
Ninguno
Tarifa
Trasbordo
70 p
Ninguno
10 mins
Tarifa
Trasbordo
85 p
Ninguno
8 mins
Tarifa
Trasbordo
70 p
1 Cambio
10 mins
8 mins
b)
c)
d)
e)
tos esenciales deben estar presentes y las opciones deben ser plausibles y
realistas.
Disear la forma en que se presentan las opciones de eleccin a los encuestados y de qu forma stos pueden expresar sus preferencias. La presentacin de las alternativas debe ser de fcil comprensin y situarse en el
contexto de la experiencia y las restricciones del encuestado.
Desarrollo de una estrategia de muestreo que asegure un conjunto de datos
rico y representativo.
Realizacin apropiada de la encuesta, incluyendo supervisin y procedimientos de aseguramiento de la calidad de los resultados.
Utilizacin de tcnicas adecuadas de estimacin de modelos, preferiblemente combinando datos PR y PD y teniendo bien presente el modo en el
que los modelos o ponderaciones resultantes sern utilizadas como soporte
a la toma de decisiones.
MODELOS
DE
TRANSPORTE
(a) identificacin del conjunto de elecciones (qu opciones van a ser incluidas:
ferrocarril o coche, o diferentes tipos de servicio dentro de un mismo modo);
(b) seleccin de los atributos a incluir en cada opcin; (c) seleccin de la unidad
de medida de cada atributo y (d) especificacin del nmero y magnitud de los
niveles de cada atributo.
a) El conjunto de alternativas se obtiene normalmente a partir de los objetivos
del estudio. Sin embargo no se debe omitir ninguna alternativa realista que
el usuario pudiera considerar en la prctica. Por ejemplo, en un estudio
sobre respuesta potencial de conductores de vehculo privado a nuevas iniciativas de Tarificacin Vial, puede no ser suficiente considerar solamente
modos alternativos de viaje. Los cambios en la hora de salida del viaje o
hacia destinos alternativos (para evitar cobros), pueden ser respuestas a
considerar. Ignorar estas alternativas coloca al entrevistado en un contexto
menos realista.
b) El conjunto y naturaleza de los atributos debe tambin elegirse de forma
que se aseguren respuestas realistas. Deben estar presentes los atributos
ms importantes y ellos han de ser suficientes para describir las alternativas
tecnolgicamente factibles. En esta fase debe tenerse especial cuidado a la
hora de establecer las diferentes combinaciones de atributos; por ejemplo,
una alternativa de alta calidad, con frecuencia elevada y de bajo coste
puede ser ignorada por poco realista, reduciendo as el valor de todo el
ejercicio. Al mismo tiempo conviene cuidar que el nmero de atributos
no sea excesivo (en general no ms de cuatro) dado que, como expone
Carson et al. (1994) puede que los entrevistados simplifiquen sus elecciones de forma lexicogrfica (focalizando la atencin sobre un nmero inferior de atributos) o bien que sencillamente respondan al azar (Saelensminde,
1999). Con el fin de asegurar que se incluyen los atributos adecuados y
que las opciones se describen de una forma sencilla, es conveniente llevar
a cabo un pequeo nmero de reuniones de grupo focal con una muestra
representativa de individuos. Un moderador con experiencia se encargar
de asegurar que se discutan y registren todas las cuestiones relevantes
referidas a la percepcin de las alternativas, identificacin de los atributos
ms importantes y la forma en la que stos se perciben por parte de los
sujetos, as como los elementos principales que establecen el contexto del
ejercicio. Las reuniones de grupo focal son costosas y, en muchos casos, el
investigador estar tentado a evitarlas en la conviccin de que ya posee una
buena comprensin del problema y del contexto. En este caso, es esencial
Diseo experimental
MODELOS
DE
TRANSPORTE
que se supone que algunos o todos los productos de las variables son despreciables.
(a)
Frecuencia (buses/hr)
12
3
20
50 tarifa
(b)
12
3
30
50 tarifa
Figura 3.7. Presencia y ausencia de interaccin entre atributos: (a) sin interaccin,
(b) con interaccin.
Alternativas
Tarifa
Tiempo de viaje
Frecuencia
Baja
Rpido
Poco frecuente
Baja
Rpido
Frecuente
Baja
Lento
Poco frecuente
Baja
Lento
Frecuente
Alta
Rpido
Poco frecuente
Alta
Rpido
Frecuente
Alta
Lento
Poco frecuente
Alta
Lento
Frecuente
Atributo 1
Atributo 2
Atributo 3
MODELOS
DE
TRANSPORTE
Tabla 3.5.
Alternativas
Tarifa ()
Frecuencia (buses/hora)
0,50
18
0,50
18
0,50
25
0,50
25
0,80
18
0,80
18
0,80
25
0,80
25
Los diseos factoriales fraccionados permiten reducir el nmero de alternativas a costa de perder uno o ms efectos de interaccin. En Pearmain
et al. (1991) se incluyen algunas directrices sobre cmo reducir el nmero y
complejidad de las opciones, teniendo en cuenta los objetivos del estudio y las
restricciones de tiempo y alcance de los instrumentos de encuesta.
Un elemento clave en la construccin de un diseo factorial es, de hecho, su
complejidad. La experiencia demuestra que las personas responden ms verazmente cuando se les pide considerar cambios simultneos de hasta tres factores
nicamente (Huber y Hanson, 1986). Es esperable que la complejidad asociada
a responder la encuesta tenga influencia sobre la cantidad de errores en los
datos; a este propsito, los pre-tests, el control de la encuesta, el monitoreo de
la entrevista y las sucesivas sntesis postoperativas, pueden detectar problemas
generales, e incluso se pueden incorporar test en el instrumento de medicin
para identificar aquellos individuos con menor comprensin del ejercicio. En
este sentido parecen particularmente apropiados procedimientos interactivos de
encuesta, ya que permiten detectar estos problemas e, inmediatamente, realizar una comprobacin ms detallada o proporcionar instrucciones adicionales.
Ejemplo 3.10: sea un diseo con cinco atributos, dos de ellos con dos niveles
de variacin y el resto con tres niveles (esto es, un diseo 22 32). Dependiendo
del nmero de interacciones que se desee investigar, el nmero de opciones a
presentar variara de la siguiente forma:
108 si fuera necesario considerar todos los efectos (diseo factorial completo).
V1
V2 t (t1
t2 ) c (C1
C2 )
El punto de indiferencia entre las dos opciones se obtiene a partir de que
V1 = V2 y por tanto:
MODELOS
DE
TRANSPORTE
t (C1
C2 )
(t2
t1 )
c
donde la relacin t / c es el valor lmite del atributo tiempo expresado en
trminos de coste, es decir es el valor del tiempo (vase la seccin 13.4). Por
ejemplo, en ausencia de efectos aleatorios, un individuo cuyo valor del tiempo
sea mayor que t / c preferira la alternativa con un coste ms alto, y viceversa;
vase el ejemplo en Fowkes (2000). En el caso de que se aada otra variable,
por ejemplo, el tiempo de espera, el analista puede, de modo anlogo, obtener
el valor del tiempo de espera, y si se representan en un grfico los valores del
tiempo de viaje y del tiempo de espera en consonancia con los datos de las
situaciones PD que se presentan a los entrevistados se obtiene un mapa (o
diagrama de rayos), de valores lmite que permite verificar si el diseo realizado cubre un rango adecuado de valores. El concepto de diagrama de rayos
es ahora generalmente utilizado por la mayora de los expertos de PD ms
reconocidos (Bates, 1998).
Pearmain y Swanson (1990) han experimentado con el uso de diseos adaptados para las encuestas PD utilizando ordenadores porttiles. An ms, la utilizacin de software avanzado les permite modificar el experimento a partir de
las respuestas obtenidas por el individuo. Otro enfoque del mismo problema ha
sido investigado por Holden et al. (1992). Los resultados sugieren que hay una
cierta ganancia en construir diseos PD a la medida de cada entrevistado, aunque en este caso se necesita poner cierta atencin en no perder las propiedades
deseables de la muestra y el diseo general. En efecto, Bradley y Daly (2000)
critican la utilizacin de diseos adaptativos ya que pueden producir sesgos.
Es de destacar que esto es totalmente diferente a la tcnica de utilizar diseos
fijos a la medida de cada usuario (es decir, no adaptativo) que es un mtodo sumamente recomendado en cuanto a que permite obtener un ejercicio PD mucho
ms realista; sin embargo, se debe resaltar que ambos enfoques son mucho ms
fciles de llevar a cabo en la prctica utilizando un ordenador porttil. Se remite
al lector a los tres artculos indicados en estos prrafos para ms detalles.
Sea cual sea el enfoque adoptado para el diseo experimental en una encuesta PD, es muy importante probar el instrumento de encuesta antes de
aplicarlo a gran escala. Para ello se llevan a cabo los siguientes pasos:
Utilizar datos simulados para confirmar que el diseo permite recuperar
todos los parmetros del modelo esperado.
Realizar pre-test del instrumento de encuesta utilizando una pequea muestra estratificada que permita tener en cuenta la opinin del mayor nmero
posible de sectores de inters en la poblacin.
Evaluar los resultados de esta encuesta piloto en trminos de la calidad del
instrumento de encuesta y de calidad intuitiva de las respuestas obtenidas
segn estratos de la poblacin. Corregir el instrumento antes de su utilizacin.
Obviamente la encuesta piloto sirve tambin para comprobar aspectos relacionados con la organizacin operacional, administrativa y control de calidad
del ejercicio.
3.3.4.3. Presentacin de las alternativas
Para garantizar respuestas realistas por parte de los entrevistados es muy importante que los atributos de las alternativas sean presentados de modo parecido
a como son percibidos por los viajeros. Ello puede requerir, por ejemplo, la
utilizacin de material grfico de alta calidad para transmitir cmo se vera el
material rodante de un nuevo servicio que se fuera a investigar con PD. El investigador debe tener cuidado de evitar cualquier sesgo implcito en el material
ilustrativo utilizado. En este sentido las ilustraciones grficas son preferibles a
las fotografas debido al mayor control que se tiene sobre los detalles incluidos
en las mismas.
Ejemplo 3.12: en un estudio sobre la importancia de la frecuencia en la
demanda por viajes interurbanos (Steer y Willumsen, 1983), se pudo comprobar que aunque diferentes personas perciben la frecuencia de forma distinta,
casi nadie se plante esta variable en trminos de trenes por hora o por da.
Por lo tanto, la primera parte de la entrevista se utiliz para conocer cmo era
percibida la frecuencia por cada viajero, por ejemplo:
Tom el ltimo tren que me deja en Newcastle antes de las 11 a.m.; fue el
tren de las 7:50 desde Kings Cross, o bien
Me limit a llegar a la estacin donde descubr que el siguiente tren a
Newcastle iba a salir en 15 minutos.
El entrevistador posteriormente transform los diferentes atributos de
frecuencia del diseo experimental en trminos equivalentes; por ejemplo,
Para llegar a Newcastle antes de las 11 a.m. debe coger el tren de las 7:30,
MODELOS
DE
TRANSPORTE
Nada es importante
MODELOS
DE
TRANSPORTE
Modelos basados en los datos sin NPO podran tener baja capacidad predictiva respecto de aquellos en los que s se hubiera incluido la NPO; en
cambio, modelos basados en datos que incluyan una NPO presentarn una
buena capacidad predictiva en cualquier escenario.
Olsen y Swait (1998) utilizaron un diseo experimental con tres alternativas, dos niveles de calidad de naranjas, dos niveles de dulzura, dos tipos
de envasado (solo o en lotes de cuatro) y dos niveles de precio por unidad.
Agregaron tambin una alternativa barata (con el nombre del supermercado)
que consista en un jugo endulzado hecho con naranjas de baja calidad. Ellos
plantearon un diseo factorial que les permiti estimar los efectos principales
y las interacciones entre pares de atributos.
Se tomaron muestras de igual tamao (70 individuos) a las que se presentaron 16 situaciones involucrando tres opciones en los diseos con y sin
NPO. Tambin se pregunt si los consumidores vetaran la compra de un producto si uno de sus atributos tuviera un nivel inaceptable. Al final se encontr
que los parmetros de los modelos estimados no slo difirieron en magnitud
sino que, como se esperaba, el modelo con NPO present efectos no-lineales
(interaccin) significativos. Estos resultados fueron confirmados por un anlisis de las respuestas a propsito de vetar un producto dependiendo de sus
caractersticas (el 63% de la muestra consideraba que el jugo endulzado era
inaceptable; el 57% consideraba inaceptable el requisito de comprar paquetes
de cuatro unidades). La tabla 3.6 muestra el porcentaje de error en las predicciones para cada grupo de datos utilizando los parmetros estimados con
el otro grupo. No hay ninguna duda de que las hiptesis iniciales de Olsen y
Swait fueron confirmadas; as que puede concluirse que nada, de hecho, es
importante.
Tabla 3.6.
Alternativas
Sin
NPO
con
NPO
3,8
24,8
1,9
21,6
2,8
37,9
NPO
47,8
3.3.4.6.
Estrategia de muestreo
Al igual que en otros trabajos de toma de datos, durante el diseo de un experimento PD son muy importantes conceptos tales como la composicin de la
muestra y su tamao. Un requerimiento bsico, comn con los estudios PR,
es la obtencin de una muestra suficientemente grande y representativa. Por
otra parte, los estudios PD son estadsticamente eficientes, en el sentido de que
cada encuestado no produce una nica observacin sino varias en el mismo
contexto de eleccin. Por tanto las muestras son habitualmente ms pequeas que en estudios comparables de PR (Bradley, 1988). Originalmente se pens que unas 30 entrevistas por cada segmento eran suficientes. Sin embargo,
se ha comprobado que es ms apropiado realizar unas 75-100 encuestas por
segmento (ver Pearmain y Swanson, 1990; Bradley y Kroes, 1990; y Swanson
et al., 1992).
Parte de la dificultad se debe a la naturaleza de la informacin recogida
de las encuestas PD. El hecho de que cada entrevista pueda producir 10 o ms
respuestas sobre el mismo nmero de situaciones hipotticas de eleccin, ofrece informacin sobre las variaciones en las respuestas de cada individuo. Sin
embargo, para obtener un modelo representativo, se deben incorporar tanto las
variaciones entre individuos, como las producidas por un mismo individuo,
y esto slo se puede lograr con una muestra adecuadamente dimensionada y
representativa.
El problema de representatividad de la muestra puede complicarse en el
contexto de experimentos de PD, precisamente debido a la flexibilidad adicional que se obtiene con el mtodo (el analista puede controlar el contexto).
Por ejemplo, si se entrevista a un conjunto de individuos de un cierto tipo bien
definido (usuarios frecuentes de un servicio dado), sobre la mejora de servicio
en el mismo modo, se puede asegurar ms fcilmente que el contexto de la
encuesta sea conocido para los encuestados (las alternativas planteadas son
todas tecnolgicamente viables). Sin embargo, un modelo estimado con estos
datos ofrecer escasa fiabilidad sobre el comportamiento de otros grupos,
como, por ejemplo, nuevos usuarios que podran ser atrados por estas mejoras
del servicio.
Para estimar la demanda futura es necesario encuestar a muchos tipos de
individuos a fin de obtener resultados representativos. Si el mtodo es aleatorio,
se pueden necesitar grandes muestras para alcanzar un nmero adecuado de
observaciones sobre elecciones minoritarias. Ya se ha mencionado que en los
estudios PR el muestreo basado en la eleccin resulta un mtodo no muy cos-
MODELOS
DE
TRANSPORTE
toso para estos casos; esto es an ms interesante ya que aplicando una simple
correccin durante la estimacin de modelos se logra evitar el sesgo estadstico,
segn se ver en el Captulo 8. En datos PD, sin embargo, las muestras basadas
en la eleccin pueden introducir un sesgo adicional debido a la forma en que
diferentes tipos de individuos perciben o interpretan el contexto de eleccin
(ver Bradley, 1988).
3.3.4.7. Realismo y complejidad
Un elemento fundamental para el xito de las encuestas PD es el grado de realismo obtenido en las respuestas. Se han desarrollado ciertas reglas a seguir,
descritas por autores como Pearmain et al. (1991). En particular, es necesario
salvaguardar la realidad en el contexto del ejercicio, as como en las alternativas de eleccin que se presentan y en las respuestas que son permitidas. Ello
puede lograrse de diversas formas:
Focalizando la atencin sobre un comportamiento especfico en lugar de
sobre el comportamiento general. Por ejemplo, debe preguntarse a los encuestados cmo responderan ante una alternativa en una ocasin concreta,
no en un contexto amplio. Cuanto ms abstractas sean las preguntas, menos
fiables sern las respuestas.
Utilizando un contexto realista de eleccin, p. ej., uno en el que los encuestados hayan tenido una experiencia reciente.
Manteniendo las restricciones de eleccin necesarias para que el contexto sea
realista. Ello implica normalmente preguntar a los encuestados por sus preferencias respecto a un viaje muy reciente, sin eliminar ninguna de sus restricciones. Por ejemplo, Si hoy usted prefiriera utilizar su coche para visitar
al dentista por la tarde despus del trabajo, por favor conserve esta restriccin
en sus elecciones. La eliminacin de estas restricciones puede provocar
respuestas irrealmente elsticas.
Utilizando niveles existentes (percibidos) de los atributos para que las alternativas se construyan alrededor de la experiencia existente.
Utilizando la percepcin de los entrevistados para definir las posibles limitaciones de los valores de los atributos en el ejercicio. Por ejemplo, si se trata
de mejoras en los servicios de ferrocarril, no presentar opciones en las que
la estacin est ms cerca de los domicilios que en la realidad.
Asegurando que se incluyan en la presentacin todos los atributos relevantes.
Ello es especialmente importante si se desea desarrollar modelos de elec-
En la actualidad es frecuente el uso de ordenadores para la realizacin de diversos tipos de encuestas, incluyendo las de PD. La utilizacin de ordenadores presenta ventajas muy significativas respecto a los mtodos de papel y
bolgrafo, pero tiene algunas limitaciones dada la tecnologa actual, que discutiremos en primer lugar.
En el caso de encuestas de PD es ms probable la utilizacin de ordenadores
porttiles, preferiblemente de tamao pequeo. Sus principales limitaciones
han sido la duracin de las bateras y su peso, aunque los equipos modernos
prcticamente han resuelto estos problemas. Por otro lado, los ordenadores
MODELOS
DE
TRANSPORTE
5 minutos
8 horas
0m
1 libra
89 peniques
35,00
Figura 3.8.
MODELOS
DE
TRANSPORTE
Opcin 1
Opcin 2
CONDUCIENDO COCHE
VIAJANDO EN AUTOBS
Salida a:
Llegada a:
Salida a:
Llegada a:
08:09
09:00
08:00
09:00
Posiblemente
Opcin 1
No puedo
decir
Posiblemente
Opcin 2
Denitivamente
Opcin 2
Ninguno
de ellas
3.3.4.9.
y, no sorprendentemente, los modelos resultantes bastante crebles, ya que reflejan un comportamiento ideal, en vez de uno sujeto a restricciones. El valor de los indicadores de bondad de ajuste en encuestas PD depende enteramente de la calidad y realismo del experimento. El problema es que los defectos
de los modelos obtenidos mediante estudios ms baratos solamente pueden
detectarse con el paso del tiempo.
Lo mismo sucede tambin con las tcnicas de anlisis que se desarrollan
en el Captulo 8. Un anlisis de calidad requiere a menudo la combinacin de
datos PR y PD para asegurar que los modelos resultantes estn bien anclados
(escalados) a las restricciones y al ruido del comportamiento real.
Las encuestas PD pueden ser una forma eficiente de refinar y mejorar las
herramientas de modelizacin, pero el forzar un coste bajo a expensas de la
calidad y de la rigurosidad del anlisis, conduce probablemente a resultados
decepcionantes y a un apoyo pobre a las decisiones.
Definiciones bsicas
MODELOS
2.
3.
4.
5.
DE
TRANSPORTE
en la poblacin (personas que dejan la casa de sus padres, parejas que se divorcian). Es necesario definir un procedimiento que mantenga una muestra
representativa que permita que familias e individuos se incorporen a la muestra con probabilidades conocidas, pero esto no es una tarea sencilla (para ms
detalles ver Duncan et al., 1987).
3.3.5.3. Fuentes de error en datos de panel
Un diseo de panel puede aadir (o quitar, si no se realiza con cuidado) calidad
a los datos. Aunque generalmente est reconocido que contactos y entrevistas
repetidas permiten alcanzar una mejor calidad de los datos, los paneles se
caracterizan por una mayor tasa de no-respuesta con respecto de los mtodos
de corte transversal, y corren el riesgo de introducir contaminaciones como
se ver a continuacin.
Efectos sobre los errores de respuesta. Los entrevistados en las encuestas
panel tienen contacto reiterado con los encuestadores y sus cuestionarios. Esto
puede mejorar la calidad de los datos obtenidos por las siguientes razones:
La entrevista repetida en el tiempo reduce el tiempo transcurrido entre el
fenmeno investigado y la propia entrevista, tendiendo as a mejorar la
calidad de la informacin recordada.
El contacto repetido incrementa la probabilidad de que el encuestado entienda ms claramente el objetivo del estudio. Adems las personas pueden
verse ms motivadas para realizar el trabajo solicitado y producir respuestas
ms precisas.
La calidad de los datos tiende a mejorar en las oleadas ms tardas de un
panel, probablemente por el aprendizaje de los encuestados, de los encuestadores o de ambos.
Problemas relacionados con la no-respuesta. Bajo el concepto genrico
de no-respuesta se incluyen varios conceptos importantes que tienen dos orgenes bsicos: la prdida de una unidad completa de informacin y/o la prdida
de un dato especfico dentro de la unidad. Hensher (1987) discute en detalle la
forma de verificar y corregir este tipo de error.
Los problemas de no-respuesta asociados con la oleada inicial de un panel,
no son diferentes a los de las encuestas de corte transversal, de forma que muy
poco se puede hacer para corregir sus posibles efectos. Por el contrario, se
tiene mucha informacin sobre la no-respuesta en oleadas sucesivas, de forma
MODELOS
DE
TRANSPORTE
que dicha informacin puede ser utilizada para determinar sus principales caractersticas, permitiendo que la no-respuesta sea modelizada como parte del
comportamiento ms general de inters (ver Kitamura y Bovy, 1987).
Los diseos habituales de paneles a gran escala dedican una ingente cantidad de esfuerzo en preocuparse de los encuestados. Esto implica instruir a
los encuestadores sobre cmo contactar repetidas veces con los individuos as
como enviar cartas incentivadoras especialmente diseadas para reducir las
fuentes de resistencia de los encuestados.
Contaminacin de respuestas. Existe evidencia de que las respuestas
obtenidas en la oleada inicial de estudios de panel pueden diferir de las de
oleadas sucesivas. Por esta razn en algunos estudios de panel las entrevistas
iniciales no se utilizan con propsito comparativo. Una cuestin crucial es
saber si la pertenencia al panel afecta al comportamiento en s mismo o slo
a la informacin recogida. No existe ninguna prueba definitiva al respecto,
pero parece que depende del tipo de comportamiento medido. Por ejemplo,
Traugott y Katosh (1979) observaron que los participantes en un panel sobre
comportamiento de los electores, incrementaron sus votos (es decir, cambiaron
su comportamiento) segn fue pasando el tiempo. Esto se debi en parte a una
mayor conciencia del proceso poltico y en parte a que los individuos menos
motivados polticamente tendan a abandonar el panel.
3.3.5.4. Costes relativos de las encuestas longitudinales
No es posible preguntar acerca de los costes de los estudios longitudinales
sin hacer referencia a los costes de los mtodos alternativos existentes. Una
comparacin obvia es entre una encuesta de corte transversal, con preguntas
sobre un perodo anterior, y un panel con dos oleadas. Sin embargo, si el estudio
longitudinal est diseado para mantener representativa su muestra cada ao y
si se dedican recursos suficientes a la misma, puede servir tambin como una
fuente anual de datos representativos de corte transversal y de esta forma podra
compararse con una serie de estas encuestas en lugar de solamente con una.
Duncan et al. (1987) han realizado algunos clculos aproximados al respecto,
estableciendo que en el primer caso la encuesta longitudinal costara entre un 20
y un 25% ms que la encuesta de corte transversal con preguntas retrospectivas.
Pero en el segundo caso, los costes de campo de las sucesivas oleadas del estudio
de corte transversal seran de un 30 a un 70% ms caros que oleadas adicionales
de una encuesta panel, dependiendo de la duracin de la entrevista.
MODELOS
DE
TRANSPORTE
nmero de zonas, obviamente ms pequeas debern ser para cubrir la misma rea de estudio. En el pasado ha sido una prctica comn desarrollar un
sistema de zonificacin especfico para cada estudio y para cada contexto de
decisin. Esto es claramente despilfarrador si se realizan distintos estudios en
reas cercanas. Adems, la introduccin de sistemas zonales diferentes hace
difcil la utilizacin de datos de estudios previos y las comparaciones de modelos en el tiempo.
La primera decisin al establecer un sistema de zonificacin es distinguir
el rea de estudio como tal del resto del mundo. Existen algunas ideas que
pueden facilitar esta eleccin:
Al elegir el rea de estudio se debe considerar el contexto de decisin, la
red de transporte que debe ser modelizada y la naturaleza de los viajes
que interesan, es decir, si son obligatorios u opcionales, de corta o larga
distancia, etctera.
Para estudios estratgicos se debera definir el rea de estudio de forma que
la mayora de los viajes tenga su origen y destino dentro de ella. Sin embargo, esto puede no ser posible en el anlisis de problemas de transporte en
pequeas reas urbanas donde la mayora de los viaje de inters atraviesan
el rea e interesa considerar la posibilidad de establecer una circunvalacin
(by-pass).
Problemas similares surgen en estudios de gestin de trfico en reas locales, donde los flujos de trfico tambin tienen su origen o destino, o ambos,
fuera del rea de inters. En estos casos es interesante saber si es posible
modelizar los cambios que experimentaran estos viajes como consecuencia
de nuevas intervenciones en la red.
El rea de estudio tendra que ser algo mayor que el rea concreta de inters y debe comprender todos los proyectos de transporte que hayan de ser
considerados. Debe permitir el cambio de rutas, cambios en el destino, etc.,
ya que interesa modelizar sus efectos en el rea de estudio.
La regin externa al rea de estudio se divide normalmente en un cierto
nmero de zonas externas. En algunos casos puede ser suficiente considerar
cada zona exterior como representante de una parte del resto del mundo en
una direccin particular. Las fronteras de estas diferentes partes del resto del
mundo podran representar reas naturales conectadas mediante arcos de
transporte por los que circulen flujos que alimentan el rea de estudio. En otros
casos, puede ser ventajoso considerar zonas externas de tamao creciente con
Localidad
Londres (1972)
Poblacin
7,2 millones
N de zonas
Comentarios zonificacin
2.252
~1.000
Zonas normales
~230
Distritos
52
Municipios
2,0 millones
1.260
Zonas finas
Ottawa (1978)
0,5 millones
~120
Zonas normales
Santiago (1986)
4,5 millones
~260
Estudios estratgico
Washington (1973)
2,5 millones
1.075
Zonas normales
West Yorkshire(1977)
1,4 millones
Bogot (2000)
Marsella (2001)
134
Nivel distrito
~1.500
Zonas finas
463
Zonas gruesas
6,1 millones
637
Zonas normales
1,5 millones
562
Zonas normales
MODELOS
DE
TRANSPORTE
6. Las zonas no tienen porqu ser de tamao similar. Si acaso pueden ser de
dimensiones semejantes en unidades de tiempo de viaje, lo que implica la
generacin de zonas ms pequeas en reas ms congestionadas.
Algunas veces puede ser ventajoso desarrollar un sistema de zonas jerrquico, como el empleado en los Estudios de Transporte de Londres (LTS), en
el que las subzonas se agregan en zonas mayores, que a su vez se agregan
en distritos, municipios y finalmente sectores. Esto facilita un anlisis al nivel
de detalle adecuado para diferentes tipos de decisiones. Los sistemas de zonificacin jerrquica pueden plantearse con un esquema de numeracin zonal
adecuado, en el que el primer dgito indica el sector, el segundo el municipio,
el tercero el distrito y as sucesivamente.
Detalles de la red
MODELOS
DE
TRANSPORTE
ciones. Los arcos se caracterizan por varios atributos como, por ejemplo, longitud, velocidad, nmero de carriles, etc., y son habitualmente unidireccionales.
Incluso si se especifica durante la entrada de datos un nico arco de doble
direccin, por simplicidad, ste se convierte luego, internamente en dos arcos
unidireccionales. Un subconjunto de nodos se asocia a los centroides de zonas y
un subconjunto de los arcos a los conectores de los centroides. En la figura 3.10
se presenta una configuracin tpica de este tipo.
Un problema con este enfoque es que la conectividad de un nodo a cada arco
que llega a l no tiene coste alguno, pero en la prctica algunos movimientos
de giro en intersecciones pueden ser ms difciles de realizar que otros, incluso
pueden estar prohibidos. Para representar mejor estas caractersticas de la red
real, es posible penalizar y/o prohibir movimientos de giro. Esto puede hacerse
manualmente desagregando la interseccin y asignando arcos separados (llamados a veces arcos ficticios) a cada movimiento de giro y asociando costes diferente a cada uno. Algunos programas comerciales son capaces de llevar a cabo
esta desagregacin de forma semiautomtica, siguiendo instrucciones simples
proporcionadas por el usuario sobre los movimientos penalizados o prohibidos.
El nivel de desagregacin puede incrementarse posteriormente si se utilizan
modelos detallados de simulacin de trfico (nivel micro de planificacin).
En estos casos se utilizan arcos adicionales en intersecciones complejas para
tener en cuenta el funcionamiento de los carriles reservados, seales de ceda
el paso, etctera.
Las redes son a veces subconjuntos de sistemas ms amplios y por tanto
pueden ser delimitadas por un cordn que defina los accesos, o puntos del
cordn, donde la red de inters est conectada con el resto del mundo. Estos
puntos se denominan en ocasiones puertas (gateways) y se pueden utilizar
arcos ficticios para conectarlos con las zonas exteriores.
Una decisin fundamental en la preparacin de una red es determinar los
niveles de jerarqua viaria que han de incluirse. Si se incluyen ms calles, mejor
ser la representacin de la realidad, pero de nuevo aparecer el problema de los
costes del estudio frente al realismo, lo cual puede conducir al modelizador a
prescindir de algunos arcos. Adems, no tiene mucho sentido incluir un nmero
elevado de vas en la red para despus realizar hiptesis ms generales sobre
giros y demoras en las intersecciones. Tampoco es muy razonable utilizar una
red muy detallada junto con un sistema de zonificacin menos preciso, ya que
los errores de agregacin espacial (en trminos de conexin de centroides a
la red) reducen el valor de todo el proceso. Esto es especialmente importante
16
41
15
16
17
14
19
23
18
20
22
21
24
25
27 28
1
20
29
30
35
34
11
10
37 36
39
31
38
32
12
33
LEYENDA
13
40
17
Centroide
Nodo
Vial de enlace
Lmite de Zona
Conector
MODELOS
DE
TRANSPORTE
El nivel de detalle asociado a los atributos de los arcos depende del nivel general
de resolucin de la red y del tipo de modelo utilizado. En el nivel mnimo de
anlisis se requieren los siguientes datos referentes al arco:
Longitud.
Velocidad de recorrido, bien como velocidad a flujo libre o bien como un
valor observado para una determinada intensidad de trfico.
Capacidad del arco, habitualmente en unidades equivalentes de vehculos
de pasajeros (PCU) por hora.
Adems se debe asociar una relacin coste-flujo a cada arco, como se seala ms adelante. En algunos casos se emplean modelos ms elaborados para
representar las demoras al flujo de trfico, pero stos requieren informacin
adicional sobre los arcos, por ejemplo:
Tipo de va (autova, va principal, calle local).
MODELOS
DE
TRANSPORTE
en un arco depende de forma importante del flujo en otros arcos, por ejemplo,
para trfico no prioritario en una interseccin de tipo ceda el paso o glorieta.
La introduccin de formulaciones muy generales para la relacin flujodemora no es complicada hasta llegar al siguiente paso: el equilibrio entre la
oferta y la demanda. Aqu, el tratamiento matemtico del primer caso (denominado corrientemente como el caso de funcin de costes separable) es ms simple
que el del segundo. Sin embargo existen actualmente tcnicas matemticas
adecuadas para resolver el equilibrio de la demanda y la oferta en modelos en
los que el coste o tiempo de viaje en arcos depende del flujo en varios arcos; es
decir, en los casos en los que el efecto de cada flujo no puede ser separado. En el
Captulo 11 se incluye una amplia discusin sobre las relaciones coste-flujo.
EJERCICIOS
3.1. Se requiere estimar la poblacin de una determinada rea para el ao
2000, pero nicamente se tiene disponible informacin censal fiable para los
aos 1970 y 1980, de la forma:
P70 = 240 5 y P80 = 250 2
Para estimar la poblacin futura se dispone del siguiente modelo:
Pn = Pbtd
donde Pn es la poblacin en el ao horizonte n, Pb es la poblacin en el ao base
b, t es la tasa de crecimiento de la poblacin y d = (n b) / 10, es el nmero de
dcadas para extrapolar el crecimiento.
Supngase que los datos de ambos censos son independientes y que el
modelo no posee ningn error de especificacin. Se pide:
a) Encontrar el nivel de exactitud con el que es posible estimar la poblacin
para el ao 2000.
b) Se ofrece informacin sobre el censo de 1990, pero se advierte que su nivel
de exactitud es menor que el de los dos censos previos:
P90 = 265 8
Averige si es conveniente la utilizacin de este valor.
c) Repetir el anlisis suponiendo que el error de especificacin del modelo
es proporcional a d, y que puede estimarse como 12d%.
3.2. Sea el siguiente modelo de reparto modal entre dos zonas i y j (se
omite el ndice zonal para simplificar la notacin):
P1 ($t / )
exp(
t1 )
1
1
exp(
t1 ) exp(
t2 ) 1 exp(
(t2
t1 )) 1 exp(
$t )
P2 ($t / ) 1
P1
exp(
$t )
1 exp(
$t )
Coche
2,40
120
Metro
1,60
60
Autobs
0,20
10
Total
0,55
25
MODELOS
DE
TRANSPORTE
2. Distribucin de la poblacin:
Coches por hogar
2+
Total
63,6
15,9
0,0
79,5
Medio (25-75)
6,4
3,7
2,4
12,5
0,0
2,4
5,6
8,0
70,0
22,0
8,0
100,0
Total
% a ser entrevistado
< 10.000
25
10.000-15.000
20
15.000-30.000
15
30.000-60.000
10
> 60.000
Coche
Autobs
Ingreso bajo
Ingreso medio
Ingreso alto
3,33
18,00
20,00
33,34
7,20
4,00
Metro
3,33
4,80
6,00
Total
40,00
30,00
30,00
Ingreso bajo
Ingreso medio
Ingreso alto
Total
6,67
20,00
13,33
40,00
Autobs
17,24
2,07
0,69
20,00
Metro
16,67
13,33
10,00
40,00
Coche
a) Si se sabe que las proporciones de la poblacin segn ingreso son del 65,
25 y 15% para los niveles de ingreso bajo, medio y alto respectivamente,
se solicita construir una tabla equivalente para el caso de una muestra
aleatoria. Es posible validar su respuesta?
b) Calcular los factores de ponderacin que se necesitaran aplicar a las observaciones en el caso de muestreo basado en la eleccin para estimar un
modelo de eleccin entre coche, autobs y metro utilizando software usual
(es decir, el desarrollado para muestras aleatorias).
4.
Modelos de generacin de viajes
ste es el primero de varios captulos que tratan de los modelos de demanda agregados o de primera generacin. Tal y como se ha visto en el
Captulo 1, en el modelo de transporte la fase de generacin de viajes
tiene por objetivo predecir el nmero total de viajes generados (Oi) y
atrados (Dj) por cada zona del rea de estudio. Generalmente esto se ha visto
como el problema de contestar una pregunta como cuntos viajes origina
cada zona? Sin embargo, el tema tambin se ha visto en ciertas ocasiones
como un problema de eleccin de la frecuencia de los viajes, por ejemplo,
cuntos viajes, con diferentes propsitos, realizar un cierto tipo de persona
durante una semana promedio? En este ltimo caso el problema generalmente
es afrontado utilizando los modelos de eleccin discreta, tal y como se ver en
los Captulos del 7 al 9, y el planteamiento es: cul es la probabilidad de que
un cierto tipo de persona realice cero, uno, dos o ms viajes con este motivo
de viaje en una semana?
En este Captulo la atencin se centrar en el primer enfoque (esto es,
predecir los totales Oi y Dj, a partir de datos sobre los atributos socioeconmicos de los hogares); ste ha sido el mtodo ms utilizado en la prctica hasta
fines de los 90. Los lectores interesados en temas de eleccin discreta pueden
consultar Ben Akiva y Lerman (1985) y obviamente los Captulos del 7 al 9
de este libro.
En la primera parte del captulo se definirn algunos conceptos bsicos y
se examinarn algunos factores que influyen en la generacin y la atraccin
de viajes, as como, posteriormente, se revisarn los principales enfoques de
modelizacin comenzando por la simple tcnica del Factor de Crecimiento. A
continuacin, y avanzando hacia un enfoque de modelizacin ms sofisticado,
se presenta una razonable revisin de los modelos de Regresin Lineal, que
complementa adecuadamente los temas estadsticos presentados previamente
en los Captulos 2 y 3.
4.1.
INTRODUCCIN
MODELOS
DE
TRANSPORTE
Casa
Trabajo
Produccin
Atraccin
Produccin
Atraccin
Produccin
Atraccin
Atraccin
Produccin
Figura 4.1.
Trabajo
Comercio
4.1.2.
Clasificacin de viajes
Viajes al trabajo.
Viajes de estudio (al colegio o universidad).
Viajes de compras.
Viajes sociales y recreacionales.
Viajes por otros motivos.
menos rutinarios como, por ejemplo: salud, trmites burocrticos (viajes para
conseguir un pasaporte o un certificado), acompaar a una persona, etc. Los
viajes NHB, en cambio, generalmente no se subdividen en categoras ya que
slo representan el 15-20% del total de los viajes.
4.1.2.2.
Los desplazamientos, usualmente, se clasifican en viajes efectuados en el perodo de hora punta o fuera de punta, ya que la proporcin de viajes, con diferentes
motivos, vara enormemente segn la hora del da.
En la tabla 4.1 se sintetizan los datos de la encuesta Origen-Destino realizada en el Gran Santiago en 1977 (DICTUC, 1978); el perodo punta maana
(el perodo punta tarde se asume a veces como su imagen especular) ocurrira entre las 7:00 y las 9:00, y el perodo representativo fuera de punta fue
tomado entre las 10:00 y las 12:00.
Ante todo, hay que destacar que, mientras la mayor parte (87,18%) de los
viajes en la hora punta de la maana son obligatorios, es decir, realizados por
trabajo o estudio, no sucede lo mismo en el perodo fuera de punta. En segundo
lugar llama la atencin la gran proporcin de viajes por motivos burocrticos en
ambos perodos, que es tpica de pases en desarrollo. Tambin hay que resaltar
los viajes de regreso a casa que representan el 41,65% de los viajes totales en
el perodo fuera de punta, pero indudablemente tienen otro propsito.
Tabla 4.1.
Propsito
Punta AM (7:00-9:00)
Trabajo
465.683
52,12
39.787
12,68
Estudio
313.275
35,06
15.567
4,96
Compras
13.738
1,54
35.611
11,35
7.064
0,79
16.938
5,40
Salud
14.354
1,60
8.596
2,74
Trmites
34.735
3,89
57.592
18,35
Acompaamiento
18.702
2,09
6.716
2,14
1.736
0,19
2.262
0,73
24.392
2,72
130.689
41,65
Actividades sociales
Otros
Regresando al hogar
MODELOS
DE
TRANSPORTE
4.1.3.
Renta.
Posesin de coche.
Tamao del hogar.
Estructura del hogar.
Valor del suelo.
Densidad residencial.
Accesibilidad.
MODELOS
DE
TRANSPORTE
Nmero de empleados.
Nmero de ventas.
Superficie cubierta de las empresas.
Superficie total de las empresas.
4.1.4.
(4.1)
donde Ti y ti son, respectivamente el nmero de viajes futuros y actuales generados por la zona i, y Fi es el correspondiente factor de crecimiento.
El nico problema de este mtodo es la estimacin de Fi; el resto es trivial.
Normalmente este factor de crecimiento est ligado a variables como la pobla-
Fi
f ( Pi d , I id , Cid )
f ( Pi c , I ic , Cic )
(4.2)
Donde f puede ser incluso una funcin multiplicativa sin parmetros, mientras que los superndices d y c representan el ao de la prognosis y el actual
respectivamente.
Ejemplo 4.1: considrese una zona en la que hay 250 hogares que poseen
coche y 250 que no lo poseen. Supngase que se conoce el nmero medio de
desplazamientos generados en un da por cada uno de los dos grupos siguientes:
Hogares que poseen coche generan:
Hogares que no poseen coche generan:
6,0 viajes/da
2,5 viajes/da
Con esto es fcil deducir que el nmero de viajes generado al da actualmente est dado por:
ti = 250 2,5 + 250 6,0 = 2.125 viajes/da
Supngase, adems, que en el futuro todas las familias tendrn un coche, y
que el ingreso y la poblacin permanecen constantes (hiptesis prudente a falta
de otros datos). En este caso, podra calcularse el factor de crecimiento as:
Fi = Cid / Cic = 1 / 0,5 = 2
y aplicando la ecuacin (4.1), se puede estimar el nmero de desplazamientos
futuros as:
Ti = 2 2.125 = 4.250 viajes/da
Como se ha podido observar el mtodo es bastante simple, pero, como se
demostrar, tambin es bastante pobre. En efecto, si se recurriera a la informacin existente sobre las tasas de viaje y se supone que stas se mantienen
constantes (que es la hiptesis central que subyace detrs del mtodo de prognosis ms popular, como se ver ms adelante), es posible estimar el nmero
de viajes como:
Ti = 500 6 = 3.000 viajes/da
MODELOS
DE
TRANSPORTE
4.2.
ANLISIS DE REGRESIN
4.2.1.
4.2.1.1. Introduccin
Considrese un experimento que se repite varias veces Y = {Yi} para un valor
dado de X fijo. Si dicho experimento no es determinstico, se pueden observar
diferentes valores de Yi para cada valor de Xi.
Sea f i(Y|X ) la distribucin de probabilidad de Yi para un valor dado Xi;
se dispone, en general, de una funcin diferente f i para cada valor de X tal y
como se muestra en la figura 4.2. Sin embargo, el caso completamente general
as planteado es prcticamente intratable, por ello es necesario realizar ciertas
hiptesis simplificatorias respecto a la poblacin para que dicho experimento
pueda ser modelizado. Dichas hiptesis son las siguientes:
f (X/Y)
2
3
1
x1
Figura 4.2.
x2
x3
(4.3)
(4.4)
MODELOS
DE
TRANSPORTE
f (X/Y)
x1
x2
x3
E(Y) = a +bX
(regresin verdadera)
f (X/Y)
=
+
bX
(regresin estimada)
Y2
Y3
Y1
x1
Figura 4.4.
e3 E(Y) = a +bX
e2
e1
x2
(regresin verdadera)
x3
en los nuevos ejes coordenados (Y, x). Este cambio es conveniente porque la
nueva variable x tiene la siguiente propiedad importante: i xi = 0.
Entonces el mejor estimador de resulta ser:
= Y
(4.5)
lo cual implica que la recta de regresin estimada pasa por el centro de gravedad (X, Y ) de la muestra de n observaciones; el mejor estimador de b es, por
su parte:
xY
x
i i
b
(4.6)
2
i
2
Var () =
n
E(b ) = b
2
=
Var (b)
xi2
Adems, la frmula para la varianza de b tiene implicaciones muy interesantes en lo que se refiere al diseo experimental. Por ejemplo, si los X
estn muy juntos (como sucede en la figura 4.5a), sus desviaciones respecto
a la media X sern muy pequeas y consecuentemente la suma de los xi ser
MODELOS
DE
TRANSPORTE
Y
E(Y)
=
a
+
bX
E(Y)
=
a
+
bX
=
+
bX
=
+
bX
(a)
Figura 4.5.
(b)
z
b b
S / ( i xi2 )
(4.7)
s2
(Y
Y )
i
n 2
t
b
b
s / ( i xi2 )
: tn 2
(4.8)
(4.9)
y este valor necesita ser comparado con el valor crtico del estadstico t de
Student para un nivel de significacin dado y los correspondientes grados
de libertad. Un problema es que la hiptesis alternativa H1 puede implicar un
test unilateral (b > 0) o bilateral (b
0);
esto
slo
se
puede
determinar
examinando el fenmeno analizado.
Ejemplo 4.2: supngase que para estudiar el efecto del ingreso (I) en el
nmero de viajes de los hogares que no poseen coche (T) se utiliza la siguiente
expresin:
T =a + bI
Como en teora se puede concluir a priori que si hay influencia, sta debe
ser positiva (es decir, mayor ingreso siempre significa ms viajes) en este caso
se debe testear (docimar) H0 contra la hiptesis alternativa unilateral H1: b > 0.
Si H0 es cierto, el valor t de la ecuacin (4.9) se compara con el valor t;d, donde
d es el nmero apropiado de grados de libertad y la hiptesis nula se rechaza
si t > t;d (ver Figura 4.6).
Supngase ahora que se estuviera considerando incorporar una variable
cuyos efectos no se sabe si son positivos o negativos (p. ej., nmero de trabajadoras, en que no se sabe si stas van a producir ms o menos viajes que sus
MODELOS
DE
TRANSPORTE
f(t)
Regin de rechazo
(1-)
=
0,95
Figura 4.6.
Probabilidad 5%
t0,05,d
t = b / Sb
Regin
de
rechazo
para
b
con
=
5%.
colegas los trabajadores varones); en este caso la hiptesis nula debera ser
bilateral H1 : b
0,
y
se
rechazara
H0 si 0 no estuviese incluido en el intervalo
de confianza de b.
Test F para el modelo completo: la figura 4.7a muestra el conjunto de
para los cuales se aceptaran hiptesis nulas individuales como
valores (, b)
las anteriores. Si interesara una dcima de hiptesis que permitiese verificar
si ambos estimadores son iguales a ciertos valores preconcebidos, como, por
ejemplo:
a * 0
b * 0
se podra tener una regin como la representada en la figura 4.7b, es decir, aceptar que cada parmetro sea cero individualmente no necesariamente significa
que se acepta que ambos, simultneamente, sean iguales a cero. Tpicamente,
la regin conjunta va a ser menor que la interseccin de las regiones para cada
parmetro por separado.
Ahora bien, para realizar el test sobre los dos parmetros es necesario conocer la distribucin conjunta de ambos estimadores. En este caso, como sus
distribuciones marginales son Normal, la distribucin conjunta de ambos parmetros es la Normal bivariada. La distribucin F de Fischer se utiliza en este
caso para testear la hiptesis nula H0 : (a,b) = (0,0) lo cual puede realizarse a travs de paquetes de software comerciales mediante la siguiente expresin para F:
F na 2 xi2 b 2 / 2 x 2
Conjunto de valores (,
b)
para el cual se aceptan las
hiptesis H0 individualmente
H0 Regin de
aceptacin para el
modelo completo
H0 Regin de aceptacin
{
{
H0 Regin de aceptacin
(a)
(b)
Figura 4.7. Regin de aceptacin para la hiptesis nula: (a) cada parmetro
individualmente; (b) ambos parmetros simultneamente.
La hiptesis H0 se acepta si F
F (2,n 2). Desafortunadamente este
test no es muy poderoso (es decir, se rechaza casi siempre), sin embargo pueden construirse tests con hiptesis nulas ms interesantes, como, por ejemplo,
H0 : (a,b) = (Y ,0).
4.2.1.4.
Coeficiente de determinacin R2
la mejor prediccin de Yi sera Y . Sin embargo, para cada valor xi, el error de
(Yi Y ) = (i Y ) + (Yi i)
i
MODELOS
DE
TRANSPORTE
Yi -i Desviacin no explicada
por la regresin
Yi
Y
i - Y Desviacin explicada
por la regresin
=
+
bx
o
Figura 4.8.
xi
(Y
Y ) (Y
Y ) (Y
Y )
2
(4.10)
(Y
Y )
(Y
Y )
(4.11)
4.2.1.5.
Regresin mltiple
R 2 R 2 k / (n 1) ; (n 1) / (n k 1) =
(4.12)
MODELOS
DE
TRANSPORTE
4.2.2.
Yi 0 1 X 1i 2 X 2 i L k X ki Ei
mientras que el modelo con valores medios adquiere la forma:
yi 0 1 x1i 2 x2 i L k xki ei
donde yi = Yi / Hi; xi = Xi / Hi; ei =Ei / Hi; y Hi es el nmero de hogares en
la zona i.
Ambas ecuaciones son idnticas, en el sentido de que intentan explicar la
variabilidad del comportamiento de viaje entre zonas, y en los dos casos los
parmetros tienen el mismo significado. La nica y fundamental diferencia
est ligada a la distribucin del trmino de error, en cuanto a que es obvio que
la condicin de variancia constante del modelo no puede ser cierta en ambos
casos, a menos que Hi fuera el mismo para todas las zonas i.
Dado que las variables agregadas reflejan directamente el tamao de la
zona, su utilizacin debera implicar que la magnitud del error depende, efectivamente, de dicho tamao; los resultados prcticos evidencian la presencia
de esta heterocedasticidad (variabilidad de la variancia). La utilizacin de
multiplicadores como, por ejemplo, 1 / Hi, permiten que el modelo sea independiente del tamao de la zona y, por tanto, reducir dicha heterocedasticidad. En
esta misma lnea, las variables agregadas tienden a tener una intercorrelacin
ms alta (es decir, multicolinearidad). No obstante, los modelos con variables
agregadas a menudo producen valores de R2 ms altos, pero esto es slo un
efecto espreo ya que, obviamente, la dimensin de las zonas ayuda a explicar
el nmero total de viajes (vase Douglas y Lewis, 1970). Lo que ciertamente se
debe evitar es mezclar variables agregadas y medias en un solo modelo.
Para finalizar esta cuestin, es importante recordar que aunque se utilicen valores medios, las regresiones zonales siempre estn influenciadas por
la naturaleza y la dimensin de las zonas, debido al problema de agregacin
espacial. En efecto, tal y como se muestra en la tabla 4.2, construida con datos
MODELOS
DE
TRANSPORTE
Variaciones interzonales en las producciones de viajes personales para dos diferentes sistemas de zonificacin
Valor medio de viajes por hogar
y por zona
Varianza interzonal
75 zonas pequeas
8,13
5,85
23 zonas grandes
7,96
1,11
Sistema de zonificacin
4.2.3.
Paso
Ecuacin
R2
Y = 2,36X1
0,203
Y = 1,80X1 + 1,31X2
0,325
(8,2)
(4,2)
0,384
Se aprecia que, a pesar del bajo valor del R2, el tercer modelo es el mejor,
de hecho el intercepto, igual a 0,91, no es grande (si se compara, p. ej., con
1,44 veces el nmero de trabajadores) y los coeficientes de la regresin son
significativamente diferentes de cero (H0 se rechaza en todos los casos). El
modelo probablemente podra mejorarse si se incluyesen otras variables.
Se puede obtener un indicador de la bondad de estos modelos confrontando
los viajes observados promedio con los modelizados para algunas estratificaciones de la muestra (vase la tabla 4.4). Ciertamente utilizar esta tcnica es
mejor que comparar los valores totales en cuanto que, en esta ltima situacin,
podran compensarse los errores no permitiendo detectar, por tanto, la correspondiente distorsin.
Tal como se muestra en la tabla 4.4, la mayor parte de las celdas presenta
una aproximacin razonable (es decir, errores inferiores al 30%). Si se presen-
MODELOS
DE
TRANSPORTE
Tabla 4.4.
3 o ms
Nmero de coches
0,9/0,9
2,1/2,4
3,4/3,8
5,3/5,6
3,2/2,0
3,5/3,4
3,7/4,9
8,5/6,7
4,1/4,6
4,7/6,0
8,5/7,8
2 o ms
tasen errores superiores, sera necesario ajustar los parmetros del modelo,
aunque esto no es una tarea fcil pues no hay reglas claras sobre cmo proceder,
y los resultados dependen fuertemente del contexto de aplicacin.
4.2.4.
El problema de la no-linealidad
1 coche
1 trabajador
4
3
2
0 coche
1 trabajador
1
1
2
3
4
5
Personas en el hogar
Figura 4.9.
Ejemplo de no-linealidad.
(8,1)
(3,2)
R2 = 0,387
(3,5)
MODELOS
DE
TRANSPORTE
10
9
8
7
6
5
4
3
2
1
Regresin 1 coche
Regresin 0 coche
Figura 4.10.
2
3
4
5
6
Empleados por hogar (X1)
Observando la figura cabe preguntarse si no sera preferible estimar regresiones separadas para cada grupo, ya que as no se obliga a que cada una de
las rectas tenga la misma pendiente (representada por el coeficiente de X1). La
respuesta generalmente es negativa, a menos que se disponga de una razonable
cantidad de datos para cada una de las clases. La clave de la cuestin es que
el modelo con variables dummy utiliza todos los datos, mientras que regresiones separadas emplearan slo una parte de la muestra y esto normalmente es
desfavorable. Adems, tambin es interesante recordar que la utilizacin de
variables dummy frecuentemente reduce los problemas de multicolinearidad
en los datos (vase Douglas y Lewis, 1971).
4.2.5.
dado que los modelos son lineales, esta operacin es fcilmente solucionable
sustituyendo en cada variable independiente del modelo, el respectivo valor
medio que tiene sta para la zona, y luego multiplicando por el nmero de
hogares en cada zona. Es importante resaltar, sin embargo, que en el caso
de modelos no lineales la fase de agregacin puede resultar extremadamente
compleja, tal como ser expuesto en el Captulo 9.
Por ejemplo, para el tercer modelo de la tabla 4.3 se tendra:
4.2.6.
O D
i
(4.13)
El problema es que esta ecuacin es implcitamente requerida por el siguiente submodelo (distribucin de viajes) en la estructura del modelo de demanda.
No es posible, en efecto, obtener una matriz de distribucin de viajes en la que
MODELOS
DE
TRANSPORTE
el nmero total de viajes (T) obtenido al sumar todas las filas sea diferente del
obtenido al sumar todas las columnas (vase el Captulo 5).
La solucin a este problema es pragmtica y se basa en el hecho de que
los modelos de generacin son mucho mejores, en todos los sentidos, que
los correspondientes modelos de atraccin. Esto se debe a que los primeros
son modelos basados en el hogar bastante sofisticados que utilizan tradicionalmente buenas variables explicativas. Sin embargo, para la atraccin de los
viajes en el mejor de los casos se dispone de modelos estimados utilizando
datos a nivel zonal. Por este motivo, en la prctica normalmente se considera
que el nmero total de viajes que resulta de la suma de todos los orgenes Oi
representa el valor correcto del total de los viajes T. Por ende, los destinos deben
ser multiplicados por un factor f, que asegure que la suma de las atracciones
sea igual a T. Su valor es:
f
T
Dj
(4.14)
4.3.
4.3.1.
4.3.1.1. Introduccin
Hasta fines de los 60 la mayora de los estudios de planificacin de transportes
en EE.UU. desarrollaron ecuaciones de generacin de viajes basadas en anlisis de regresin lineal, especialmente en el caso de producciones de viajes de
personas. En efecto, el modelo de regresin fue seleccionado como el mtodo
central de la gua para el anlisis de generacin de viajes de la Federal Highway
Administration (FHWA, 1967).
A finales de la dcada de los 60 apareci otro mtodo alternativo para la
modelizacin de la generacin de los viajes, que se convirti rpidamente en
el mtodo preferido en el Reino Unido. Fue conocido con el nombre de Anlisis por Categora en Gran Bretaa (Wootton and Pick, 1967) y en EE.UU.
recibi el nombre de Anlisis de Clasificacin Cruzada. Este enfoque sigui
el mismo proceso de desarrollo del modelo de regresin lineal, en el sentido
de que primeramente se desarrollaron procedimientos a nivel zonal y slo
posteriormente se ha utilizado informacin a nivel del hogar.
t p ( h) T p ( h) / H ( h)
(4.15)
MODELOS
DE
TRANSPORTE
t p (h)
Figura 4.11.
Sin embargo y al igual que los mtodos de clasificacin cruzada tradicionales, presenta tambin varias desventajas:
1. El modelo no permite la extrapolacin ms all de los estratos calibrados,
aunque las clases externas pueden ser dejadas abiertas (es decir, se puede
tener una clase del tipo: familias con dos o ms coches y cinco o ms
domiciliados).
2. No hay tcnicas estadsticas de bondad de ajuste del modelo; por lo tanto,
slo se puede medir la cercana agregada a los datos de calibracin.
3. Se requiere una muestra muy grande; de lo contrario, los valores de las
celdas varan en fiabilidad a causa de la diferencia en el nmero de hogares disponibles para la calibracin en cada una. Por ejemplo, en el estudio
de uso de suelo y transporte de Monmouthshire (vase Douglas y Lewis,
1971), se obtuvo una distribucin como la indicada en la tabla 4.5, para
108 categoras (seis niveles de renta, tres niveles de posesin de coche y
seis niveles de estructura del hogar), para una muestra de 4.000 hogares.
Una regla generalmente aceptada es que para estimar valores medios confiables se requiere al menos 50 observaciones por celda. As, en la muestra
Tabla 4.5.
N de hogares en la encuesta
21
69
1-49
50-99
100-199
200+
de 4.000 hogares, este criterio fue satisfecho slo en 18 de las 108 celdas
consideradas. La utilizacin de muestras estratificadas puede garantizar
una mejor distribucin de la muestra entre las diferentes categoras; sin
embargo, ello da lugar a un aumento de los costes de muestreo.
4. No hay un modo eficiente para elegir las variables de clasificacin o para
elegir la mejor clasificacin de cada variable; la minimizacin de las desviaciones estndares, sugerida en la figura 4.11, requiere de un laborioso
procedimiento iterativo de prueba y error, que puede ser considerado
inviable en estudios reales.
5. Es difcil predecir el nmero de hogares en cada categora a futuro.
4.3.1.3. Aplicacin del modelo a nivel agregado
Sea n el tipo de persona (p. ej., con o sin coche), sea ai (h) el nmero de hogares
de tipo h en la zona i, y sea H n (h) el conjunto de hogares de tipo h en el que
viven las personas de tipo n, las producciones de viajes personales tipo n en la
zona i, (Oin) vienen dadas por:
Oinp
hH n ( h )
ai (h)t p (h)
(4.16)
MODELOS
DE
TRANSPORTE
Tabla 4.6.
Grupo
Otros adultos
2o+
1o
2o+
2o+
1o
2o+
2o+
(4.17)
donde Hi representa el nmero total de hogares en la zona. Este modelo de estimacin de los hogares puede ser parcialmente testeado, ejecutndolo con datos
relativos al ao de base utilizados para la calibracin. Es posible contrastar
el total de viajes estimados con la ecuacin (4.16), pero utilizando los valores
simulados para ai (h), con los valores observados.
En esta fase se evidencia otra desventaja posterior del mtodo:
6. En el caso de que fuera necesario incrementar el nmero de variables de
la estratificacin, habra que aumentar enormemente el tamao de la
muestra. Por ejemplo, si a la aplicacin original, discutida lneas atrs,
se sumara otra variable dividida en tres niveles (p. ej., la posesin de
motocicletas en un modelo para una ciudad en Asia), el nmero de categoras aumentara de 108 a 324 (recurdese la discusin relativa a la
tabla 4.5).
4.3.2.
se especifica una sntesis del mtodo, en tanto que para una descripcin ms
detallada se recomienda consultar Stopher y McDonald (1983).
Considrese un modelo con una variable dependiente continua (como la tasa
de viajes) y dos variables independientes discretas, como el tamao del hogar
y la tasa de motorizacin. La media de la variable independiente se puede estimar tanto para la muestra completa de hogares como para cada fila y columna
de la matriz de clasificacin cruzada. A su vez, stas ltimas medias pueden
expresarse como desviaciones de la media global. Observando los signos de
las desviaciones, se pueden estimar valores de la variable dependiente para
cada celda de la matriz, aadiendo a la media global las desviaciones de sus
respectivas filas y columnas correspondientes a la citada celda. De este modo,
es posible compensar los problemas resultantes de tener pocas observaciones
en algunas celdas, como suele suceder.
Ejemplo 4.5: en la tabla 4.7 aparecen los datos recogidos en un rea de
estudio y clasificados segn tres niveles de posesin de coche y cuatro niveles
de tamao de hogar. Dicha tabla representa el nmero de hogares observado
en cada celda (categora) y la media del nmero de viajes por hogar calculada
por fila, columna y total.
Tabla 4.7.
1 coche
2o+
coches
Total
Tasa
media
de viajes
1 persona
28
21
49
0,47
2 3 personas
150
201
93
444
1,28
4 personas
61
90
75
226
1,86
5 personas
37
142
90
269
1,90
Total
276
454
258
988
0,73
1,53
2,44
Tamao hogar
1,54
MODELOS
DE
TRANSPORTE
Tamao hogar
Tasa de motorizacin
0 coches
1 coche
2 o + coches
Desviaciones
1 persona
0,00
0,46
1,37
1,07
2 3 personas
0,46
1,27
2,18
0,26
4 personas
1,05
1,85
2,76
0,32
1,09
1,89
2,80
0,36
0,81
0,01
0,90
5 personas
Desviaciones
media simple (lo cual sera, en efecto, equivalente a asumir que la variacin
entre los datos de un grupo fuera aleatoria). Si hay interacciones, estas medias
ponderadas tendern, en general, a disminuir el tamao de los ajustes respecto
a la media global. Sin embargo, an en ese caso las medias de las celdas de una
clasificacin mltiple estarn basadas en medias estimadas para todos los datos
disponibles, y no slo en los datos correspondientes a la celda en cuestin.
Los ndices de bondad de ajuste ms importantes asociados al ACM son
(Stopher y McDonald, 1983):
Un estadstico F para evaluar el esquema completo de clasificacin mltiple
(recordar la discusin en el apartado 4.2).
Un estadstico de razn de correlacin para evaluar la contribucin de cada
variable de clasificacin (ver Stopher, 1975) y
Un ndice R2 para el modelo completo de clasificacin cruzada.
Estas medidas le permiten al analista comparar diferentes esquemas de
clasificacin y evaluar su ajuste a los datos del ao de base.
Aparte de las ventajas estadsticas, es importante recalcar que los valores
de las celdas ya no dependen solamente del tamao de la muestra para cada
categora, sino que se basan en la media global derivada a partir de la muestra
completa y en dos o ms medias de clase que se derivan de los datos para
cada clase relevante a la celda en cuestin.
Ejemplo 4.6: en la tabla 4.9 se presenta un conjunto de tasas de viaje para
los mismos datos anteriores, pero calculadas de acuerdo al mtodo estndar
de Anlisis por Categoras (esto es, utilizando medias individuales para cada
celda). Al comparar estos valores con los de la tabla 4.8 se llega a dos conclusiones interesantes. En primer lugar, el mtodo ACM permite estimar tasas de
viajes aun para celdas que estn vacas. En segundo lugar, algunas tendencias
contra-intuitivas de la tabla 4.9 (p. ej., la disminucin de las tasas de viaje para
hogares con menos de dos coches al aumentar el tamao familiar de 4 a 5 o
ms personas) desaparecen en la tabla 4.8; hay que resaltar tambin que estos
efectos, al menos en uno de los casos, podran deberse al tamao, demasiado
pequeo, de la muestra.
En caso de existir interacciones entre las variables de estratificacin, se
puede utilizar una versin corregida del ACM (Stophen y McDonald, 1983).
sta simplemente consiste en calcular las tasas medias para cada nivel de tasa
de motorizacin y tamao del hogar (e ingreso, si la estratificacin lo considera),
MODELOS
DE
TRANSPORTE
Tabla 4.9.
Tasas de viaje para el mismo estudio calculadas mediante anlisis por categoras
Tamao hogar
Tasa de motorizacin
0 coches
1 coche
2 o + coches
1 persona
0,12
0,94
2 3 personas
0,60
1,38
2,16
4 personas
1,14
1,74
2,60
5 personas
1,02
1,69
2,60
ponderando por la proporcin de hogares (o individuos) a ese nivel (independientemente de los niveles de las restantes variables de estratificacin), y luego
hacer los clculos normales del ACM para estimar las tasas de viaje por celda.
Esto permite tomar en cuenta las interacciones, ya que los promedios ponderados disminuyen el tamao de la desviacin con respecto a la media global.
Ortzar et al. (1998) usaron este mtodo en un estudio sobre la estabilidad de
las tasas de generacin de viajes en Santiago, Chile, para clases formadas por
el cruce de ingreso (cinco niveles), tasa de motorizacin (tres niveles) y tamao familiar (tres niveles); se encontr que los resultados eran efectivamente
superiores a los del ACM normal.
4.3.2.2. Anlisis de regresin estratificado
En ciertas ocasiones, el mtodo ms adecuado para modelizar la generacin de
viajes puede ser una mezcla de clasificacin cruzada y anlisis de regresin.
Por ejemplo, en un rea en el que la distribucin del ingreso sea muy desigual,
es posible que sea importante medir el impacto diferencial de determinadas
polticas en los diferentes estratos de ingreso; de esta forma, puede ser necesario modelizar la demanda de transporte para cada grupo de ingreso de forma
separada a travs del proceso completo. Si adems, en el rea est creciendo de
forma importante la tasa de motorizacin y, como usualmente, no queda claro
cun correlacionadas estn ambas variables, puede ser til postular modelos
de regresin basados en variables que describan el tamao y conformacin de
los distintos hogares, para una estratificacin basada en las dos variables anteriores.
Ejemplo 4.7: la tabla 4.10 presenta las 13 categoras de ingreso y tasa de
motorizacin (Ci) definidas en el Estudio Estratgico de Transporte del Gran
Tabla 4.10.
Ingreso hogar
(US$/mes)
1 coche
2o+
Totales
< 125
6.564 (C1)
215 (C2)
6.779
125-250
4.464 (C3)
627 (C4)
5.091
250-500
1.532 (C5)
716 (C6)
87 (C7)
2.334
500-750
305 (C8)
436 (C9)
118 (C10)
859
> 750
169 (C11)
380 (Cl2)
301 (C13)
Total
12.974
2.373
506
790
15.853
4.3.3.
4.3.3.1. Introduccin
sta es una alternativa interesante a los modelos basados en el hogar, que fue
propuesta originariamente por Supernak (1979) y que ofrece las siguientes
ventajas (Supernak et al., 1983):
MODELOS
DE
TRANSPORTE
zona i y ji el porcentaje de habitantes de la zona i que pertenece a la categora j. Por lo tanto, se puede escribir la siguiente relacin bsica:
Ti N i ji t j
j
(4.18)
Como en otros mtodos, los viajes se dividen en basados (HB) y no basados (NHB) en el hogar, y tambin pueden ser divididos en funcin del propsito (p) del viaje, lo cual puede ser aplicado tanto a viajes HB como a viajes
NHB.
El modelo se desarrolla segn las siguientes fases:
1. Consideracin de varias variables que se espera sean importantes para explicar las diferencias en la movilidad de las personas. Asimismo, definicin
de categoras de personas plausibles utilizando estas variables.
2. Anlisis preliminar de tasas de viajes en orden a encontrar qu variables
tienen menor poder explicativo y pueden excluirse del modelo. Esto se
realiza comparando las tasas de viaje de categoras que slo se diferencien
por la variable analizada y testeando si sus diferencias son estadsticamente
significativas.
3. Realizar un detallado anlisis de las caractersticas del viaje para encontrar
variables que definan categoras similares. Deben ser excluidas aquellas
variables que no proporcionen una explicacin sustancial de la varianza de
los datos y tambin aquellas que dupliquen la explicacin proporcionada
por otras variables mejores (es decir, ms fcil de predecir o ms apropiadas
para anlisis de polticas). El ejercicio se realiza bajo la restriccin de que
el nmero final de categoras no debe exceder de cierto mximo prctico
(p. ej., 15 clases).
Para este anlisis se pueden utilizar los siguientes indicadores: coeficiente de correlacin (Rjk), pendiente (mjk) e intercepto (ajk) de la regresin
t jp = ajk + mjk tkp. Las categoras j y k pueden ser tratadas de forma similar
si los citados ndices satisfacen las siguientes condiciones (Supernak et al.,
1983):
Rjk > 0,900
0,75 < mjk < 1,25
ajk < 0,10
(4.19)
MODELOS
DE
TRANSPORTE
4.3.4.
Ain f ( E nj , Cij )
j
MODELOS
DE
TRANSPORTE
P1
1
1 exp(
V )
V k X k
k
MODELOS
DE
TRANSPORTE
1+
2+
Figura 4.12.
3+
etc.
La aplicacin de este sistema de modelizacin es bastante fcil. Si la probabilidad de viajar es p (del modelo 0/1+) y la probabilidad de elegir la opcin go para cada nivel subsecuente es q (calculado siempre por el modelo
stop-go), el nmero esperado de viajes viene dado sencillamente por:
t = p / (1 q)
4.4.
La eleccin de las variables a utilizar para predecir las tasas de viaje generadas por los hogares siempre ha preocupado a los planificadores de transporte;
tpicamente estas variables corresponden al nmero de hogares, su tamao
y/o estructura, el nmero de vehculos que poseen (tasa de motorizacin) y el
ingreso (renta). Sin embargo, el inters por este tema aument a principios de
la dcada de los 80 con el inicio de investigaciones que tuvieron como objetivo
enriquecer los modelos de generacin de viajes con teoras y mtodos tomados de las ciencias sociales que estudian el comportamiento. Las principales
hiptesis detrs de este trabajo fueron que las condiciones sociales en las que
el individuo vive deberan tener estrecha relacin con las oportunidades y los
vnculos que se le presentan cuando afronta la eleccin de las actividades a
realizar; estas ltimas a su vez, pueden llevar, a diferentes comportamientos de
viaje. Por ejemplo, est claro que si una persona vive sola, para poder satisfacer
sus necesidades de viaje no necesita coordinar e intercambiar actividades con
otras personas. En cambio, una pareja con hijos pequeos en edad preescolar
generalmente tendr menor libertad en las elecciones que efecte, con respecto de una pareja sin hijos o con hijos adultos, ya que stos solicitan menos
atenciones. Las personas ancianas o jubiladas que vivan con adultos jvenes
realizarn, probablemente, ms actividades fuera de casa que una pareja de
ancianos que vive sola o con personas de la misma edad.
A nivel del hogar la situacin es bastante parecida: por ejemplo, los hogares
compuestos por personas que no tienen parentesco entre ellas, tendern a tener
esquemas de actividad con menor influencia sobre otros miembros del hogar
(lo que normalmente traer consigo un nmero mayor de viajes); en el caso de
parentesco entre los miembros del hogar, la influencia es obviamente mayor
(a igualdad de dimensin y otras caractersticas del hogar). Ello es debido a la
mayor coordinacin entre los diferentes miembros del hogar y al hecho de que
los esquemas de actividad incluyen un mayor nmero de actividades ligadas
al domicilio.
Una forma de introducir estos conceptos en la modelizacin de la generacin de viajes es definir un conjunto de familias tipo que, efectivamente, cap-
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
4.5.
4.5.1.
Estabilidad en el tiempo
razones como las que se discuten en el epgrafe 4.2.2; vase Downes y Gyenes,
1976). Sin embargo, anlisis ms recientes han obtenido resultados diferentes.
Por ejemplo, Hall et al. (1987) compararon las tasas de viaje observadas y los
coeficientes de regresin de modelos calibrados con datos de hogares, recogidos
en Santiago en 1977 y 1986, y encontraron importantes diferencias. Copley y
Lowe (1981) observaron que aunque las tasas de viaje en autobs para ciertos
tipos de categoras de hogar parecan bastante estables con el paso del tiempo,
las tasas de viajes realizados en coche particular parecan muy susceptibles
a cambios en el precio real del combustible. Ello tiene las siguientes implicaciones potenciales:
1. Si existe una correlacin negativa entre las tasas de viajes realizados en
coche y los precios del combustible, entonces la suposicin normal de tasas de viaje constantes en un perodo de crecimiento constante en los
precios de la gasolina podra provocar una importante sobre-provisin
de carreteras e infraestructuras asociadas. Por otra parte, sin embargo,
si los precios disminuyeran en trminos reales, la suposicin de tasas de
viaje constantes llevara a una sub-previsin (lo cual es precisamente lo
que ocurri en el Reino Unido y otros pases industrializados a finales de
los aos 80).
2. Adems, el balance entre las inversiones futuras en instalaciones para
el transporte pblico y privado puede juzgarse de forma incorrecta si se
basa en la suposicin de que las tasas de viaje son constantes con el paso
del tiempo.
Claramente, para el anlisis de polticas a desarrollar es fundamental calcular correctamente el efecto que tienen los precios del combustible sobre las tasas
de viaje (y sobre cualquier otro efecto longitudinal similar). Desafortunadamente, este problema no se puede abordar solamente con las series de datos de
seccin transversal usualmente disponibles para estudios de transporte.
4.5.2.
Estabilidad geogrfica
MODELOS
DE
TRANSPORTE
4.5.3.
Variable
Informacin a priori
Informacin a posteriori
t1
t2
N de observaciones
n1
n2
2
1
Ss
MODELOS
DE
TRANSPORTE
2
1
t2
1
1
12 s2
22
2
s
t1
1
1
12 s2
ts
(4.20)
1
1
1
12 s2
(4.21)
t2
n1 S s2 t1 ns S12 ts
n1 S s2 ns S12
(4.22)
S s2 S12
n1 S s2 ns S12
(4.23)
22
Es importante subrayar que esta distribucin no es la de las tasas individuales de cada hogar en la celda en cuestin, sino la del promedio de las tasas
de dicha celda. De hecho, no se conoce la distribucin de las tasas individuales,
exceptuando que tienen la misma media t2.
Ejemplo 4.8: la siguiente tabla muestra la media de las tasas de viaje, su
variancia y el nmero de observaciones para dos categoras de hogares, obtenidas de un estudio realizado hace 10 aos:
Categoras de hogares
1
8
65
64
0,98
2
5
300
15
0,05
1
12
30
144
4,80
2
6
30
36
1,2
El lector puede verificar que aplicando las ecuaciones (4.22) y (4.23) se pueden estimar las siguientes tasas de viaje y sus correspondientes varianzas:
Categoras de hogares
1
8,68
0,82
2
5,04
0,05
EJERCICIOS
4.1. Se considera una zona con las siguientes caractersticas:
Tipo de hogar
0 coches
1 coche
2 o + coches
Ingresos ($/mes)
Habitantes
Viajes/da
180
80
40
4.000
18.000
50.000
4
4
6
6
8
11
MODELOS
DE
TRANSPORTE
R2 = 0,900
(7,3)
(1,9)
(2,4)
(1,8)
(9,9)
R2 = 0,925
R2 = 0,996
(9,3)
en los que Y son los viajes zonales atrados por motivo trabajo, X1 es el nmero
total de empleos en la zona, X2 el nmero de empleos en el sector industrial en
dicha zona, X3 el nmero de empleos en el sector comercial tambin en la zona
en cuestin y X4 el nmero de empleos en el sector servicios. Elegir el modelo
ms apropiado y justificar tal eleccin.
4.3. Se consideran los siguientes dos modelos de generacin de viajes para
la hora punta de maana por motivo trabajo, estimados utilizando regresin
lineal a nivel del hogar:
y = 0,50 + 2,0x1 + 1,5x2
(2,5)
(6,9)
R2 = 0,589
(5,6)
(4,6)
(1,9)
R2 = 0,601
(3,4)
donde y son los viajes por hogar realizados por motivo trabajo en la hora punta de
la maana, x1 es el nmero de trabajadores por hogar, x2 el nmero de coches por
hogar, Z1 es un variable dummy que toma el valor 1 si el hogar posee un coche y
Z2 es otra variable dummy que toma el valor 1 si el hogar posee dos o ms coches.
a) Elegir uno de los dos modelos expuestos, justificando su eleccin.
b) Representar grficamente ambos modelos utilizando un sistema apropiado
de ejes.
c) Si en una zona hay 1.000 hogares (con una media de dos trabajadores
por hogar), de los que el 50% no tiene coche, el 35% slo posee un coche y
el resto dos coches exactamente, estimar el nmero total de viajes generados por la zona, Oi, con ambos modelos. Discutir los resultados obtenidos.
4.4. La siguiente tabla presenta los datos recogidos en una encuesta O-D
realizada hace diez aos, en tres zonas determinadas:
Zona
Residentes/hogar
Trabajadores/hogar
Ingreso medio
Poblacin
2,0
1,0
50.000
20.000
II
3,0
2,0
70.000
60.000
III
2,5
2,0
100.000
100.000
Utilizando estos datos, hace diez aos se estimaron dos modelos de generacin a nivel de hogar. El primero fue un modelo de regresin lineal dado
por la siguiente ecuacin:
y = 0,2 + 0,5x1 + 1,1Z1
R2 = 0,78
donde y son los viajes por hogar realizados en la hora punta; x1 es el nmero
de trabajadores por hogar y Z1 es una variable dummy que toma el valor 1 para
los hogares con ingresos altos (> 70.000) y 0 en los otros casos.
El segundo fue un modelo del tipo Anlisis por Categoras basado en dos
clases de ingreso (alto y bajo) y en dos niveles de estructura de hogar (1 o
menos, 2 o ms trabajadores por hogar). Las tasas de viaje estimadas fueron
las siguientes:
Estructura familiar
Ingreso
Alto
Bajo
1 o menos
0,8
1,0
2 o ms
1,2
2,3
El total de viajes generados en la hora punta por las tres zonas es, respectivamente:
MODELOS
DE
TRANSPORTE
Zona
Viajes HP
8.200
II
24.300
III
92.500
5.
Modelos de distribucin zonal
T
j
ij
T11
T12
T13
T21
T22
T23
T1j
T2j
T1z
T2z
O2
T31
T32
T33
T3j
T3z
O3
Ti1
Ti2
Ti3
Tij
Tiz
Oi
Tz1
Tz2
Tz3
Tzj
Tzz
D z
i Tij = T
i Tij
D1
D2
D3
Dj
O1
Oz
Las celdas de cada una de las filas i contienen los viajes con origen en la
zona i y destino en las zonas de las columnas correspondientes. La diagonal
principal corresponde a los viajes intrazonales, mientras que Tij representa el
nmero de viajes entre el origen i y el destino j; Oi el nmero total de viajes con
origen en la zona i, y Dj es el nmero total de viajes atrados por la zona j.
En lo que sigue se utilizarn las letras minsculas tij, oi y dj para representar
datos tomados de la correspondiente muestra o valores de otros estudios.
MODELOS
DE
TRANSPORTE
Tijn Tijkn
k
T Tij
y t tij
ij
ij
ij
Oi
(5.1a)
ij
Dj
(5.1b)
El modelo tiene que satisfacer ambas condiciones; en este caso dicho modelo es doblemente acotado. En cambio, en algunos casos slo se dispone de
informacin sobre una de las dos restricciones, por ejemplo, si se conocen todos
los Oi el modelo se denomina simplemente acotado a orgenes. Por tanto, el
modelo podr estar acotado a orgenes (generacin) o a destinos (atraccin),
segn se cuente con los Oi o los Dj respectivamente.
Por cuanto se refiere al coste de viaje, ste puede ser expresado en trminos de distancia, tiempo o unidades monetarias. A menudo resulta conveniente utilizar lo que se denomina coste generalizado de transporte (viaje),
que representa una medida en la que se combinan todos los atributos principales que estn asociados a la desutilidad del viaje. El coste generalizado
es tpicamente una funcin lineal de los atributos del viaje ponderada por
coeficientes que representan la importancia relativa de los atributos tal como
son percibidos por el viajero. Una posible representacin del coste generalizado para el modo k (el sub-ndice k se omitir por sencillez de notacin),
sera:
(5.2)
donde:
tijv es el tiempo de viaje a bordo del vehculo para ir de i a j;
tijw es el tiempo andando hacia y desde la parada (o estacionamiento);
tijt es el tiempo de espera en la parada (o bsqueda de lugar para aparcar);
tnij es el tiempo de transbordo, si existe;
Fij es la tarifa para ir de i a j (o el coste monetario de usar el automvil);
j es un coste terminal (usualmente coste de aparcar), asociado al viaje
de i a j;
es una penalidad modal, es decir un parmetro que representa los restantes atributos no incluidos en el coste generalizado de viaje, por ejemplo, la
seguridad, el confort, etctera.
a1 a6 son las ponderaciones asociadas a cada elemento del coste; dichas
ponderaciones tienen su correspondiente dimensin apropiada para convertir cada atributo en la misma unidad, por ejemplo, monetaria o tiempo.
Si el coste generalizado se expresa en unidades monetarias (a5 = 1), entonces a1 se interpreta a veces como el valor del tiempo (o ms precisamente el
valor del tiempo a bordo del vehculo), en cuanto que su unidad es dinero/tiempo. En este caso a2 y a3 representan el valor del tiempo a pie y el del tiempo de
MODELOS
DE
TRANSPORTE
(5.3)
Obviamente
=
T/t, es la relacin entre el nmero de viajes totales futuros
e iniciales. Este mtodo supone que toda el rea va a crecer de forma uniforme.
Es, aun dentro de esta clase simple, muy aproximado y poco realista.
Ejemplo 5.1: considrese la matriz 4 4 del ao base de la tabla 5.2. Si
se espera que el factor de crecimiento del trfico en el rea de estudio sea, en
los prximos tres aos, del 20%, entonces la nueva matriz se obtendr sencillamente multiplicando los valores de todas las celdas por 1,2 tal como queda
reflejado en la tabla 5.3.
Tabla 5.2.
1
2
3
4
5
50
50
100
205
50
5
100
200
355
100
100
5
250
455
200
300
100
20
620
355
455
255
570
1.635
MODELOS
DE
TRANSPORTE
Tabla 5.3.
1
2
3
4
6
60
60
120
246
60
6
120
240
426
120
120
6
300
546
240
360
120
24
744
426
546
306
684
1.962
(5.4)
(5.5)
5
50
50
100
205
50
5
100
200
355
100
100
5
250
455
200
300
100
20
620
355
455
255
570
1.635
Oi
400
460
400
702
1.962
El nmero de viajes para cada par O-D (cada celda), se puede determinar
rpidamente multiplicando cada fila por la relacin entre el total de los viajes
generados previstos Oi y el total de viajes relativos al ao base (j). El resultado se presenta en la tabla 5.5.
Tabla 5.5.
1
2
3
4
5.2.3.
5,6
50,5
78,4
123,2
257,7
56,3
5,1
156,9
246,3
464,6
112,7
101,1
7,8
307,9
529,5
225,4
303,3
156,9
24,6
701,2
400
460
400
702
1.962
Oi
400
460
400
702
1.962
MODELOS
DE
TRANSPORTE
(5.6)
(5.7)
con ai = iAi y bj
=
jBj
Los factores ai y bj se calculan a fin de satisfacer las restricciones de orgenes
y destinos. Para esto se requiere el siguiente proceso iterativo:
1. Hganse todos los bj = 1 y encuntrense los ai tal que queden satisfechas las
correspondientes restricciones a orgenes (generaciones).
2. Con los ltimos valores de ai encuntrense los bj, de forma que la matriz
satisfaga la restriccin de destinos (atracciones).
3. Manteniendo los bj fijos, encuntrense los ai y reptanse los pasos 2 y 3 hasta
la convergencia.
Este mtodo proporciona, en pocas iteraciones, soluciones que se alejan
ms o menos del 3-5% del valor de los viajes previstos en las acotaciones a
origen (generacin) y a destino (atraccin), considerndose que es un buen
resultado y que no merece la pena imponer que las acotaciones tengan un nivel
de afinacin superior.
Este mtodo se denomina usualmente algoritmo bi-proporcional a causa
del tipo de correcciones utilizadas. Hay que destacar que este problema no se
limita solamente al campo de los transportes, ya que estas tcnicas de solucin
han sido inventadas, entre otros, por Kruithof (1937) para el trfico telefnico y por Bacharach (1970) para la puesta al da de las matrices input-output
en economa. El mejor tratamiento de las propiedades matemticas de estos
mtodos parece ser el debido a Bregman (vase Lamond y Stewart, 1981).
Como podr verse ms adelante, este mtodo es un caso especial de los
modelos de maximizacin de la entropa de tipo gravitacional cuando no se
considera el efecto de la distancia o separacin entre zonas. En todo caso,
el mtodo de Furness trata de producir el nmero mnimo de correcciones
necesarias a la matriz de base t para satisfacer las restricciones relativas a los
totales generados y atrados futuros. La condicin ms importante para que el
t ' t
i
ij
ij
T
(5.8)
Objetivo Dj
Tabla 5.7.
1
2
3
4
Objetivo Dj
5
50
50
100
205
260
50
5
100
200
355
400
100
100
5
250
455
500
200
300
100
20
620
802
355
455
255
570
1.635
Objetivo Oi
400
460
400
702
1.962
5,25
45,30
77,04
132,41
260,00
260
44,12
3,81
129,50
222,57
400,00
400
98,24
84,78
7,21
309,77
500,00
500
254,25
329,11
186,58
32,07
802,00
802
401,85
462,99
400,34
696,82
1.962
Objetivo Oi
400
460
400
702
1.962
MODELOS
DE
TRANSPORTE
5.3.
Tij
PP
i j
dij2
(5.9)
donde Pi y Pj son la poblacin de las ciudades origen y destino de los viajes, dij
es la distancia entre i y j y un factor de proporcionalidad.
Esta formulacin pronto se consider una analoga demasiado simplista
de la ley de la gravedad de tal forma que la siguiente mejora fue la utilizacin de los totales de las generaciones y atracciones (Oi y Dj) en lugar de las
poblaciones, incorporndose adems un parmetro n de calibracin como potencia de dij. Este nuevo parmetro no tiene por qu ser un nmero entero y
de hecho, numerosos estudios han estimado valores comprendidos entre 0,6
y 3,5. Posteriormente el modelo se generaliz considerando que el efecto de la
distancia o separacin poda ser modelizado ms eficientemente mediante
la utilizacin de una funcin (a precisar) decreciente con la distancia o con el
coste de viaje entre las zonas. El modelo result por tanto, as:
Tij
=
OiDjf(cij)
(5.10)
f(cij) es una funcin generalizada del coste de viaje que contiene uno o varios
parmetros a calibrar y que, generalmente, es llamada funcin de resistencia
al viaje o funcin de friccin, en cuanto que representa la impedancia o resistencia a desplazarse cuando aumenta la distancia, el tiempo o el coste del viaje.
Las versiones ms populares de la funcin de resistencia al viaje son:
MODELOS
DE
TRANSPORTE
f(cij) = exp(cij)
Funcin exponencial
(5.11)
f(cij) = cijn
Funcin potencial
(5.12)
Funcin combinada
(5.13)
La forma general de estas funciones, para diferentes valores de sus parmetros se presenta en la figura 5.1.
5.3.2.
Al objeto de asegurar que las restricciones 5.1 se cumplan, es necesario reemplazar el factor individual de proporcionalidad por dos factores de balanceo
Ai y Bj, tal como se seal en el modelo de Furness.
El modelo gravitacional adopta entonces la siguiente expresin:
Tij = AiOiBjDjf(cij)
1,8 f(cij)
(5.14)
Leyenda:
1,6
c-2
exp (1,0 c)
exp (0,01 c)
exp (0,3 c)
c0,5 exp (0,1 c)
1,4
1,2
1,0
0,8
0,6
0,4
0,2
0
10
20 30 40 50 60
Coste del viaje (min)
Figura 5.1.
70
(5.15)
Ai
1
D j f (cij )
(5.16)
Ai
1
B j D j f (cij )
(5.17)
1
i i f (cij )
AO
(5.18)
Bj
f ( cij ) F mdijm
m
(5.19)
donde Fm representa el valor medio del coste para el intervalo m, mientras que
ijm es igual a 1 si el coste de viaje entre i y j pertenece al intervalo m e igual a
0 en otro caso.
MODELOS
DE
TRANSPORTE
N de viajes
10 20 30 40 50 60 70 80 90 100 120
Figura 5.2.
La funcin exponencial negativa y la funcin de potencia reproducen bastante bien la segunda parte de la curva pero no la primera, correspondiente a
los viajes cortos. Por ello, normalmente, se utiliza una formulacin combinada
que sea capaz de reproducir ambas partes de la distribucin de longitudes de
viaje (DLV). La mayor flexibilidad de la formulacin por intervalos de coste
permite una adaptacin an mejor, aunque tal aproximacin requiere la hip-
tesis de que la DLV sea constante en el futuro, lo cual es anlogo a suponer que
sea el mismo para el ao base y para los aos de prognosis.
Merece la pena apreciar que gran parte del valor del modelo gravitacional
reside en la funcin de impedancia o friccin al viaje; y ello es cierto tanto
desde el punto de vista de la representacin de la matriz observada como desde
el punto de vista de su capacidad de modelizar los impactos de polticas de
transporte y de uso del suelo.
MODELOS
DE
TRANSPORTE
Tambin existe un nivel de agregacin superior, definido como macroestado, relativo, por ejemplo, al nmero total de viajes en determinados arcos
o al nmero total de viajes generados y atrados por cada zona. Para conseguir
datos fiables de un viaje, a menudo es ms fcil observar el fenmeno desde
este nivel ms alto de agregacin. En efecto, la mayor parte de las informaciones actuales sobre los sistemas es justamente a este nivel. Anlogamente,
las estimaciones relativas a situaciones futuras se limitan, generalmente, a
descripciones de macro-estados a causa de la incertidumbre asociada a la
previsin en niveles ms desagregados: por ejemplo, es ms fcil prever la
poblacin por zonas que el nmero de familias pertenecientes a una categora
particular que residen en cada zona.
La base del mtodo consiste en aceptar que, a menos que se cuente con informaciones contrarias, todos los micro-estados consistentes con nuestra informacin de estados ms agregados (meso o macro-estados) tienen igual probabilidad de ocurrir. De hecho, es una hiptesis bastante razonable si se considera
que no se conocen ni los meso ni los micro-estados. Como lo que interesa es
la descripcin de meso-estados del sistema (una matriz O/D en este caso) se
deberan identificar aquellos ms probables, dadas las restricciones del mesoestado considerado (restricciones de orgenes, destinos o ambas en modelos
de distribucin). Se puede comprobar que, segn Wilson (1970), el nmero de
micro-estados W{Tij} asociado al meso-estado Tij viene dado por:
W [Tij ]
T!
ij Tij !
(5.20)
log W log
T!
log T !
log Tij !
ij
ij Tij !
(5.21)
(5.22)
Dado que el trmino log T! es constante, puede ser omitido en la maximizacin. La parte restante de la ecuacin es lo que generalmente se define
como funcin de entropa:
(5.23)
(5.24)
log W '' z 0, 5
ij
(Tij
tij ) 2
tij
(5.25)
MODELOS
DE
TRANSPORTE
pueden generar los modelos minimizando log W" sometido a las restricciones
que reflejan el conocimiento acerca de los macro estados.
El modelo resultante es aquel que tiene los meso ms prximos (en el
sentido de la ecuacin (5.24) o ms o menos de la (5.25)) a los meso-estados a
priori y que adems satisface las restricciones del macro-estado.
Oi Tij 0
(5.26a)
D j Tij 0
(5.26b)
(5.27)
i
j
i
(5.28)
y por tanto:
(5.29)
Los valores de los multiplicadores de Lagrange se pueden obtener fcilmente realizando un simple cambio de variable:
AiOi = exp(i') y BjDj = exp(j")
resultando:
Tij = AiOi BjDj
(5.30)
Por otra parte, la utilizacin de log W" como funcin objetivo genera el
siguiente modelo:
Tij = AiOi BjDjtij
(5.31)
T C
ij
ij
C
ij
donde C representa el coste total de los viajes del sistema (p. ej., en unidades
de coste generalizado) el cual es desconocido. Esta restriccin evidentemente
tambin puede reescribirse as:
C
Tij cij 0
ij
(5.32)
Por lo tanto maximizando log W' sujeto a (5.26), (5.27) y (5.32) y utilizando la misma tcnica de optimizacin se puede plantear el siguiente Lagrangiano:
j
Calculando, de nuevo, las derivadas parciales con respecto a Tij e igualndolas a cero queda:
MODELOS
DE
TRANSPORTE
uL
log Tij
i'
''j
cij 0
uTij
(5.34)
Tij exp( i' ''j cij ) exp( i' ) exp( ''j ) exp( cij )
(5.35)
y entonces:
(5.36)
Ai
1
1
y Bj
exp(
cij )
B j D j exp(
cij )
AO
i i
j
(5.37)
Tij AO
B j D j exp(
'log cij ) AO
B j D j cij
'
i i
i i
(5.38)
(5.39)
Tij AO
B j D j F m ijm ai b j F m ijm
i i
m
(5.40)
que obviamente representa el modelo gravitacional con una funcin de friccin en base a intervalos de coste. Este modelo presenta algunas propiedades
interesantes que sern discutidas en el epgrafe 5.6.
MODELOS
DE
TRANSPORTE
3. La base terica utilizada para generar el modelo ayuda a una mejor interpretacin de sus soluciones; se ha observado que el modelo gravitacional
puede ser generado por analoga con el mundo de la fsica (consideraciones
acerca de la maximizacin de la entropa). Dichas consideraciones estn
ligadas estrechamente a la teora de la informacin (tratamiento terico de
datos), a las medidas del error y a la mxima verosimilitud en estadstica.
Estos tres elementos proporcionan modos alternativos de generar la misma
forma matemtica del modelo gravitacional. Aunque su estructura funcional sea la misma, cada base terica proporciona diferentes interpretaciones
tanto para el problema planteado como para la solucin encontrada. Cada
una de ellas puede resultar ms o menos apropiada segn sus circunstancias
especficas. Se volver sobre este problema de la equifinalidad en el Captulo 8.
4. El hecho de que el modelo gravitacional pueda ser generado de diferentes
formas no lo convierte, sin embargo, en correcto. La exactitud del modelo
depende, en efecto, de la aceptabilidad de las hiptesis requeridas para su
generacin as como de su interpretacin. Ningn modelo est adaptado o
es correcto en s mismo; pueden ser ms o menos aptos para tratar cierto
fenmeno segn el conocimiento que se tenga del problema, de las alternativas a probar, de las informaciones disponibles o que puedan ser recogidas
a un coste justificable y del tiempo y de los recursos que se puede destinar a
los anlisis pertinentes (a este respecto, vase a continuacin, la discusin
sobre calibracin y validacin).
Es interesante contrastar el clsico modelo gravitacional de la ecuacin
(5.36) con el mtodo de Furness como derivado en la ecuacin (5.31). Se
puede suponer que una posible interpretacin de la funcin de friccin o
impedancia es que proporciona un conjunto de valores a priori en cada
celda de la matriz de viajes (es decir, utilizacin de exp(cij) en lugar de
tij). La funcin de friccin y la matriz a priori tij tienen el papel de proporcionar una estructura de viajes a la matriz resultante. Ello puede verse ms claramente si se multiplica y divide la parte derecha de la ecuacin (5.31) por T y se introduce esta constante en los factores de balanceo,
as:
(5.41)
donde pij = tij/T es una forma de lograr una mejor definicin del sentido de
estructura como proporcin del total de viajes asignados a cada par origendestino.
Ejemplo 5.4: se considera aqu que es til presentar el modelo gravitacional
con un ejemplo ligado al problema de la expansin de una matriz. Teniendo
en cuenta la matriz de costes presentada en la tabla 5.8 y el total de viajes en
la tabla 5.6, se desea estimar los parmetros ai y bj de un modelo gravitacional
del tipo Tij = aibjexp(cij) en el que = 0,1.
Tabla 5.8.
3,0
11,0
18,0
22,0
12,0
3,0
13,0
19,0
460
15,5
13,0
5,0
7,0
400
24,0
18,0
8,0
5,0
702
260
400
500
802
260
400
500
802
Objetivo Dj
Objetivo Oi
400
1.962
Matriz de valores exp(cij) y sus sumas, necesarias para ejecutar un modelo gravitacional
exp(cij)
1
0,74
0,33
0,17
0,11
1,35
0,30
0,74
0,30
0,15
1,49
0,21
0,27
0,61
0,50
1,59
0,09
0,17
0,45
0,61
1,31
1,34
0,51
1,52
1,36
5,74
MODELOS
DE
TRANSPORTE
253,12
113,73
56,48
37,86
Objetivo Oi
Ratio
461,19
400
0,87
102,91
253,12
102,91
51,10
510,04
460
0,90
72,52
93,12
207,23
169,67
542,54
400
0,74
31,00
56,48
153,52
207,23
448,23
702
1,57
459,54
516,45
520,15
465,87
1.962
Previsto
260
400
500
802
Ratio
0,57
0,77
0,96
1,72
Tabla 5.10.
Matriz de resultados del modelo gravitacional con la distribucin de la longitud de los viajes
j
Objetivo
Oi
Ratio
ai
74,17
393,36
400
1,02
1,17
106,73
90,98
455,56
460
1,01
1,07
47,01
137,16
192,77
402,81
400
0,99
0,68
20,86
53,77
191,65
444,08
710,37
702
0,99
1,28
260
400
500
802
Previsto
260
400
500
802
Ratio
1,00
1,00
1,00
1,00
179,17
253,50
332,37
570,53
155,73
99,00
64,46
57,54
200,22
25,87
bj
1.962
Rangos (min)
Coste
1,0-4,0
4,1-8,0
8,1-12,0
Suma
Viajes
355,9
965,7
156,5
179,6
1.962
209,2
95,0
son el producto de los correspondientes factores de correccin que sern multiplicados por el factor de expansin de base 341,67. La matriz del modelo
gravitacional resultante se ilustra en la tabla 5.10.
El lector puede observar que los factores de balanceo ai y bj, son nicos
salvo una constante multiplicativa. Y tambin es posible calcular, como siempre, los factores de balanceo estndares Ai y Bj dividiendo los correspondientes
valores de ai y bj por los valores previstos de Oi y Bj.
MODELOS
DE
TRANSPORTE
5.5.2.
Tcnicas de calibracin
c( )
T ( )c
ij
ij
ij
T ( )
N C
c*
N
ij
ij
ij
ij
ij
(5.42)
donde c* es el valor medio del coste del DLVO y Nij es el nmero de viajes
observado (y expandido) para cada par origen-destino. El mtodo se puede
describir de la siguiente manera:
1. Iniciar la primera iteracin con m = 0 y un valor inicial de 0 = 1/c*.
2. Con este valor 0, calcular la matriz de viajes del modelo gravitacional
estndar. Se obtiene as la media modelizada de costes de viaje c0 pudiendo
entonces estimar como mejor valor de el siguiente:
m
=
0 c0/c*
3. Hacer m = m + 1 y, utilizando el ltimo valor hallado para (es decir m1),
calcular la matriz de viajes con el modelo de gravitacin estndar para as
obtener una nueva media modelizada de los costes de viaje cm1 que ser
contrastada con c*. Si ambos valores fueran suficientemente prximos,
detener el proceso, aceptando entonces a m1 como la mejor estimacin;
en otro caso ir al paso 4.
4. Obtener una mejor estimacin de a partir de:
B m1
( c *
cm
1 )B m
( c *
cm )B m
1
cm
cm
1
MODELOS
DE
TRANSPORTE
5. Repetir los pasos 3 y 4 cuantas veces sea necesario, es decir, hasta que la
ltima media de costes cm1 modelizada sea suficientemente prxima al
valor observado c*.
El paso 3 se repite de modo que se consiga una aproximacin lo ms cercana posible a la igualdad (5.42).
Est claro que pueden aportarse ciertas mejoras a este mtodo, sobre todo
desde el punto de vista computacional. Lo que s es cierto es que se ha demostrado que el mtodo de Hyman es robusto y que presenta en general ventajas
sobre otros algoritmos alternativos.
50
100
200
355
Objetivo Oi
400
50
50
460
50
100
100
255
400
100
200
250
20
570
702
1.230
Objetivo Dj
155
400
355
320
260
400
500
802
1.962
Los lectores que tengan familiaridad con el lgebra lineal podrn interpretar este problema estudiando el rango de la matriz original y el de la matriz
aumentada con los valores de la ltima columna de la tabla 5.7. Adems, el
lector puede comprobar tambin que, despus de 10 iteraciones, la matriz correcta resulta ser la de la tabla 5.12.
Llegados a este punto pueden hacerse los siguientes comentarios:
1. La matriz despus de 10 iteraciones parece diferente de la matriz a priori,
poniendo en duda la veracidad, ya sea de la matriz anterior, de sus ceros,
o de los nuevos totales de generaciones/atracciones.
2. El problema principal parece estar en la segunda fila donde hay una gran
diferencia (cerca del 20%) entre los totales previstos y los modelizados.
MODELOS
DE
TRANSPORTE
Tabla 5.12.
3,4
0,7
63,5
2,8
191,2
8,3
Objetivo Dj
388,2
61,0
355,3
420
400
388
460
5,9
345,7
420
400
433,1
101,0
734
702
260
400
500
802
260
400
500
802
Objetivo Oi
1.962
1.962
No hay, en efecto, ninguna forma de lograr que en esta fila pueda resultar
un valor de 460 viajes visto que la nica celda no nula a lo mximo que
podra llegar es a 400 viajes. Las restricciones por tanto no generan un
espacio de soluciones factibles.
3. El problema parece mal-acondicionado, por ejemplo, una pequea variacin
en el valor de una celda puede hacer que el problema sea factible as como
producir una matriz de viajes bastante diferente. As, el valor cero en la
celda t2,4 puede ser debido a la muestra utilizada; reemplazando este valor
cero por un 1, despus de las mismas 10 iteraciones, se consigue la matriz
de la tabla 5.13. Con una matriz diferente, la adaptacin resulta mejor y
los totales previstos tienen un nivel de exactitud superior al 1%. Por tanto,
ahora ciertamente s que hay un espacio de soluciones factibles.
Tabla 5.13.
4,1
4,5
339,2
77,3
Objetivo Dj
76,2
315,4
420
400
119,1
388
460
17,0
7,2
298,5
420
400
178,6
39,3
416,6
68,9
734
702
260
400
500
802
260
400
500
802
Objetivo Oi
1.962
1.962
Tij ai b j F m ijm
m
Las principales ventajas de este modelo son su flexibilidad y la facilidad de calibracin. En efecto, se puede definir un nmero cualquiera de intervalos de coste para los que la funcin de impedancia puede asumir cualquier
valor positivo. Y tambin se pueden representar situaciones en que, por ejemplo,
haya pocos viajes cortos, muchos viajes intermedios, pocos viajes largos y un
gran nmero de viajes sistemticos de larga distancia.
La calibracin de un modelo como ste requiere que se encuentren valores adecuados del factor de impedancia Fm para cada intervalo de coste de
modo que el nmero de viajes, para una distancia dada, sea lo ms prximo
posible al nmero observado. Este procedimiento, de hecho, es muy parecido
al problema de expansin de una matriz de modo que se satisfagan los totales
generados y atrados.
En este caso se puede iniciar el proceso tomando un valor unitario para
los factores de impedancia y luego corregirles as como tambin a los parmetros ai y bj, hasta que los totales de los viajes satisfagan las restricciones
de distribucin de longitudes de viaje DLV. Entonces, se puede extender el
algoritmo bi-proporcional de forma que tambin se tenga en cuenta esta tercera dimensin (intervalos de coste), y utilizar un mtodo tri-proporcional para
calibrar el modelo.
Los principios de base de esta tcnica fueron propuestos por Evans y Kirby
(1974). Por otro lado, Murchland (1977) pudo demostrar que la aplicacin de
sucesivas correcciones en un espacio bi-tri o multi-dimensional, para solucionar
este tipo de problemas corresponde a un slo grupo de algoritmos de solucin;
MODELOS
DE
TRANSPORTE
DLV
1,0-4,0
4,1-8,0
8,1-12,0
12,1-16,0
16,1-20,0
21,1-24+
365
962
160
150
230
95
Tabla 5.15. Matriz del problema de la tabla 5.14 despus de cinco iteraciones, incluyendo los valores de los factores de balanceo ai
y bj y F k
1
2
3
4
bj
161,6
56,5
18,9
23,0
260
0,57
102,5
199,4
48,7
49,5
400
0,70
60,8
101,2
116,7
221,3
500
0,87
72,5
101,0
217,1
411,5
802
1,63
397,4
458,0
401,4
705,3
1.962
ai
1,27
1,13
0,60
1,14
Intervalos
DLV
Tk
Fk
1,0-4,0
4,1-8,0
8,1-12,0
12,1-16,0
16,1-20,0
21,1-24+
365
360,9
224,55
962
966,5
220,13
160
159,0
87,54
150
149,8
102,05
230
230,3
54,66
95
95,5
34,90
Obviamente en este caso los factores de balanceo no son, una vez ms,
nicos; en efecto, hay hasta dos constantes multiplicativas arbitrarias. Tambin
se puede expresar este hecho diciendo que los factores de balanceo tienen dos
grados de indeterminacin, representados por las dos constantes multiplicativas. Es fcil ver que si se multiplica cada ai
por
u n
factor
y
cada
u no
de
los bj por otro factor
, y luego se divide cada F*
por
la matriz simulada
permanece inalterada.
1
(ai . )(b j . ) ck
ai b j ck
MODELOS
DE
TRANSPORTE
a
d
g
b
e
h
c
f
i
P
Q
R
A B
D E
G H
C
F
I
S T U
En el caso de una matriz parcial, como por ejemplo, una encuesta en la que
no puedan ser observadas las entradas a y h, se ajustaran solamente los
finales de los viajes excluyendo el total correspondiente:
Ajustado a
d
g
b
e
produce
P
A
Q
R
H
c
f
i
B C
D E F
G
I
S
A T
H U
Para rellenar las celdas que faltan, emplearamos un modelo gravitacional; en
el caso de este ejemplo, uno que no tenga una funcin de impedancia:
Tij = aibj
Los valores estimados de ai y bj (utilizando datos de las celdas observadas)
se emplearan para rellenar estas celdas que faltan. La extensin de esta idea a
un caso tri-proporcional es muy sencilla. Kirby (1979) ha demostrado que existen dos condiciones bsicas para una aplicacin vlida de esta aproximacin:
1. El modelo gravitacional debera encajar tanto con los datos disponibles
como con los no disponibles, es decir, debera ser un modelo bueno para
las dos regiones de la matriz: la observada y la no observada.
Interna
Externa
Externa
********
********
********
********
********
********
********
* * * * * * * * * * * *
* * * * * * * * * * * *
* * * * * * * * * * * *
Donde
* = 0 o desconocido
= es un dato observado.
sta es una matriz separable y cada parte tiene su propio conjunto de
ijk.
Sea, por ejemplo, la Matriz Parcial Cp en la que la celda (1,3) no fue observada:
2
1 2
C 3 2 1 3
1 3 2 2
Puede que ijk no sea nico en (1,3). Test: 111 = 1 para cada celda
observada.
MODELOS
DE
TRANSPORTE
111 = 1
122 = 1
212 = 1
i+j+k2=4
Est claro que estas condiciones no son suficientes para garantizar identificabilidad. De hecho, una solucin general es tomar: 1,1,2 arbitrarios, luego
1 = 1/11, 2 = 1/12 y 2 = 12/1 .
Destacar que si el intervalo de coste para cada celda no observada (2,2) se
pudiera igualar a 1, el estimador de los viajes en ella sera:
V12 = a2b2c1 (2/1)2
que tiene un grado de arbitrariedad dado por (2/1).
5.7.
El modelo gravitacional es, con ventaja, el ms utilizado de los modelos agregados de distribucin de viajes. Tiene varias ventajas tericas y no faltan programas de ordenador tiles para calibrarlo y utilizarlo. Puede ampliarse si
se necesita incorporar ms tipologas de individuos, as como utilizarse para
la modelizacin de ciertos tipos de transporte de mercancas. No obstante, el
modelo gravitacional no cubre todas las posibilidades tericas.
A continuacin se presentan dos aproximaciones ms que, aunque su uso
es mucho ms restringido, ofrecen una alternativa real al modelo gravitacional. La primera es el modelo de distribucin de oportunidades relevantes
(intervening-opportunities model) que ser expuesto en este epgrafe, y la
segunda es la familia de modelos de demanda directa, los cuales sern tratados
en el Captulo 6.
(5.43)
q m
q m
1
D m
m
q
(5.44)
xm D m
m
MODELOS
DE
TRANSPORTE
q m
q m
1
; xm
1
xm =
q m
1
(5.45)
dq ( x)
dx
q( x)
(5.46)
log q ( x)
x ctte
o
q ( x) Ai exp( x)
(5.47)
Tijm Oi ; qi ( xm 1) qi ( xm ) =
(5.48)
Ai
1
;1
exp(
xM )=
(5.49)
para asegurar que se satisfacen las restricciones a destino del viaje. Entonces
el modelo completo se convierte en:
Tijm Oi
;exp(
x ) exp(
x )=
;1
exp(
x )=
m
1
(5.50)
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
mientras que, para casi todos los dems motivos, se utilizan modelos simplemente acotados. Ello se debe al hecho de que es a menudo difcil estimar con
precisin las atracciones de viajes por motivos como compras, ocio, actividades sociales, los cuales generalmente son reportados en trminos de espacios
comerciales, reas recreativas y poblacin como indicadores de la atraccin
zonal.
Algunos motivos de viaje adems pueden ser ms sensibles al coste y,
por tanto, requieren la utilizacin de diferentes valores para la funcin de
impedancia.
apropiado para la parte del da en cuestin. Por ejemplo, una matriz tpica
de la hora punta de la maana puede contener el 70% de desplazamientos de
generacin-a-atraccin y solamente el 15% de desplazamientos de atraccina-generacin.
5.8.6. Factores k
Los modelos gravitacionales pueden proporcionar una representacin razonable
de las estructuras de los viajes en la medida en que expliquen con consistencia,
por un lado, la capacidad de generacin y atraccin de las zonas y por otro
la resistencia (o el coste generalizado de transporte) al viaje que genera la
distancia.
Efectivamente, es conocido que la mayor parte de las decisiones individuales acerca de la localizacin de los hogares y/o la eleccin del lugar de empleo
depende de muchos otros factores; en este caso, el modelo gravitacional slo
puede simular la eleccin del destino a un nivel agregado si la importancia de
estos otros factores fuera muy reducida en dicha agregacin. Por tanto, siempre
hay efectos agregados que no pueden ser tratados con la utilizacin simplemente
del modelo gravitacional. En este sentido, en algunos casos, pueden ser pares de zonas que tengan una especial asociacin o relacin en trminos de flujos
de viajes; por ejemplo, una gran industria manufacturera puede localizarse en
cierta zona mientras la mayor parte de los empleados se encuentra en otra, a
lo mejor porque la compaa posee un complejo residencial a tal efecto. Es
probable que entre estos dos puntos haya ms viajes de los previstos por un
modelo cualquiera que no considere especficamente tal asociacin, como en
el caso del modelo gravitacional.
Sin embargo, este efecto puede ser considerado con la introduccin de un
conjunto adicional de parmetros Kij con lo que el modelo quedara as:
Tij K ij AO
B exp(
cij )
i i ij
(5.51)
En algunos estudios prcticos estos factores han sido utilizados para tratar
de mejorar la calibracin del modelo, y de hecho la mejoran; con un conjunto
completo de factores K se consigue una flexibilidad superior respecto de lo
necesario para reproducir la matriz de viajes observada.
Solamente con los parmetros K sera suficiente para reproducir la matriz, por tanto el resto de los parmetros constituyen un aadido con respecto
a lo requerido: factores Kij idnticos a los Tij observados podran resolver el
MODELOS
DE
TRANSPORTE
1
1
1
Cij exp 2
ij
jk
ki
(5.52)
MODELOS
DE
TRANSPORTE
simplificada e imperfecta de la realidad. Tambin este tipo de errores (misspecifcation) hace aumentar cualquier intervalo de confianza.
El segundo mtodo para tratar los errores en la modelizacin viene representado por las tcnicas de simulacin; stas pueden desempear un papel til
en los casos en que las expresiones analticas de los intervalos de confianza de
los resultados del modelo no existan o sean difciles de desarrollar.
Para calibrar un modelo se puede, por ejemplo, asumir que los datos disponibles no contienen errores y entonces, recalibrar sucesivamente dicho modelo
introduciendo, de modo controlado pero realista, variabilidad en los datos.
Este proceso se puede repetir muchas veces para as conseguir un conjunto
de parmetros, cada uno de ellos calibrado con un conjunto determinado de
muestra ligeramente diferente.
Este proceso requiere, obviamente, una cierta cantidad de tiempo y recursos
por ordenador y es, en efecto, generalmente utilizado sobre todo para objetivos
de investigacin. Adems, este tipo de investigacin puede proporcionar indicaciones tiles sobre la estabilidad de los parmetros del modelo con respecto
a los errores en los datos.
La utilizacin ms simple de la simulacin Monte Carlo consiste en testear
la sensibilidad de los resultados del modelo con respecto a los datos de entrada
en fase de previsin.
Dado que se conoce que las previsiones en los datos contienen errores, el
uso de esta simulacin consiste en introducir en dicho mtodo datos con un
error razonable y luego ejecutar el modelo con cada uno de estos conjuntos
de datos futuros. Los resultados proporcionan una idea de la sensibilidad del
modelo con respecto a los errores presentes en las variables de planificacin.
Como no hay que re-calibrar (se asume que el modelo calibrado en el ao
base sea sin errores), la cantidad de tiempo y recursos necesarios, aunque
grandes, es menor que en el caso anterior.
V a
V b
% MAE 100% s a
V a
(5.53)
Tija
Tijb
% MAE 100% s ij
T a
ij
ij
(5.54)
MODELOS
DE
TRANSPORTE
% MAE
Lunes
Martes
Mircoles
Martes
Mircoles
Jueves
Arco
Matriz
Arco
Matriz
Arco
Matriz
11
76
11
72
12
75
13
68
14
85
12
70
Puede observarse que las variaciones diarias de los flujos de trfico son
consistentes con las esperadas, mientras que las variaciones de las matrices
de los viajes son mucho ms grandes. Ello se debe, en parte, al hecho de que
las matrices de viajes presentan valores muy pequeos y numerosos ceros; en
todo caso la evidencia sugiere que las variaciones a nivel de matrices de viaje
pueden ser bastante significativas.
De estos resultados se deduce que no vale la pena dedicar grandes esfuerzos
para conseguir matrices de viajes observadas muy precisas en cuanto que estos
anlisis son slo vlidos para un momento determinado (fotos instantneas).
Las variaciones da a da de las matrices de viaje son importantes y pretender
alcanzar un alto nivel de exactitud en estimarlas parece un esfuerzo difcil de
justificar.
Los resultados adems sugieren que es necesario ser cuidadosos en testear
cmo el valor de un plan cambia en funcin de variaciones en la matriz de los
viajes estimada al ser utilizada durante la asignacin. El anlisis de sensibilidad parece una forma particularmente apropiada para estudiar el efecto de
variaciones en la matriz de viajes.
EJERCICIOS
5.1. Considrese una pequea rea de estudio dividida en cuatro zonas. La
matriz de viajes para esa rea, conseguida utilizando una pequea muestra, se
presenta en la siguiente tabla:
60
275
571
50
410
443
123
61
47
205
265
75
1.200
670
1.050
730
380
950
770
265
Origen
Destino
A
12
10
B
C
MODELOS
DE
TRANSPORTE
Teniendo en cuenta que el modelo es del tipo Tij = RiSjFk, donde el parmetro
Fk puede ser utilizado para representar si el par O-D se encuentra a un lado o
a otro del ro, calibrar este modelo utilizando el algoritmo tri-proporcional y
llenar las celdas vacas de la matriz de viajes expuesta arriba.
5.3. Sea un estudio de transportes en un rea que comprende cuatro ciudades (A, B, C y D). Los costes generalizados de viaje entre estas ciudades,
expresados en unidad de tiempo generalizado, se presentan en la siguiente
tabla:
Origen
Destino
A
1,23
1,85
2,67
1,23
2,48
1,21
1,85
2,48
1,44
2,67
1,21
1,44
Origen
Destino
A
18
2
1
Considrese ahora que para esta rea de estudio haya sido utilizado un
modelo gravitacional del tipo Tij = RiSjFk con slo dos intervalos de coste. El
primer intervalo incluye los viajes con coste entre 0 y 1,9 y el segundo incluye
los viajes que cuestan ms de 1,9. Se pide: calibrar este modelo utilizando el
mtodo tri-proporcional para esta matriz parcial. Estimar los parmetros Ri,
Sj, Fk y los valores que faltan en las celdas de la matriz, excluyendo los viajes
intraurbanos. Es nica esta estimacin? Justificarlo.
6.
Modelos de reparto modal
6.1.
INTRODUCCIN
6.2.
MODELOS
DE
TRANSPORTE
6.3.
La aplicacin de los modelos de eleccin modal para toda la poblacin proporciona, evidentemente, viajes repartidos segn diferentes modos, de ah viene su
nombre de modelos de particin modal. En el pasado, especialmente en EE.UU.,
se pensaba que las caractersticas personales eran los elementos determinantes
y ms importantes para la eleccin del modo de viaje y, consecuentemente,
se intentaron aplicar modelos de particin modal inmediatamente despus de
la generacin del viaje. De esta forma podran preservarse las diferentes caractersticas de los individuos y utilizarlas para estimar la particin de modo:
por ejemplo, para los diferentes grupos despus de haber usado un modelo de
anlisis de categoras. Ya que a ese nivel no haba ninguna indicacin de hasta
dnde pueden llegar los viajes, las caractersticas del viaje y los modos fueron
omitidos en estos modelos.
Esto era consistente con una visin planificadora global segn la cual,
cuando aumentan los ingresos, la mayora de las personas adquieren un coche y desean utilizarlo. El objetivo de la planificacin de transporte fue pronosticar este crecimiento de la demanda para los viajes en coche con el fin
de planificar las inversiones para satisfacerla. Los modelos de particin modal de aquella poca, relacionaban la eleccin de modo solamente con factores
como ingresos, densidad de poblacin y propiedad de los coches. En algunos
casos se incluy la disponibilidad de un servicio de transporte pblico razonable introduciendo un ndice de accesibilidad en las correspondientes formulaciones.
A corto plazo estos modelos podan ser muy exactos, especialmente si
exista transporte pblico disponible de forma similar en toda la zona de estudio
y si haba poca congestin. Sin embargo, este tipo de modelos son bastante pesimistas en el sentido de ser insensible a las decisiones de polticas de trasporte;
parece que no hubiera nada que pudiesen hacer los que toman las decisiones
para influir en la eleccin de modo. Aspectos como mejorar el transporte p-
MODELOS
DE
TRANSPORTE
6.4.
La modelizacin del reparto modal tuvo gran auge en Europa, casi desde el
principio, por los modelos postdistribucin; es decir, son modelos aplicados
posteriormente al modelo gravitacional o a otro modelo de distribucin. Esta
forma de trabajar tiene la ventaja de facilitar la inclusin de las caractersticas
del viaje y de los modos alternativos; sin embargo, dificulta la inclusin de
las caractersticas del usuario ya que quizs dichas caractersticas se hayan
agrupado ya en la matriz o matrices del viaje.
Los primeros modelos incluyeron solamente una o dos caractersticas del
viaje, usualmente el tiempo del viaje (dentro del vehculo). Se observ que una
curva de forma S representaba mejor este tipo de comportamiento, tal y como
se puede ver en la figura 6.1, la cual muestra la proporcin de viajes realizados
por el modo 1 (Tij1 / Tij) frente a la diferencia de tiempo o coste.
T 1ij
Tij
1,0
0,5
Figura 6.1.
(C 2ij C 1ij)
el Estudio del Transporte en Londres (Fase III) empleaba las curvas de desviacin para los viajes hacia el centro y los viajes fuera del centro (los primeros
normalmente realizados mediante el transporte pblico) y segn diferentes
motivos de viaje.
Es obvio que estos modelos solamente se pueden utilizar para las matrices de viajes de los usuarios con una eleccin disponible, es decir aquellos
que no se encuentran cautivos de un modo en particular. Esto a menudo se
materializa en una matriz de personas con disponibilidad de coche, aunque la
particin modal tambin se puede aplicar a la eleccin entre diferentes modos
de transporte pblico.
Estos modelos tienen poca base terica, lo cual pone en duda su capacidad
de previsin. Tambin ignoran diversas variables polticas sensibles como son
las tarifas de viaje, de aparcamiento, etc. Adems, como los modelos son de tipo
agregado es poco probable que vayan a modelizar con exactitud las restricciones
y caractersticas de los modos disponibles para los individuos.
6.5.
6.5.1.
MODELOS SINTTICOS
Modelos simultneos de distribucin y de reparto modal
El enfoque de maximizacin de la entropa puede utilizarse para generar modelos simultneos de distribucin y eleccin modal. Para ello, es necesario
formular el problema de maximizacin de la entropa en trminos de, por
ejemplo, dos modos tal y como se muestra a continuacin:
(6.1)
Sujeto a:
Oi 0
(6.2)
Dj 0
(6.3)
Cijk C 0
(6.4)
k
ij
jk
k
ij
ik
k
ij
ijk
MODELOS
DE
TRANSPORTE
Tijk AO
B j D j exp(
Cijk )
i i
Pij1
Tij1
Tij
exp(
Cij1 )
exp(
Cij1 ) exp(
Cij2 )
(6.5)
(6.6)
Pij1
exp( Cij1 )
exp( C
k
ij
(6.7)
exp( n Cijk )
'
k
(6.8)
K Pk C k
k
K * P1C 1 P 2 C 2
Sin embargo, se sabe que P1 + P2 = 1 y, por lo tanto:
K * (1
P 2 )C1 P 2C 2 C1 P 2 (C 2
C1 )
K * K P 2 (C 2
C1 )
Ahora, siendo P2 y (C2 C1) mayores que cero, se puede concluir que
K > K, lo cual carece de sentido porque la introduccin de una nueva alternativa, aunque sea ms costosa, no debera hacer que los costes compuestos
creciesen; en el peor de los casos, deberan quedar iguales.
Williams (1977) ha demostrado que la nica especificacin correcta, compatible con la teora predominante del comportamiento de eleccin racional
(ver epgrafe 7.2) es:
*
K ijn
1
log exp(
n Cijk )
n
k
(6.9)
(6.10)
MODELOS
DE
TRANSPORTE
dK
Pk
dC k
El modelo [(6.8) (6.10)] representa la buena prctica de la modelizacin agregada del reparto modal y de la distribucin, sobre todo para las reas
urbanas. Aunque un nmero importante de modelos de este tipo se sigue aplicando en la prctica, actualmente estn siendo reemplazados por los modelos
desagregados, ya que responden mejor a los elementos fundamentales de la
eleccin modal y utilizan los datos de manera ms eficiente justificando el
esfuerzo requerido para su recoleccin; nuevamente se tratarn estos modelos
en los Captulos 7 y 9.
6.5.2.
PC
exp(
CC )
0, 33
exp(
CC ) exp(
CBR ) exp(
CBA )
cuando cabra esperar que la PC fuera 0,5 y que los autobuses se dividieran la
mitad del mercado de igual manera entre el autobs rojo y el azul.
El ejemplo es, obviamente, exagerado pero sirve para indicar el problema de la estructura de N-ramas independientes en presencia de alternativas
correlacionadas (en este caso totalmente correlacionadas). Se volver a tratar
este tema en el Captulo 7.
La estructura modo-anidado, que se ilustra en la figura 6.2b, ha sido utilizada por muchos profesionales pragmticos hacia finales de los 60 y a
principios de los 70, pero se ha demostrado que produce resultados diferentes
segn el modo que se considere como modo aadido (Langdon, 1976).
Adems, utilizando la simulacin de Monte Carlo se ha demostrado que
la forma del modo aadido que mejor funciona en el ao base, en presencia de
algunos cambios, no es necesariamente la mejor en el futuro (Ortzar, 1980a).
La tercera posibilidad, ilustrada en la figura 6.2c, es la estructura jerrquica (o nested structure). En este caso, las alternativas que tienen elementos
en comn (es decir que son ms similares a otras o estn correlacionadas) se
agrupan en una primera divisin (p. ej., transporte pblico). Despus de que
han sido separadas de la alternativa no correlacionada, se agrupan en una
agrupacin secundaria.
Esta forma de proceder ha representado la prctica usual en la dcada
de los 60 y principios de los 70, pero tena la desventaja de que los costes
compuestos para el transporte pblico normalmente se tomaban iguales al
mnimo entre los costes de autobs y de tren para cada par de zonas y que la
reparticin secundaria se obtena a travs de una asignacin de coste mnimo
todo o nada.
Este procedimiento pragmtico implica un valor infinito para el parmetro de dispersin de la funcin de reparto sub-modal, mientras comnmente se
sabe que, an satisfaciendo (6.10), tiene un valor del mismo orden de magnitud
del parmetro de dispersin en el reparto principal.
Ejemplo 6.3: sea nuevamente el problema del autobs rojo/azul del ejemplo 6.2, pero esta vez, considrese la siguiente expresin de la estructura jerrquica:
PC
1
;
1 exp [
1 (CB
CC )]
PR/B
1
1 exp [
2 (CBA
CBR )]
PB 1 PC
MODELOS
DE
TRANSPORTE
Modo B
Modo C
+ nuevo
Modo B Modo A
Modo C
Segunda eleccin
Segunda eleccin
Modo A
Modo B
Modo B
Modo C
Modo B
Modo C
PA/B 1
PR/B
con
CB
1
log exp(
2 CBR ) exp(
2 CBA )
2
Es simple ver que, si CC = CB, este modelo asigna un probabilidad igual a 0,5
para el automvil y a 0,25 para cada una de las dos alternativas de bus. Sin
embargo, el valor del coste compuesto del bus CB no es el mismo que el del bus
rojo o azul (CBR y CBA). De hecho, el primero depende del valor de 2 y para el
problema del bus azul/rojo se tiene:
CB CBA
1
log 2
2
Por lo tanto el coste compuesto de autobs ser siempre menor que el coste
del autobs azul o rojo. El parmetro de dispersin 2 permite elegir a los usuarios las alternativas que no minimizan la parte observada de la funcin de coste
generalizado debido a la existencia de variables no incluidas en el modelo.
Dado ahora un par O-D donde los costes de viaje en autobs (rojo o azul)
y en coche son todos iguales a 50 minutos generalizados. Considrese tambin
que 2 es igual a 0,9. En este caso el valor del coste compuesto CB no es 50 si
no 49,23 y el porcentaje de usuarios que elige el coche depender del valor de
1, tal y como se expone en la siguiente tabla.
1
PC
0,001
0,500
0,005
0,499
0,010
0,498
0,050
0,490
0,100
0,481
0,500
0,405
0,600
0,386
0,700
0,368
0,800
0,351
0,900
0,333
MODELOS
DE
TRANSPORTE
6.5.3.
P1
1
1 exp [
(C2
C1 )]
P2 1 P1
exp [ (C2 C1 )]
(6.11)
1 exp [ (C2 C1 )]
log ; P1 / (1 P1 ) = (C2 C1 )
(6.12)
donde P y C son datos observados y y son, por lo tanto, las nicas incgnitas. Estos valores pueden calibrarse haciendo una regresin lineal en la que la
parte izquierda del (6.12) representa la variable dependiente mientras (C2-C1)
es la independiente, es la pendiente de la recta y el intercepto. Obsrvese
que si se asume que los pesos a en la funcin de coste generalizado son desconocidos, es todava posible calibrar el modelo utilizando la ecuacin (6.12) y la
regresin lineal mltiple. En este caso los pesos calibrados incluiran el parmetro . Otros mtodos de calibracin se discuten en el siguiente epgrafe.
Ejemplo 6.4: sean los datos de la tabla siguiente:
Tabla 6.1.
Par de zonas
P1 (%)
P2 (%)
C1
C2
log[P1 / (1 P1)]
51,0
49,0
21,0
18,0
0,04
57,0
43,0
15,8
13,1
0,29
80,0
20,0
15,9
14,7
1,39
71,0
29,0
18,2
16,4
0,90
63,0
37,0
11,0
8,5
0,53
6.5.4.
MODELOS
DE
TRANSPORTE
log
2,5
P1
(1 P1)
2,0
log
P1
= (C2 C1)
(1 P1)
1,5
1,0
0,5
0
-1,0
-2,0
-3,0
(C2 C1)
Figura 6.3. Recta que mejor se ajusta a los datos de la tabla 6.1.
que las estimaciones mediante mxima verosimilitud son preferibles a las estimaciones por mnimos cuadrados, tanto en la teora como en la prctica.
Ello es especialmente cierto cuando se trabaja con grandes series de datos. Sin
embargo, cuando se trata de fuentes de datos agregados normalmente conviene
agrupar la informacin dentro de clases idneas para su anlisis. De forma ms
importante, los datos normalmente disponibles son, por definicin, datos de
muestreo que han sido expandidos y multiplicados por algunos factores derivados empricamente para representar los viajeros. Esto puede provocar discrepancias cuando se utilizan varias fuentes de datos con diferentes factores
de expansin, pero, en este momento, el aspecto importante es que la serie de
datos reales es muy pequea.
Hartley y Ortzar (1980) compararon diversos procedimientos y encontraron que la mxima verosimilitud produca no solamente resultados de calibracin ms exactos sino tambin ms eficientes en trminos de tiempo de
ordenador.
Considrese un problema trinomial que implica la eleccin entre, por ejemplo, coche, autobs y ferrocarril. Tambin se va a suponer que estos dos ltimos
modos estn correlacionados debido a su naturaleza de transporte pblico.
La calibracin heurstica procede de la siguiente forma. Primero, se obtiene 2
para la particin sub-modal (autobs frente a ferrocarril) tal y como se explicaba
en el ejemplo 6.4 y se utiliza su valor para calcular los costes compuestos de
transporte pblico necesarios para la particin primaria utilizando una expresin como la del ejemplo 6.3.
Para los pares de zonas donde hay una eleccin de modo (es decir, son
posibles los viajes de ambos modos) los viajes se clasifican segn diferentes
intervalos de coste de un cierto tamao mnimo. Aquellos viajes que no tienen
eleccin de modo se excluyen de la calibracin.
Entre los intervalos de costes con viajes asignados, pueden existir algunos
de ellos sin ningn viaje; por lo tanto los intervalos se deben agrupar en intervalos ms grandes hasta que cada estrato contenga algn viaje. Finalmente,
para cada estrato se calcula un coste representativo ponderado.
Entonces, si N es el nmero total de intervalos, nk es el nmero de viajes
observado dentro del intervalo de costes k, rk es el nmero de viajes observado
para el primer modo dentro del intervalo, y
Pk
1
;1 exp(
Yk )=
(6.13)
uL
rk
nk Pk xk
ua
k
uL
rk
nk Pk
ub
k
u2L
nk Pk 1
Pk xk2
2
ua
k
u2 L
nk Pk 1
Pk
ub 2
k
u2 L
nk Pk 1
Pk xk
uaub
k
uL
rk
nk Pk xk
ua
k
uL
rk
nk Pk
ub
k
MODELOS
DE
TRANSPORTE
u2L
nk Pk 1
Pk xk2
2
ua
k
u2 L
nk Pk 1
Pk
ub 2
k
u2 L
nk Pk 1
Pk xk
uaub
k
Conociendo los valores de las derivadas, cualquier algoritmo de bsqueda
va a encontrar el mximo sin ninguna dificultad. Las rutinas de maximizacin
requieren valores iniciales para los parmetros, junto con alguna indicacin de
su lejana con respecto al ptimo.
La eficacia de la calibracin normalmente depende de la exactitud de estas
estimaciones. Un procedimiento para generar primeras estimaciones bastante
exactas consiste en encontrar el coste equi-probable (vase Bates et al., 1978),
donde la probabilidad de elegir cualquiera de los modos es 0,5.
Antes de cerrar este captulo conviene discutir una aproximacin alternativa
que consolide, en un solo modelo, los aspectos de dos o tres de los sub-modelos
clsicos.
6.6.
6.6.1.
6.6.2.
Los primeros tipos de modelos de demanda directa han sido los de tipo multiplicativo. El modelo SARC (Kraft, 1968), por ejemplo, estima la demanda
utilizando una funcin multiplicativa de variables de actividad y socioeconmicas para cada par de zonas y de atributos de nivel de servicio de los modos que
sirven a estas zonas:
1
2
Tijk ( PP
)k 1 ( I i I j )k 2 tijm km cijm km
i j
(6.14)
Lijm tijm
1km
c
2
m km
ij
Yik Pik 1 I ik 2
Z jk Pjk 1 I jk 2
Con lo que la ecuacin (6.14) queda:
(6.15)
as esta transformacin facilita la interpretacin de los parmetros del modelo; es decir, es el parmetro de escala que depende del motivo del viaje a
estudio. k1 y k2 son la elasticidad de la demanda respecto a la poblacin y al
ingreso respectivamente; se espera que estos parmetros tengan signo positivo.
1km
y
2km representan la elasticidad de la demanda respecto al tiempo y
al coste de viaje; las elasticidades directas (es decir, cuando k = m) han de ser
negativas en tanto que las elasticidades cruzadas deberan ser positivas. El mo-
MODELOS
DE
TRANSPORTE
Tijk ( PP
) (Ii I j )
i j
1
t C
t C
1
k
k
ij
m
ij
1m
k
ij
2
k
m
ij
m 1m m m2
tij Cij
2
m
m
(6.16)
Al objeto de entender esta funcin, se consideran las siguientes simplificaciones: sean slo dos modos (p. ej., 1 y 2) y = 0. Omitiendo los ndices i y
j por simplicidad de notacin, se definen las siguientes variables compuestas:
Yij Y ( PP
)1 ( I i I j )2
i j
Lk t k
1
k
C
k
2
k
T1
YL1
YL2
y T2
L1 L2
L1 L2
cin de cada uno de los modos con respecto a la relacin entre sus niveles de
servicio. Ello significa que si, por ejemplo, se desea aumentar la tarifa del
modo 2 sin disminuir su actual cuota de mercado se deben realizar modificaciones para mantener constante el nivel de servicio L2. La figura (6.4b) indica que
para poder mantener constante el nivel de servicio se tiene que hacer variar
tambin t2 (obviamente sin variar el otro modo).
Volviendo atrs, al modelo general (6.16), es fcil ver que los parmetros
tienen, en general, el mismo significado pero su nmero es mucho menor que
en el modelo SARC. Solamente ha aparecido un nuevo parmetro , cuyo
anlisis es muy instructivo. Dicho parmetro se ha introducido para permitir
que el trmino al que est asociado represente el potencial total de viajes para
los diferentes modos; de esta manera, el trmino anterior, en la ecuacin, tiene
la funcin de reparto modal de estos viajes entre los diferentes modos, como
se acaba de ver.
Ck
Pk
1,0
T2
T1 + T2
0,5
Lk = A
Lk = B
Lk = C
T1
T1 + T2
0
0
(a)
L2 / L1
(b)
tk
MODELOS
DE
TRANSPORTE
Tijk F ( PP
) ( Ii I j )
i j
Q1
Q2
t C
k
A1k
ij
A k2
ij
L$c / c z
0.8L$q / q
es decir:
$q / q z 1, 25$c / c z 1, 25 x 0, 20 0, 25 o 25%
0,2
q
q
0,4
-0,2
Figura 6.5.
Fk
C C
Ah
ijh
ijhm
/ Cijhb
Bh
(6.17)
MODELOS
DE
TRANSPORTE
EJERCICIOS
6.1. Se ha llevado a cabo una encuesta de eleccin de modos de transporte en
un corredor que conecta cuatro zonas residenciales A, B, C y D con tres reas
de alta concentracin de trabajadores U, V y W.
El corredor tiene una buena conexin ferroviaria y una red razonable de
carreteras. Las tres zonas U, V y W se encuentran localizadas en un rea
fuertemente congestionada y, por lo tanto, los desplazamientos en tren son
muchas veces ms rpidos que en coche. Las informaciones recogidas durante
la encuesta se sintetizan en la tabla siguiente:
En coche
En tren
x1
x2
x3
x4
x1
x2
x3
Proporcin
en coche
A-U
23
120
40
19
10
72
0,82
B-U
20
96
40
17
64
0,80
C-U
18
80
40
14
10
28
0,88
D-U
15
68
40
14
12
20
0,95
A-V
26
152
60
23
10
104
0,72
B-V
19
96
60
18
72
0,90
C-V
14
60
60
11
36
0,76
D-V
12
56
60
12
11
28
0,93
A-W
30
160
80
25
10
120
0,51
B-W
20
100
80
16
92
0,56
C-W
15
64
80
12
36
0,58
D-W
10
52
80
24
0,64
Par O-D
MODELOS
DE
TRANSPORTE
O-D
Proporcin
que elige coche
Tren
x1
x2
x1
x2
3,05
9,90
2,50
9,70
0,80
4,05
13,10
2,02
14,00
0,51
3,25
9,30
2,25
8,60
0,57
3,50
11,20
2,75
10,30
0,71
2,45
6,10
2,04
4,70
0,63
Vijn AO
B j D j exp(
M ijn )
i i
donde:
M ijn
1
log exp(
n Cijk )
n
k
Pk
exp( Cijk )
exp( C
m
ij
Cijk kp xkp
p
Modo
Variable
tt
et
Coche
20
50
Bus
30
20
MODELOS
DE
TRANSPORTE
6.5. Sean dos ciudades A y B que distan 800 km y que estn servidas
por un servicio de ferrocarril de mercancas a travs de un terreno montaoso.
El tiempo total de viaje en un sentido, tr, es de 20 horas y la tarifa actual, cr,
es de 600 $/ton. Se considera adems que, como el servicio se utiliza a baja
capacidad, tr es constante, independientemente del volumen de trfico Vr.
En una carretera casi paralela opera tambin un servicio de camiones,
competencia del ferrocarril; su velocidad media es de 50 km/h y su tarifa es de
950 $/ton. Est previsto un proyecto de autopista que conecte tambin ambas
ciudades y se espera que muchos de los vehculos pesados de la carretera se
pasen a esta nueva infraestructura, constituyendo su parte ms importante de
trfico.
La funcin de nivel de servicio estimada de la nueva autopista es la siguiente:
tt = 7 + 0,08Vt (horas)
donde Vt es el flujo total de camiones por hora. Por otra parte, el ferrocarril ha
estimado su correspondiente funcin de demanda dada por:
Vr / Vt = 0,83(tr / tt) 0,8 (cr / ct) 1,6
Se espera que el volumen total transportado entre las dos ciudades Vr + Vt
permanezca constante a medio plazo e igual a 200 camiones/hora.
a) Estimar el reparto modal actual (es decir, los volmenes transportados por
el ferrocarril y el servicio de camiones).
b) Estimar el reparto modal si la autopista estuviera hecha.
c) Cul sera el reparto modal si:
el servicio de ferrocarril redujera sus tarifas hasta 450 $/ton?
a los camiones se les hiciera pagar un peaje de 4 $/ton para la financiacin
de la autopista?
sucedieran ambas a la vez?
7.
Modelos de eleccin discreta
del modelo y su transferencia (ello va dirigido particularmente a aqullos interesados en el enfoque de planificacin continua en transporte).
(7.1)
MODELOS
DE
TRANSPORTE
variacin unitaria del tiempo de acceso (ACC) tendra, aproximadamente, el doble de impacto que una variacin unitaria del tiempo de viaje en vehculo (IVT)
y un impacto ms de siete veces mayor que un cambio unitario en la variable
coste/ingreso (C/I). Las variables pueden tambin representar caractersticas
del individuo: por ejemplo, en general sera de esperar que un individuo que
pertenece a un hogar en el que hay un elevado nmero de coches (NCOCHE)
tenga una probabilidad mayor de elegir la alternativa coche respecto a un individuo que pertenece a una familia en la que slo hay un vehculo.
En fin, la constante especfica de la alternativa (0,25) se puede normalmente interpretar como la representacin de la influencia neta de todas las
caractersticas tanto del individuo como de la alternativa de transporte, no
observadas o no explcitamente incluidas en dicha funcin de utilidad. La
constante especfica puede incluir, por ejemplo, elementos tales como el confort
o la fiabilidad, que son variables nada fciles de medir o de observar.
De acuerdo con el modelo, para poder predecir si una alternativa es elegida,
el valor de su utilidad se ha de comparar con el valor de las utilidades de las
opciones alternativas y transformarse en un valor de probabilidad entre 0 y 1.
Para ello, existe una gran variedad de transformaciones matemticas, cuyas
grficas tienen forma de S y de entre las cuales se destacan las siguientes:
Logit: P1
Probit:
exp(V1 )
exp(V1 ) exp(V2 )
P1
d
d
V1
V2 x1
d
x 2 2 R x x x 2
1
1 2
1
exp
2
2
2(1
R ) S1
S1S 2
S 2
2PS1S 2 (1 R 2 )
dx2 dx1
12
1 2
1 2
22
(entre 0 y 1) mientras que las observaciones son las elecciones realizadas por
los individuos (que son solamente 0 1); las nicas excepciones al respecto
son los modelos para grupos homogneos de individuos, o cuando el comportamiento de cada individuo se registra en varias ocasiones, porque, de hecho,
las frecuencias observadas de eleccin son tambin variables comprendidas
entre 0 y 1.
Spear (1977) ha realizado una conveniente sntesis de algunas propiedades
interesantes de estos modelos:
1. Los modelos desagregados de demanda (DM) se basan en teoras de comportamiento individual y no constituyen analogas fsicas de ningn tipo.
Por ende, en tanto en cuanto intentan explicar dicho comportamiento,
presentan una importante ventaja potencial respecto a los modelos convencionales, en el sentido de que es ms probable que sean estables (o
transferibles) en el tiempo y en el espacio.
2. Los DM se estiman utilizando datos individuales, lo que implica que:
En cuanto se refiere a la utilizacin de informacin pueden ser ms eficientes que los modelos convencionales; de hecho requieren un nmero
menor de datos ya que la eleccin de cada individuo puede ser utilizada
como una observacin. En los modelos agregados, una observacin representa el promedio de (a veces) cientos de observaciones individuales.
Asimismo, el utilizar datos individuales hace que se pueda tener en
cuenta toda la variabilidad inherente a dichas informaciones.
En principio, los DM pueden ser aplicados a cualquier nivel de agregacin aunque este proceso no es nada sencillo, tal y como se ver ms
adelante.
Existe una menor probabilidad de que los DM se vean afectados por
distorsiones debidas a la correlacin entre unidades agregadas. Cuando
se agrega informacin puede aparecer un serio problema debido a que
el comportamiento individual puede ser ocultado por caractersticas no
identificadas asociadas a las zonas. Este problema es conocido con el
nombre de falacia ecolgica.
3. El ejemplo de la figura 7.1 muestra que si se estimara un modelo de generacin de viajes utilizando datos zonales (empleando las medias de cada
zona), se obtendra que el nmero de viajes disminuye con el ingreso,
mientras que si se usan los datos individuales se vera claramente que el
nmero de viajes aumenta con el ingreso. Dicho fenmeno, que obviamente
MODELOS
DE
TRANSPORTE
N i Pin
Hogares en zona A
Media
zona A
Ingreso
Figura 7.1.
Es posible modelizar un conjunto de decisiones independientes considerando a cada una como una eleccin condicionada; en este caso
separadamente, las probabilidades resultantes pueden ser multiplicadas
para obtener las probabilidades conjuntas, tal como en:
P( f,d,m,r) = P( f )P(d / f )P(m / d,f )P(r / m,d,f )
con f = frecuencia; d = destino; m = modo; r = ruta.
5. Las variables explicativas incluidas en el modelo pueden tener coeficientes
explcitamente estimados. Contrariamente a lo que sucede en el caso del
coste generalizado de los modelos convencionales, en los que la funcin
7.2.
MODELOS
DE
TRANSPORTE
(7.2)
Esta expresin permite explicar dos posibles irracionalidades: (i) que dos
individuos con los mismos atributos y frente al mismo conjunto de eleccin,
seleccionen alternativas u opciones diferentes, y (ii) que algunos individuos
puedan no elegir la mejor alternativa (desde el punto de vista de los atributos
considerados por el modelizador).
Para que la descomposicin de la ecuacin (7.2) sea correcta, es necesario
que exista una cierta homogeneidad en la poblacin objeto de estudio. En
principio se requiere que todos los individuos dispongan del mismo conjunto
de alternativas y estn sujetos a las mismas restricciones (vase Williams y
Ortzar, 1982a), y para que ello realmente suceda puede ser necesario segmentar el mercado.
Aunque el trmino V se haya definido como representativo de las caractersticas medibles del individuo, se ha introducido el subndice q en cuanto que
dicho trmino V es funcin de atributos x y stos pueden variar de individuo
a individuo. Adems y sin prdida de generalidad, se acepta que los residuos
son variables aleatorias con media cero y una cierta distribucin de probabilidad a especificar.
V jq kj X jkq
k
(7.3)
(7.4)
Vjq Viq
iq
jq
(7.5)
es decir:
Como el analista ignora el valor de (iq jq) no le es posible determinar con
certeza si la condicin (7.5) se verifica. Por lo tanto, slo puede plantear
que la probabilidad de elegir la alternativa Aj viene dada por:
Pjq = Prob {iq
jq + (Vjq Viq), Ai A(q) }
(7.6)
Pjq
RN
f ( )d( )
(7.7)
donde
RN =
iq
jq + (Vjq Viq),
Vjq + jq
0
Ai A(q)
MODELOS
DE
TRANSPORTE
pudiendo obtenerse diferentes formas para los modelos, segn la distribucin que se elija para los residuos .
Es posible generar una clase importante de modelos de utilidad aleatoria
mediante funciones de utilidad con residuos distribuidos independiente e idnticamente (IID). En este caso f() se puede descomponer as:
f ( ) f ( 1 ,..., N ) g ( n )
n
Pj g ( j )
g ( i )d i d j
d
d
ix j
(7.8a)
en
la
que
los
lmites
de
integracin
de
ambas
integrales
se
han
extendido
a
(leve inconsistencia) para as poder resolverlas.
Una interpretacin geomtrica bidimensional de este modelo as como
su extensin a casos ms generales de correlaciones y distintas varianzas se
discute en Ortzar y Williams (1982). La ecuacin (7.8a) tambin puede ser
expresada as:
d
Pj g ( j ) G ( j V j
Vi ) d j
d
ix j
(7.8b)
con
X
G ( x) g ( x)dx
d
7.3.
Piq
exp( Viq )
A j A( q )
exp( V jq )
(7.9)
2
2
6 2
(7.10)
MODELOS
DE
TRANSPORTE
P1
exp(V1 )
1
exp(V1 ) exp(V2 ) 1 exp(V2
V1 )
donde se considera que las utilidades observadas son funciones lineales de dos
variables genricas x1 y x2
y
dos
constantes
(con
coeficientes
3
y
4):
V1 = 1x11 + 2 x12 + 3
V2 = 1x21 + 2 x22 + 4
Como puede verse en la expresin del modelo, el factor relevante es la
diferencia entre ambas utilidades:
V2 V1 = 1(x21 x11) + 2(x22 x12) + (4 3)
y de ello se derivan las siguientes conclusiones:
No
es
posible
estimar
ambos
parmetros
3
y
4, sin embargo, s su diferencia; por esta razn no se pierde generalidad si una de las dos constantes es
cero, estimando la otra con respecto a ella (esto se verifica obviamente para
cualquier nmero de alternativas).
Si x1j o x2j tuvieran el mismo valor para ambas alternativas (como en el caso
de variables que representan atributos individuales como el ingreso, la edad,
el sexo o el nmero de coches en el hogar), el coeficiente genrico afectado
no podra ser estimado en tanto en cuanto se multiplicara siempre por un
valor igual a cero. Lo mismo sucede tambin en el caso de variables relativas al nivel de servicio cuando presentan valores comunes para dos o ms
alternativas (p. ej., la tarifa de transporte pblico en un mercado regulado).
En ambos casos, tales variables pueden aparecer, como mximo, en todas
las alternativas menos en una.
El problema planteado por los atributos individuales se puede complicar
bastante por el hecho de que no es fcil o no est claro decidir en qu utilidad(es)
o en qu alternativa(s) deben ser insertados.
Por ejemplo, sea el caso de una variable como Sexo (que adopta el valor
cero para hombres y uno para mujeres) dentro de un contexto de eleccin modal; si dos de las alternativas de transporte fueran coche-conductor y cocheacompaante y si se considerase que los hombres utilizan ms el coche para
desplazamientos sistemticos que las mujeres, entonces la variable Sexo no
debera ser insertada en sus funciones de utilidad. Sin embargo, para otros
modos como el autobs o el metro, persistira la duda de si insertar o no esa
variable.
El problema es que se obtienen resultados diferentes en la estimacin de
coeficientes, segn la variable que se inserte en las alternativas modales, y
elegir la mejor solucin puede convertirse en un problema bastante difcil, aun
si el nmero de alternativas y de atributos es relativamente pequeo, ya que el
nmero de combinaciones posibles es normalmente muy elevado.
En el caso en que no se tenga ninguna idea sobre cmo insertar un atributo individual y no existan elementos tericos para justificar la presencia de
una forma u otra, siempre queda el procedimiento de la prueba y el error para
intentar resolver el problema.
MODELOS
DE
TRANSPORTE
Pj
exp (V j
Vi ) es
Pi
constante e independiente de las utilidades del resto de las alternativas. Inicialmente esta propiedad fue considerada como una ventaja del modelo, ya
que permita tratar fcilmente el problema de la alternativa nueva (es decir,
permita obtener la previsin de la proporcin de mercado de una alternativa
no presente en el momento de la calibracin del modelo si se conocan sus
atributos, sin recalibrar el modelo). Sin embargo, hoy en da dicha propiedad
se percibe como una desventaja, ya que no permite al modelo considerar la
presencia de correlaciones entre alternativas, lo cual puede conducir a predicciones sesgadas (recurdese el ejemplo del problema de los autobuses rojos y
azules del Captulo 6). Se volver sobre este tema en el apartado 7.4.
Cuando el nmero de alternativas es muy elevado, como en el caso de la
eleccin de destino, se puede demostrar (MacFadden, 1978) que se obtienen
parmetros insesgados estimando el modelo slo con una muestra aleatoria del
conjunto de eleccin disponible (p. ej., siete destinos para cada usuario). Los
modelos que no presentan dicha propiedad pueden requerir una gran cantidad de
tiempo de clculo para ms de 50 alternativas, aunque su proceso de estimacin
no sea complicado. Desgraciadamente, en un contexto de eleccin de destino,
no es difcil superar esta cifra en sistemas de zonificacin de tamao normal.
Si se estima el modelo con datos para una sub-rea, o con datos de una
muestra sesgada en trminos de la cantidad de usuarios que elige cada alternativa en relacin a la poblacin, se puede demostrar que si ste tiene un
conjunto completo de constantes especficas (N-1, si hay N opciones como ya
se demostr) y todos los individuos tienen disponibles todas las alternativas,
entonces basta recalcularlas como se indica en (7.11) para el rea total obtenindose un modelo insesgado:
En el caso del MNL se tiene que el cociente:
q
K i' K i
log i
Qi
(7.11)
EPiq , X ikq
uPiq X ikq
.
uX ikq Piq
(7.12)
(7.13)
7.4.
1 0 0
0 1 0
0 0 1
MODELOS
DE
TRANSPORTE
Esta estructura de matriz de covarianza del MNL puede presentar problemas en los siguientes casos:
Cuando las alternativas no son independientes (es decir, cuando existen
grupos de alternativas ms similares que otras como, por ejemplo, modos
de transporte pblico versus el coche privado).
Cuando hay variaciones de gusto entre los individuos (es decir, si la percepcin de los costes vara con el ingreso pero no se ha medido esta variable)
en cuyo caso se necesitan modelos con coeficientes aleatorios en lugar de
modelos que proporcionen valores medios como es el caso del MNL.
El modelo Probit, que puede ser derivado de una distribucin normal multivariada (en lugar de una Gumbel IID) presenta una matriz de covarianza
completamente general y permite tratar ambos casos anteriores. Sin embargo,
tal y como se ver en el epgrafe 7.5, no es fcil resolver dicho modelo excepto
para casos de muy pocas (hasta tres) alternativas (ver Daganzo, 1979).
Por otro lado hay ciertos casos en que, aun cuando fuera posible implementar un modelo Probit, su completa generalidad sera un lujo innecesario
en cuanto a que puede intuirse cul podra ser la forma de las funciones de
utilidad.
Un buen ejemplo son los contextos de eleccin bidimensional, por ejemplo,
la eleccin de la combinacin de destino (D) y modo (M), donde las alternativas estn correlacionadas pero se puede aceptar que no existen variaciones
de gustos. En estas situaciones las alternativas en cada dimensin se pueden
denotar como {D1, , DD} y {M1, , MM} de forma que su combinacin genera
el conjunto de elecciones A, cuyo elemento general DdMm puede representar
una alternativa especfica destino-modo para llevar a cabo una actividad determinada.
En este tipo de contexto es interesante considerar funciones del siguiente
tipo (Williams y Ortzar, 1982a):
U(d,m) = Ud + Udm
(7.14)
Donde, por ejemplo, Ud podra corresponder a la porcin de utilidad especficamente asociada al destino y Udm al coste (desutilidad) de viaje. Reescribiendo (7.14) de acuerdo a la notacin utilizada en los epgrafes anteriores,
resulta:
U(d,m) = V(d,m) + (d,m)
donde:
V(d,m) = Vd + Vdm
y:
(d,m) = d + dm
Se puede demostrar que si los residuos son separadamente IID, bajo ciertas condiciones se obtiene el modelo logit jerrquico o anidado (HL) (Williams,
1977; Daly y Zachary, 1978) cuya forma es:
P ( d , m)
[
exp [ V
]
]
d'
d'
*
d'
exp(Vdm ' )
m'
(7.15)
con
1
Vd* log exp(Vdm ' )
m'
(7.16)
Se ha demostrado que modelos que no satisfacen este requerimiento producen elasticidades de dimensiones y/o de signos incorrectos (Williams y Senior,
1977).
MODELOS
DE
TRANSPORTE
NI
Figura 7.2.
AI(q)
(7.17)
(7.18)
P (M / PT )
exp(WM )
exp(WM ) exp(WB )
y P(B / PT) = 1 P(M / PT), donde las utilidades W contienen slo aquellos
elementos que no son comunes a ambos modos (es decir, si ambos modos tienen
la misma tarifa, entonces el coste de viaje no se debera incluir).
MODELOS
DE
TRANSPORTE
P ( C)
exp(VC )
exp(VC ) exp(VPT )
y P(PT) = 1 P(C), donde VC incluye todos los atributos de la alternativa coche y, en consecuencia, tiene exactamente la misma forma que en el MNL.
La utilidad asociada al transporte pblico viene dada por:
donde
PC P (C)
PB P (B/PT ) P (PT) P (B/PT )(1
PC)
PM P (M/PT)P (PT)=(1-P (B/PT))(1-PC)
6. Con esta nueva notacin, la condicin de diagnstico interna (7.16) se
expresa as:
0 <
1
(7.19)
(7.20)
5
1
3
4
8 9 10
Por ejemplo, si los son como los que se muestran en la figura 7.3, se
deberan cumplir las siguientes relaciones:
0 1 b 1
0 2 b 3 b 5 b 1
0 4 b 5 b 1
7. Limitaciones del HL:
Tal y como sucede en el MNL, el HL no es un modelo con coeficientes
variables y, por lo tanto, no puede tratar problemas de variaciones en
los gustos ni heterocedasticidad.
MODELOS
DE
TRANSPORTE
U (i, j ) U i U j / i
U (i, j ) V (i, j ) (i, j )
V (i, j ) Vi V j / i
(i, j ) i j / i
Entonces, la probabilidad de elegir el nido i, y dentro de ste la alternativa
j, viene dada por:
Pij Pi Pj / i
(7.21)
con:
Pj / i
V j /i
ei
eiVk / i
Ak A I ( q )
Pi
e Vi
V j
A j A S ( q )
donde Vj/i es la utilidad representativa de la opcin j dentro del nido i que incluye solamente aquellos atributos que presentan variacin dentro del nido. Los
parmetros y i representan los factores de escala del nivel superior y del nido
i respectivamente. Para las alternativas del nido superior se tiene que:
Vi X i i ln
eiVk / i
Ak A1 ( q )
donde Xi es la parte de la utilidad asociada a los atributos comunes de las alternativas dentro del nido. Adems el trmino que multiplica i representa, como
MODELOS
DE
TRANSPORTE
PT
Coche
Bus
Figura 7.4.
Metro
Coche
Bus
Metro
7.5.
En el caso de que slo haya dos alternativas, las expresiones (7.2) de la utilidad
se pueden escribir as:
U1 (,Z) = V1 (,Z) + 1 (,Z)
U2 (,Z) = V2 (,Z) + 2 (,Z)
donde (, Z) es la distribucin bivariada N(0,) con:
12
1 2
1 2
22
2 12 22
2 1 2
Dividiendo (2 1) por se obtiene la Normal estndar N(0,1); por lo tanto
se puede escribir la probabilidad de eleccin de un modelo probit binario, de
forma ms concisa como:
MODELOS
DE
TRANSPORTE
P1 (,Z) =
[(V1 V2) / ]
(7.22)
U t c
Supngase, sin embargo, que la percepcin de los costes vara en funcin
del ingreso (I); por ejemplo, si los individuos ms pobres son ms sensibles a
cambios en el coste, la funcin de utilidad verdadera sera:
U t c / I
Comparando las dos expresiones es fcil ver que el modelo ser correcto
slo si es tratada como una variable aleatoria con distribucin exactamente
igual a la de / I en la poblacin. En este caso, se dice que el modelo contiene
variaciones aleatorias de los gustos.
Tal y como seala Horowitz (1981a), el problema de las variaciones aleatorias de gustos es en general bastante serio, y puede ser considerado como
un caso especial del bien conocido error de especificacin (la omisin de una
variable explicativa relevante), discutido ya en el Captulo 2.
Sea de nuevo la funcin de utilidad (7.3) que es lineal en los parmetros,
como se trat en el epgrafe 7.2. El caso ms general considera que el conjunto de parmetros es un vector aleatorio distribuido entre la poblacin; en
este caso los residuos se pueden modelizar como parmetros especficos de la
alternativa y las variables en la ecuacin (7.2) se pueden omitir sin prdida
de generalidad; consecuentemente, es posible reescribir la ecuacin ms concisamente como:
UUjj k x jk
k
(7.23)
MODELOS
DE
TRANSPORTE
U jn = n X jn
(7.24)
U jn = n X jn U j ( n -1)
(7.25)
(7.26)
(7.27)
Si se indica, adems, con V2n al trmino n (X2n X1n), las utilidades pueden
ser reescritas sencillamente as:
U 1n 0
U 2 n V2 n V2 ( n
1)
(7.28)
(7.29)
MODELOS
DE
TRANSPORTE
Prob{0
1 (X NC1 XC1)
y
0
2 (X NC2 XC2) + W1}
iP
i
con 2 12 22
2 1 2
iL i con
P
6
y por tanto:
iL
i P
6
K
sP 2
s 6
P
3
(7.30)
Por lo tanto, para comparar los coeficientes estimados en un MNL con los
estimados para un probit idntico e independiente, se deben escalar los segundos por el factor / 3 . Este mtodo ha sido utilizado con gran xito para
testear la validez de un cdigo experimental propuesto para estimar modelos
probit multinomiales (vase Munizaga et al., 2000).
(7.31)
(7.32)
MODELOS
DE
TRANSPORTE
Pqjt ( T* )
e qjt
X qjt
e qjt
X qjt
f (
/
*)d
(7.33)
Aj A ( q )
Un punto de vista usual era que como las formas lineales en los parmetros
estn asociadas a un proceso de toma de decisiones compensatorio (es decir,
un cambio en uno o ms de los atributos puede ser compensado por cambios
en los otros), los modelos no podan ser especificados de forma apropiada para
procesos de toma de decisiones caracterizados por la percepcin de discontinuidades, que tienen ms propiamente una naturaleza no compensatoria (es decir,
donde los aspectos buenos de una alternativa quizs no permiten compensar
los aspectos malos, ya que stos tienen un rango mayor de importancia dentro
del procedimiento de seleccin, y la alternativa puede ser eliminada antes en
el proceso de bsqueda; vase la discusin en Golob y Richardson, 1981).
Ejemplo 7.4: sea un conjunto de individuos, que tienen que hacer una
eleccin determinada y que poseen una serie de objetivos G y una serie de
restricciones B. Entonces, el problema de mltiples criterios generales puede
describirse formalmente as:
Max (opcion)
F ( Z11 )! F1 ( Z N1 )]
[ 1
"
Max (opcion)
F ( Z1k )! Fk ( Z Nk )]
[ k
(7.34)
"
Max (opcion)
F ( Z1K )! Fk ( Z NK )]
[ K
(7.35)
en el cual Fk(Zjk) es el valor de la funcin de dichos criterios asociado con el atributo Zjk de la alternativa Aj. Por ejemplo, quizs se est interesado en encontrar
una alternativa de viaje dentro de un conjunto de eleccin de tamao N, que
minimice el tiempo de viaje y los costes, que maximice el confort y la seguridad, etc. Adems, estos atributos que estn asociados a una cierta alternativa
pueden ser requeridos para satisfacer restricciones absolutas como (7.35).
Si se encuentra una alternativa nica que satisface a la vez estos criterios
de optimalidad (es decir, optimiza las funciones K en la expresin (7.34) y las
restricciones (7.35), entonces se obtiene una solucin ptima no ambigua. Sin
embargo y por lo general, siempre habr conflictos entre objetivos (es decir,
alternativas superiores en algunos aspectos e inferiores en otros).
MODELOS
DE
TRANSPORTE
G G k Z1k ,! , k Z kj ,! , k Z Nk
k
k
k
(7.36)
y se trata del problema de equilibrio (trade-off ) lineal convencional. Los parmetros se determinan a partir de preferencias declaradas o reveladas del
individuo. Una de las caractersticas de este enfoque es el tratamiento simtrico
de las funciones objetivo.
Z1k ,! , Z kj ,! , Z Nk b Z k
(7.37)
MODELOS
DE
TRANSPORTE
implican localizacin, el modelo de decisin est muy enlazado con la adquisicin de informacin en el proceso de bsqueda.
Tal y como observaron Young y Richardson (1980), una bsqueda puede
caracterizarse por un proceso de eliminacin basado en atributos o basado en
alternativas. En el primer caso, se seleccionan los atributos uno tras otro y se
procesan las alternativas, las cuales se aceptan o se rechazan segn los valores
de los atributos; en el segundo, se consideran las alternativas una tras otra y
se examina el grupo de atributos. En cualquier momento del proceso se eliminan las alternativas que no satisfagan las reglas u otras restricciones. Para un
estudio ms detallado de las estrategias de decisin, se recomienda Foerster
(1979) y Williams y Ortzar (1982a).
1,0
1,0
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
-60
-40
-20
(a)
20
40
60
V2 V1
0
-60
(b)
-40
-20
20
40
60
V2 V1
Figura 7.5. Influencia del hbito en los modelos de corte transversal: (a) curva
de respuesta logit, (b) curva de histresis para el efecto de hbito en individuos.
EJERCICIOS
7.1. Interesa estudiar el comportamiento de un grupo de viajeros con respecto
a dos alternativas de transporte A y B, cuyos tiempos de viaje son respectivamente ta y tb. Cada viajero experimenta las siguientes utilidades segn cada
una de estas dos alternativas:
MODELOS
DE
TRANSPORTE
U a ta I
U b tb
donde y son parmetros conocidos e I es el ingreso personal de cada viajero.
Aunque no hay datos fiables sobre la renta de cada viajero, se sabe que la
variable I tiene la siguiente distribucin en la poblacin:
f(I)
0,5 104
5.000
25.000
En el caso en que sea = 0,5 y = 2,10 4, se desea encontrar la probabilidad de eleccin de la alternativa A para cada viajero como funcin del valor
(tb ta); grafique esta funcin en ejes apropiados.
7.2. Sea un modelo logit binario para coche y autobs, donde las funciones de utilidades representativas siguientes se han estimado a partir de una
muestra de 750 individuos pertenecientes a un sector particular de un rea
urbana:
Vc = 3,5 0,25tc 0,42ec 0,1cc
Vb = 0,25tb 0,42e b 0,1cb
donde t representa el tiempo a bordo de los vehculos (en minutos), e es el
tiempo de acceso (en minutos) y c es el coste de viaje ($). Se conocen adems
los siguientes datos:
Modo
Variable
t
Coche
25
140
Bus
40
50
Alternativa
Poblacin
Coche
283
17.100
Bus
467
68.900
Taxi compartido
Bus
Metro
MODELOS
DE
TRANSPORTE
Tiempo (t)
Coste/Ingreso (c)
Coche
4,5
23,0
Taxi compartido
5,5
15,0
Bus
7,5
5,5
Metro
5,5
3,6
8.
Especificacin y estimacin
de modelos de eleccin discreta
8.1.
INTRODUCCIN
MODELOS
DE
TRANSPORTE
(p. ej., utilizar el MNL cuando no se cumplen las hiptesis necesarias para su
uso) puede ocasionar graves errores (Williams y Ortzar, 1982a).
El epgrafe 8.4 se concentra en la estimacin estadstica de los modelos de
eleccin discreta utilizando datos procedentes de muestras aleatorias y basadas en
la eleccin, e incluye mtodos para validar los modelos y confrontar sus diferentes estructuras. En el epgrafe 8.5 se discuten los mtodos para estimar el MNP
as como en el 8.6 se aborda la estimacin del modelo logit mixto o de componentes de error. El captulo concluye con algunas consideraciones relevantes
para la especificacin de los modelos con datos de preferencias declaradas.
8.2.
8.2.1.
2. Utilizar el mtodo de fuerza bruta, que supone que todos los individuos tienen todas las alternativas disponibles, dejando que el modelo asigne una probabilidad de eleccin muy baja o igual a cero a las opciones menos realistas.
Ambos enfoques tienen desventajas. Por ejemplo, en el primer caso, se pueden dejar de lado alternativas realistas que no se han elegido debido a la forma
en que se tom la muestra o a la tcnica de muestreo utilizada. En el segundo
caso, la inclusin de demasiadas alternativas puede afectar a la capacidad discriminatoria del modelo, ya que un modelo que considere opciones no realistas
puede ser incapaz de describir adecuadamente las elecciones entre aquellas
que son realistas (Ruijgrok, 1979). Otros mtodos que se pueden aplicar para
resolver este problema son:
1. Agregar las opciones o alternativas, como en el caso de un modelo de eleccin de destino basado en datos zonales;
2. Suponer continuidad en las alternativas, como muestran Ben Akiva y Watanatada (1980).
8.2.2.
Otro problema en este tema es que el individuo cuyas decisiones se estn modelizando puede elegir perfectamente entre un conjunto relativamente limitado de
opciones. Si el analista modelizase elecciones que el individuo ignora en la realidad, resultara que algunas alternativas recibiran una probabilidad positiva
aunque, en la prctica, no tuvieran posibilidad alguna de ser elegidas. Ms an,
considrese el caso de modelizar el comportamiento de un conjunto de individuos
que difieren mucho en cuanto al conocimiento de sus destinos potenciales. Como
consecuencia, los coeficientes del modelo, que intentan describir las relaciones
entre las utilidades predichas y las elecciones observadas, pueden estar influidos
tanto por variaciones en el conjunto de elecciones entre los individuos (que no
estn contempladas en su totalidad en el modelo), como por variaciones en las
preferencias reales (que s estn contempladas). Debido a que los cambios en la
naturaleza de los destinos pueden afectar tanto al conjunto de elecciones como a
las preferencias en grados diferentes, esta confusin puede causar estragos en la
prognosis o en la posibilidad de transferir el modelo en el tiempo y en el espacio.
Para poder tratar este problema es posible:
1. Utilizar reglas de generacin deterministas o del conjunto de elecciones
heursticas que permitan excluir ciertas alternativas (p. ej., el autobs no es-
MODELOS
DE
TRANSPORTE
t disponible si la parada ms prxima se encuentra ms all de una distancia determinada) y que puedan validarse empleando datos de la muestra.
2. Obtener informacin sobre el conjunto de elecciones directamente de la muestra, preguntando simplemente a los entrevistados sobre su percepcin de
las alternativas disponibles (incluso es mejor preguntar sobre las opciones
no disponibles y las razones de ello).
3. Utilizar conjuntos aleatorios de elecciones, en los que las probabilidades de
eleccin sean el resultado de un proceso en dos fases: en primer lugar, un
proceso de generacin del conjunto de opciones, en el cual se defina una
funcin de distribucin de probabilidades sobre todos los conjuntos de elecciones y, en segundo lugar, en un conjunto de elecciones especfico, definir
una probabilidad de eleccin para cada alternativa (ver la discusin de este
tema en Lerman, 1984 y Richardson, 1982).
Tal y como se vio en el Captulo 7, a menudo las reglas no-compensatorias
como satisfaccin, lexicografa y eliminacin por aspectos, pueden resultar
ms apropiadas que el comportamiento compensatorio. En efecto, muchos
procesos de eleccin, especialmente si el nmero de alternativas fsicamente
disponibles es muy grande, pueden ser visualizados como una mezcla de reglas
compensatorias y no-compensatorias. En este contexto, Morikawa (1996) ha
desarrollado un modelo hbrido que aplica reglas de decisin compensatorias y
no-compensatorias con un nmero relativamente amplio de alternativas, en un
modelo cuyo proceso de decisin se subdivide en una fase en la que se forma
el conjunto de eleccin y en otra en la que se efecta la eleccin. La formacin
del conjunto de eleccin se modeliza a travs de un modelo de restricciones
aleatorias que tiene una naturaleza no-compensatoria en las restricciones (es
decir, si una restriccin no se satisface, la alternativa se excluye del conjunto
de eleccin aunque las dems restricciones se hayan satisfecho), mientras que
la fase de eleccin se describe a travs de un modelo Logit multinomial. Este
enfoque proporcion buenos resultados cuando se aplic a la eleccin del destino para viajes de vacaciones con hasta 18 alternativas.
8.3.
8.3.1.
V jq kj f kj ( xkjq )
k
(8.1)
MODELOS
DE
TRANSPORTE
( x T
1) / T , si T x 0
x (T )
si T 0
log x ,
(8.2)
que es continua para todos los posibles valores de . Aplicando esta transformacin es posible reescribir la ecuacin (8.1) como:
V jq Q kj xkjq
(Tk )
(8.3)
Transformada de Box-Turkey
( x )
1 / , si x 0
( x )( )
si 0
log( x ),
(8.4)
donde es slo una constante de traslacin, elegida para asegurar que (x + ) > 0
en todas las observaciones.
Para que el modelo sea consistente con la teora microeconmica los valores
de tienen que satisfacer ciertas condiciones. En particular, es instructivo derivar qu restricciones existen en el caso de atributos como el tiempo de viaje (que
produce desutilidad) o el nmero de coches en el hogar (que, en cambio, hace
aumentar la probabilidad de elegir el coche) para asegurar que las utilidades
marginales sean decrecientes, tal y como requiere la teora. Queda propuesta
pues esta demostracin como un pequeo desafo para el lector interesado.
Puede demostrarse que si se especifica un MNL con la forma funcional
(8.4) y se obliga a que todos los valores de sean iguales, sus elasticidades
vienen dadas por:
E P ,x (D ji
Pj ) xkiQ k ( xki M )T
1
j
ki
(8.5)
8.3.2.
MODELOS
DE
TRANSPORTE
esta teora, a partir del caso de individuos que eligen entre el ocio (L) y consumo
de bienes (G). El compromiso aparece una vez que se formula la relacin entre
G y el ingreso (I): ellos suponen que I depende del nmero de horas trabajadas
(W). De esta manera, el aumento de W permite aumentar G disminuyendo L.
Este problema se puede expresar formalmente como:
MaxU(G, L)
Sujeto a:
G ci wW
Ai A
W L ti T
(8.6)
donde U es la funcin de utilidad individual, w es la tasa salarial real (la cantidad de dinero que se le paga al individuo a la hora), ci y ti son respectivamente
el coste y el tiempo gastados en el viaje, A es el conjunto de eleccin y T es un
perodo de referencia; las incgnitas son G, L y W.
Si en la ecuacin (8.6), U se expresa de una forma bastante general, como
la Cobb-Douglas, el encontrar su mximo respecto a Ai A es equivalente a
encontrar el mximo de (ci / w ti) entre otras posibilidades. ste es el origen
de la variable denominada coste/tasa salarial, ampliamente utilizada en los
modelos de eleccin discreta, la cual ha degenerado en coste/ingreso en ciertas
aplicaciones. La posibilidad de variar las horas trabajadas para conseguir el
nivel de renta deseado tiene un papel clave en la derivacin anterior. Como W
se determina de forma endgena y w viene dado de forma exgena, el ingreso
pasa a ser endgeno. Esta formulacin supone que el coste del viaje es despreciable en relacin con el ingreso, es decir, no hay efecto renta.
Sin embargo, para muchos individuos (especialmente en los pases menos
desarrollados) tanto el ingreso como las horas trabajadas son fijos y por tanto
s puede existir efecto renta. En estos casos se puede demostrar que el mximo
de U depende del valor de (ci / g ti) entre otras posibilidades (Jara-Daz y
Farah, 1987), donde g es una tasa de gasto definida en general por:
g = I / (T W)
(8.7)
La presencia de una variable de ingreso como sta, que refleja el potencial de compra en la funcin de utilidad, indica que la utilidad marginal del
ingreso vara con ste, es decir, el modelo permite un efecto renta. Adems, es
interesante mencionar que diversos tests empricos han demostrado que esta
8.3.3.
Pj
Tij
Oij
B j Fij
f ik
(8.8)
Si ahora se define:
(8.9)
Vk log Bk cij
(8.10)
8.4.
ESTIMACIN ESTADSTICA
En este apartado se consideran los mtodos para la estimacin de modelos discretos (MD), junto con las estadsticas de bondad de ajuste utilizadas durante
MODELOS
DE
TRANSPORTE
f ( Z1 , Z 2 ,L Z n / ) f ( Z1 / ) f ( Z 2 / )L f ( Z n / )
La interpretacin estadstica ms corriente de esta funcin es con Z como
variables y fijo. Invirtiendo el proceso, la ecuacin anterior puede interpretarse como una funcin de verosimilitud L(). Si se maximiza con respecto a ,
el resultado se denomina estimador de mxima verosimilitud porque corresponde al valor del parmetro que tiene la probabilidad mayor de haber generado la muestra observada. Esta idea puede extenderse al caso de varios parmetros (p. ej., en una regresin lineal mltiple puede demostrarse que los
coeficientes de mnimos cuadrados son los estimadores de mxima verosimilitud).
Supngase una muestra de Q individuos para los cuales se observa su eleccin (0 1) y los valores de xjkq para cada alternativa disponible, por ejemplo:
el individuo 1 selecciona la alternativa 2
el individuo 2 selecciona la alternativa 3
el individuo 3 selecciona la alternativa 2
el individuo 4 selecciona la alternativa 1, etctera.
1 si q elige A j
g jq
0 en otro caso
(8.11)
L( )
P
g jq
jq
q 1 A j A ( q )
(8.12)
Para maximizar esta funcin se procede como es habitual, tomando derivadas parciales respecto a e igualando a cero. Como en otros casos, se
maximiza la funcin l() que es el logaritmo natural de L(), ms manejable
y que conduce al mismo ptimo. La funcin que se intenta maximizar es, por
tanto (Ortzar, 1982):
Q
l ( ) log L( )
g jq log Pjq
q 1 A j A ( q )
(8.13)
u 2 l Q
uQ 2
(8.
MODELOS
DE
TRANSPORTE
g
q
jq
Pjq
(8.14)
Esto permite deducir que como las constantes especficas de las alternativas
tienden a capturar el efecto de variables no consideradas en el modelo, estas
constantes aseguran que dicho modelo reproduce los porcentajes agregados
de reparto de cada alternativa en el mercado.
Por ello, como indicador de la bondad del ajuste no es adecuado comparar la suma de probabilidades de elegir una opcin con el nmero total de
observaciones que la seleccionaron, ya que esta condicin se satisface inmediatamente en un modelo MNL que tenga un conjunto completo de constantes.
Como tampoco es adecuado comparar las probabilidades del modelo con
los valores de g jq (que son 0 1), no se puede definir una medida de bondad
del ajuste que est basada en los residuales estimados, tal como el R2 de regresin lineal.
Ejemplo 8.1: sea un caso de eleccin binaria con una muestra de slo tres
observaciones (como la propuesta por Lerman, 1984). Supngase que nicamente hay un atributo x, tal que:
P1q
1 exp x2 q x1q
P2 q 1 P1q
Observacin (q)
Eleccin
x1q
x2q
1
2
3
1
1
2
5
1
3
3
2
4
* = 0,756
1,75
1,80
1,85
1,90
1,95
2,00
Figura 8.1.
P1q
P2q
1
2
3
0,82
0,32
0,32
0,18
0,68
0,68
MODELOS
DE
TRANSPORTE
Puede observarse a la vista de estos resultados, que el modelo predice incorrectamente la segunda observacin bajo un criterio de maximizacin de
la utilidad.
Se ha mencionado que los parmetros * del modelo ML tienen una distribucin normal asinttica con matriz de covarianza S2. En general, las reconocidas propiedades del mtodo ML para funciones de verosimilitud que
se comportan bien permiten, al igual que en la regresin mltiple, un cierto
nmero de tests estadsticos de gran importancia.
8.4.1.1.
La ecuacin (8.14) implica que k* tiene una varianza estimada {skk2 }, donde
S2 = {skk2 }, que fue calculada durante la estimacin. Si su media k =
, entonces:
t
k*
skk
(8.15)
tiene una distribucin Normal estndar N(0,1). Por esta razn es posible comprobar si k* es significativamente diferente de cero (esto no es exactamente
un test-t, ya que se est aprovechando la aproximacin conseguida al tener
una muestra grande y t se comprueba con la distribucin Normal). Valores
suficientemente grandes de t (mayores que 1,96 para niveles de confianza del
95%) llevan a rechazar la hiptesis nula k = 0, y por tanto a aceptar que el
atributo k-simo tiene un efecto significativo.
El procedimiento secuencial de seleccin de variables seguido durante la
especificacin de los modelos de eleccin discreta, considera normalmente
tests estadsticos formales como el visto anteriormente y otro tipo de comprobaciones ms informales, tales como observar el signo del coeficiente estimado y verificar si es consecuente con la teora o con conceptos a priori. En este
sentido debe destacarse que la eliminacin de una variable con signo correcto
depende crucialmente de su importancia; por ejemplo, ntese que el conjunto de
variables explicativas disponibles puede dividirse con beneficio en dos clases:
Variables muy relevantes o de intervencin poltica, que tienen una base
terica slida y/o que son cruciales para la prognosis;
Otras variables explicativas, que no sean cruciales para la evaluacin de
actuaciones (p. ej., sexo) o para las cuales no existan razones tericas que
justifiquen o rechacen su inclusin.
La tabla 8.1 presenta los casos que se pueden dar al considerar las posibles
interacciones segn la divisin anterior, as como las soluciones recomendadas
por la prctica habitual. Considrese en primer lugar el caso de eliminar una
variable del tipo Otras con el signo correcto. Su eliminacin depender del
nivel de significacin (a veces slo es significativa a un nivel del 85%), y normalmente se deja fuera si no es significativa a un nivel del 80%.
La buena prctica recomienda incluir una variable relevante con signo
correcto aun cuando no haya pasado algn test de significacin. La razn es
que el coeficiente estimado es la mejor aproximacin posible a su valor real.
La falta de significacin puede estar causada por insuficiencia de datos.
Las variables del tipo Otras con signo incorrecto debieran rechazarse
siempre. Sin embargo, como las variables de intervencin poltica deben incluirse casi a cualquier coste, la prctica habitual indica que en el caso de signo
incorrecto se haga una reestimacin del modelo, fijando sus valores en base
a informacin aceptable proveniente de estudios similares. Esta tarea es fcil
si la variable no es significativa, pero puede llegar a ser muy difcil si lo es,
ya que el valor fijado podra producir cambios importantes en el resto de los
coeficientes del modelo.
En lo referente a variables socioeconmicas como el sexo, la edad, la profesin y la ocupacin, el modo tpico de insertarlas dentro de los modelos de
eleccin discreta es en forma de constantes adicionales, a lo sumo en todas
las alternativas menos en una, en base a la experiencia y al sentido comn del
modelizador. Por ejemplo:
(8.16)
V2 q t2 q c2 q f 2 q L
Tabla 8.1.
{ significante
no significante
Signo incorrecto { significante
no significante
Signo correcto
Otras
Incluir
Incluir
Incluir
Se puede eliminar
Gran problema
Eliminar
Problema
Eliminar
MODELOS
DE
TRANSPORTE
Donde, por ejemplo, t representa el tiempo de viaje, c el coste, f la frecuencia, y las variables dummy slq representan las caractersticas socioeconmicas
del individuo q. En este caso los datos socioeconmicos sirven para ampliar
la explicacin de la eleccin pero no proporcionan ninguna mejora en trminos
de la utilizacin del modelo para estimar valores subjetivos o disposicin a pagar
(esto es, la razn entre tiempo y coste, ver Gaudry et al., 1989). Adems, usualmente se ha encontrado que no son demasiadas las variables del tipo Otras
que proporcionan suficiente explicacin como para justificar su insercin en
los modelos.
Un procedimiento alternativo consiste en parametrizar los coeficientes de
cada atributo en el modelo utilizando variables socioeconmicas; en este caso
la ecuacin (8.16), pasa a ser:
(i 1, 2)
(8.17)
Ahora las variables dummy slq se refieren a la caracterstica socioeconmica l (p. ej., el sexo) del individuo q. sta es una forma, sencilla e interesante, de incorporar las variables socioeconmicas que adems permite calcular
funciones cuyo valor vara para cada individuo. Este mtodo, de hecho, fue
propuesto por Fowkes y Wardman (1988) como una forma de segmentar de
acuerdo a los gustos individuales. La ecuacin (8.17) permite obtener para
cada atributo coeficientes que varan en funcin de las caractersticas del individuo.
Es importante resaltar que la misma variable socioeconmica puede aparecer en la expresin de cada coeficiente y que esta formulacin no implica que
los gustos estn distribuidos de forma aleatoria en la poblacin, sino que al
revs, se acepta que los parmetros (, y ) dependen de las caractersticas
del individuo de modo determinstico.
Esta parametrizacin permite incorporar heterogeneidad de gustos en forma
econmica, mediante la utilizacin de programas ampliamente disponibles,
en vez de tener que recurrir a funciones ms complejas como, por ejemplo, el
probit multinomial o los modelos de componentes de error.
Ejemplo 8.2: la tabla 8.2 presenta dos modelos. El primero de ellos utiliza
el mtodo explicado en (8.16), mientras que el segundo corresponde al mtodo
nuevo de la ecuacin (8.17). El tamao de la muestra es de 1.631 observaciones
de preferencias declaradas (Rizzi y Ortzar, 2002), relativas a la eleccin de
Variables (test-t)
Modelo 1
Modelo 2
2,41E + 05
(5,6)
2,18E + 05
(3,4)
Sexo
0,4233
(3,3)
1,29E + 05
(2,9)
Edad1 (30-49)
0,4605
(3,5)
1,76E + 05
(3,5)
Edad 2 (50-65)
1,02
(5,8)
3,75E + 05
(6,0)
1,48
(2,8)
5,49E + 05
(3,0)
Da/noche
0,2097
(2,5)
8,45E + 04
(3,1)
3,318
(13,9)
3,738
(14,0)
Peaje (US$)
0,702
(9,9)
0,826
(10,8)
Ingreso alto
4,13E 0,4
(3,4)
0,1545
0,1703
Riesgo de muerte
2(c)
MODELOS
DE
TRANSPORTE
modelo se incluyeron en interaccin con los coeficientes tanto del riesgo como
de la tarifa.
Si se observan los resultados parece obvio que la parametrizacin ms
flexible del modelo 2 es superior al modo tradicional de insertar las variables
SE. Adems es importante destacar que los resultados sugieren que las mujeres
valoran ms la seguridad que los hombres y lo mismo se detecta al aumentar
la edad. De acuerdo al modelo 2, adems, el valor de la seguridad debera
aumentar si el viaje se realiza por la noche. En fin, es de destacar que la utilidad marginal del ingreso (es decir, el coeficiente del peaje cambiado de signo),
disminuye para los usuarios con ingreso alto, en consonancia con la teora.
8.4.1.2.
Puede establecerse la hiptesis de que los costes (no los tiempos) no tienen
por qu ser percibidos de forma distinta por los individuos y que deberan especificarse como genricos. Esto se puede expresar escribiendo esta hiptesis
como dos ecuaciones lineales:
2
4 0
2
6 0
En general es posible plantear la conveniencia de usar atributos genricos
mediante restricciones lineales en un modelo ms general. Para un uso intenso
de este tipo de tests, consultar Dehghani y Talvitie (1980).
Debido a las propiedades de la ML, es fcil testear cualquier hiptesis expresada mediante restricciones lineales, utilizando el conocido test de la razn
de verosimilitud (LR). Para llevar a cabo este test se ejecuta en primer lugar el
programa de estimacin para el caso ms general, produciendo estimadores *
y el logaritmo de la verosimilitud l* () en convergencia. Despus se ejecuta por
segunda vez para obtener estimaciones r* de y el nuevo logaritmo de la verosimilitud l* (r) para el mximo en el caso restringido. Si el modelo restringido
bajo consideracin tiene una especificacin correcta, el estadstico LR:
2[l
( r )
l
( )]
distribuye asintticamente 2 con r grados de libertad, donde r es el nmero de
restricciones lineales. El rechazo de la hiptesis nula implica que el modelo restringido es errneo. Para llevar a cabo el test es necesario que un modelo sea una
versin restringida o anidada del otro. Train (1977) ofrece ejemplos del uso de
este test para el estudio de no linealidades, no genericidad y no homogeneidad.
Horowitz (1982) ha estudiado en detalle la potencia y propiedades de este
test y se puede consultar para profundizar en el tema.
8.4.1.3.
Pjq ( A(q ) , )
1
Nq
MODELOS
DE
TRANSPORTE
2[l
(0)
l
( )]
que distribuye 2 con k grados de libertad. Se puede elegir un nivel de significacin (p. ej., el 95%) y comprobar si el estadstico LR es menor o igual que el valor
crtico de 2 (k, 95%), en cuyo caso la hiptesis nula se aceptara. No obstante se
ha demostrado que el test no tiene mucha potencia porque si se rechaza la hiptesis nula (como siempre sucede), nicamente quiere decir que los parmetros
explican mejor los datos que un modelo sin potencial explicativo. La verdad
es que la nica ventaja de este test es su bajo coste, ya que el clculo de l* () no
requiere ejecutar el programa una vez ms pues en la mayor parte de los algoritmos de bsqueda se utiliza como valor inicial del logaritmo de verosimilitud.
Para llevar a cabo el test con el modelo de slo constantes, se necesita calcular el valor de l* (C); si hay (k c) parmetros que no son constantes especficas,
el valor adecuado de LR se compara con 2 (k c, 95%). En general se necesita
una ejecucin adicional de la rutina de estimacin para calcular l* (C), excepto
para modelos donde todos los individuos se enfrentan al mismo conjunto de
elecciones, en cuyo caso se cumple que:
l
(C ) Q j log(
j
Qj
Q
(8.18)
Figura 8.2.
l * (C)
l * ()
l (*) = 0
8.4.1.4.
El
ndice
2
Aunque en este caso no es posible construir un ndice como el R2, siempre es
interesante tener un indicador que vare entre 0 (sin ajuste) y 1 (ajuste perfecto),
para poder comparar modelos alternativos. Se defini inicialmente un ndice
que satisface algunas de las caractersticas anteriores, as:
2 1
l * ( )
l * (0)
(8.19)
Su significado est claro en los dos lmites (0 y 1), pero no tiene una interpretacin intuitiva para valores intermedios. De hecho, valores cercanos a 0,4
pueden constituir ajustes excelentes.
Como en principio se puede calcular un ndice 2 relacionado con cualquier
hiptesis nula, es importante elegir una apropiada. Por ejemplo, puede demostrarse que los valores mnimos de 2 en la expresin (8.19), para modelos con
constantes especficas, varan con la proporcin de individuos que eligen cada
alternativa. Tomando un caso binario simple, la tabla 8.3 muestra los valores
mnimos de 2 para diferentes proporciones que eligen la opcin 1 (Tardiff,
1976). Se puede observar que 2 slo es adecuado cuando las dos opciones son
elegidas en la misma proporcin.
Estos valores significan, por ejemplo, que un modelo estimado con una
muestra 0,9/0,1 produciendo un valor de 2 de 0,55, es peor que un modelo que
produce un valor de 2 de 0,25 para una muestra de 50/50. Afortunadamente
existe un ajuste sencillo que permite solventar esta dificultad; consiste en
calcular el ndice respecto al modelo slo constantes:
MODELOS
DE
TRANSPORTE
Tabla 8.3.
Valor
mnimo
de
2
0,50
0,00
0,60
0,03
0,70
0,12
0,80
0,28
0,90
0,53
0,95
0,71
2 1
l
( )
l
(C )
(8.20)
2 1
l1
( ) l2
( ) L lS
( )
l1
(C ) l2
(C ) L lS
(C )
(8.21)
CR
1
1
Q q Nq
MSR (MS j ) 2
Aj
ER Pq
q
(8.22)
Var(CR )
1
1
(1
)
Nq
Nq
(8.23)
y:
Var(ER ) Pq (1 Pq )
(8.24)
De esta forma, un valor calculado de FPR para un modelo concreto puede comparase con CR y ER. Si las tres medidas estn relativamente prximas
(comparando sus varianzas estimadas), el modelo es razonable pero poco informativo. Si FPR y ER son similares y ms grandes que CR, el modelo es
razonable e informativo. Finalmente si FPR y ER no son cercanos, el modelo
no explica la variacin en los datos y debera rechazarse aun si FPR fuera ms
grande que ER (Gunn y Bates, 1982).
MODELOS
8.4.1.6.
DE
TRANSPORTE
Muestras de validacin
Modelo 1
No FPR
FPR
No FPR
n11
n12
FPR
n21
n22
Dada la tabla anterior donde nij representa el nmero de individuos asignados a la celda (i,j). Para todos los individuos en una muestra de validacin, se
calculan las probabilidades de eleccin y las FPR en ambos modelos a examinar
y con estos valores se rellenan adecuadamente las celdas de la tabla (es decir,
asignando el valor a la celda (1,1) si no constituye el FPR en ambos modelos,
y as sucesivamente).
Interesa comprobar la hiptesis nula de que la probabilidad de asignar individuos a las celdas (1,2) y (2,1) sean iguales, porque este caso indicara que los
dos modelos son equivalentes. Bajo esta hiptesis nula, el siguiente estadstico
M distribuye 2 con un grado de libertad (Foester, 1979):
M
n12
n21
n12 n21
(8.25)
n r
(n
r )
p (1
p )
r
donde p indica la probabilidad de que un individuo elegido al azar sea asignado
a la celda (1,2), es decir, es la mnima diferencia que se desea detectar.
Dado n y tomando p = 0,05 como de costumbre, se pueden calcular las probabilidades de que 0, 1, 2 y 3 individuos sean asignados, y sumarlas para obte-
MODELOS
DE
TRANSPORTE
Tamao de la muestra
50
0,75
100
0,26
150
0,05
200
0,01
250
0,00
Eij N ij pi
que corresponde al valor esperado del nmero de individuos que eligen la
alternativa Aj con probabilidad en la banda i, asociada a la probabilidad media
Tabla 8.5. Elecciones modelizadas segn banda de probabilidad
Banda probabilidad
predicha (i)
Alternativa (j)
0-0,1
0,1-0,2
0,2-0,3
0,9-1,0
N1j
O1j
N2j
O2j
N3j
O3j
11
N10j O10j
Modelo A
0
40
94
55
11
58
14
24
Total
Modelo B
1
36
43
44
18
Total
11
13
15
MODELOS
DE
TRANSPORTE
(Oij Eij ) 2
Eij
ij
En principio se puede aplicar dicho test a cada celda de la matriz si Eij > 5,
ya que en otro caso el test no es vlido. As, a menudo es necesario agregar
celdas ya que generalmente los tamaos de las muestras de validacin son
limitados; desafortunadamente no existen mtodos claros para realizar tal agregacin. Los lectores pueden comprobar qu estrategias diferentes de agregacin
conducen a resultados distintos.
Tabla 8.6.
Banda probabilidad
predicha (i)
Alternativa (j)
0-0,1
0,1-0,2
0,2-0,3
0,9-1,0
E1j
O1j
E2j
O2j
E3j
O3j
1,2
2,75
E10j O10j
Modelo A
1
4,7
2,75
1,65
14,5
14
Total
9,45
4,05
29
24
0,45
Modelo B
1
2
1,8
4,05
1,65
0,5
15,2
15
2,15
6,6
4,5
Total
9,5
11,7
11
7,5
13
2
FPR
i 1
(Oi
Ei ) 2
Ei
(8.26)
(8.27)
MODELOS
DE
TRANSPORTE
8.4.4.
El test de la razn de verosimilitud descrito anteriormente requiere que el modelo sea probado con respecto de una generalizacin paramtrica del mismo, es
decir, es necesario que el modelo sea anidado. No pueden ser comparados con
este test modelos cuyas funciones de utilidad presenten una forma funcional
significativamente diferente, ni modelos que estn basados en paradigmas de
comportamiento distintos.
Existen varias situaciones en las que sera til testear un determinado modelo con respecto a otro que no constituya una generalizacin paramtrica. El
siguiente ejemplo, propuesto por Horowitz (1982) es muy ilustrativo.
Ejemplo 8.6: considrese un modelo con una funcin de utilidad especificada as:
V 1 Z1 2 Z 2
y otro con una funcin de utilidad dada por:
W 3 Z 3 Z 4
Supngase que se desea comprobar cul de los dos modelos explica mejor
un determinado conjunto de datos. Claramente, no existe ningn valor de
3 que, para todos los valores de 1, 2, y de los atributos Z, haga que V y W
coincidan. Si ambos modelos pertenecen a la misma familia, puede construirse
una funcin de utilidad hbrida X que, en este hipottico caso, contuviese a V
y a W como casos especiales:
X 1 Z1 2 Z 2 3 Z 3 Z 4
y utilizando tests de la razn de verosimilitud, ambos modelos pueden compararse frente al hbrido. El primero se correspondera con la hiptesis de que
3 = 0 y el segundo con las hiptesis 1 = 2 = 0.
MODELOS
DE
TRANSPORTE
Otros tests, incluyendo casos en los que los dos modelos competitivos no
per tenezcan a la misma familia general, se describen ms detalladamente en
el excelente trabajo de Horowitz (1982). De todas formas, es importante recordar que si se dispusiera de una muestra de validacin, el problema podra ser
resuelto fcilmente, tal como se trata en Gunn y Bates (1982).
8.5.
Pi ( ,Z)
ui
u1 d
ui
u2 d
ui
u J d
L L
f (u) d u J L d u1
(8.28)
donde f(u) es la funcin de distribucin conjunta de las utilidades de las alternativas. Ahora, recordar que para el modelo MNP se tiene:
1
1
(8.29)
u 1 d
u J 1
( 2 P) J 1 3 2 exp 1 ( u - V )3 1 ( u V )T
d
2
donde V
y
representan la media y la matriz de covarianza de las nuevas
variables.
2. Se realiza una transformacin a travs de la descomposicin de Cholesky,
que permite separar las integrales y, en particular la primera, que corresponde a Ai, resulta ser igual a uno (Daganzo, 1979). Este proceso es bastante
complejo pero, en trminos prcticos, permite reducir en una unidad la
dimensin de la integracin mltiple.
La integracin numrica es el mtodo ms exacto pero puede ser solamente aplicado a un coste razonable para un mximo de cuatro alternativas;
adicionalmente presenta algunos problemas de aproximacin (ordenadores)
en el caso en que una o ms probabilidades de eleccin estn prximas a cero.
Por estas razones, slo se utiliza como un estndar de comparacin para otros
mtodos.
v1 V1 ( ) V2 (
) a ( )
v2 (V12 12 ) ( ) (V22 22 ) (
) (V1 V2 ) a ( )
donde (x) es la distribucin normal estndar acumulada, es decir:
x
( x) ( x)dx (2P) 2 e
x2
2
dx
MODELOS
DE
TRANSPORTE
( ) 2 23 (
)
(U 3 ,U%12 ) 1 13
(v 2
v12 )1/ 2
donde
a Var (U1 U 2 ) y
v1
v2
a
Utilizando todas estas ecuaciones, Clark (1961) demuestra por fin que la
siguiente aproximacin es, en general, excelente:
(8.30)
Estas ecuaciones pueden ser utilizadas recursivamente para obtener una distribucin aproximada del mximo de J variables y, despus de J-1 iteraciones,
se puede conseguir una expresin aproximada para la media y la variancia del
2
mximo, Vmax y max
. Por tanto, si Ui es la utilidad de la alternativa en examen,
resulta que en la ltima iteracin se obtiene que:
V i E max U1 ,L ,U i 1 ,U i 1 ,L ,U J
Pi Prob U i r max U j
j xi
(Vi V i )
Pi &
1
2
2
( i
i
2 i
i i ,
i ) 2
(8.31)
MODELOS
DE
TRANSPORTE
e ~ N(0, I ) sujeto a a* y a
A X b Le b b* y b
A X
y se puede ver que gracias a la estructura triangular de L, las restricciones
son recursivas:
e1 ~ N(0,I) sujeto a a1*,
l11e1
b1*
u * X A
1Le
Este vector tiene una matriz de covarianza A-1LL'A-1' = A-1AA'A-1'
=
y
est
sujeto, por construccin, a la condicin a
Au*
b. Borsch-Supan y Hajivassiliou (1993) demuestran que a pesar de que la generacin de repeticiones de u* es
sesgada, la contribucin de cada observacin a la funcin de verosimilitud (es
decir, la probabilidad de que Au est entre a y b) es simulada correctamente por
la probabilidad de que a*
Le
b*. De hecho, es posible hacer uso de un truco
llamado anttesis que permite reducir la varianza de la probabilidad de eleccin
eventualmente calculada. En efecto, si se considera que Piq puede aproximarse
como el promedio de las probabilidades correspondientes a dos conjuntos de
repeticiones de nmeros aleatorios (Piq0 y Piq1 ), entonces es fcil ver que la varianza (Var) de Piq est dada por 0,25 Var(P0iq) + 0,25 Var(P1iq) + 0,5 Cov(P0iq, P1iq).
As, si ambos conjuntos son independientes la covarianza es cero, pero si estn
negativamente correlacionados sta ser menor que cero; el ideal es, entonces,
generar una serie de nmeros aleatorios y, posteriormente, como anttesis una
segunda serie igual a la primera con signo contrario. Esta tcnica no slo permite ahorrar en la generacin de nmeros aleatorios sino que tambin calcula
probabilidades de eleccin con una varianza menor.
MODELOS
DE
TRANSPORTE
8.6.
(8.32)
Es importante destacar que en esta formulacin hay dos tipos de parmetros. De una parte el vector de coeficientes q que representa los gustos individuales, y de la otra los parmetros * asociados a la distribucin de estos gustos
en la poblacin (es decir, la media y la covarianza de en la poblacin). El
objetivo es, por tanto, estimar estos ltimos.
La estimacin mediante mxima verosimilitud requiere, como en el caso
del MNL, el conocimiento de la alternativa elegida (c) por una muestra de individuos. Si fuera conocido, la probabilidad de una secuencia de elecciones
por parte de un individuo dado q sera:
Lq ( ) t Scqt ( )
Sin embargo, como no se conoce q, se tiene que:
Pq ( * ) S q ( ) f ( / * )d
(8.33)
y la funcin de log-verosimilitud de
para la muestra viene dada por:
l ( * ) ln Pq ( * )
q
(8.34)
SPq ( * )
1 R
Lq ( r / t )
R r 1
MODELOS
DE
TRANSPORTE
adecuada de un modelo en una situacin concreta. En este epgrafe, primeramente se realizar una breve sntesis de cmo es posible utilizar el enfoque de
PD para identificar la forma funcional y, posteriormente, se proceder a sealar
los cambios que han de introducirse en la metodologa general de modelizacin
de elecciones discretas al utilizar datos de preferencias declaradas.
MODELOS
DE
TRANSPORTE
U i g i (u1i ,L , uKi )
(8.35)
Finalmente si se postula que el vector de respuestas Ui = {Ui} est relacionado con el comportamiento observado (no experimental) B mediante otra
funcin algebraica, se puede escribir:
B = h(Ui)
(8.36)
B h [ g ; f (S,Q) =]
(8.37)
y sustituyendo se obtiene:
Como sta es una formulacin demasiado general para propsitos de modelizacin, en aplicaciones prcticas se deben realizar hiptesis sobre las funciones f, g y h, y deducir sus consecuencias.
El elemento crtico de este enfoque para desarrollar una forma funcional
adecuada es la especificacin de la ecuacin (8.35). Se pueden probar formas
alternativas, tales como las formas lineales o multiplicativas, y seleccionar alguna mediante anlisis de varianza. Sin embargo, para su aplicacin exitosa
se deben satisfacer dos condiciones: en primer lugar, el patrn de significacin estadstica de las respuestas de utilidad a varias combinaciones de las
variables independientes, debe ser de una naturaleza determinada, con objeto
U mn U m1 U n2 mn
donde Ukl son los valores de utilidad asignados al nivel l del factor k en un diseo factorial, Umn indica la utilidad total asignada por los individuos a la combinacin de niveles de ambos factores y mn es un trmino aleatorio con media
igual a cero.
Una comprobacin de la independencia de los dos efectos es el test de significacin del efecto de interaccin U m1 U n2. Como sealaron Lerman y Louviere
(1978), en un anlisis de varianza ste es un test global para todas las interacciones posibles entre ambas variables. De esta forma si el efecto de interaccin
no es significativo no puede rechazarse la hiptesis nula de que la forma lineal
es apropiada. Por otro lado, si la interaccin es significativa, implica que una
simple combinacin lineal no es apropiada.
Este test debe acompaarse de un grfico de la interaccin. Si la hiptesis
lineal (sin interaccin) es correcta, los datos aparecern como una serie de lneas paralelas al representarse contra los valores de utilidad. Puede demostrarse
que esto es siempre cierto independientemente de la forma supuesta para las
relaciones marginales (8.35). Tambin puede demostrarse que esto se cumple
para cualquier modelo multilineal de utilidad y para cualquier forma menos
restrictiva que la simple suma o multiplicacin.
MODELOS
DE
TRANSPORTE
(8.38)
1.
2.
3.
4.
Mtodos intuitivos
MODELOS
DE
TRANSPORTE
Ejemplo 8.8: considrese un ejercicio PD en el que se comparan tres modos alternativos de transporte, un autobs tradicional disel (DB), un minibs
moderno (MB) y un tren ligero elctrico (LRT). Los atributos incluidos en los
experimentos PD son: el tiempo de viaje en vehculo IVT, la frecuencia, la tarifa
y por supuesto, el tipo de vehculo. La siguiente tabla muestra los diferentes
niveles especificados para cada atributo:
Nivel 1
Nivel 2
Nivel 3
25
15
35
1,30
1,00
1,50
Frecuencia (min)
10
20
Tipo de vehculo
DB
LRT
MB
Tiempo de viaje
Tarifa
Frecuencia
Tipo
de vehculo
Puntuacin
25
1,30
DB
25
1,00
10
MB
25
1,50
20
LRT
15
1,30
10
LRT
10
15
1,00
20
DB
15
1,50
MB
35
1,30
20
MB
35
1,00
LRT
35
1,50
10
DB
Con esto es posible calcular un valor intuitivo para cada atributo, calculando la puntuacin media para ese nivel y atributo y comparndola con la
diferencia de los valores. Por ejemplo, para el caso de tiempo de viaje se puede
construir la siguiente tabla:
Nivel tiempo
de viaje
Valor
(min)
Diferencia
de valores
Puntuacin
media
Diferencias
puntuacin
Puntuacin
por minuto
25
21/3
15
10 (2 1)
25/3
4/3 (2 1)
4/30
35
+20 (3 2)
9/3
16/3 (3 2)
16/60
Valor
()
Diferencia
de valores
Puntuacin
media
Diferencias
puntuacin
Puntuacin
por
1,3
22/3
0,3 (2 1)
20/3
2/3
2,22
1,5
0,5 (3 2)
13/3
7/3
14/3
El profesional que realiza un anlisis con datos de escalamiento trata de encontrar una relacin cuantitativa entre el conjunto de atributos y las respuestas
expresadas en una escala. Para ello necesita asociar un valor numrico Rm a
MODELOS
DE
TRANSPORTE
(8.39)
(8.40)
y estos datos pueden estimarse simplemente mediante una rutina de logit multinomial. Sin embargo, se debe poner especial atencin con los siguientes problemas potenciales:
MODELOS
DE
TRANSPORTE
como de referencia y los factores de escala (n) asociados a los otros grupos
representan la relacin entre la varianza del trmino de error correspondiente
al grupo de referencia y la asociada al grupo considerado (vase la discusin
del subapartado 8.7.2.7). De este modo, si la varianza del error asociada al
grupo n es la misma que la del correspondiente grupo de referencia, entonces
el factor de escala del grupo n ser igual a uno.
Bradley y Daly (1994), definieron el grupo uno arbitrariamente como grupo
de referencia y obtuvieron las importantes conclusiones siguientes:
1. La magnitud de los factores de escala disminuye con la profundidad de la
jerarquizacin (es decir, la varianza del error es mayor en el caso de las
alternativas menos preferidas).
2. El modelo con diferentes factores de escala es superior al modelo logit simple; este resultado se confirm con el test de razn de verosimilitud.
3. Los valores del test-t de las variables explicativas resultaron inferiores, en
cerca de un tercio, respecto a los correspondientes valores obtenidos con
el modelo logit simple (vase la discusin del subapartado 8.7.2.6).
4. Los valores subjetivos de varios atributos en su diseo experimental cambiaron hasta un 50% cuando se consideraban los factores de escala.
Ortzar y Rodrguez (2002) probaron este enfoque encontrando que, en su
caso, los resultados cambiaban significativamente con el nivel de profundidad
que se elega como referencia; sin embargo, en todos los casos considerados el
modelo con factores de escala fue estadsticamente superior que el modelo logit
simple. Ellos consideraron un experimento PD de jerarquizacin diseado para
estudiar la disponibilidad a pagar por reducir la contaminacin atmosfrica en
un contexto de localizacin residencial. Los atributos seleccionados fueron el
tiempo de viaje al trabajo, el tiempo de viaje al estudio, el nmero de das de
alerta ambiental en el rea y el valor del alquiler del hogar.
Dos resultados importantes de este estudio son: si se elige como referencia
el cuarto nivel de profundidad (en vez de, p. ej., el primero), no slo cambian
los valores de los test-t (los valores de los atributos y de la log-verosimilitud
en convergencia permanecieron constantes), sino tambin el nmero de factores de escala significativamente diferentes. De hecho, finalmente llegaron a
la conclusin de que el modelo preferido slo tena dos factores de escala: las
primeras tres opciones se tomaban como referencia, el segundo conjunto de
cuatro alternativas present un alto factor de escala y las ltimas tres alternativas un factor menor (es decir, prximo a uno). Esto es consistente con la forma
MODELOS
DE
TRANSPORTE
en que las alternativas fueron jerarquizadas por los individuos y sugiere que
eran mucho ms conscientes de las alternativas extremas que de las alternativas
intermedias.
8.7.2.4.
U i Vi i U&&i i
(8.41)
Suponiendo
que
i es homocedstico (aunque es posible que su varianza
vare entre experimentos debido a fatiga o aprendizaje), la estimacin de los
parmetros de V no presenta graves problemas, ya que la expresin (8.41)
puede escribirse como:
U&&i Vi ( i i )
(8.42)
MODELOS
DE
TRANSPORTE
yendo tambin las respuestas probablemente elegira la opcin A, y comparar los resultados e indicadores de bondad de ajuste y significacin de los
parmetros.
Alternativamente, se puede investigar en ms profundidad cul es la mejor
transformacin de la escala semntica a una escala numrica, en el sentido
de producir los mejores modelos posibles. Muchos profesionales han usado
la siguiente escala simtrica: R1 = 2,197, R2 = 0,847, R3 = 0,000, R4 = 0,847,
R5 = 2,197, que corresponde a la transformacin Berkson-Theil de las siguientes probabilidades de eleccin: 0,1; 0,3; 0,5; 0,7; 0,9 (ver, p. ej., la revisin de
Bates y Roberts, 1983) y se ha transformado en casi la prctica estndar en
el rea de transporte. Sin embargo, sta no es necesariamente la escala ms
apropiada para un estudio concreto, y es importante investigar si la seleccin
de escala tiene un efecto significativo en los resultados del anlisis. Garrido
(1992) demostr que dependiendo de los valores de los atributos de cada opcin
y de las caractersticas socioeconmicas de los individuos, es posible generar
grandes diferencias en los ratios de coeficientes (tales como el valor subjetivo
del tiempo), utilizando escalas diferentes.
Ejemplo 8.9: un grupo de empleados y estudiantes participan en un experimento PD comparando dos opciones en el siguiente contexto: viaje por la
maana de casa al trabajo (unos 10 km), con eleccin entre autobs y metro
ligero (opcin que todava no existe en la actualidad). Para mayor simplicidad,
el diseo experimental consideraba solamente cuatro atributos:
Bajo
Medio
Alto
10
60
80
15
25
na
Frecuencia (min)
na
Escala 2
Escala 3
Escala 4
R1
0,100
0,010
0,300
0,200
R2
0,300
0,400
0,450
0,400
R3
0,500
0,500
0,500
0,500
R4
0,700
0,600
0,850
0,880
R5
0,900
0,990
0,950
0,970
La siguiente tabla presenta los SVT (ratios de los coeficientes de las variables de tiempo y coste) derivados de los modelos estimados despus de aplicar
la transformacin de Berkson-Theil a las cuatro escalas de probabilidad:
Valor del tiempo
Escala 1
Escala 2
Escala 3
Escala 4
4,01
1,73
3,98
4,11
Tiempo de espera
20,68
18,67
23,89
23,24
Tiempo andando
23,68
21,63
24,91
24,74
0,48
0,44
0,46
0,45
Tiempo en vehculo
R2
MODELOS
DE
TRANSPORTE
(8.43)
donde X j es el vector K-dimensional de las variables independientes (atributos de los individuos y de las alternativas) para el individuo j; es un vector
K-dimensional
de
coeficientes
del
modelo
y
j es un trmino de error con distribucin normal de media cero y matriz de covarianza 2I, donde I representa
la matriz unidad.
Sin embargo, no es posible medir el valor real de Yj con las tcnicas de medicin disponibles. Slo es posible observar una versin ordinal de esta variable,
Zj, que no satisface el modelo lineal (8.43). Supngase que la variable Zj tiene
M categoras de respuesta, R1, R2,, R M, y que stas estn relacionadas con
la variable no observable Yj como se explica a continuacin. En primer lugar,
supngase que 0, 1,,M son M + 1 nmeros reales que cumplen:
0
=
M
=
+
Adems, estos nmeros deben satisfacer tambin la siguiente condicin:
0 = 1
M1
M
de forma que:
Zj Rm m1 < Yj
m
para
1
j
n
(8.44)
1 si Z j Rm para 1 b j b n, 1 b m b M
Z jm
0 en otro caso
Por otra parte, las expresiones (8.43) y (8.44) permiten escribir la funcin
de probabilidad de la variable dependiente observada Zj directamente:
para 1 b m b M y 1 b j b n
K
m 1 Y j m m 1 k X kj j m
(8.45)
k 0
m
1
k X kj
k 0
k X kj
j m
k 0
donde X0j toma el valor de 1 (es decir, 0 es una constante especfica). Ahora,
como
j tiene una distribucin normal, se puede escribir:
K
m k 0 k X kj
Pr ( Z jm 1) Pr ( Z j Rm )
m 1 k 0 k X kj
(8.46)
Pr( Z jm 1) m
k X kj
m
1
k X kj
k 0
k 0
(8.47)
El problema del calibrado consiste en la estimacin de los M + K 1 coeficientes 2,,M1, 0,,K. Informacin adicional sobre el modelo, el proceso
de calibrado y algunas estadsticas asociadas a su desarrollo se puede encontrar en McKelvey y Zavoina (1975), Terza (1985) y Johnson (1990), mientras
que Hensher (1991) y Ortzar y Garrido (1994a) presentan aplicaciones del
probit ordinal en el campo de los transportes.
Si no se dispone de una rutina de estimacin del probit ordinal, se puede estimar la escala de respuesta durante el proceso de ajuste del modelo, considerando
cada valor de la escala como una variable adicional. En este caso se utiliza un
mtodo de bsqueda, empezando con la escala simtrica 1 del ejemplo 8.9. El
procedimiento consiste simplemente en variar sucesivamente cada punto de la
MODELOS
DE
TRANSPORTE
escala (es decir Ri) en una pequea cantidad, y estimar un modelo de regresin
lineal con los nuevos valores. Este proceso contina hasta que se maximice R2
y se fije el valor de Ri. El procedimiento se repite para cada punto de la escala
(salvo para R3 que siempre se mantiene en 0,5) en una rutina iterativa, hasta que
se encuentre el mejor ajuste en cada caso (aquel con el valor ms alto de R2). Finalmente se repite el proceso para comprobar las diferencias. Ortzar y Garrido
(1994a) sealaron que esta bsqueda nunca lleva ms de dos iteraciones antes de
converger, pero no pudieron probar la existencia de una solucin global ptima.
Ejemplo 8.10: la siguiente tabla muestra la escala simtrica original y las
escalas obtenidas despus de aplicar la anterior metodologa de regresin
lineal de la escala ptima para dos muestras del experimento de escalamiento
del ejemplo 8.9.
Escala
Inicial
Estudiantes
Personal
R1
R2
R3
R4
R5
0,1
0,3
0,5
0,7
0,9
0,284
0,286
0,500
0,714
0,900
0,228
0,278
0,500
0,722
0,842
Estudiantes
Personal
R1'
0,277
0,500
0,716
0,899
0,121
0,500
0,776
0,922
R3
R4
R5
Como puede verse, los valores de escala en ambas muestras estn ms alejados que en la tabla anterior, lo que indica que no es necesario ningn otro punto
de fusin. Todos los valores parecen razonables en trminos relativos, es decir,
se corresponden con valores crecientes de probabilidad desde R1' hasta R5.
8.7.2.6.
V 1 X 1 2 X 2 3 X 12 4 X 1 X 2 5 X 1 X 23 6 X 1 X 2 X 3
donde los Xi son atributos y los i coeficientes a estimar. Esta funcin contiene
trminos lineales (1 X1 y 2 X2), no-lineales (3X 12), interacciones con efectos lineales (4 X1 X2 y 6 X1 X2 X3) e interacciones generales (5X1 X 23). Los efectos principales pueden ser definidos como la respuesta de pasar al siguiente nivel de la
variable cuando el resto de los atributos permanece constante (ceteris paribus);
normalmente se postula que stos son los principales determinantes de cambios
en la eleccin. De hecho, de acuerdo a Louviere (1988):
MODELOS
DE
TRANSPORTE
Ejemplo 8.11: se ha diseado un experimento PD de escalamiento utilizando una escala semntica de cinco puntos para la eleccin entre viajar en
coche solo y compartir coche (car-pool) por parte de estudiantes de un campus
universitario (Ortzar et al., 2000c).
Tras una extensiva fase de piloteo, se seleccionaron los siguientes atributos:
Tiempo de viaje diario: ste era siempre mayor para car-pool, ya que el
alumno que dispusiera de coche en ese da deba recoger a cada miembro
del grupo por la maana y llevarlo de regreso a su casa por la tarde.
Coste de viaje semanal: asociado al consumo de combustible y estimado
en base a informacin sobre distancias de viaje y tipo de coche (en algunos
casos este valor inclua un coste de estacionamiento); el valor para car-pool
era siempre menor ya que los conductores no necesitan usar su coche cada
da de la semana en este caso.
Tiempo de espera: asociado a compartir el viaje con un grupo en el caso
del car-pool; la espera se debe a que el sistema propuesto consideraba que
el grupo completo llegaba y se iba del Campus a la misma hora, y no todas
las horas de salida coinciden; se debe notar que este tiempo puede usarse
en otras actividades, porque tanto su duracin como el da en que sucede,
se conocen de antemano dados los horarios fijos de la universidad.
Los niveles de los atributos fueron definidos en base a la diferencia entre
viajar en coche y car-pool, usando valores que coincidieran con la experiencia
de los encuestados. Se definieron dos niveles para el tiempo de viaje (10 y
20 min. ms que en el caso del car-pool), cuatro niveles para el coste de viaje
(tres cuartos y la mitad del coste del coche en el caso del car-pool, y 40 y 25%
ms que ese coste si se inclua un cobro de estacionamiento) y tres niveles para
el tiempo de espera. En este ltimo caso los niveles se determinaron en base a
la posibilidad de que los horarios de los miembros del grupo no coincidieran,
y se consideraron tiempos de espera de cero, 30 min (un miembro necesitaba
hacer una pequea diligencia) y 90 min (un mdulo de clase completo).
Aunque estos atributos y niveles permiten cubrir las diversas situaciones hipotticas que podran surgir en un sistema de car-pool, tienen la potencial desventaja de que las variables con ms niveles podran ser percibidas como ms
importantes por los encuestados (Wittink et al., 1982). Por otro lado, tres atributos parecen ser un mnimo obvio para estudiar si existen efectos de interaccin.
Con todo lo anterior se requeriran 16 situaciones hipotticas para estimar
solamente efectos principales y 24 si tambin se deseara estimar todas las inter-
MODELOS
DE
TRANSPORTE
acciones de a pares (Kocur el al., 1982). Dados estos nmeros, se debera usar
un diseo de bloques en ambos casos; de hecho se prob si se podan usar 16 opciones directamente, encontrndose que esto confunda/aburra a los encuestados produciendo demasiadas inconsistencias. Esto ratifica lo expuesto por
Carson et al. (1994), quienes encontraron que debido a la fatiga los entrevistados tendan a simplificar su forma de elegir concentrndose en un nmero
menor de atributos o simplemente contestando al azar.
Para la modelizacin se comenz por hacer un estudio de los signos esperados para los trminos de interaccin (dadas las especiales caractersticas de
las opciones en competencia), concluyndose que su definicin ms adecuada
era la siguiente:
T*C: interaccin entre los ratios de tiempo y coste de viaje; su coeficiente
debera ser mayor que cero:
T*C =
Tiempo de viajecp
Tiempo de viajecocche
Costecp
Costecoche
La tabla 8.7 presenta dos modelos probit ordinal obtenidos bajo la hiptesis tradicional de que las observaciones correspondientes a cada individuo
eran independientes. Como se puede ver, en el primero (denominado mejor
modelo) las nicas variables no significativas al 95% de confianza son Sexo
(variable muda que vale uno para hombres) y Tiempo de espera; si la ltima se
eliminase, porque su efecto es considerado en condiciones de fuerte interaccin, el modelo mejorara (modelo preferido). La variable Inercia vale uno si
Atributos (test-t)
Mejor modelo
Modelo preferido
1,65418 (9,89)
1,68808 (10,17)
0,00311 (4,57)
0,00343 (5,30)
0,00363 (1,53)
Coste/g (min)
0,06729 (7,54)
0,06930 (7,83)
0,11021 (1,92)
0,11372 (1,98)
0,40907 (6,57)
0,41113 (6,61)
0,70067 (9,67)
0,73763 (10,73)
Sexo
Inercia car-pool
T*C
W*T
0,00629 (2,11)
0,01038 (8,04)
W*C
0,00124 (3,32)
0,00157 (4,92)
R2
0,543
0,541
Tamao muestra
1.640
1.640
MODELOS
DE
TRANSPORTE
it
=
it + it
Para evitar este problema, los autores usan un mtodo de mnima distancia propuesto por Chamberlain (1984) que considera dividir la muestra en T submuestras independientes seleccionadas al azar, ninguna de las cuales contiene ms
de una observacin por persona. Los coeficientes de los modelos estimados
para cada submuestra son utilizados posteriormente en un algoritmo bastante
complejo para obtener los valores finales de los parmetros y sus varianzas.
Contrariamente a lo esperado, Outwerslot y Rietveld (1996) encontraron que
los parmetros de su modelo probit cambiaban (aunque menos de 27%) si bien
las razones t se mantenan prcticamente invariantes.
Yen et al. (1998) desarrollaron un mtodo para tratar el problema utilizando una versin dinmica generalizada del modelo probit ordinal, que permite
incorporar una medida de la correlacin entre las respuestas de un individuo en
particular. Desafortunadamente ellos no estaban interesados en efectuar comparaciones, por lo que no se sabe si existen diferencias entre sus estimaciones y
los resultados de una aplicacin estndar del probit ordinal. Ms recientemente
se ha propuesto que, en este caso, la estimacin puede ser tratada como un
modelo logit mixto, como el propuesto en (8.32).
Ejemplo 8.12: utilizando cuatro muestras diferentes Ortzar et al. (2000c)
examinaron el comportamiento del enfoque de Outwerslot y Rietveld (1996).
La aplicacin del mtodo de mnima distancia puede dividirse en dos partes; la
primera consiste en estimar una matriz de parmetros de gustos parciales t,
correspondiente a las T submuestras donde cada individuo est representado
por una sola observacin; esto requiere corregir los datos para garantizarlo
(recordar que algunas observaciones son normalmente eliminadas en las pruebas de consistencia). Un problema importante es que el proceso puede generar
muestras que no tengan suficientes observaciones para estimar un modelo en
algunos casos. La segunda parte consiste en estimar los parmetros de mnima
distancia (MD) en base a los valores anteriores; el proceso completo, que es
bastante complejo, fue implementado en Gauss.
Tambin se estimaron modelos para la base de datos corregida usando el
enfoque tradicional, a fin de tener valores similares para efectuar la comparacin. Se encontr que en el enfoque MD la mayora de los parmetros decreca
(a veces de forma considerable), pero que tambin en algunos casos crecan.
Respecto a las razones-t, se observ que en general decrecan de acuerdo a lo
esperado, pero no siempre, particularmente en el caso de las constantes especficas. En la tabla 8.8 se resumen estos resultados.
MODELOS
DE
TRANSPORTE
Ortzar et al. (2000c) tambin probaron la hiptesis nula de que la correlacin entre pseudo-individuos no afectaba a la estimacin del modelo utilizando
un
test
2 ad hoc (Chamberlain, 1984). En particular, los resultados mostraron
que el test no poda rechazarse al 95% de confianza en el caso de dos muestras
de eleccin modal interurbana, pero era claramente rechazado en el caso de
las dos restantes.
Tabla 8.8.
Coeficiente (test-t)
Mtodo tradicional
Mtodo mnima
distancia
1,5468
(4,75)
1,5357
(6,81)
Tarifa
0,0020
(18,04)
0,0017
(9,57)
Tiempo de viaje
0,0235
(4,00)
0,0171
(3,62)
Tiempo de espera
0,0256
(2,83)
0,0284
(3,50)
1,6547
(6,58)
1,5028
(9,87)
Tarifa
0,0018
(22,47)
0,0017
(11,73)
Tiempo de viaje
0,0146
(3,24)
0,0132
(3,92)
Tiempo de espera
0,0255
(3,76)
0,0216
(3,75)
0,5922
(2,30)
0,4843
(3,15)
0,0214
(9,98)
0,0107
(5,94)
Tiempo de viaje
0,0506
(4,14)
0,0233
(2,56)
Tiempo de espera
0,0765
(2,85)
0,0321
(2,43)
Tiempo a pie
0,3445
(14,26)
0,1983
(10,44)
0,2348
(1,51)
0,3689
(2,91)
Peaje
0,0016
(13,45)
0,0012
(8,81)
Tiempo de viaje
0,0621
(5,64)
0,0337
(4,27)
Distancia
0,0366
(5,32)
0,0495
(8,41)
8.7.2.7.
2 2 2
(8.48)
(8.49)
MODELOS
DE
TRANSPORTE
Pi
PR
Pi PD
e(
XiPR YiPR )
e(
XiPR Y PR
j )
( XiPD ZiPD )
(8.50)
( XiPD ZiPD )
(8.51)
que debe maximizarse para obtener los parmetros estimados. NPR y NPD son
el nmero de observaciones en PR y PD, respectivamente, y gin vale uno si el
individuo n elige Ai y cero en otro caso.
La expresin (8.51) es una funcin no lineal, ya que multiplica no slo a los
atributos, sino tambin a los parmetros PD. El procedimiento de estimacin es
simplemente un problema de investigacin operativa. Un mtodo para resolver
este problema es la aplicacin de software especialmente diseado para tratar
funciones de verosimilitud no lineales. Sin embargo, este tipo de paquetes de
clculo es normalmente escaso; por ende, sera muy til encontrar una tcnica
que permitiera estimar estos modelos mediante los programas de anlisis de
elecciones discretas ms fcilmente disponibles. Se pueden mencionar al menos
dos mtodos apropiados para realizar esta tarea: la estimacin simultnea (Bradley y Daly, 1997) y la estimacin secuencial (Ben Akiva y Morikawa, 1990).
Mtodo de estimacin secuencial. Este mtodo tiene la ventaja de permitir el uso de software habitual de estimacin logit y probit. El algoritmo es
el siguiente:
Paso 1: estimar el modelo PD segn la ecuacin (8.49) para obtener los
estimadores y . Definir una nueva variable de la siguiente forma:
V iPR = XiPR
(8.52)
(8.53)
donde = 1/.
Paso 3: multiplicar X PD y Z PD por para obtener un conjunto de datos PD
modificado. Juntar los datos PR con los PD modificados y estimar el modelo
mixto conjuntamente.
Mtodo de estimacin simultneo. Este mtodo, desarrollado por Bradley
y Daly (1997), consiste en construir un rbol artificial que tiene dos veces
tantas alternativas como existen en la realidad. La mitad de stas se denominan alternativas PR y la otra mitad alternativas PD. Las funciones de utilidad
son UPR y UPD [ver la expresin (8.49)]. Como se indica en la figura 8.3, las
alternativas PR se colocan directamente bajo la raz del rbol, mientras que
las alternativas PD se sitan cada una en un nido con una nica alternativa.
Para una observacin PR, las alternativas PD no estn disponibles y la eleccin se modeliza como en un modelo logit estndar. Para una observacin PD,
Raz
PR1
PR2 PR3
Alternativas
Dummy
PD1
Figura 8.3.
PD2 PD3
MODELOS
DE
TRANSPORTE
V COMP log eV
PD
(8.54)
donde la suma se lleva a cabo para todas las alternativas en el nido correspondiente a la alternativa compuesta, y la expresin:
VPD = UPD = = X PD + Z PD
(8.55)
(8.56)
con elevado estndar) obtuvo un coeficiente con signo equivocado. Para corregir
este sesgo se recomendaron dos mtodos.
El primero consiste en introducir variables dummy de inercia que representen las elecciones reales en el modelo PD. Tales dummy absorben los factores
no-observados ligados a las preferencias de ciertas alternativas respecto a otras,
y por lo tanto el trmino de error restante estar menos correlacionado con
las variables explicativas y las estimaciones de los coeficientes no resultarn
sesgadas. El segundo consiste en considerar la correlacin serial entre los
trminos de error de los modelos PR y PD. El incluir las dummy de inercia al
mismo tiempo es un mtodo efectivo para lidiar con la dependencia de estado.
El mtodo de Ben Akiva y Morikawa (1997) considera tambin la correlacin
serial inherente a las respuestas repetidas en datos PD, problema que fue discutido en el epgrafe 8.7.2.6.
Ejemplo 8.13: considrese nuevamente el experimento descrito en el ejemplo 8.9. Adems de los datos PD, se recogi tambin informacin sobre las
elecciones efectuadas por los participantes, sus caractersticas socioeconmicas
y el nivel de servicio de las alternativas PR de su conjunto de elecciones. Se
estimaron modelos mixtos con los dos mtodos antes descritos. Su especificacin final consider las variables Coste del viaje, Tiempo a bordo y Tiempo de
espera como atributos comunes a ambos conjuntos de datos (es decir, el vector
X definido ms arriba). Las variables Tiempo andando, Edad y una constante
especfica del LRT fueron consideradas como atributos exclusivos PD, mientras
que una constante especfica del autobs se consider como atributo exclusivo
PR (stos son los dos vectores Y y Z definidos anteriormente). La tabla 8.9
muestra los parmetros obtenidos para cada modelo puro, esto es, tomando
los conjuntos de datos PR y PD separadamente. Dicha tabla presenta tambin los valores subjetivos (SV) del tiempo, calculados de la forma habitual
(Gaudry et al., 1989).
Se puede observar que todos los parmetros tienen signo correcto y que
la mayor parte de ellos son estadsticamente significativos (se muestran los
estadsticos t entre parntesis) al 95% de confianza. Aunque todos los parmetros PD tienen los test-t ms elevados que los correspondientes parmetros
PR, esto no implica necesariamente que sean ms significativos realmente,
ya que el tamao de la muestra es diferente (1.589 observaciones PD frente a
201 observaciones PR); recurdese tambin que el valor de t en los datos PD
constituye slo un umbral de la significacin, pero no es su valor exacto. El
modelo PR no tiene parmetro de tiempo andando, ya que el conjunto de datos
MODELOS
DE
TRANSPORTE
Tabla 8.9.
Modelo PD
Modelo PR
0,8840 (7,7)
1,1900 (3,8)
0,0621 (6,2)
0,0879 (3,2)
0,1583 (12,6)
no disponible
Edad
0,0434 (5,4)
0,0926 (2,0)
0,1260 (2,4)
Constante PT
0,5410 (1,7)
1,1100 (2,8)
4,21 (4,9)
4,43 (2,4)
10,74 (6,6)
no disponible
6,29 (1,9)
6,35 (2,0)
0,17
0,12
1.589
201
Tamao de la muestra
Tabla 8.10.
Mtodo secuencial
Mtodo simultneo
1,2580 (8,4)
1,2580 (4,3)
0,0912 (7,8)
0,0921 (4,2)
0,2286 (12,9)
0,2261 (3,8)
0,1353 (3,1)
0,1423 (3,0)
Edad
0,0596 (6,9)
0,0627 (3,3)
Constante LRT
0,4377 (1,6)
0,7377 (1,6)
1,143 (3,3)
0,686 (4,9)
0,694 (4,0)
4,35 (5,7)
4,39 (3,0)
10,98 (7,0)
10,78 (2,8)
6,45 (2,9)
6,79 (2,5)
0,175
0,165
Tamao de la muestra
1.790
1.790
Constante autobs
estimar (conjuntamente) ms parmetros. La bondad de ajuste general es tambin ms alta en el mtodo secuencial, lo que resulta algo sorprendente.
Todos los valores subjetivos del tiempo en ambas tablas son significativamente diferentes de cero con un nivel de confianza del 95%. Adems son muy
similares entre ellos (incluyendo los valores correspondientes en los modelos
puros de PD y PR, lo que no es muy corriente). De hecho se han observado
grandes diferencias en estudios previos; por ejemplo, Bradley y Daly (1997)
obtuvieron diferencias entre los valores VS del modelo PD y los valores VS
del modelo mixto, y entre los valores VS del modelo PR y los valores VS del
modelo mixto, de hasta 48,6 y 57,8% respectivamente.
El anlisis de preferencias declaradas ha alcanzado una cierta madurez,
pero es todava un rea en constante desarrollo. Actualmente los acadmicos
y profesionales consideran este anlisis una metodologa necesaria para ampliar el conjunto de herramientas del analista de comportamientos de viaje.
Se seala al lector interesado la existencia de varias publicaciones dedicadas
a estos temas (Bates, 1988b; Louviere, 1992; Hensher, 1994b; Ortzar, 2000;
Pearmain et al., 1991) as como de un excelente libro (Louviere et al., 2000).
Para obtener informacin adicional deben consultarse estos trabajos, ya que el
MODELOS
DE
TRANSPORTE
EJERCICIOS
8.1. Considrese el siguiente modelo de eleccin modal:
V1 = Q1t1 + Q3c1 + Q4 Nc + Q7
V2 = Q1t2 + Q2 e2 + Q5c2 + Q8
V3 = Q1t3 + Q2 e3 + Q6 c3
donde tk es el tiempo de viaje en vehculo, e k es el tiempo de acceso, c k es el
coste dividido por el ingreso y Nc es el nmero de coches del hogar.
a) Indicar qu variables son genricas, cules son especficas y cul es el
significado real de 7 y 8.
b) Discutir las implicaciones de haber obtenido los siguientes valores durante
la estimacin del modelo:
1 = 0,115
2 = 0,207
3 = 0,301
4 = 1,730
5 = 0,476
6 = 0,301
7 = 1,250
8 = 2,513
Coeficiente (test-t)
MNL-2
HL-1
HL-2
0,112
(6,10)
0,114
(6,00)
0,006
(1,25)
0,001
(0,94)
0,071
(3,34)
0,083
(3,60)
Coste/renta (1-3)
0,031
(2,56)
0,040
(3,52)
0,035
(2,83)
0,033
(3,10)
N de coches (1)
1,671
(4,21)
1,823
(4,80)
1,764
(4,12)
1,965
(5,14)
Sexo (2,3)
0,752
(1,87)
0,776
(1,98)
0,739
(2,01)
0,701
(1,83)
0,875
(5,12)
0,800
(13,4)
0,412
0,284
0,376
0,315
EMU
2
MNL-1
MNL
PI
1,285
1,698
0,026
0,034
0,123
0,162
No aplicable
2,870
MODELOS
DE
TRANSPORTE
Opcin
Tarifa ($)
30
10
2. Tren expreso
40
3. Autobs de lujo
60
Ordenacin
1, 2, 3
2, 3, 1
2, 1, 3
Vi = Q1ti + Q2 ci
Si se conoce que 1 = 0,03, encontrar una estimacin de mxima verosimilitud de 2. Discuta el resultado.
9.
Agregacin de modelos
y transferibilidad
9.1.
INTRODUCCIN
ejemplo, si el marco utilizado por el analista es el proporcionado por el enfoque de maximizacin de la entropa, como se trat en el Captulo 5, la explicacin de la dispersin estadstica dentro de una serie de datos dada, va a ser
muy diferente a la proporcionada por otro modelizador que utilice un enfoque
de utilidad aleatoria, incluso si ambos llegasen a funciones modales similares;
este tema de la equifinalidad se discute en Williams (1981).
En el caso de los modelos desagregados de utilidad aleatoria el problema de
la agregacin es cmo obtener a partir de los datos a nivel individual, medidas
agregadas como son el reparto de mercado de los diferentes modos, los flujos
en los arcos, etc. Esto se puede conseguir de una o de dos formas, situando el
proceso de la agrupacin de datos individuales antes o despus de la estimacin
del modelo, tal y como se muestra en la figura 9.1.
Datos relativos a los individuos
Estimacin de micro-modelos
probabilsticos
Produccin de variables
relativas a grupos
Agregacin
de micro-relaciones
Agregacin
de macro-relaciones
Mtodos
alternativos
Produccin
de previsiones agregadas
Figura 9.1.
MODELOS
DE
TRANSPORTE
(9.1)
(9.2)
U i 1 z1i k xki i
k
(9.3)
donde el trmino de error i tiene una varianza (12 2 + 2). En este caso las
estimaciones del coeficiente no sern
k
K k
(9.4)
k
K k
( 2 2 )
2
1
(9.5)
Es decir, k
k , k. Normalmente, esto se conoce como sesgo de agregacin, por ello se recomienda que se evite, siempre que sea posible, el uso de
variables medias zonales para la estimacin de modelos de demanda desagregados (vase, p. ej., Horowitz, 1981a). El anlisis anterior puede extenderse
para examinar las consecuencias de estos sesgos en las predicciones, como se
puede observar en el siguiente ejemplo tomado de Gunn (1985a).
Ejemplo 9.1: sea un escenario de eleccin modelizado para un MNL como
el (7.9) y supngase que el atributo x1j se duplica, ceteris paribus, para cada
alternativa (incluyendo la distribucin de los residuales estocsticos). Est claro
que ni ni estaran afectados si el modelo fuera re-estimado con un nuevo
banco de datos conteniendo un conjunto consistente de eleccin; es decir, los
valores del contexto original realizaran predicciones de forma satisfactoria
en el nuevo contexto.
Considrese ahora lo que sucedera si despus de duplicar x1j, cada uno de
estos valores fuera reemplazado por su estimacin agregada z1j (p. ej., la media
zonal). Se obtendra la ecuacin (9.3) de nuevo, pero la varianza de i ahora sera
(12 42 + 2); en otras palabras, si el modelo fuera re-estimado con los nuevos
datos proporcionara coeficientes con un valor esperado dado por
k'
K k
( 4 2 2 )
2
1
(9.6)
en que k > k' y el producira predicciones ms grandes que las que seran
normales bajo estas condiciones. Alternativamente, las polticas de reduccin de
MODELOS
DE
TRANSPORTE
9.3.
MTODOS DE AGREGACIN
Pjq f j (x q )
Pq
1
B
Sesgo
C
A
VA
Figura 9.2.
VA + VB
2
VB
Vq
PjQ
1
f j xq
Q q
(9.7)
MODELOS
DE
TRANSPORTE
S ( N i ) Wk ( X ik N i
Yk ) 2 ( N i
Ri ) 2
k
i
i
(9.8)
PjQ f j X c
c
Qc
Q
(9.9)
donde Xc es la media del vector del conjunto de variables del subgrupo c y Qc/Q
es la proporcin de individuos en el subgrupo.
La exactitud del mtodo depende del nmero de clases c y de los criterios
para su seleccin (en el lmite cuando la cantidad de subgrupos es c = 1 este
mtodo coincide con el mtodo intuitivo, y cuando c = Q es el mtodo de enumeracin). Existen buenos mtodos para definir dichas clases (McFadden y
Reid, 1975) y el enfoque se recomienda para casos en los que el mtodo de
enumeracin muestral no sea apropiado (Koppelman, 1976).
Un procedimiento obvio para definir las clases consiste en utilizar como
variable para realizar la segmentacin del mercado aquella que presente una varianza mayor, o tambin aquellas variables que limitan de alguna forma el
conjunto de eleccin disponible de cada individuo. Por lo tanto, en el caso de
eleccin de modo las variables adecuadas pueden ser el nmero de coches por
hogar y la renta familiar.
9.4.
9.4.1.
MODELOS
DE
TRANSPORTE
textos (aunque muchos estudios al principio tenan este punto de vista; vase
Galbraith y Hensher, 1982; Ortzar, 1986).
Un punto de vista moderno y ms apropiado, considera la transferibilidad
del modelo como una aproximacin prctica al problema de estimar un modelo
para un rea de estudio con pocos recursos o con una muestra disponible muy
pequea. En este sentido la transferibilidad de los modelos se basa en la idea de
que los parmetros estimados de un estudio anterior pueden dar informacin
til para la estimacin del mismo modelo en un rea nueva, incluso cuando se
espera que los verdaderos valores de sus parmetros no vayan a ser los mismos.
Entonces, dado que no se puede esperar que los modelos transferibles sean
perfectamente aplicables en un nuevo contexto, requieren procedimientos para
modificar sus parmetros con el fin de que representen con ms exactitud el
comportamiento dentro del contexto de la aplicacin. Segn la informacin
disponible en la nueva situacin, pueden aplicarse diferentes procedimientos
para realizar la actualizacin (vase Ben Akiva y Bolduc, 1987).
9.4.2.
Si se define la transferibilidad en funcin de la utilidad de un modelo transferido, infor macin o teora en un nuevo contexto, se puede intentar calcularla
comparando los parmetros del modelo y, ms interesante, su rendimiento en
los dos contextos (antiguo y nuevo). Para ello se supone que los parmetros se
estiman independientemente en ambos contextos y que es recomendable medir
los errores implicados en el uso del primer modelo en el segundo contexto.
Los tests y mediciones que se presentan a continuacin han sido utilizados en
mltiples casos prcticos (Galbraith y Hensher, 1982; Koppelman y Wilmott,
1982; Ortzar et al., 1986).
9.4.2.1.
Para evaluar la diferencia absoluta entre los coeficientes de un determinado modelo estimado en dos contextos diferentes, pueden utilizarse los estadsticos-t*
(9.10); por lo tanto, si esta expresin es correcta, la hiptesis nula de que esta
diferencia es 0 no puede ser rechazada a un nivel del 95%:
t*
i
j
/ t 2 / t 2
j
j
i i
1, 96
(9.10)
l*j (C)
l*j (i)
l*j (j)
l (*) = 0
TTS 2[l *j ( i ) l *j ( j )]
(9.11)
MODELOS
DE
TRANSPORTE
2. El ndice de transferencia (TI), que describe el grado en el que la log-verosimilitud del modelo transferido supera un modelo nulo o de referencia (p. ej.,
el modelo de reparto de mercado), relativo a la mejora proporcionada por
un modelo desarrollado en el nuevo contexto. Queda definido por Koppelman y Wilmott (1982) as:
TI j i
l *j i l *j C
l *j j l *j C
(9.12)
9.4.3.
Piq
exp ( wi Q X iq ) / s
exp ( w j Q X jq ) / s
(9.13)
Piq
exp M i FX
Xiqiq
A j A( q )
exp M j FX
X jqjq
(9.14)
(9.15)
MODELOS
DE
TRANSPORTE
l l(
AA) =
q
A j A ( q )
gg jqjqlog
log Pjqjq (ZZAqq,A ,A)A
(9.18)
en otro caso
9.4.4.
medios para las variables explicativas Xjz para ciertos grupos z (p. ej., residentes
en una zona dada) en ambos contextos.
Supngase una agregacin intuitiva en el contexto original, donde la utilidad medida de la alternativa Aj para un grupo z viene dada por:
(9.20)
Vjz = j + X jz
para actualizar tanto las constantes de las alternativas como la escala, se requiere, en primer lugar, el clculo de la parte no constante de la utilidad para
el contexto de aplicacin, as:
(9.21)
Z Ajz = T X Ajz
a continuacin se debe formular una expresin para la utilidad representativa
del grupo z en el contexto de aplicacin, como por ejemplo:
(9.22)
V Ajz = Aj
+
A Z Ajz
donde A y
A son elegidos para maximizar la siguiente funcin de log-verosimilitud (Koppelman et al., 1985a):
(9.23)
MODELOS
DE
TRANSPORTE
EJERCICIOS
9.1. Un grupo de 800 hogares con diferentes niveles de ingreso y diferentes
localizaciones en un rea urbana, se enfrenta a la eleccin entre dos servicios
de transporte A y B para viajar al centro de la ciudad. El primero, orientado
hacia el segmento de poblacin con mayores ingresos, tiene un coste de Ca y
el segundo un coste de Cb. Se han estimado las siguientes utilidades para cada
alternativa:
U a
0, 30Ca 3, 23I
U b
0, 30Cb
donde I representa los ingresos por hogar (1.000 $/semana). Estimar el nmero
de hogares que elegiran el servicio A utilizando la siguiente informacin:
Renta familiar
(1.000 $ / semana)
Nmero
de hogares
Ca ($)
Cb ($)
Entre 1 y 2
450
150
120
Entre 2 y 3
250
175
145
Entre 3 y 4
100
160
130
5 km
4 km
2 km
4 km
Centro
Zona 1
Ingreso
10.000
15.000
1,0
U(DA)
U(CA)
Total
5.000
0
0
0
0
50
50
350
150
500
Total
350
200
550
0,5
U(DA)
U(CA)
Total
150
200
350
100
0
100
0
0
0
250
200
450
Total
U(DA)
U(CA)
Total
150
200
350
100
50
150
350
150
500
600
400
1.000
MODELOS
DE
TRANSPORTE
Niveles de servicio
tc
ec
cc
tu
eu
cu
U(DA)
11,3
122,5
14
50
14,5
U(CA)
14,2
131,1
22
15
75
16,3
Datos individuales
Individuos
Eleccin
Ingreso
tc (min)
tb (min)
cc (min)
c b (min)
Coche
Alto
47,5
83,2
14,8
7,0
Coche
Alto
30,2
45,0
10,4
5,0
Coche
Alto
22,2
30,4
12,6
4,0
Bus
Alto
45,0
50,6
8,2
5,0
Bus
Bajo
15,3
20,5
50,0
17,0
Coche
Bajo
34,8
50,2
55,0
35,0
Bus
Bajo
65,5
100,5
200,3
53,5
Bus
Bajo
12,0
14,0
44,6
17,0
Eleccin
tc (min)
tb (min)
cc (min)
c b (min)
Coche
37,5
70,2
16,8
10,0
Coche
20,2
30,0
16,4
8,0
Coche
12,0
15,4
18,6
7,0
Bus
35,0
35,6
14,2
8,0
Bus
5,3
6,5
56,0
20,0
10.
Asignacin
10.1.
CONCEPTOS BSICOS
10.1.1. Introduccin
n los ltimos seis captulos han sido estudiados en detalle los modelos
ms importantes actualmente en uso para representar la demanda de
viaje en un rea de estudio. En este captulo en cambio, se estudiar
principalmente el problema de la modelizacin de la oferta de transporte, mientras en el Captulo 11 se analizar el problema del equilibrio entre
la oferta y la demanda. Los aspectos introductorios relativos a la oferta de un
sistema de transporte han sido descritos en el Captulo 3, en el que se trataron
la zonificacin y la construccin del sistema de red. El sistema de red y, en el
caso del transporte pblico, las caractersticas del servicio ofrecido, como la
frecuencia y la capacidad, representan los elementos principales de la oferta
de un sistema de transporte.
Qu significa asignar viajes a una red? Seleccionar (predecir) los caminos o rutas usadas por los viajeros para posteriormente cargar los flujos
origen-destino sobre los arcos de la red. En este sentido, un recorrido o camino
es la secuencia de arcos que los usuarios emplean para llegar del origen a su
destino.
En la economa clsica las transacciones de bienes y servicios resultan de
combinar la demanda y la oferta de stos y el punto de equilibrio que resulta
de esta combinacin define el precio al que los bienes sern intercambiados
y su correspondiente flujo (cantidad intercambiada) en el mercado. El punto
de equilibrio se alcanza cuando el coste marginal de produccin y venta de
los bienes iguala al beneficio marginal obtenido por quienes lo adquieren. La
teora econmica admite que en realidad este equilibrio no puede ser nunca
alcanzado en la prctica, porque el sistema de precios y los niveles de produc-
Asignacin
MODELOS
DE
TRANSPORTE
donde los pasajeros pueden buscar los recorridos (es decir, combinaciones de
servicios) que minimizan sus costes generalizados de viaje teniendo en cuenta
los problemas de congestin, tiempos de espera, tiempo andando hasta la parada
y al punto de destino y tiempo de viaje a bordo del vehculo.
Existen, sin embargo, otros niveles (ms altos) de interaccin. A medida que
la congestin vehicular aumenta, tambin aumentan los tiempos de viaje de los
autobuses que recorren la ciudad. Este fenmeno puede inducir a algunos usuarios de transporte pblico y a los propios operadores del servicio a modificar
sus recorridos para evitar demoras. Estas elecciones interaccionan con las de
los automovilistas, ya que esta nueva condicin puede producir una variacin
de la capacidad adicional sobre algunos arcos y por tanto llegarse a nuevos
estados de equilibrio. A este tipo de situaciones se les denomina problemas
de equilibrio de una red multimodal (multimodal network equilibrium), que
sern estudiados en el Captulo 11.
A un nivel an superior, por fin, el esquema de flujos de una red puede
tambin influir en la eleccin de modo de transporte, de destino y de horario
de viaje. Cada uno de estos cambios en la demanda producir, a su vez, modificaciones en los correspondientes puntos de equilibrio. En trminos de modelizacin, dicho nuevo esquema de flujos produce niveles de servicio sobre
los recorridos (rutas) y sobre los modos que pueden ser o no consistentes con los
obtenidos en la estimacin de la matriz (presunta) de viajes fijada. Esto requiere una nueva estimacin de dicha matriz y por lo tanto su utilizacin (dentro
del proceso de estimacin) de los nuevos niveles de servicio para conseguir
as una nueva. Puede resultar necesario entonces, repetir el proceso de modo
sistemtico, hasta que se consigan matrices de viajes (y por lo tanto, tiempo
de viaje, destino y modo), cuyos valores de los costes sean consistentes con los
flujos estimados para cada red. Este nivel ms alto se denomina equilibrio del
sistema (system equilibrium), en contraposicin con el denominado equilibrio
de red (network equilibrium).
Este captulo se organiza de la siguiente forma. Ante todo ser abordado
el problema de la asignacin de una matriz de viajes dada a una red vial, lo
cual va a requerir la utilizacin de las tpicas curvas de flujo (velocidad y coste
con respecto del flujo). El problema de la asignacin a una red se compone por
un lado del modelo de eleccin del recorrido y por otro, de la carga de la matriz de viajes sobre los recorridos correspondientes. Existen diferentes mtodos de carga segn las caractersticas del fenmeno en estudio. En particular
en el epgrafe 10.4 se estudiarn los mtodos estocsticos, los cuales tienen en
Asignacin
10.1.2.
Definiciones y notacin
10.1.3.
DE
TRANSPORTE
Velocidad S (km/h)
MODELOS
Vmx
Figura 10.1.
Flujo V
(vehculos/h)
Vmx
Flujo V
(vehculos/h)
(10.1)
(10.2)
Asignacin
Esta hiptesis simplifica la estimacin de estas funciones adems del desarrollo y empleo de tcnicas idneas de asignacin. Es necesario recordar que
esta simplificacin es menos verdadera cuanto ms densa y congestionada es
el rea urbana en estudio.
Se han propuesto varias funciones que pueden representar la relacin
(10.2). El hecho de que el principal objetivo de este epgrafe sea la asignacin del trfico permite concentrar la atencin solamente en un reducido nmero de este tipo de funciones, y en particular slo sobre las que poseen
buenas propiedades matemticas. Desde el punto de vista de la asignacin es
importante, en efecto, que la curva de coste-flujo posea algunas propiedades,
tales como:
Realismo; es decir, la modelizacin del tiempo de viaje debera ser suficientemente verdadera.
La funcin ha de ser continua y diferenciable.
La funcin tiene que ser no-decreciente y montona; el aumento del flujo no
debera reducir el tiempo de viaje. Esto es no slo razonable sino tambin
deseable, como se ver ms adelante.
La funcin debe permitir la existencia de una regin de carga excesiva, por
ejemplo, no debera generar tiempos de viaje infinitos, incluso cuando el
flujo supera la capacidad del arco. Esta posibilidad puede aparecer en una
fase del proceso iterativo de asignacin cuando el trfico asignado a un arco
es superior a su capacidad; en este caso es mejor que la formulacin genere
un elevado tiempo de viaje en lugar de un valor infinito, lo que resultara
en un error de ejecucin. Por lo dems, pueden ocurrir ciertamente en la
prctica fenmenos de sobrecarga durante breves perodos de tiempo sin
que stos originen demoras infinitas. La curva de la figura 10.1 describe
este fenmeno.
Por razones prcticas la relacin coste-flujo debe ser sencilla de transferir
de un contexto a otro; bajo esta ptica es mejor utilizar parmetros estndares de la ingeniera del trfico como son velocidad a flujo libre, la capacidad, el nmero de intersecciones por km.
La curva de coste-flujo debera crecer con el flujo, excepto quizs en el
caso de valores bajos de dicho flujo donde los tiempos de viaje no varan con
pequeos incrementos de vehculos. En todo caso el coste total incurrido por
todos los vehculos en un arco, viene dado por VaCa (Va). A este respecto, es
interesante tener en cuenta el correspondiente coste marginal, es decir la con-
MODELOS
DE
TRANSPORTE
Cma
u ;Va Ca (Va ) =
uVa
Ca (Va ) Va
uCa (Va )
uVa
(10.3)
(10.4)
Asignacin
(10.5)
(10.6)
S
V F1
0
S
S1
s (V ) S0
0
(V
F1 )
F1 b V b F2
F2
F1
S / 1+ S / 8d )(V / F -1)
V F2
1
2
(10.7a)
(10.7b)
(10.7c)
donde
S0 es la velocidad a flujo libre.
S1 es la velocidad para la capacidad igual al flujo F2.
F1 es el mximo flujo que corresponde a las condiciones de flujo libre y d
es la distancia o longitud del arco.
La relacin tiempo-flujo T(V) resulta ser, por tanto:
d / S0
V F1
T (V ) d / S (V )
F1 b V b F2
S
SS
F
SS01V
0
01 1
d / S + V / F
1 / 8
V F2
2
1
(10.8a)
(10.8b)
(10.8c)
MODELOS
DE
TRANSPORTE
SS01
S0
S1
F1
F2
(10.9)
La tabla 10.1 presenta algunos valores usuales de estos coeficientes (Department of Transport, 1985).
Tabla 10.1.
S 0 km/h
S1 km/h
F1 pcu/h/
carril
F2 pcu/h/
carril
63
79
55
70
400
1.600
1.400
2.400
45
25
500
1.000
En algunos casos se considera un punto lmite en la reduccin de la velocidad; por ejemplo, puede asumirse que la velocidad mantenga el valor correspondiente a F2 para V > F2. Todas las curvas coste-flujo vistas anteriormente
proporcionan informacin til acerca de los tiempos de viaje en el arco. Sin
embargo, normalmente se reconoce que la mayor parte de los usuarios minimizan la combinacin de atributos del arco, lo cual incluye tiempo y distancia;
por tanto, la prctica convencional recomienda el empleo de una versin simplificada del concepto de coste generalizado, es decir una combinacin lineal
ponderada del tiempo y de la longitud:
Ca = (tiempo de viaje)a + (longitud del arco)a
(10.10)
Asignacin
10.2.
10.2.1.
MODELOS
DE
TRANSPORTE
Asignacin
MODELOS
DE
TRANSPORTE
hacia la ciudad 3.500 usuarios y que todos ellos querran utilizar el recorrido
ms corto, es decir el que pasa por el centro de la ciudad. Est claro que no
es posible que todos los usuarios utilicen dicha ruta, ya que estara bastante
congestionada incluso antes de alcanzar la capacidad. Muchos usuarios, por lo
tanto, optarn por el segundo recorrido evitando largas colas y demoras. Presumiblemente los usuarios experimentarn ambos recorridos hasta encontrar una
solucin ms o menos estable, que corresponde a la condicin en la que ninguno
pueda mejorar el tiempo propio de recorrido cambiando dicho recorrido. ste
es el caso tpico de equilibrio de Wardrop, que ser tratado en detalle en los
epgrafes siguientes. La distribucin de los flujos entre los recorridos, en este
caso, se debe a las restricciones de capacidad.
Circunvalacin (3.000 v/h)
B
Centro ciudad
(1.000 v/h)
Figura 10.2.
Sin embargo no todos los 3.500 usuarios se comportarn del mismo modo;
en efecto, parte de ellos preferirn siempre la circunvalacin por sus condiciones de flujo ininterrumpido o por su paisaje as como otra parte valorar otras
caractersticas del recorrido por la ciudad. Tambin estas diferencias en los
objetivos y en las percepciones contribuirn a distribuir los flujos a travs de
los diferentes recorridos; a tal efecto generalmente se le denomina componente
estocstico de la eleccin de ruta o recorrido.
Diferentes modelos representarn mejor el fenmeno aqu citado. Una posible clasificacin de los mtodos de asignacin del trfico se ilustra en la tabla 10.2. Los detalles y las caractersticas de cada mtodo se discutirn a continuacin.
Cada mtodo de asignacin tiene varias fases, las cuales han de ser tratadas
secuencialmente. Las funciones fundamentales son:
Identificar un conjunto de recorridos que pueden ser atractivos para los
usuarios; estos recorridos se esquematizan en una determinada estructura
Asignacin
Tabla 10.2.
Incluye restriccin de
capacidad?
No
Todo o nada
Puramente estocstico
(Dial y Burrel)
Equilibrio de Wardrop
Equilibrio estocstico
del usuario
particular denominada rbol y esta fase es, por lo tanto, a menudo llamada
de construccin de rboles.
Asignar un porcentaje apropiado de la matriz de viajes a estas rutas o rboles;
as se determinan los flujos en los arcos de la red.
Investigar la convergencia; muchas tcnicas siguen un procedimiento iterativo de sucesivas aproximaciones a la solucin ideal, por ejemplo, al equilibrio de Wardrop; la convergencia a la solucin debe ser controlada para
decidir cundo detener el proceso iterativo.
10.2.3.
MODELOS
DE
TRANSPORTE
nima distancia para alcanzar el nodo o el centroide A desde el nodo raz S del
rbol, si PA es el nodo predecesor de A entonces el arco (PA, A) es parte
del recorrido mnimo de S a A. El procedimiento de construccin de un rbol
de rutas o recorridos mnimos (o de mnimo coste) desde S a todos los dems
nodos puede describirse de la siguiente manera:
Inicializacin: se fija para todos los nodos dA
=
(es
decir,
u n
valor
de
la distancia suficientemente grande que va a depender del tipo de ordenador
y del compilador que posea), excepto para el nodo raz cuyo coste (ds) se fija
en cero; se confecciona una lista L que deber contener todos los nodos ya
alcanzados desde S y susceptibles de ser el nuevo pivote segn el algoritmo
correspondiente pero no completamente examinados como predecesores del
resto de los nodos. Los nodos contenidos en esta lista L sern aquellos a partir de los cuales se pueden alcanzar el resto de los nodos (copa del rbol, a
partir de S, con sus respectivas ramificaciones extendindose hasta alcanzar todos los nodos). Por tanto, inicialcense todas las entradas Li en L a cero
y todos los PA, entre los cuales estar el prximo candidato a ser pivote a un
valor predefinido conveniente.
Proceso: partiendo del origen S y considerando el nodo A como nuevo
pivote:
1. Se examina cada arco (A,B) de salida desde el nodo pivote A; si dA + dA, B < dB
entonces se escribe dB = dA + dA, B, PB = A y se suma B a la lista L.
2. Se quita A de la lista L; si la lista de nodos est vaca se para el proceso y
se pasa al paso 3.
3. Se selecciona otro nodo de la lista y se vuelve al paso 1 con el nodo seleccionado como posible nodo pivote a examinar.
Llegados a este punto deben considerarse tres observaciones. En primer
lugar, generalmente en los recorridos no se permite utilizar centroides, por
tanto en el primer paso, si B es un centroide no debera ser aadido a la lista
L. La segunda concierne a la diferencia sustancial existente entre el algoritmo
de Moore y el de Dijkstra y que se refiere al procedimiento de seleccin del
nodo de la lista L. Moore selecciona el nodo que est ms arriba en la lista, es
decir el primer nodo que ha entrado; Dijkstra selecciona el nodo ms cercano
al origen, es decir el nodo Li tal que dLi sea mnimo. Eso requiere clculos
adicionales (incluida la ordenacin de los nodos), pero asegura que cada arco
slo sea examinado una vez. Es sabido que el algoritmo de Dijkstra es superior
Asignacin
al de Moore, en particular para redes grandes, aunque algo ms difcil de programar. Finalmente, estos rboles son almacenados a menudo en ordenadores
de dos maneras: como un conjunto de nodos predecesores ordenados donde el
nodo A es el predecesor de B si el arco (A,B) forma parte del rbol o como un
conjunto de arcos predecesores con idntica definicin.
Van Vliet (1977) ha identificado un algoritmo menos conocido pero con
prestaciones muy interesantes para el caso de redes grandes. Se trata del algoritmo de DEsopo descrito y probado por Pape (1974). El algoritmo de DEsopo
utiliza una tabla de doble entrada tal que el nodo B sea introducido al principio o al final de la lista dependiendo de su estatus. Si B no ha sido previamente extrado del rbol, ser integrado al final de la lista; si ya est en la lista,
no es necesario realizar ninguna insercin; pero si B ya ha sido insertado en L,
examinado y eliminado de la lista entonces puede ser insertado en la parte alta.
Es posible utilizar un vector sencillo para registrar el estatus de cada nodo con
tres valores potenciales (+1 cuando el nodo nunca ha estado en L, 0 cuando el
nodo est en L, 1 para aquellos nodos que ya estuvieron en L y salieron de l
porque fueron elegidos pivote. Este ltimo (estatus = 1) es el estatus de todos
los nodos cuando el algoritmo termina. Tal y como indica Van Vliet (1977), el
algoritmo de DEsopo puede reducir el tiempo de clculo al 50% con respecto
al de Moore, siendo adems sus prestaciones muy cercanas y a menudo mejores
a las del algoritmo de Dijkstra; tambin es ms sencillo de programar.
Los rboles tienen adems otras dos ulteriores aplicaciones importantes
en la planificacin del transporte. A menudo se utilizan para obtener informaciones sobre los costes en una red. Por ejemplo, se puede saber el tiempo
total de viaje entre dos zonas siguiendo la secuencia de arcos en el rbol que
los conecta acumulando sus tiempos de viaje. Esta operacin a menudo se denomina de extraccin de las propiedades de un rbol (skimming). De los rboles construidos, por ejemplo, en funcin del tiempo de viaje, pueden a su
vez extraerse otros atributos como los costes generalizados, la distancia, o el
nmero de nodos, etc. Los rboles pueden ser tambin utilizados para proporcionar informaciones sobre qu pares O-D utilizan ciertos arcos particulares.
Estos procedimientos, denominados a menudo anlisis de arcos especficos
o seleccionados permiten identificar qu pares O-D podran quedar afectados
por una modificacin de la red. Adems, dada una determinada rea de estudio
es posible utilizar dicho anlisis tambin para delimitar el cordn externo de
una sub-rea ms pequea y su correspondiente matriz de viajes; en este caso
los arcos seleccionados se utilizan para identificar los puntos de entrada y
MODELOS
DE
TRANSPORTE
salida para dicha sub-rea y los rboles son utilizados para asociar las zonas
originales a zonas externas para la nueva sub-rea.
Asignacin
10.4.
MTODOS ESTOCSTICOS
Los mtodos estocsticos de asignacin de trfico ponen de manifiesto la variabilidad por parte de los usuarios de la percepcin de los costes y la medida
en que tratan de minimizar a la vez distancia, tiempo de viaje y costes generalizados. En los mtodos estocsticos es necesario tambin tener en cuenta los
recorridos siguientes al recorrido mejor o second best routes (en trminos de
costes calculados por el analista o modelizador); y este hecho genera problemas
posteriores, ya que el nmero de las rutas second-best alternativas entre cada
par O-D puede resultar extremadamente amplio.
MODELOS
DE
TRANSPORTE
(a)
5
10 3 4
3
10
2
8 4 4
C
4 5 8
3
2
D
2
600
200
400
200
300
300
300
100
100
(b)
400
400
C
200
200 200
300
A
(c)
Figura 10.3.
300
100
D
C
D
600
400
400
0 400
200
300
500
300 0 C
300
200
100
300 0 0
D
300
De los diversos mtodos propuestos slo dos son relativamente aceptados: los mtodos basados en la simulacin y los basados en proporciones. Los
primeros utilizan los resultados de una simulacin Monte Carlo para representar la diferente percepcin de los costes que tienen los usuarios. Los segundos,
en cambio, asignan flujos a las diferentes rutas alternativas de recorrido de
proporciones calculadas utilizando expresiones tipo logit.
10.4.1.
Son muchas las tcnicas que utiliza la simulacin Monte Carlo para representar
la variabilidad por parte de los usuarios en la percepcin de los costes de los
arcos, y en particular destaca la tcnica desarrollada por Burrel (1968) que ha
sido profusamente utilizada durante muchos aos. Normalmente estos mtodos
se basan en las siguientes hiptesis:
Asignacin
Proporcin de conductores
Por cada arco de una red deberan distinguirse los costes objetivos o medidos/
estimados por un observador (modelizador) de aquellos subjetivos o percibidos por cada conductor o usuario. Se acepta adems que el coste de arco
estimado por dicho modelizador sea slo la media de los costes percibidos
por todos los usuarios. Se supone que estos costes percibidos se distribuyen
aleatoriamente segn una cierta funcin de probabilidad como, por ejemplo,
la representada en la figura 10.4. Las distintas implementaciones de estos
mtodos difieren en las hiptesis acerca de la forma de dichas distribuciones
de probabilidad; en efecto, mientras Burrel supone una distribucin uniforme, otros modelos consideran una distribucin normal. En uno y otro caso
es necesario obtener o calibrar una desviacin estndar o un intervalo para
la distribucin de los costes percibidos; en general se supone que:
Figura 10.4.
Coste
Las distribuciones de los costes percibidos por los usuarios son independientes.
Los usuarios eligen el recorrido que minimiza sus costes de recorrido percibidos, es decir la suma de los costes de cada arco usado.
En trminos generales estos algoritmos pueden describirse como se explica
a continuacin: se selecciona una distribucin de costes percibida para cada
arco (y un parmetro de dispersin ). Se subdivide el nmero de individuos
que viajan entre cada par O/D en N estratos de forma que, en cada uno de ellos,
se acepta que sus usuarios perciben los mismos costes.
1. Hgase n = 0.
2. Hgase n = n+ 1.
MODELOS
DE
TRANSPORTE
Asignacin
10.4.2.
fi 0
si d Ai r d B
0 fi b 1
si d Ai d Bi
donde dAi representa el coste mnimo de viaje desde el nodo de origen al nodo
Ai. La primera condicin requiere que f i sea igual a cero si el nodo inicial Ai
est ms lejos del origen que B, asegurando de esta forma que los viajes sean
asignados a las rutas ms eficientes desde el origen. Los viajes TB que pasan
por B se reparten de acuerdo a la siguiente ecuacin:
A4
A2
i
Origen
A1
A3
Figura 10.5.
j
Destino
A5
MODELOS
DE
TRANSPORTE
F (A i , B)
TB f i
fi
(10.11)
(10.12)
Tijr
exp( 7C
ijk
(10.13)
El
parmetro
puede
ser
utilizado
para
controlar
el
reparto
de
viajes
entre
rutas. El algoritmo requiere un paso hacia adelante y otro atrs:
1. En el paso hacia adelante se toma cada nodo A en orden creciente de distancias dA y se define un peso por cada arco de salida (A, B), tal que:
w(A, B) = WAexp(d(A, B)) si dA < dB y cero en otro caso; donde WA es el peso
acumulado de A definido:
WA =
(A', A)
A'
Asignacin
Ruta 1
Ruta 3
Figura 10.6.
10.5.
10.5.1.
MODELOS
DE
TRANSPORTE
funciones que relacionan el flujo con los costes (tiempos) de viaje sobre los
arcos. Estos modelos generalmente buscan, con diferente xito, la forma de
aproximarse formalmente a las condiciones de equilibrio enunciado por Wardrop (1952):
Bajo condiciones de equilibrio, el trfico se distribuye en las redes congestionadas de modo tal que ningn viajero puede reducir su propio coste de
viaje cambiando el recorrido.
Si todos los viajeros perciben los costes de la misma forma (sin ningn
efecto estocstico), el equilibrio de Wardrop se puede enunciar as:
Bajo condiciones de equilibrio, el trfico se distribuye en las redes congestionadas de modo tal que todos los recorridos utilizados entre un par O-D
tienen el mismo y mnimo coste mientras todos los recorridos no utilizados tienen costes ms altos o iguales.
(10.14a)
tt = 10 + 0,02 Vt
(10.14b)
Asignacin
Tiempo
Tiempo
30
25
20
15
10
30
25
20
15
10
Flujo V
Flujo V
200
y de aqu:
Vb = 0,8 V 200
(10.15)
MODELOS
DE
TRANSPORTE
T (C
C )
T C
ijr
*
ij
ijr
ijr
ij
*
ij
(10.16)
ij
Cijr C*ij es el exceso de coste de viaje sobre una ruta particular con respecto
al mnimo coste de viaje para el par (i, j). Estos costes se calculan despus
de que se haya realizado la ltima iteracin y se hayan conseguido los flujos
totales para cada arco. Por tanto, es una medida del sobre-coste total debido
al hecho de utilizar recorridos peores (diferentes de los de coste mnimo) que
el ptimo, donde el denominador permite conseguir una medida concreta en
trminos relativos antes que en trminos absolutos.
Wardrop, 1952, propuso tambin una forma alternativa de asignacin del
trfico a la red que toma el nombre de Segundo Principio de Wardrop:
Bajo condiciones de equilibrio social en redes congestionadas, el trfico
debera distribuirse de tal modo que los costes medios (o totales) de viaje
sean mnimos.
10.5.2.
Algunos de los mtodos heursticos iniciales se basaban en la hiptesis de asignar todos los viajes de cada par O/D a una nica ruta (todo o nada), aunque se
reconociese el hecho de que la velocidad y, por tanto el tiempo de viaje, estaba
Asignacin
MODELOS
DE
TRANSPORTE
4. Si los flujos o los costes normales del arco no se han modificado significativamente en dos iteraciones consecutivas se para el procedimiento; en
otro caso, se vuelve al paso 2.
Como se ha sugerido anteriormente, probablemente estos algoritmos no
se pararn nunca en el paso 4 a menos que se imponga un lmite arbitrario del
nmero n de iteraciones.
10.5.3.
Asignacin incremental
La asignacin incremental constituye un mtodo indudablemente ms interesante y realista. En este caso el analista fracciona el total de la matriz de demanda T en un nmero de matrices a travs de una serie de factores proporcionales pn comprendidos entre cero y uno, tal que n pn = 1. Las matrices
fraccionadas son cargadas, segn un procedimiento incremental, sobre los rboles de mnimo coste que de iteracin a iteracin han sido calculados en base
a los costes de arco de los flujos acumulados. Valores usuales de pn son: 0,4,
0,3, 0,2 y 0,1. El algoritmo se puede describir as:
1. Seleccionar un conjunto inicial de costes de arco (actualizados), normalmente en condiciones de flujo libre, y hacer todos los flujos Va = 0; seleccionar un conjunto de factores pn de fraccionamiento de la matriz T de
viajes, tal que n pn = 1; hacer n = 0.
2. Construir los rboles de mnimo coste (uno por cada origen) utilizando los
costes actualizados; hacer n = n + 1.
3. Cargar toda la fraccin de demanda Tn = pnT al rbol de mnimo coste con
el mtodo todo o nada; de este modo se consigue un conjunto de flujos
auxiliares Fa; los flujos acumulados mediante la suma de los flujos sobre
cada arco, provenientes de otras iteraciones, son:
Van = V an1 + Fa
4. Calcular un nuevo conjunto de costes de arco actualizados sobre la base
de los flujos Van; si no ha sido asignada toda la fraccin de T se vuelve al
paso 2; de otro modo, parar.
Aunque el nmero de fracciones en que ha sido subdividida la demanda sea
muy amplio y los incrementos que se utilizan (pnT) sean muy pequeos, este
algoritmo no necesariamente converger al equilibro de Wardrop. La tcnica
de la carga incremental, en efecto, presenta la desventaja de que un flujo ya
Asignacin
asignado a un arco no puede ser suprimido en ste y asignado a otro; por tanto,
si en una de las iteraciones iniciales se asigna demasiado flujo a un arco (p. ej.,
a un arco con baja capacidad), las condiciones de equilibrio de Wardrop no se
alcanzan y el algoritmo no converge a una solucin correcta. No obstante el
mtodo de la asignacin incremental tiene dos ventajas:
es muy sencillo de programar;
sus resultados pueden ser interpretados como la acumulacin de la congestin en los perodos punta.
Ejemplo 10.5: considrese, como en los casos anteriores, el ejemplo de los
dos recorridos, la circunvalacin (bypass) y el recorrido urbano del ejemplo
10.4. Se subdivide la demanda de 2.000 viajes en cuatro incrementos de 0,4, 0,3,
0,2 y 0,1, es decir 800, 600, 400 y 200 viajes. Para cada incremento, calcular
los nuevos costes de viaje utilizando la ecuacin (10.14). La siguiente tabla
sintetiza los resultados de este algoritmo:
N
Incremento
Flujo ciudad
Coste ciudad
Flujo bypass
Coste bypass
10
15
800
800
26
15
600
800
26
600
18
400
800
26
1.000
20
200
800
26
1.200
21
MODELOS
10.5.4.
DE
TRANSPORTE
Se han desarrollado varios algoritmos iterativos para tratar de superar, al menos en parte, el problema de asignar demasiado flujo a un arco con capacidad
restringida. En un algoritmo iterativo de asignacin, el flujo actualizado de
un arco se calcula como una combinacin lineal de los flujos asignados en las
iteraciones anteriores y el flujo auxiliar resultante de una asignacin todo o nada
en la iteracin actual. El algoritmo puede ser descrito de la siguiente manera:
1. Seleccionar un conjunto de costes de arco iniciales (actualizados), normalmente en condiciones de flujo libre; se inicializa haciendo todos los flujos
Va = 0; hacer n = 0.
2. Construir los rboles de mnimo coste con los costes actualizados y hacer
n = n + 1.
3. Cargar toda la matriz T, con mtodo todo o nada, a los rboles de coste
mnimo para as conseguir un conjunto de flujos auxiliares Fa;
4. Calcular el flujo actualizado como:
Van = (1 )V an1
+
Fa
(10.17)
con
0
1.
Asignacin
2
3
4
5
6
7
8
9
10
Flujo ciudad
2.000
n
2.000
Vn
1/2
1.000
V
F
1/3
F
1/4
23,3
1/5
800
1/6
667
20
1/7
572
26
1/8
750
23,3
1/9
F
Vn
667
21,4
600
21,7
1.500
22,5
1.200
21
1.333
21,7
1.428
22,1
0
25
1.250
21,25
2.000
23,3
0
0,1
1.333
2.000
0
n
20
2.000
2.000
Vn
1.000
0
n
15
2.000
Vn
500
2.000
2.000
n
667
Coste bypass
2.000
30
Vn
V
50
0
n
Flujo bypass
F
V
Coste ciudad
1.333
21,7
2.000
22
1.400
22
Se puede observar que para aproximarse a la solucin correcta es necesario un cierto nmero de iteraciones. En este caso, el valor de despus de
diez iteraciones es cero. Tambin es posible notar que el algoritmo ya estuvo
MODELOS
DE
TRANSPORTE
10.6.
10.6.1.
Introduccin
10.6.2.
10.6.2.1.
Asignacin
Los pasajeros
MODELOS
DE
TRANSPORTE
16
41
15
1
16
17
14
9
19
20
4
30
28 1
32
4
35
34
29
31
37
11
10
36
39
38
12
33
24
25
27
22
21
20
23
18
LEYENDA
13
40
17
Figura 10.8.
Centroide
Nodo
Lnea de Bus
N Lnea Bus
Lmite de Zona
Conector
Asignacin
En el caso de una asignacin de demanda al transporte pblico el coste generalizado de viaje puede ser definido como sigue:
Cij = a1tijv + a2tijw + a3tijt + a4tijn + a1n + a5Fij
(10.18)
donde
tijv es el tiempo de viaje a bordo del modo para ir de i a j;
tijw es el tiempo andando para llegar o ir desde la parada (estacin);
tijt es el tiempo de espera en la parada;
tijn es el tiempo de transbordo;
n es una penalidad intrnseca o resistencia al trasbordo, medida en unidad de tiempo (usualmente de 2 a 5 minutos);
Fij es la tarifa pagada para desplazarse entre i y j;
de a1 a a5 son coeficientes asociados a los elementos de coste respectivos.
Usualmente a a1 a5 suele otorgrsele el valor 1 segn se deseen medir los
costes generalizados de transporte en unidad de tiempo o coste respectivamente.
Tambin es habitual encontrar que a2, a3, y a4 sean dos o tres veces el valor de
a1, es decir los viajeros perciben el tiempo de espera o caminando dos o tres
veces ms que a bordo del medio.
En trminos de modelizacin, el software debera ser capaz de tratar todas
estas variables y producir una buena estimacin de cada uno de estos componentes de tiempo (a bordo, peatonal, de espera, de intercambio) a menos que
sus valores no sean proporcionados externamente. El tiempo de viaje a bordo
del modo depende de la velocidad alcanzable y del nmero y de la duracin
de las paradas en el recorrido; el tiempo utilizado caminando depende de la
proximidad de la parada ms cercana (ms atractiva) y se suele utilizar, en algunos casos, aproximadamente un valor medio del tiempo para la zona completa;
el tiempo de transbordo vara en funcin de la configuracin y de la distancia
entre las paradas y las estaciones; por fin el tiempo de espera depende esen-
MODELOS
DE
TRANSPORTE
(h 2 S 2 )
2h
(10.19)
donde h es tiempo entre dos pasos de bus (intervalo) previstos por la programacin del servicio y
es su desviacin estndar (cuanto menos regular es
el servicio, mayor es el tiempo de espera). Esta formulacin supone que los
pasajeros llegan aleatoriamente a la parada y que los autobuses tienen capacidad
ilimitada, de modo que todos pueden subirse a bordo. El problema relativo a
la congestin del autobs es difcil de resolver, pero si los algoritmos utilizados no lo consideran es probable que las cargas producidas no sean reales en
trminos de capacidad real del servicio (vase De Cea y Fernndez, 1989). Si
el servicio es perfectamente regular, es decir si = 0, entonces el tiempo previsto de espera es la mitad del intervalo entre el paso de dos autobuses consecutivos. Es sabido, sin embargo, que si la frecuencia del servicio es baja, los
pasajeros tienden a llegar justo pocos minutos antes de la siguiente salida, as
que el lmite superior del tiempo de espera puede ser establecido entre 5 y
10 minutos; obviamente los pasajeros llegarn tanto ms cerca del horario de
salida programado cuanto ms fiable resulte el servicio.
10.6.2.5.
ste es probablemente uno de los problemas ms difciles y tpicos en la asignacin al transporte pblico. El problema surge cuando, al menos para algunos
pares O/D, hay secciones en recorrido donde transita paralelamente ms de un
servicio de los ofertados, de forma que los pasajeros pueden elegir aqul que se
acomoda mejor a sus exigencias. Para dichos pasajeros esta eleccin no es trivial
(habra sido preferible que el usuario hubiese sabido que un servicio expreso
iba a llegar tres minutos despus del ms lento que ha tomado) ni simple desde
el punto de vista modelstico. En efecto, mientras en el transporte privado normalmente un conductor elige un recorrido individual entre el conjunto de todos
los recorridos posibles, en el caso del transporte pblico, los usuarios pueden
elegir un conjunto de itinerarios prefijados, de forma que cuando una lnea
de bus susceptible de ser utilizada llega primero a la parada, va a determinar
cules de los itinerarios factibles realmente van a ser escogidos. La eleccin
es por tanto ms compleja y necesita un trato ms detallado.
Asignacin
10.6.3.
MODELOS
DE
TRANSPORTE
Esperar hasta 3 minutos a la lnea 5 o hasta 4 minutos a la lnea 2; o tambin tomar la lnea 1; si est viajando en la lnea 5 y se ve un vehculo de
la lnea 4 en la parada F se puede realizar un cambio de lnea y bajar en la
parada J; al contrario, si en F no se observa ningn vehculo de la lnea 4
se contina en la 5 hasta J; si se toma en cambio un transporte pblico en la
lnea 2 y, si en H se observa la existencia de un vehculo de la lnea 4 que
est partiendo, se transfiere a la lnea 4, en otro caso se espera a la lnea 3
para llegar a J, etctera.
20 min
Lnea 1
Lnea 2
14 min
4 min
Lnea 3
4 min
Lnea 4
Lnea 5
Nodo A
Figura 10.9.
6 min
8 min
14 min
Asignacin
w
jk
V jk
fX
sS jk
(10.20)
v t w
s s
sLj
(10.21)
jk
jk
gj
sL j
(10.22)
MODELOS
DE
TRANSPORTE
vs
X s f sV jk
fX
s
X s f s w jk
s
(10.23)
sSi j
(10.24)
V jk ts X s f s 1
Minimizar s
f
X
jk
s s
(10.25)
sSij
10.6.4.
Una vez identificado el mejor conjunto de segmentos de lnea que unen los
orgenes y los destinos es necesario realizar la asignacin de los viajes a estas
Asignacin
vs
f s vr
fr
(10.26)
MODELOS
DE
TRANSPORTE
de costes y, a partir de aqu, aadir a dicho tiempo de viaje sobre cada arco la
tarifa. Este tipo de estructura tarifaria, en todo caso, no es muy comn. Podra
asimismo introducirse un sistema tarifario nico (tarifa plana o flat fare) aunque es preciso indicar que el tratamiento de esquemas ms complejos desde
el punto de vista modelstico puede aadir tambin dificultades al diseo del
algoritmo.
En muchos casos prcticos no es posible modelizar toda la complejidad de
un sistema tarifario y por tanto, han de realizarse determinadas aproximaciones
de acuerdo a las tipologas ms comunes de billetes utilizados. Por ejemplo,
en el caso de un sistema tarifario zonal la asignacin se puede elaborar en
base solamente al tiempo de viaje mientras que el coste de la tarifa slo ser
aadido al final. Esta solucin no tiene en cuenta a los usuarios que dispongan
de contratos especiales de transporte (bono-buses), aunque dicho sistema de
tarificacin zonal puede resultar en todo caso bastante bueno en ciertas situaciones como, por ejemplo, el acceso al centro de Londres.
Finalmente, se debe subrayar que la asignacin al transporte pblico presenta, generalmente, los mismos lmites que los identificados para las redes de
transporte privado. Adems es correcto afirmar que la asignacin en situaciones
de congestin est menos desarrollada que la de situaciones sin congestin. En
el caso de redes congestionadas se presentan dos efectos: el primero concierne
a la capacidad limitada de las unidades de transporte (autobuses, trenes), lo
que provoca que algunos usuarios no puedan realizar sus estrategias ptimas,
lo cual supone en general un incremento de su tiempo de viaje; el segundo es
que hay una interaccin entre transporte pblico y circulacin privada debida
al hecho de que se utilizan las mismas calles, de forma que el consiguiente
incremento de trfico sobre un modo influir en el tiempo de viaje del otro.
Los mtodos actuales que afrontan estos problemas son bastante aproximados;
se tratarn algunos desarrollos de este tema en el prximo captulo.
10.7.
CONSIDERACIONES PRCTICAS
Asignacin
MODELOS
DE
TRANSPORTE
turas intermodales, para las frecuencias y para las velocidades. La regla base
es pues: antes de ir a la siguiente fase en la comprobacin del modelo, se ha de
estar seguro de que todos los datos observables (medibles), estn representados
correctamente sobre la red. Entonces lo primero es comprobar la conectividad,
posteriormente los atributos de los arcos y despus los datos detallados, por
ejemplo, los flujos de saturacin, la regulacin semafrica, etctera.
La adaptacin de la funcin de coste generalizado. Se trata aqu de
determinar los pesos asignados al tiempo, a la distancia y a cualquier otra variable incluida en la funcin de coste generalizado (tipologa del arco, calidad
del escenario en el que se viaja, etc.). Como criterio de ajuste se podra utilizar
un estadstico con forma de Chi-cuadrado:
flujos observados
- flujos modelizados a
flujos observados a
Asignacin
MODELOS
DE
TRANSPORTE
EJERCICIOS
10.1. La red vial representada en la figura 10.10 conecta dos zonas residenciales, A y B, con dos centros comerciales importantes, L y M. Los tiempos
de viaje entre los nodos se indican en minutos y todos los arcos son de doble
sentido. Supngase que inicialmente los costes de estos arcos son independientes del nivel de trfico.
5
A
7 15
B
7
11
11
11
C
9
7
E
Figura 10.10.
9
7
13
9
7
9
3
G
9
H
13
12
J
9
12
2
Asignacin
A M = 400
B L = 300
B M = 400
A
4
B
4
6
4
C
Figura 10.11.
G
5
E
4
5
2
H
5
7
I
K
5
a) Utilizar un procedimiento sistemtico para obtener las rutas de mnimo coste entre los nodos A y B y los destinos J, K y L y obtener la matriz
de costes de viaje C.
b) El nmero total de viajes con origen y destino en cada zona en la hora
punta de la maana es:
MODELOS
DE
TRANSPORTE
Origen
Viajes
Destino
Viajes
1.000
700
2.000
1.000
1.300
t = 3,4 + 0,001 q
t = 2,0 + 0,01 q
E
t = 12,0 + 0,001 q
B
D
t = 1,0 + 0,001 q
Figura 10.12.
a) Utilizar una tcnica incremental de carga de la red con fracciones del 40,
30, 20 y 10% del total de la demanda para obtener una aproximacin a la
asignacin de equilibrio.
b) Utilizar una tcnica iterativa de carga de la red para conseguir el mismo
resultado. Cuntas iteraciones son necesarias para alcanzar un buen nivel
de convergencia?
11.
Equilibrio entre oferta y demanda
11.1. INTRODUCCIN
apropiada para redes urbanas, donde las demoras en las aproximaciones, por
ejemplo a una rotonda, dependen ms que nada de los flujos que circulan en
la interseccin. En el subttulo 11.4 se extender el tratamiento de equilibrio a la
eleccin modal y al modelo de distribucin; el objetivo en este caso es asegurar
que los tiempos de viaje implcitos en los costes utilizados para ejecutar estos
modelos sean coherentes con los obtenidos durante la asignacin. Sin embargo,
como se ha visto en el caso de la asignacin, en condiciones de congestin con
mtodos que ajustan slo velocidades, la simple iteracin de los ltimos tres
submodelos no garantiza convergencia a condiciones de equilibrio. En este
epgrafe se describen algunos de los mtodos ms interesantes, aportndose
asimismo algunas consideraciones prcticas sobre este tema. Por fin en el
epgrafe 11.5 se tratar el problema de la modelizacin del horario de salida
mediante la extensin de las formulaciones estudiadas, para as tener en cuenta
esta importante reaccin conductual.
11.2.
EL EQUILIBRIO
En este epgrafe se exponen los mtodos concebidos concretamente para lograr soluciones del modelo de asignacin del trfico que satisfagan el primer
principio de Wardrop. Para afrontar esta problemtica se seguir una combinacin de aproximaciones intuitivas y analticas, aunque en estas ltimas no
se profundizar ms all de lo necesario para saber utilizar las tcnicas de
asignacin de equilibrio. Los lectores interesados en los aspectos ms tericos
de la asignacin de equilibrio pueden consultar el excelente libro de Sheffi
(1985) o ms recientemente el texto de Bell y Iida (1997).
11.2.1.
Tijr* 0
Tijr* 0
MODELOS
DE
TRANSPORTE
donde aijr vale 1 si la ruta r entre i y j utiliza el arco a y cero en otro caso. El
coste a lo largo de una ruta o recorrido puede calcularse como:
(11.2)
Aunque Wardrop present este principio en 1952, tuvieron que pasar cuatro
aos ms para que Beckman et al. (1956) propusieran un esquema riguroso para
expresar dicho principio en trminos de programacin matemtica; y pasaron
algunos aos ms hasta que fue propuesto y probado un algoritmo vlido para
las aplicaciones prcticas.
El enfoque de programacin matemtica expresa el problema de obtener
el equilibrio de Wardrop en trminos de minimizacin de una funcin objetivo sometida a restricciones que representen las propiedades de los flujos. El
problema puede escribirse as:
Minimizar
Z [Tijr ] Ca ( )d
Va
s.a.
ijr
Tij
Tijr
0
(11.3)
(11.4)
(11.5)
uZ
u
uTijr uTijr
Va
Ca ( )d
a
d
dVa
Va
Ca ( )d )
uuTV
ijr
uVa
Dijra
uTijr
Ahora, como Va slo depende de Tijr si el recorrido pasa por este arco,
d
dVa
Va
Ca ( )d Ca (Va )
se tiene que
uZ
Ca (Va ) ijra cijr
uTijr
a
(11.6)
u2Z
u
2
uTijr uTijr
C (V )D
a
a
ijr
a
(11.7)
MODELOS
DE
TRANSPORTE
(11.8)
donde ij son los multiplicadores de Lagrange que corresponden a las restricciones (11.4).
Derivando (11.8) con respecto a ij se obtiene, naturalmente, la correspondiente restriccin. Derivando con respecto a Tijr e igualando a cero (para
optimizar), se tiene:
uL
uZ
ij cijr
ij
uTijr uTijr
Dos posibilidades con respecto del valor de T *ijr ptimo. Si T *ijr = 0:
uL
uL
0
uTijr
Esto puede ser trasladado a las siguientes condiciones de optimalidad:
ij* b cijr ,
ijr
donde Tijr* 0
ij* cijr ,
ijr
donde Tijr* 0
En otras palabras, ij* ha de ser igual a los costes a lo largo de las rutas con
Tijr positivo y debe ser menor (o al menos igual) a los costes a lo largo de las
dems rutas (por ejemplo, donde Tijr = 0). Por tanto, ij* es igual al coste mnimo
de viaje de i a j: ij* = cij*.
En este sentido, el conjunto de Tijr* que minimiza (11.7) tiene las siguientes
propiedades:
cijr r cij*
Tijr* 0
cijr cij*
Tijr* 0
Coste
30
30
20
20
10
10
500
1.000
500
1.000
En la figura 11.2a es fcil ver que la suma de las reas cubiertas por las curvas de coste-flujo es mnima para Cb = Ct; como puede verse en la figura 11.2b
cualquier desplazamiento desde la igualdad aade una nueva seccin de rea.
Como se aprecia, la solucin de equilibrio comporta un flujo circulante por el
centro de la ciudad de 600 vehculos y 1.400 por la circunvalacin. Merece la
pena resaltar que el coste para cada recorrido es de 22 minutos y el coste total
en la red es de 44.000 vehculos-minuto.
En esta explicacin de la asignacin de equilibrio se han omitido algunos
detalles como por ejemplo, el de la unicidad de la solucin. En efecto, puede
demostrarse que slo los costes de arco ca*, los costes interzonales cij* y los
flujos de arco Va* son nicos en el punto ptimo de equilibrio. Los flujos de
ruta Tijr* no son, en general, nicos. Esto significa que puede haber muchas
combinaciones de rutas y de viajes que las utilizan, que producen el mismo
flujo de arco as como que soportan el mismo coste de arco; como todos los
MODELOS
DE
TRANSPORTE
recorridos utilizados (para un par O-D) tienen el mismo coste mnimo, los
totales de los costes interzonales son los mismos. Ello se puede comprender
fcilmente si se piensa en diferentes zonas con origen externo que producen
viajes en la entrada de la interseccin A y posteriormente salen a diferentes
destinos en la interseccin B, como puede verse en la figura 11.2; aunque estos
viajes puedan distribuirse en diferentes modos entre las rutas del centro ciudad
y de la circunvalacin, en condiciones de equilibrio, los flujos en arcos y los
costes de arco permanecern iguales.
(a)
40
40
30
30
20
20
10
10
0
2.000
(b)
50 Ct
Cb 50
500
1.500
Vt
1.000
1.500
500
Vb
0
2.000
0
50 Ct
Cb 50
40
40
30
30
20
20
10
10
0
2.000
Figura 11.2.
500
1.500
Vt
1.000
1.500
500
Vb
0
2.000
0
Algoritmo de Frank-Wolfe
MODELOS
DE
TRANSPORTE
1. Elegir la direccin que parezca ms idnea para descender; con niebla densa
(nmero de puntos denso), dicha direccin depender esencialmente de la
topografa local.
2. Caminar en la direccin elegida hasta que se comience a subir de nuevo.
3. Detenerse momentneamente en este punto, elegir otra direccin de pendiente que permita descender y progresar como en el punto 2 hasta que se
llegue a un punto en el que no haya ms direcciones de descenso. En este
caso se habr llegado al fondo del valle.
Lo citado hasta aqu es lo que bsicamente ha de realizarse para utilizar
el algoritmo de Frank-Wolfe, aunque en un espacio no expresamente tridimensional sino evidentemente multidimensional. En cada paso de la iteracin
se tiene una posible solucin factible (una posicin en el valle) de forma que
el algoritmo utiliza la ltima asignacin todo o nada para proporcionar una
direccin de descenso. Con este fin, la utilizacin de dicha asignacin todo
o nada en la ltima asignacin puede contemplarse como una aproximacin
local para minimizar la funcin objetivo Z. Puesto que la solucin factible
se precisa para el flujo de ruta {Tijr}, Frank-Wolfe busca una segunda posible direccin atractiva {Wijr} utilizando una aproximacin lineal de Z (mediante
desarrollos en serie de Taylor):
uZ
(Wijr
Tijr )
uTijr
(11.9)
ijr
11.2.3.
Equilibrio social
Todo lo tratado hasta aqu aplica en gran parte el primer principio de Wardrop
a los problemas del equilibrio del usuario (UE). El segundo principio de Wardrop especifica que los usuarios deberan elegir rutas que minimicen los costes
totales (o el coste medio para una matriz fija). sta es una solucin de ptimo
social y es una receta para el planificador que no trata de representar el comportamiento espontneo de los usuarios.
Es fcil ver que el segundo principio de Wardrop puede ser incluido en un
programa matemtico del siguiente tipo:
Minimizar
S [Tijr ] Va ca ( )
(11.10)
S [Tijr ] Cm a ( ) d
Va
(11.11)
MODELOS
DE
TRANSPORTE
flujo que minimiza el total del gasto (o dicho de otra forma, en el caso de una
matriz fija de viajes, minimizar la media de los costes de viaje). Los costes
totales son:
E
15
005 V
Ebb
V
Vbb 15
00,, 005
Vbb
E
V
10
00,, 02
02 V
Et
Vt 10
Vt
t
para lacircunvalaci
circunvalacin
para
para la
la circunvalacinn
para
parael
centrociudad
ciudad
para
elelcentro
centro
ciudad
uEb
15 0, 01 Vb
uVb
uEt
10 0, 04 Vt
uVt
Igualando los dos trminos y sabiendo que Vb + Vt = 2.000 se puede resolver
el sistema y encontrar as las condiciones de equilibrio social:
Ruta urbana
Flujo
Circunvalacin
500
1.500
Coste marginal
30
30
Coste medio
20
22,5
10.000
33.750
Coste total
Total
2.000
43.750
11.2.4.
Hasta ahora se han tratado los modelos de asignacin estocstica pura as como
los de asignacin de equilibrio del usuario. En el primer caso se ha visto que
la distribucin de flujos entre las rutas que conectan dos puntos se produce
por la variabilidad en la percepcin de los costes de ruta; en el segundo caso
en cambio, se debe a los efectos de las restricciones de capacidad. En realidad,
ambos tipos de efectos desarrollan su papel correspondiente en la eleccin de
ruta. Los modelos que prueban a incluir ambos efectos se denominan modelos
de equilibrio estocstico del usuario (Stochastic User Equilibrium o SUE en
ingls) y buscan las condiciones de equilibrio en que:
cada usuario elige la ruta de mnimo coste de viaje percibido: en otras palabras, bajo condiciones de SUE ningn usuario puede reducir el coste propio
percibido de recorrido y por tanto todos quedan sobre su recorrido factible.
MODELOS
DE
TRANSPORTE
11.3.
11.3.1.
En los epgrafes anteriores han sido descritos los mtodos clsicos ms importantes para la asignacin del trfico. Antes de estudiar mtodos ms detallados
y de algn modo avanzados, es til analizar las principales limitaciones de
estas aproximaciones.
11.3.1.1.
MODELOS
DE
TRANSPORTE
(a)
Figura 11.3.
(b)
Aunque esta hiptesis es comn a todos los modelos es, evidentemente, optimista en exceso, al menos hasta que los viales que conforman las redes a
estudio sean suficientemente informatizados. Los mtodos usuales ignoran
algunos efectos importantes, como el hecho de que los conductores slo tienen
informacin parcial acerca de las condiciones de trfico sobre la ruta en funcin de la ltima vez que pasaron por ella, as como de los problemas en otros
puntos de la red dependiendo de la propia experiencia, de la predisposicin a
utilizar nuevas rutas y del empleo de servicios de informacin sobre el trfico.
Adems, est demostrado que muchos usuarios a la hora de elegir ruta estn influenciados fuertemente por la sealizacin vial y que, a veces, las calles indicadas no son las ms convenientes (Wootton et al., 1981). La influencia de la
sealizacin vial mediante mensajes variables y de las tecnologas avanzadas
de ayuda a la definicin de rutas en parte de la flota vehicular son elementos
a considerar en futuros modelos de asignacin de trfico (ver varios artculos
sobre este tema en Papageorgiou, 1991).
11.3.1.5.
MODELOS
DE
TRANSPORTE
11.3.2.
Hasta ahora se ha considerado el trfico como una variable continua que opera
bajo condiciones de estacionalidad. En realidad el trfico est compuesto por
entidades discretas (vehculos) que forman colas en las intersecciones y embotellamientos en mbito urbano. Si un modelo particular de asignacin carga
sobre una interseccin un trfico superior a su capacidad, es muy probable que
los flujos aguas abajo de la interseccin resulten sobreestimados; esto ocurre
porque el modelo no reconoce el lmite superior de capacidad de la interseccin
y por tanto los flujos estimados por dicho modelo aguas abajo sern mayores
que los reales. Como consecuencia algunos recorridos que podran utilizar estos
arcos pueden ser ignorados por el modelo. El tratamiento simplista hace que las
demoras se estimen mal y se omitan recorridos potenciales importantes.
En este caso son necesarios dos tipos de mejoras. La primera consiste en
considerar la naturaleza fsica de las colas en las intersecciones y sus efectos
en la limitacin del trfico aguas abajo; la segunda en modelizar el hecho de
que, cuando la demanda crece y decrece antes, durante y despus de la hora
punta, las colas en las intersecciones dependen del tiempo. El segundo problema
puede ser tratado utilizando modelos de colas en funcin del tiempo como los
propuestos por Kimber y Hollis (1979). Estas aproximaciones modelizan la
forma en la que los atascos y las demoras cambian a medida que se desarrolla
MODELOS
DE
TRANSPORTE
ste es un problema difcil que modelos como SATURN (Hall et al., 1980)
resuelven dividiendo los perodos de estudio en intervalos ms pequeos, usualmente 10 15 minutos, y luego estudiando cada intervalo de tiempo como
un problema de asignacin en condiciones estacionarias. De esta forma se
pueden capturar algunos de los efectos propios del aumento de la congestin,
aunque se acepta que todos los vehculos en el mismo intervalo estn sometidos al mismo conjunto de costes. Otros modelos asignan los vehculos bien
sea individualmente o bien en pequeos grupos (paquetes), distribuyndolos
secuencialmente durante cada intervalo de tiempo. Este enfoque, seguido por
ejemplo por CONTRAM (Leonard y Gower, 1982) proporciona una representacin mejor de las demoras que los vehculos soportan en cada fase de su paso
en la red. Es sabido que SATURN no trata los vehculos individualmente sino
como parte de un pelotn simulado en una porcin de tiempo menor del minuto
(1 a 5 segundos). En ambos casos, los correspondientes modelos presentan un
elevado nivel de detalle y por tanto son clasificados como modelos de (meso)
simulacin. No obstante ambos se basan an en la hiptesis de informacin
perfecta sobre las condiciones del sistema.
11.3.2.3.
MODELOS
DE
11.3.2.5.
TRANSPORTE
11.3.3.
Simulacin y equilibrio
En los epgrafes anteriores han sido expuestos dos de los modelos ms conocidos para planificar detalladamente esquemas de organizacin del trfico
urbano, los modelos CONTRAM y SATURN. Otro modelo de esta extensa
familia es NETSIM (Lieberman, 1981), utilizado principalmente en EE.UU.
Con respecto a los modelos clsicos estudiados anteriormente, estos modelos
de simulacin resultan ms laboriosos en trminos de adquisicin de datos,
calibracin y recursos de ordenador. Sin embargo, los datos requeridos son, en
todo caso, necesarios para planificar cualquier esquema de gestin del trfico,
y hoy en da hay versiones disponibles para ordenador personal. Sin embargo,
en la eleccin del modelo a utilizar juegan un papel importante aspectos como
los requisitos en trminos de recursos del ordenador, formacin, calibracin,
validacin e interpretacin de los resultados. Adems, es necesario destacar
que los modelos de simulacin no son el nico instrumento con que es posible
MODELOS
DE
TRANSPORTE
Simulacin
Nueva
curva
coste-ujo
Ca(Va) = a0 + a1Van
Nuevos
ujos
de
arco
Asignacin
Figura 11.4.
(11.12)
Matriz de viajes
MODELOS
DE
TRANSPORTE
V1
V2
A
Figura 11.5.
C1
C2
Coste total
28,0
53,0
5.300
10
29,0
51,0
4.880
20
30,0
49,0
4.520
30
31,0
47,0
4.220
40
32,0
45,0
3.980
50
33,0
43,0
3.800
60
34,0
41,0
3.680
70
35,0
39,0
3.620
80
36,0
37,0
3.620
83
36,3
36,4
3.632
84
36,4
36,2
3.633
90
37,0
35,0
3.680
100
38,0
33,0
3.800
arco y por lo tanto los usuarios volvern a la ruta original. Lo mismo sucede
si se desplaza ms trfico al arco 1. El hecho de que el coste total sea mnimo
en otro punto, aproximadamente para V1 = 75, es otro ejemplo de la diferencia
entre equilibrio social y equilibrio individual del usuario.
Considere ahora un problema levemente diferente con el mismo tipo de
red. Ahora la interseccin prev que quien provenga del arco 1 ha de ceder el
paso; el flujo procedente del arco 2 tiene la preferencia de paso y por tanto su
tiempo de viaje no depende del flujo sobre el arco 1. La nueva relacin ser
entonces:
C1
C2
Coste
28
25,0
2.500
10
27
24,5
2.475
20
26
24,0
2.440
30
25
23,5
2.395
40
24
23,0
2.340
MODELOS
DE
TRANSPORTE
50
23
22,5
2.275
60
22
22,0
2.200
70
21
21,5
2.115
80
20
21,0
2.020
90
19
20,5
1.915
100
18
20,0
1.800
11.3.4.
MODELOS
DE
TRANSPORTE
11.4.
11.4.1.
El problema resulta ser ms complejo cuando se tienen en cuenta las interacciones entre dos o ms modos. stos pueden adoptar las siguientes formas:
Congestin generada por los coches, influye en el tiempo de viaje de los
autobuses en ciertas rutas y, por ello, modifica las estrategias de asignacin
de los usuarios de transporte pblico; la congestin generada por los autobuses (y los sistemas de LRT en la calle) y las maniobras a la hora de parar
influyen evidentemente en la capacidad y en la velocidad de los coches y,
por tanto, en sus elecciones de ruta.
Interacciones debidas a las operaciones park-and-ride y kiss-and-ride
por los autobuses y los sistemas guiados o con carriles exclusivos. La ventaja de estos modos combinados de transporte depender de la congestin vial, de la frecuencia del servicio y de las tarifas modales y de aparcamiento, tambin teniendo en cuenta que todos estos factores estn, por lo
general, mutuamente interrelacionados.
Las aproximaciones prcticas a este problema generalmente son del tipo de
las tratadas en el epgrafe 10.5, referentes a los ajustes de velocidades. Se acepta
inicialmente que el tiempo de viaje en bus y sus volmenes en la red son fijos
y conocidos; se asignan los coches a la red en equilibrio y los viajeros a la red
de transporte colectivo resultando en nuevas frecuencias y nuevos tiempos de
viaje; se repite el proceso hasta que se alcanza un equilibrio. Naturalmente si
no se est dispuesto a modificar las frecuencias de los autobuses en relacin a
la demanda, el problema puede converger rpidamente.
Para el transporte combinado el problema es ms difcil porque sus
usuarios, a causa de la congestin en la red vial, pueden decidir cambiar su
estacin de park-and-ride y ello, a su vez, determina una variacin de los niveles mismos de congestin. Aunque en la situacin actual fueran pocos los
viajes combinados, no incluirlos en los procedimientos de equilibrio puede dar
lugar a graves problemas en previsiones anuales de redes seriamente congestionadas (ver ESTRAUS, 1989).
En todos los casos estudiados en las lneas anteriores se ha supuesto como
hiptesis que la matriz de viajes se mantiene fija para cada modo (demanda
inelstica). Sin embargo, como se ha tratado en captulos precedentes, dicha
hiptesis de matriz fija debe ser tratada con cautela, al menos cuando se estn
considerando cambios relevantes en la red de transporte o cuando se refiera a
horizontes lejanos de planificacin. En efecto, es necesario aceptar el hecho de
que en algunos casos la demanda es en particular elstica con respecto de los
MODELOS
DE
TRANSPORTE
costes de viaje y de ruta, lo cual comporta la necesidad de considerar la influencia de la congestin y de las demoras en la eleccin de modo y de destino.
A este nivel de anlisis, la eleccin modal se modeliza usando los tiempos
de viaje de cada modo y cada par O-D. Si los tiempos de viaje y demoras cambian como resultado de la asignacin, el modelo deber ejecutarse nuevamente
para obtener un reparto modal ms consistente. Ello tambin es vlido para los
modelos de distribucin de viajes en los que el tiempo representa una variable
explicativa importante de la funcin de friccin o impedancia.
Procediendo as se llega a tener un conjunto anidado de modelos en los
que es necesario asegurar que los costes de viaje utilizados en todos ellos
sean consistentes entre s. Una estrategia iterativa ingenua: ejecutar todos los
modelos, obtener nuevos tiempos de viaje y repetir el proceso hasta la convergencia, tiene todas las caractersticas de ser una aproximacin no-convergente.
En efecto, es probable que las oscilaciones entre los diferentes valores sean
una caracterstica ms o menos recurrente de este tipo de tcnicas; es por ello
deseable usar soluciones ms robustas.
Una de las mejores reseas del estado del arte sobre estos modelos est
en Fernndez y Friesz (1983). Antes de comenzar a sintetizar este trabajo se
van a exponer algunos ejemplos para entender correctamente cmo se puede
desarrollar la modelizacin de equilibrio.
11.4.2.
Para afrontar razonablemente los problemas hasta aqu indicados puede procederse a englobar el mayor nmero posible de submodelos en uno solo, sobre
todo si en el mismo proceso se incluye la asignacin.
Es importante sin embargo, no comprometer demasiado el realismo de la
modelizacin para la bsqueda del equilibrio, sobre todo en las decisiones a
corto plazo.
Sea primeramente el problema general en que una curva tpica de demanda
puede invertirse para expresar los costes de viaje en funcin del nmero de
viajes Cij = gij(Tij), tal y como se muestra en la figura 11.6.
Naturalmente los costes de viaje entre i y j no sern nunca iguales a cero,
por tanto es razonable suponer que habr un coste mnimo Cijmin asociado a un
valor mnimo de la demanda Tijm. Es interesante intentar construir un modelo
que combine demanda y asignacin.
Considrese, en primer lugar, la siguiente funcin objetivo:
Demanda D
Coste C
Coste C
Cmin
Dmx
Figura 11.6.
Demanda D
Minimizar Z ca ( ) d
g ij (t ) dt
Tij
Va
s.a.
ij
(11.13)
Tijr r 0
Tij Tijr
(11.14)
Va Tijr ijra
ijr
uZ
Cijr
g ij
uTijr
(11.15)
MODELOS
DE
TRANSPORTE
uZ
C
0
ijry
cijrg
ij
gij
uTijr
(11.16a)
Si T *ijr
0,
entonces
uZ
C0ijry
cijrg ij= gij
uTijr
(11.16b)
B
A
2
c
Red base
Figura 11.7.
Red ampliada.
Una simplificacin podra ser concentrar estos arcos ficticios en uno slo
para cada par O-D, como se indica en la figura 11.7.
Los viajes en transporte pblico pueden escribirse as:
Tijb = Tij Tijr
(11.17)
Tij
Tij
Va
ij
ij
Tij
Minimizar Z ca ( ) d
g ija (t ) dt
Va
ij
(11.18)
MODELOS
DE
TRANSPORTE
3. Se hace g'ij (n) = g'ij [Tij (n)], es decir los pseudo costes de arco corrientes como
deducidos del total de los viajes menos el nmero de viajes en coche de i a j.
4. Se define una matriz Wij(n) para asignar a la red real, tal que:
*
Tij si g ija (n) r cij
Wij (n)
0 en otro caso
11.4.3.
1
Tij (log Tij
1)
ij
(11.19)
s.a.
Tijr
0
Tij Oi = 0
j
(11.20)
T
i
ij
Dj = 0
(11.21)
ij
ij
(11.22)
s.a.
(T
c
ij
Tijb ) Oi
(11.23a)
(T
c
ij
Tijb ) D j
(11.23b)
c
ijr
Tijc
(11.24)
(11.25)
adems de las restricciones de no negatividad de Tijc, Tijb y Tijrc donde los ndices
c y b se refieren respectivamente al modo coche y al modo transporte pblico,
y donde:
MODELOS
DE
TRANSPORTE
(11.26a)
(11.26b)
(11.27)
(11.28)
MODELOS
DE
TRANSPORTE
Tij
exp ( uij Ai )
exp ( u
ij
Aj )
Gi
(11.29)
11.4.4.
Consideraciones prcticas
MODELOS
DE
TRANSPORTE
de algn proyecto o de alguna poltica de intervencin sean espreas; los resultados (A es mejor que B) pueden depender de elecciones arbitrarias acerca
del punto de partida o del nmero de iteraciones.
Naturalmente, como ya se ha visto, la garanta de una solucin nica para
los problemas de equilibrio del sistema impone algunas restricciones sobre las
formas funcionales a utilizar en los submodelos. Soluciones con formulaciones
logit lineales en los parmetros son ms simples de desarrollar que otras formas ms ricas desde el punto de vista conductual. La introduccin de funciones ms realistas (como las asimtricas) para las demoras en las interacciones
o para el coste generalizado bajo restricciones de capacidad para el transporte
pblico, generalmente no garantizan la convergencia a una solucin nica. En
estas circunstancias hay muchas formas prcticas para facilitar dicha convergencia o la estabilidad de la solucin, pero no hay garantas de que la solucin
encontrada sea nica y correcta (es decir, la que resuelva la formulacin del
equilibrio del sistema). Es probable que se realicen muchas investigaciones
en los prximos aos para mejorar la riqueza conductual de los modelos de
transporte, asegurando a la vez una buena convergencia y el equilibrio completo del sistema.
El equilibrio en el sistema de los transportes y en el mercado no es un fin
en s mismo. Hay buenas razones para sospechar que el equilibrio no existe en
la realidad, ni siquiera en el caso de la red ms simple. Los sistemas reales
estn en permanente mutacin ya que, entre otros aspectos, los viajeros experimentan nuevos recorridos, nuevos modos y nuevos destinos, familias que
cambian de residencia, de trabajo, de comportamientos comerciales, sociales,
estilo de vida. Sin embargo, el estado del arte de la modelizacin dinmica de
los fenmenos todava no alcanza los niveles de progreso de la modelizacin
de equilibrio.
La idea que subyace aqu es que para proporcionar criterios objetivos sobre
decisiones de planificacin de transporte es necesario utilizar modelos y eso
requiere comparar alternativas de intervencin en el sistema. Por lo tanto, resulta entonces de capital importancia la utilizacin coherente de modelos para
estimar las prestaciones de estas intervenciones y, de esta manera, comparar
alternativas bajo los mismos supuestos y condiciones.
Encuadrar los esfuerzos de modelizacin del transporte en el interior de
un esquema general de equilibrio parece un prerrequisito para asegurar la consistencia. sta no es, naturalmente, una condicin suficiente; de hecho, puede
suceder en determinados casos que modelizaciones parciales del sistema sean
MODELOS
DE
TRANSPORTE
suficientes para discriminar un proyecto bueno de otro menos bueno. Sin embargo, el estado del arte de la modelizacin de equilibrio es tal que raramente
se tiene que sacrificar demasiado realismo para conseguirlo. El estado del arte
en este campo est en constante superacin y ofrece ya una base slida para
su uso en la prctica.
11.5.
11.5.1.
combinado simple de eleccin del horario de salida y asignacin del cual sern
citadas las principales limitaciones y algunas indicaciones de mejora futura.
11.5.2.
U ( )
C ( )
SDE ( )
SDL( )
D d L ( )
donde es el horario de llegada y C es la duracin del viaje, expresada como
una funcin del horario de llegada, en cuanto a que las condiciones de trfico
varan segn la hora del da. SDE y SDL (Schedule Delay Early y Late) son la
antelacin y el retraso programado y denotan la diferencia entre el horario de
llegada seleccionado y el horario de llegada preferido (Preferred Arrival Time,
PAT) en el caso de que se desee adelantar o aplazar la llegada respectivamente.
Por tanto SDE y SDL pueden ser definidos como:
MODELOS
DE
TRANSPORTE
SDL()
dL), definido como el trmino de la utilidad programada. El trmino
de utilidad programada se maximiza cuando los viajeros llegan en el horario
preferido de llegada ( = PAT, que hace la utilidad programada igual a cero).
Por tanto, cuando la duracin del viaje es constante y no es posible intercambiar duracin y utilidad programada, la distribucin de los horarios actuales
de llegada es idntica a la distribucin de los PATs. Sin embargo, cuando la
duracin del viaje vara segn la hora del da y si la desutilidad programada
tiene un peso inferior respecto al beneficio consecuente con la reduccin del
tiempo de viaje, los viajeros se alejarn de su horario preferido, y eso determina
una distribucin del horario actual de llegada ms amplia con respecto de la
distribucin de los PATs (horarios preferidos).
Los parmetros de estas funciones de utilidad combinada pueden estimarse
con tcnicas de preferencias declaradas/reveladas; vase por ejemplo Small
(1982) y Bates (1966). Obsrvese la figura 11.8 donde en el eje de ordenadas
est la desutilidad programada expresada en unidades de tiempo (horas) de
duracin del viaje y en el de abscisas el horario de llegada anticipada o aplazada
con respecto al PAT (horas).
Desutilidad
programada
Pendiente
=
2,50
= 0,50
Pendiente = 0,60
Anticipacin
Tiempo de llegada
Retardo
Figura 11.8. Esquema idealizado de la utilidad (o desutilidad) programada expresada en minutos equivalentes de tiempo de viaje.
gar en cambio 30 minutos ms tarde respecto de la PAT dara lugar a una penalizacin adicional equivalente a 30 minutos de tiempo de viaje ms una
penalidad adicional de 1,25 h o bien 90 minutos. Por tanto, estos 30 minutos
de retraso en el horario de llegada estaran slo justificados si el individuo
pudiera ahorrar ms de 2 horas de tiempo de viaje, un acontecimiento bastante
improbable. Naturalmente, grupos diferentes de individuos tendrn valores
diferentes para ,
y
y
tambin
diferentes
PATs.
La
formulacin
base
(omitiendo
el
trmino
de
penalidad
)
f ue
extendida
por Hyman (1997) para incluir un intervalo de indiferencia alrededor de la PAT,
durante el que las llegadas no incurren en una desutilidad programada, por
ejemplo llegar a la hora deseada ms o menos 5 minutos. Hendrikson y Plank
(1984) propusieron una forma cuadrtica de la funcin de utilidad mientras
que Polak et al. (1991) formularon un modelo lineal compuesto. Addison y
Heydecker (1998) examinaron tres casos de funciones continuas: una hiprbola
simple truncada, una hiperblica y una funcin no convexa. A pesar de estos
esfuerzos, las aplicaciones prcticas generalmente utilizan funciones lineales,
con
o
sin
desutilidad
f ija
para
las
llegadas
aplazadas.
11.5.3.
ORIGEN
Cuello de botella
Figura 11.9.
Red simple.
DESTINO
MODELOS
DE
TRANSPORTE
Salidas
pendiente q2
Salidas
pendiente q1
Figura 11.10.
11.5.4.
Cola mxima
Salidas/llegadas acumuladas
La figura 11.10 ilustra el perfil de salida de equilibrio de un grupo de viajeros con caractersticas homogneas. El perfil est completamente definido
por expresiones cerradas para tasas de salida (q1 y q2), del horario de la primera y ltima llegada 1 y 2 y del horario p en que la tasa de salida vara de
q1 a q2 y se realiza la mxima cola.
Varios autores han extendido el modelo de Vickrey para tener en cuenta
la heterogeneidad de los viajeros con respecto a los PATs y/o a los parmetros
asociados a la duracin del viaje y al retraso sobre el horario programado.
Hendrikson y Kocur (1981) tuvieron en cuenta el problema de Vickrey cuando
los viajeros tienen una distribucin de PATs. Arnott et al. (1994) han afrontado el problema de la heterogeneidad segmentando la poblacin en subgrupos homogneos en relacin con el valor de sus PATs y de los parmetros de
la utilidad.
Llegadas
pendiente h
(capacidad)
PAT
Tiempo
MODELOS
DE
TRANSPORTE
Tiempo de llegada
preferido
Caractersticas
del comportamiento
Modelo
de tiempo
de salida
Matriz O/D en
funcin del tiempo
Modelo
de
asignacin
Figura 11.11.
11.5.5.
Conclusiones
MODELOS
DE
TRANSPORTE
EJERCICIOS
11.1. Una autopista de 12 km conecta dos reas urbanas. La funcin de oferta
para cada uno de los tres carriles por sentido de marcha del arco vial se puede
aproximar por:
q
t 20
200
donde t es el tiempo de viaje en minutos y q el flujo por carril en unidades de
coches equivalentes por hora.
La autopista normalmente se utiliza para automviles y autobuses directos,
sin paradas, a lo largo del recorrido: los correspondientes tiempos de viaje de los
vehculos son tc y tb. En hora punta el servicio de autobs tiene una frecuencia
igual a un autobs por minuto y la funcin de demanda para los viajes en coche
se ha estimado mediante la siguiente funcin:
Vc = 3.480 60 tc
donde Vc es el flujo total en el coche por hora y sentido. De modo anlogo, la
funcin de demanda para los viajes en autobs es:
V b = 4.200 75 tb
donde V b es el nmero de pasajeros por hora y sentido. Se puede aceptar que
tanto tc como tb puedan ser calculados utilizando las funciones de oferta expuestas arriba y que un autobs sea equivalente a 2 automviles.
a) Cul es el estado inicial de equilibrio? Si cada autobs tiene 60 plazas
(asientos), cul es su factor de carga (ocupacin dividida por la capacidad)?
b) Supngase ahora que uno de los carriles pueda ser utilizado exclusivamente
por autobuses. Cul es el nuevo estado de equilibrio y el nuevo factor de
carga para los autobuses?
c) Discutir las hiptesis implcitas en las funciones de demanda utilizadas
arriba.
11.2. Dos ciudades distanciadas por 60 kilmetros estn conectadas por
una carretera de doble sentido en la que los coches circulan todo el da. La
demanda en la hora punta, para viajes en coche entre las dos ciudades, viene
bien descrita por la siguiente funcin:
q = 6.000 1.500t
donde q es la demanda en vehculos por hora y t el tiempo de viaje en horas.
La relacin entre tiempo de viaje y flujo para la carretera es:
t = 0,9 exp (0,0003q)
a) Estimar cuntos viajes de personas y vehculos se generan cada da en
condiciones de equilibrio si cada coche transporta como media 1,5 pasajeros.
b) Supngase que se pone en funcionamiento entre las ciudades un servicio
ferroviario frecuente pero lento, en el que cada tren tiene una capacidad
nominal de 300 pasajeros. Durante la hora punta la compaa ferroviaria
est dispuesta a poner en lnea un tren cada 10 minutos con un tiempo de
viaje estimado en 90 minutos. Si se supone que los pasajeros utilizan el
modo ms rpido de transporte disponible es ste un nivel de servicio
inteligente? Justificarlo.
11.3. Sea la red y las condiciones descritas en el ejercicio 10.3.
a) Expresar la funcin objetivo del programa matemtico correspondiente
al equilibrio individual de Wardrop en trminos de flujos y las relaciones
tiempos de viaje/flujo de la figura.
b) Calcular los flujos de equilibrio en cada arco y los tiempos de viaje para
cada grupo de viajeros. Hallar el valor de la funcin objetivo de arriba, en
condiciones de equilibrio y el tiempo de viaje total gastado en el sistema.
c) Supngase que los ingenieros de trfico locales han decidido poner una
limitacin de velocidad en el arco CD de forma que el nuevo tiempo de
viaje en funcin del flujo sea:
MODELOS
DE
TRANSPORTE
t = 5,2 + 0,001q
Calcular las nuevas condiciones de equilibrio en trminos de flujos y tiempos de viaje y demostrar que bajo estas condiciones el tiempo de viaje total
gastado en el sistema es menor que en el caso b.
11.4. La red en la figura 11.12 representa la carga durante la hora punta
con 100 vehculos que viajan de A a D. Las ecuaciones expresan el tiempo
de viaje en cada arco en minutos como una funcin del flujo q en el arco en
vehculos por hora. Todos los arcos son unidireccionales.
a) Identificar los recorridos de mnimo coste utilizados, sus flujos y los correspondientes costes de equilibrio. Cul es el tiempo de viaje total gastado
en la red?
b) Si se acepta que el arco C-B sea peatonalizado y por consiguiente no disponible para el trfico vehicular, identificar los nuevos flujos de equilibrio,
los costes y el tiempo de viaje total gastado en la red.
c) Discutir los resultados.
B
21 + 0,01 q
4 + 0,02 q
A
8 + 0,1 q
Figura 11.12.
19 + 0,01 q
6 + 0,1 q
12.
Modelos simplificados de demanda
de transporte
12.1. INTRODUCCIN
racin que se encuentre fuera del mbito analtico. Para este fin, la capacidad
reducida el del procesamiento numrico de los modelos mentales no es una
limitacin grave. Sin embargo tienen dos carencias principales: a veces fallan
completamente, por ello al considerar las consecuencias de un crecimiento
exponencial o las interconexiones entre decisiones aparentemente no relacionadas, como impuestos (tasas) y eleccin modal. La segunda desventaja de
los modelos mentales es que normalmente no estn abiertos a discusin y
carecen de transparencia para calificar las recomendaciones derivadas de su
uso. Son por ello difciles de transferir de un usuario a otro.
Existe un amplio rango de metodologas de modelizacin entre los dos extremos: usar slo modelos mentales o basarse en tcnicas de simulacin muy
complejas y avanzadas. Una de las dimensiones a considerar es la forma en la
que se representa el espacio y por tanto la distancia como elemento clave en el
transporte. Algunos modelos ignoran completamente el espacio; por ejemplo
aquellos que se concentran en las implicaciones financieras de las subvenciones,
impuestos, etc. Pueden ser modelos simples como los de elasticidad los que
se emplean a veces para evaluar incrementos tarifarios o cambios en el precio
del combustible e impuestos sobre vehculos. En otros casos pueden incluir
interacciones ms complejas, por ejemplo entre los diferentes impuestos y
licencias que afectan a la propiedad y uso del automvil.
Algunos autores han defendido la utilizacin de tcnicas de modelizacin
estructural; ver por ejemplo el interesante trabajo de Roberts (1975) con respecto al consumo de combustible. En este caso se utiliza un grfico orientado
para relacionar los elementos del sistema de transportes, por ejemplo el nmero
de coches, impuestos sobre el combustible, mejora en los consumos de combustible, emisiones y costes. Estas conexiones pueden tener asociados diferentes pesos para representar la fuerza relativa de cada relacin. Si se sustituyen
estos pesos por ecuaciones, calibradas a partir de observaciones reales, se acaba teniendo un modelo de interaccin no espacial. Khan y Willumsen (1986)
desarrollaron un modelo de este tipo para el estudio de la motorizacin en
los pases menos desarrollados. La filosofa del modelo se basaba en que en los
pases en desarrollo la tasa de motorizacin no debe slo proyectarse sino que
debe contemplarse junto con las necesidades de invertir en infraestructura y
consumo de combustible. El modelo inclua, adems de las variables antes
mencionadas, funciones que representaban el consumo de combustible y la
necesidad de gastos adicionales para el mantenimiento de carreteras y nueva
construccin. Algunas de estas variables, en particular la construccin e im-
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
12.3.1.
Anlisis de elasticidad
Es
S0 uT S0 (T
T0 )
z
T0 uS T0 ( S
S0 )
(12.1)
y por tanto:
T T0
EsT0 ( S
S0 )
S0
(12.2)
La parte izquierda de esta ecuacin representa la variacin de la demanda en el modo analizado y se alcanza como consecuencia de un cambio relativo en el nivel de servicio de tamao (S S0) / S0. Este tipo de clculo se utiliza
a menudo para la revisin de tarifas o frecuencias de servicio de transporte
pblico.
Esto es, por supuesto, una aproximacin que supone que se ha calculado
Es de antemano (quizs a partir de una serie temporal de datos), que la elasticidad es constante (o que la funcin de demanda es lineal, lo cual no es muy
probable) y que todo lo dems permanece igual. Este resultado es una aproximacin razonable para pequeos cambios en las variables de nivel de servicio
(LOS).
Ejemplo 12.1: la elasticidad tarifa/demanda del transporte pblico se toma
a menudo como 0,30. Si un sistema de transporte pblico lleva 200.000 pasajeros en el perodo punta, a una media de 80 peniques/viaje:
Estimar la prdida de demanda si la tarifa media se incrementa en un 2,5%.
Analizar la sensibilidad del resultado respecto al valor de la elasticidad.
MODELOS
DE
TRANSPORTE
12.3.2.
pka
(12.3)
donde p'k es la nueva proporcin de viajes que utilizan el modo k; pk0 en la proporcin original de viajes en el modo k y (V k Vk0) es la variacin de utilidad
de usar el modo k, variacin generada por cambios en los atributos de nivel de
servicio del modo k.
Hay formas incrementales disponibles para funciones ms complejas, como
las correspondientes al modelo logit anidado (ver Bates et al., 1987; Martnez,
1987).
Ejemplo 12.2: considrese un sistema de transporte con tres modos: coche,
autobs y ferrocarril, con proporciones del 0,4, 0,45 y 0,15 respectivamente.
Supngase que la funcin de utilidad tiene la siguiente forma lineal:
V k = 0,10tk 0,20wk 0,05Ck
/
I+k
Tij
0
ij
ij
a j exp (
$GCij )
(12.4)
MODELOS
DE
TRANSPORTE
12.4.
12.4.1.
(12.5)
12.4.2.
Robillard (1975) clasific los mtodos de asignacin para la estimacin de matrices de viaje a partir de aforos en dos grandes grupos: asignacin proporcional
y no proporcional. Los mtodos de asignacin proporcional consideran que la
MODELOS
DE
TRANSPORTE
12.4.3.
El calibrado de modelos gravitacionales fue uno de los primeros mtodos aplicados en la estimacin de matrices de viaje a partir de aforos de trfico. La idea
bsica es plantear una forma particular del modelo de gravedad y examinar lo
que ocurre cuando se asigna a la red. Por ejemplo, en el caso de viajes interurbanos la matriz de viajes podra ser:
Tij
PP
i j
d ij2
donde Pj es la poblacin del rea urbana j, dij es la distancia entre ambas reas
y es una constante de calibracin, en este caso la nica. Si una matriz de este
tipo se asigna a la red, se obtiene:
Va
ij
pija PP
i j
(d ij ) 2
ij
pija PP
i j
(12.6)
(d ij ) 2
Gij
Oi D j
d ij2
ij
ij
(12.7)
X k pija Gijk
ij
Se puede escribir:
Vaa 0 k X k
k
(12.8)
MODELOS
DE
TRANSPORTE
La ecuacin (12.7) tiene una deficiencia obvia. Si un Oi y un Dj especficos doblasen su valor absoluto, entonces el nmero de viajes entre estas dos
zonas se cuadriplicara cuando obviamente sera ms probable que tambin
se duplicase. Para mejorar este hecho, se puede utilizar el siguiente modelo
convencional:
(12.9)
donde:
k es un parmetro de escala que permite utilizar diferentes unidades de
Aik
1
( B j D kj fijk )
k
B kj
1
( Ai Oik fijk )
k
con f ijk como funcin de resistencia al viaje, por ejemplo, exp ( k Cij).
La estimacin de este modelo ms convencional a partir de los aforos de
trfico representa un gran esfuerzo ya que los parmetros de calibrado son
ahora Aik , Bjk , k y k. Esto induce a buscar mtodos de calibracin alternativos, por ejemplo regresin no lineal, como la utilizada por Hgberg (1976) o
Robillard (1975).
Tamin y Willumsen (1989) generalizaron este mtodo siguiendo las sugerencias de Wills (1986) para combinar en un nico modelo las caractersticas
de los modelos de gravedad y de oportunidades de intervencin (OP). Wills ha
propuesto un modelo flexible gravedad-oportunidad (GO) para distribucin de
viajes en el cual las formas estndar de los modelos de gravedad y de oportunidad se obtienen como casos especiales. La eleccin entre las metodologas de
gravedad y de oportunidad se decide empricamente permitiendo la estimacin
de los parmetros que controlan la forma funcional global del mecanismo de
la distribucin de viajes.
Se
puede
definir
una
transformacin
dji
tal
que
dji sea igual a 1 si el destino
j est en la dsima posicin en orden ascendente de distancia desde i, y cero en
el resto de los casos, de forma que la matriz de viajes ordenada (por oportunidades) pueda obtenerse de la siguiente transformacin:
Z id DidjTij
(12.10)
Mientras
que
la
t ransformacin
de
ordenacin
dji produce una matriz de
viajes
ordenada,
su
inversa
(dji ) 1 permite recobrar la matriz de viajes observada mediante:
Tij (Didj ) 1 Z id
(12.11)
(y -1)/ x 0
y
=0
log y
y una transformacin Box-Cox inversa como:
(y +1)1/ x 0
y (1/ )
=0
exp y
Ambas transformaciones pueden combinarse en una nueva funcin que se
presenta como una combinacin convexa en .
y ( , ) y ( ) (1 ) y (1/ ) ,
0 b b1
(12.12)
(12.13)
(12.14)
donde:
d
MODELOS
DE
TRANSPORTE
F U ipk
p
( , )
k
id
d 1
U ipk
p
( , )
(12.15)
(12.16)
Ddki Didj D kj
(12.17)
y
j
Aunque el GO fue el mejor modelo respecto al ajuste con los aforos de trfico
observados, no puede garantizarse que produzca tambin el mejor ajuste a
una matriz de viajes observada independientemente. De hecho, el modelo
que mejor ajusta a la matriz de viajes es el modelo de gravedad GR con el
mtodo MCNL y con asignacin Burrell.
Holm et al. (1976) han ampliado la metodologa del modelo de gravedad
para incluir algunas caractersticas de la asignacin en equilibrio. Utilizaron una
carga iterativa con = 1 / n (ver el apartado 10.5.4) para obtener la proporcin
de viajes que utilizan cada arco. Sin embargo este enfoque es heurstico, ya
que bajo condiciones estrictas de equilibrio, por lo general, las proporciones
no son nicas.
Otros modelos, como los de demanda directa, tambin se pueden utilizar en
este mtodo de estimacin. Una ventaja de este mtodo es que una vez calibrado
el modelo de demanda, puede utilizarse tambin para la prognosis suponiendo
que los valores futuros de parmetros como Oi y Dj estn disponibles o sean
de fcil estimacin.
12.4.4.
(12.18)
MODELOS
DE
sujeto a:
TRANSPORTE
V a Tij pija 0
(12.19)
ij
(12.20)
X a exp (
a )
La disponibilidad de un matriz antigua o simplemente una matriz estimada
(o acotada) de un estudio previo puede proporcionar alguna ventaja. Denominando t a esta matriz, llamada a veces matriz de referencia, la funcin
objetivo expandida es:
Maximizar S1 (Tij / tij )
(Tij log Tij / tij
Tij tij )
(12.21)
ij
(12.22)
Ejemplo 12.3: sea la red simple esquematizada en la figura 12.1. Esta red
tiene dos orgenes (1 y 2) y dos destinos (3 y 4). En ella pueden verse los flujos
de todos los arcos. Tambin puede observarse que solamente hay seis matrices de viajes (enteras) que pueden reproducir los flujos observados, como se
muestra a continuacin.
Matriz
Primera
Segunda
Tercera
Cuarta
Quinta
S (Tij)
11,07
7,46
5,98
5,78
6,84
9,96
S1 (Tij / tij)
5,79
3,69
3,7
5,07
7,22
12,2
i
1
Sexta
La formulacin de maximizacin de la entropa intenta identificar la matriz de viajes ms probable que sea consistente con la informacin disponible,
en este caso cinco aforos de trfico. El lector puede verificar que slo tres de
estos aforos son independientes (ver apartado 12.4.5). Por lo tanto el problema
no est especificado.
Los valores de la funcin objetivo S(Tij) se muestran tambin en esta tabla.
A partir de los mismos, la matriz de viajes ms probable sera la cuarta, (5, 3,
5, 2), ya que tiene un valor mximo de la entropa. Si se dispone de una matriz
de partida, entonces se utilizara una segunda funcin objetivo (12.21).
3
3
8
10
5
7
2
Figura 12.1.
15
6
5
4
MODELOS
DE
TRANSPORTE
S 2 (Tij / tij )
0, 5(Tij
tij ) 2
Tij
(12.23)
sta es una medida tipo del error de la diferencia entre los valores de tij
y Tij. En efecto, el negativo de S1(Tij / tij) es tambin una medida natural de la
diferencia entre los valores de las celdas. Es cero cuando tij = Tij y se incrementa
positivamente segn aumenta la diferencia. La matriz estimada es aquella que
ms se asemeja a la matriz de partida y que al cargarse a la red reproduce los
aforos de trfico.
El modelo puede recibir otras fuentes de datos siempre que sea posible
introducirlas como restricciones lineales. Un ejemplo de este tipo puede ser
la informacin sobre la distribucin de la longitud de viajes (LDV) que se
espera exista en el rea de estudio. Cabe la posibilidad de expresar este tipo
de informacin como restricciones equivalentes a los rangos de coste, como
se vio en el Captulo 5; por ejemplo:
1
Tij Dijk Pk
T ij
(12.24)
T p
ij
(12.25)
(12.26)
a
ij
ij
ij
MODELOS
DE
TRANSPORTE
Matriz inicial
Iteracin
1
Iteracin
2
Iteracin
3
Iteracin
4
Iteracin
5
Matriz inicial
Iteracin
5
Matriz inicial
15
7
15
7
15
7
15
7
15
7
15
7
Flujo
modelizado
4
7,5
14,5
7,24
14,76
7,11
14,89
7,05
14,95
7,03
15,03
6,98
Ratio
3,75
0,933
1,034
0,967
1,016
0,984
1,008
0,992
1,004
0,996
0,998
1,002
Iteracin
15
15,06
0,996
6
Matriz inicial
Iteracin
6
6,97
1,004
15
7
15,04
6,98
0,998
1,002
1-4
2-3
2-4
1
3,75
1
3,75
3,88
3,88
3,94
3,94
3,97
3,97
3,99
3,99
3
4,81
2
3,21
1
3,75
3,5
3,62
3,5
3,56
3,5
3,53
3,5
3,51
3,5
1
1,75
1,75
0
1
3,8
3,5
3,6
3,5
3,6
3,5
3,5
3,5
3,5
3,5
3
5,2
5,3
3
4,82
3,21
2
3,21
0
0,5
1
1
7
3
6
6
3
4,81
Ratio
Matriz inicial
Iteracin
Flujo
modelizado
15
3,75
1-4
2-3
2-4
3,75
3,75
3,75
3,75
3,5
3,5
7,5
0,933
10
7,25
1,379
5,17
Iteracin
15
15,05
0,997
5,32
10
10
9,97
1,003
5,33
3
Iteracin
15
15,11
0,992
6,51
1,51
3,41
3,56
14
6,97
1,004
3,42
3,58
10
9,94
1,006
6,55
3
Iteracin
15
17,15
0,875
8,75
0,13
6,12
20
6,12
1,143
10
8,75
1,143
Matriz inicial
Matriz inicial
10
4,83
2,68
4,65
2,35
4,65
2,35
4,67
3,45
MODELOS
DE
TRANSPORTE
Flujo
modelizado
Ratio
Matriz inicial
Iteracin
15
15,1
0,994
19
6,97
1,004
10
9,95
1,005
1-4
2-3
2-4
0,5
6,98
1,05
2,96
4,01
2,97
4,03
7,01
2,99
12.4.5.
Independencia
No todos los aforos contienen la misma cantidad de informacin. Por ejemplo, en la figura 12.2 el trfico del arco c est constituido por la suma de los
Figura 12.2.
12.4.5.2.
Aforos dependientes.
Inconsistencia
Errores de aforo y el hecho de que a menudo los aforos se obtienen en momentos diferentes (horas, das, semanas) conducen a inconsistencias en las
medidas de los flujos. En otras palabras, no se cumplirn las relaciones de
continuidad en los flujos. Si el aforo Vc de la figura 12.2 fuera 160 en vez de 150,
las ecuaciones correspondientes seran inconsistentes y ninguna matriz de viajes podra reproducir estos flujos. Una forma de reducir este problema es introducir un trmino de error en las ecuaciones o eliminar las inconsistencias de
antemano.
Se pueden tambin identificar dos causas de inconsistencia en los flujos;
la primera es simplemente el hecho de que los errores en los aforos pueden
llevar a situaciones en las que el flujo total hacia un nodo no sea igual al
flujo total desde el mismo nodo, no cumplindose de esta manera las condiciones de continuidad en los flujos. La segunda causa es el desajuste entre el
modelo de asignacin de trfico utilizado y los flujos observados. Por ejemplo,
un modelo de asignacin puede no asociar viajes a un arco que tiene un flujo
observado (aunque ste puede ser pequeo). En estas condiciones no habr
MODELOS
DE
TRANSPORTE
Figura 12.3.
6
2
(b)
10
3
6
2
D
4
D
Estos aforos son inconsistentes quizs porque fueron tomados en das diferentes o simplemente por un error de aforo. Se puede eliminar esta inconsistencia incrementando arbitrariamente los flujos en los arcos (1, 6) o (2, 6)
en un viaje o reduciendo los flujos de los arcos (6, 3) o (6, 4) en un viaje. Se
puede ser algo ms sistemtico y realizar los ajustes necesarios para conservar
las condiciones de continuidad de los flujos. Por ejemplo, si lo que se desea es
minimizar la suma de los cuadrados de los incrementos/reducciones, el cambio
ptimo sera 0,25 viajes en cada arco.
Un mtodo alternativo es buscar una solucin de mxima verosimilitud a
este problema como sealaron Van Zuylen y Willumsen (1980). Esta solucin
supone que las intensidades de los arcos tienen una distribucin Poisson y que
las observaciones disponibles son muestras de esta distribucin. Se utiliza la
mxima verosimilitud para generar un modelo que produzca estimaciones me-
joradas y consistentes de los flujos. Por otra parte, el calibrado del modelo a
partir de aforos como se seal en el apartado anterior, acepta que haya errores
en los flujos observados. Estos mtodos no estn limitados, por tanto, por los
problemas de independencia y consistencia.
Sea ahora el caso en el que el aforo x sea 7. Puede verse que las condiciones
de continuidad de flujo se cumplen en este caso. Sin embargo, la asignacin
supuesta sealada en la figura 12.3b es incompatible con los flujos mostrados en la figura 12.3a. Ninguna matriz de viajes puede reproducir el aforo de
8 en el arco (6, 3) porque el nico camino que lo utiliza, B-C est limitado a
un mximo de 5 por el arco (2, 6).
El conjunto de ecuaciones lineales que corresponden a este ejemplo viene
dado por:
arco (1, 5)
TAC
=6
(12.27)
arco (5, 3)
TAC
=6
(12.28)
arco (1, 6)
TAD
= 10
(12.29)
arco (2, 6)
TBC + TBD
=5
(12.30)
arco (6, 3)
TBC
=8
(12.31)
arco (6, 4)
TAD + TBD
=7
(12.32)
0,2
p6AC
0,5
MODELOS
DE
TRANSPORTE
nuidades en los flujos son sntomas de errores en los aforos. Parece razonable
desarrollar una tcnica para eliminar las inconsistencias en los flujos de los
aforos y as asegurar que se cumplen las condiciones de continuidad de los
flujos. Por otra parte, un mtodo razonable para tratar la falta de consistencia
a nivel de itinerarios puede ser la adopcin de un mejor modelo de asignacin.
En trminos generales, la consistencia a nivel de flujos es una condicin necesaria pero no suficiente para la consistencia de itinerarios. La condicin de
consistencia de itinerarios es, sin embargo, condicin suficiente para la consistencia de los flujos.
El lector interesado puede verificar que hay solamente siete matrices de
viajes enteras diferentes que pueden satisfacer los flujos observados en el
ejemplo anterior.
12.4.6.
V
t p
a
ij
a
ij
(12.33)
ij
Una segunda limitacin del ME2 es el hecho de que considera los aforos
de trfico como observaciones sin error sobre variables no estocsticas. En
efecto, el modelo da completa credibilidad a los aforos, y utiliza la matriz de
partida slo para compensar el hecho de que los aforos no contienen suficiente
informacin para la estimacin. Sin embargo, esto puede no ser apropiado en
la prctica. Para empezar, se debe tener en cuenta que los aforos no estn libres
de error. Adems de los errores de conteo, existe el problema de las variaciones
temporales (horarias, estacionales) como ya se ha citado anteriormente. Los
aforos obtenidos en diferentes das o a diferentes horas difcilmente pueden
considerarse observaciones sobre una variable no estocstica.
Willumsen (1984) ha sugerido un mtodo para compensar esta segunda
dificultad. Parte de la idea de que las funciones del tipo {X log X / Y X + Y}
pueden tomarse como medidas tiles de la diferencia entre X e Y. A partir de
aqu, se construye una funcin objetivo compuesta para satisfacer la siguiente
expresin:
Minimizar S3 (Tij log Tij / tij
Tij Tij ) a (Va log Va / va
Va va )
ij
(12.34)
donde:
Va es el valor real del aforo de trfico en a.
va es el valor de una observacin del flujo realizada en a.
a es un factor de ponderacin que depende de la confianza depositada
en la observacin va.
El uso del mtodo de Lagrange conduce a la siguiente solucin:
pa
Tij tij X a ij
(12.22)
Va va X a1/a
(12.35)
Este modelo puede resolverse utilizando de nuevo el algoritmo multiproporcional, pero en este caso se necesita tambin corregir las observaciones para
obtener una estimacin mejor de los verdaderos valores de los flujos. Obsrvese
que si a es muy grande, es decir, si se asigna un peso alto a los aforos que se
cree son muy precisos, Va tender hacia a. En el lmite con a
=
se
v uelve
al modelo original en el que Va = va. Por otra parte, cuanto ms pequeo sea
a ms grande ser la credibilidad dada a la matriz de partida t.
MODELOS
DE
TRANSPORTE
(12.36)
12.4.7.
(12.19)
Tij / tij
(12.37)
ij
ij
ij
y
Tij
0
Adems de esto, Bell sugiere el uso del mtodo de Newton-Raphson para
resolver el modelo con una estimacin iterativa de . Alternativamente se puede
aceptar un valor inicial de , resolver el modelo estndar utilizando un mtodo
multiproporcional y posteriormente comprobar si es consistente con la ecuacin
(12.37). Se debe repetir el ciclo hasta que el valor de converja.
La utilizacin del algoritmo de Newton-Raphson ofrece ventajas en trminos de tiempo de clculo y es tambin til para conocer el efecto de los
errores en los aforos sobre la matriz de viajes estimada (Bell, 1983). Este tipo
de anlisis de sensibilidad es alternativo al tratamiento de los errores de los
aforos mencionado anteriormente. Sin embargo, el mtodo de Newton-Raphson
requiere una gran cantidad de memoria y por ello est restringido a redes de
tamao medio.
Una variante a la funcin objetivo estndar (S1) es linealizarla utilizando el
desarrollo en serie de Taylor, o construir una formulacin de mnimos cuadrados generalizada. En ambos casos se trata tambin de minimizar la diferencia
entre las matrices de partida y estimada, sujetas a la misma restriccin (12.19).
Bell (1984) sugiri la solucin de expansin de series de Taylor, mientras que
McNeil y Hendrickson (1985) y Cascetta (1984) han desarrollado versiones en
las que se utilizan mtodos de mnimos cuadrados generalizados. Un problema es que bajo determinadas circunstancias estos modelos producen celdas
negativas en la matriz de viajes estimada, especialmente cuando la matriz de
referencia tiene originalmente valores pequeos. ste no es un caso poco frecuente y por tanto esta caracterstica del mtodo lo hace poco deseable.
Maher (1983) ha propuesto el empleo de un mtodo bayesiano al problema de la estimacin de la matriz de viajes que en su forma funcional es equivalente al mtodo de los mnimos cuadrados generalizados. Se actualiza una
estimacin inicial de la matriz de viajes a partir de los aforos. Se supone que
ambos son variables con distribucin normal multivariada con covarianzas
conocidas.
Spiess (1987) ha desarrollado un modelo de mxima verosimilitud para la
resolucin de este problema. Considera una formulacin especfica donde para
cada par O-D se obtiene tij mediante un proceso independiente de Poisson de
media
ijTij. Esto se corresponde con el problema de tomar una muestra de una
matriz
de
viajes
existente
con
una
tasa
de
muestreo
de
ij < 1. La probabilidad
de observar tij es:
(12.38)
ij
ij
(12.39)
MODELOS
DE
TRANSPORTE
(12.40)
(12.41)
12.4.8.
(12.42)
(12.43)
ijr
sujeto a:
ijr
Dijra V a 0
ijr
y a:
Tijr
0
donde el ndice r
indica
la
r uta
o
camino
elegido,
ijra es 1 si el itinerario r entre
i y j utiliza el arco a y cero en cualquier otro caso.
Siempre se puede reconstruir la matriz O-D {Tij} por agregacin de matrices de flujos {Tijr}. De nuevo, la solucin a este problema es:
Da
(12.44)
Tij Tijr
(12.45)
y:
MODELOS
DE
TRANSPORTE
12.4.9.
Tij Oi
S j k exp ( p p X ijkp )
S d k exp ( p p X idkp )
(12.46)
exp ( p p X ijkp )
exp ( p p X ijmp )
(12.47)
Tij son los viajes entre las zonas i y j, Oi es el nmero total de viajes que se
originan en la zona i, Sj, una medida de la capacidad de atraccin de la zona
j, pijk la proporcin de viajes que utilizan el modo k entre las zonas i y j, Xijkp la
Tij Oi
S j exp ( X ij )
S d exp ( X id )
(12.48)
a
Va
Tij pij
ij
S
V
a
a
(12.49)
MODELOS
DE
TRANSPORTE
Vijk p X ijkp M k
p
(12.50)
donde Xijkp son los valores zonales de nivel de servicio y variables socioeconmicas en el nuevo contexto, y M son parmetros de escala en el sentido
antes sealado y (K 1) un conjunto de constantes especficas a estimar para
cada modo; K es el nmero total de modos.
En este caso se pueden encontrar estimadores de mxima verosimilitud
para y M pero slo es posible garantizar un ptimo nico cuando se fija ,
es decir, cuando slo se actualizan las constantes.
12.4.9.3.
Los principales problemas surgiran si interesase realizar combinaciones mixtas de modos y solamente se dispusiese de aforos para los modos puros. Por
ejemplo, sea el caso de eleccin entre coche, autobs y metro y combinaciones
de ste ltimo con los dos primeros.
Es obvio que incluso si se dispusiera de aforos separados para cada modo
puro, incluiran observaciones correspondientes a los movimientos mixtos.
Si se reduce el problema a una agregacin modal y se est interesado en la
estimacin del parmetro de escala y de un conjunto de constantes para los
modos puros, el problema puede resolverse utilizando una formulacin de
mnimos cuadrados generalizada similar a la indicada en (12.49), como qued
demostrado por Ortzar y Willumsen (1991).
12.4.9.4.
Supngase que se desea actualizar y M de (12.50) y hay disponibles observaciones de repartos modales agregados Pk y conjuntos de aforos de pasajeros
observados V para cada modo en competencia. El problema puede formularse
como de mxima verosimilitud o como de mnimos cuadrados generalizado.
En el primer caso, se tendrn diferentes funciones a maximizar y por tanto
diferentes condiciones de primer orden y ptimos, dependiendo de las hiptesis adoptadas sobre la distribucin de los errores de aforo. Las hiptesis ms
habituales han sido las de distribucin multinomial, distribucin Poisson independiente y Normal independiente (ver Tamin y Willumsen, 1992). Como se
puede suponer que los datos de aforos son independientes de los datos de los
repartos modales agregados, la funcin del logaritmo de la verosimilitud toma
12.5.
12.5.1.
MODELOS
DE
TRANSPORTE
12.5.2.
Modelos de corredor
En los estudios de corredores surge una oportunidad tpica para simplificar las
tareas de modelizacin sin comprometer demasiado el realismo. Los corredores
son grupos simplificados de infraestructuras de transporte, bsicamente lineales, que a veces combinan carreteras de alta capacidad y arterias con restriccin
de accesos, con servicios de ferrocarril y de autobs. La naturaleza lineal de
estas infraestructuras puede ayudar a simplificar la modelizacin. Puede ser
suficiente modelizar el corredor lineal y considerar nicamente los puntos de
12.5.3.
MODELOS
DE
TRANSPORTE
1. Definicin del problema. Los pliegos de condiciones del estudio, si estuvieran disponibles, deberan facilitar la identificacin de los principales
elementos del problema, ya sea un proyecto de inversin concreto o ya sea
la consideracin de una nueva actuacin de poltica en transportes. Los
pliegos de condiciones, sin embargo, no eximen al analista de identificar
consecuencias ms amplias de las alternativas a considerar.
2. Identificacin de la poblacin relevante y del impacto potencial del proyecto. En esta etapa se trata de identificar los impactos ms probables de
un proyecto o actuacin y los segmentos de poblacin que probablemente
se veran afectados. En principio cualquier cosa puede afectar a cualquier
otra, pero se deben tratar de identificar los efectos de primer orden y aquellos que ms probablemente perciban (prdidas o ganancias) los costes y
beneficios del proyecto.
3. Identificacin de los recursos tcnicos disponibles para analizar los principales impactos del proyecto en la poblacin relevante. La existencia de
datos, quizs no actualizados, de otros estudios y modelos y, especialmente
la experiencia local, pueden jugar un papel importante para ofrecer asesoramiento rpido y slido a los gestores. La actualizacin de los conjuntos
de datos y el ajuste de los modelos existentes requiere normalmente menos
recursos que empezar desde cero. El conocimiento local puede ser crucial
en esta fase.
4. Seleccin de modelos generales y de demanda marginal. Un elemento
clave de este mtodo es el uso de un modelo ms agregado y tosco para
estimar el nivel general de demanda y un modelo ms detallado de demanda
marginal para identificar los impactos especficos del proyecto sobre la
demanda general antes hallada. La eleccin de los modelos generales y
de demanda marginal depende de la naturaleza del problema y de los recursos tcnicos disponibles. El modelo de demanda marginal se aplica a la
poblacin relevante solamente y debera, por supuesto, ser capaz de discriminar los impactos del proyecto y/o de las actuaciones sobre esa poblacin.
Al seleccionar estos modelos es importante contemplar la viabilidad de su
implementacin y utilizacin dentro del marco temporal y de recursos del
estudio. Las hiptesis de simplificacin adoptadas en esta fase deben estar
convenientemente documentadas.
5. Implementacin de los modelos y conjuntos de datos. Los modelos generales y de demanda marginal se instalan en un ordenador junto con los
conjuntos de datos a utilizar y actualizar como parte del estudio. En muchos
Trminos de referencia
Identicacin
de
la
poblacin
e impacto potencial
Recursos tcnicos disponibles
Seleccin de antecedentes (BM) y modelos
de demanda marginal (MDM)
Implementacin de modelos
y conjuntos de datos
Aplicacin de BM
al ao base
Aplicacin de BM
al ao de previsin
Aplicacin de MDM
al ao base
Aplicacin de MDM
al ao de previsin
Evaluacin e indicadores
Anlisis de sensibilidad
de variables clave
casos ser necesario desarrollar programas cortos para pasar los datos a
formatos adecuados y realizar las comprobaciones necesarias y la produccin de informes.
6. Aplicacin de los modelos generales y de demanda marginal al ao base y
su validacin. Esto puede requerir alguna toma de datos adicional, idealmente a pequea escala.
7. Aplicacin de los modelos generales y de demanda marginal para la prognosis en aos futuros. Esto requerir, en primer lugar, proyectar los valores de las variables de planificacin para esos aos y despus aplicar los
modelos con y sin proyecto o bajo diferentes opciones de actuacin en
poltica de transportes.
MODELOS
DE
TRANSPORTE
El estudio completo fue realizado en cuatro meses. El anlisis coste-beneficio predijo una rentabilidad razonable de la inversin. La ampliacin del metro
se llev a cabo ms tarde y los resultados confirman lo apropiado del estudio.
12.6.
JUEGOS DE SIMULACIN
MODELOS
DE
TRANSPORTE
MODELOS
DE
TRANSPORTE
simetra que se impone a la ciudad simplifica el modelo acelerando el aprendizaje del usuario y mejorando el tiempo de ejecucin en el ordenador.
Juegos como GUTS pueden mejorar la planificacin de transportes de
varias formas. En primer lugar, en su modo habitual como herramienta
de aprendizaje, pueden utilizarse para la educacin de nuevos miembros de
un equipo y para desarrollar un lenguaje comn en toda la organizacin. En
segundo lugar, un modelo de este tipo puede contemplarse como una herramienta simple de planificacin simplificada con gran valor para la discusin
de amplias opciones de poltica de transportes y concepciones particulares de
los gestores. GUTS y programas similares no son sustitutos de los modelos a
gran escala pero pueden contribuir a llenar la brecha existente entre estrategias
de alto nivel de agregacin y estudios especficos de modelizacin.
Un tercer elemento a considerar es el uso de herramientas de esta clase
como demostracin de las ventajas y limitaciones de los modelos matemticos.
Los dos extremos de rechazo total de los modelos de transporte o de su aceptacin a ciegas estn todava presentes en gran parte de las organizaciones
polticas y de planificacin. La simplicidad evidente de un juego de simulacin
combinada con su capacidad para representar las interacciones entre los modelos y las decisiones, ofrece un buen ejemplo de lo que puede obtenerse con
un enfoque de modelizacin formal. La utilizacin y posterior crtica del juego
por parte de los polticos y planificadores les ayudara a comprender mejor las
actividades e intereses correspondientes.
El desarrollo y distribucin extendida de juegos de esta clase puede jugar
un importante papel en la mejora de la conciencia pblica sobre los problemas
de transporte, el papel de estrategias alternativas para resolverlos, sus implicaciones para la localizacin de recursos y la calidad de vida. El Gobierno
Holands ha sido pionero de estos mtodos mediante el desarrollo y la distribucin de un programa, Orculo de Trfico, para microordenadores que
permite la simulacin y discusin de diferentes escenarios futuros y polticas
de planificacin y gestin de transporte en Holanda.
EJERCICIOS
12.1. La red de la figura 12.5 representa un rea pequea con dos orgenes, A
y B y dos destinos, Y y Z. Se han realizado aforos de trfico de los volmenes
de coches que utilizan la red con los siguientes resultados:
Arco
Volumen
M-N
N-P
P-Q
400
700
500
A
B
100
80
50
200
Figura 12.5.
12.2. La red de la figura 12.6 representa los arcos que conectan dos orgenes, A y B y dos destinos, C y D en un pas en desarrollo. Las poblaciones de
los dos orgenes son 10.000 y 20.000 habitantes respectivamente y los mercados que se encuentran en C y D son igual de atractivos en trminos de tamao
y precio. Las distancias de los arcos (en km) estn indicadas en la figura.
A
10
8
11
C
1
Y
Figura 12.6.
MODELOS
DE
TRANSPORTE
Personas/da
A-X
X-Y
Y-D
3.400
11.900
4.100
Tij
bPD
d
n
i
j ij
D d
j
n
ij
donde Pi es la poblacin de la zona i, Dj es el ndice de atraccin para el mercado de la zona j y dij es la distancia de viaje entre i y j. Prubense al menos
dos valores de la potencia n, incluyendo n = 2 y n = 2,5.
12.3. Tres pueblos A, B y C estn conectados por un ro navegable en un
pas subdesarrollado. El pueblo A tiene una poblacin de 1.000 habitantes, el B
est a 30 km ro abajo y tiene una poblacin de 2.000 habitantes; el pueblo C est
a 10 km del B con una poblacin de 300 habitantes. El valor de las mercancas
vendidas en cada pueblo al da es de 500, 600 y 600 pesos respectivamente.
Dos observadores han pasado un tiempo tomando aforos direccionales de
los pasajeros que viajan en barco por el ro, con los siguientes resultados:
Seccin del ro
A-B
B-A
B-C
C-B
45
60
360
560
12.4. La elasticidad de la demanda de autobuses a la tarifa en una determinada regin toma un valor tpico de 0,3. El viajero medio entre la zona A y
el centro de la ciudad (CBD) tiene que pagar normalmente una tarifa de $2 por
viaje. La participacin del autobs respecto al total de viajes entre A y el CBD
es del 60%, utilizando el resto de los viajes el vehculo privado o el metro.
Si el nmero total de viajes entre ambas zonas es de 2.000, estimar la
prdida de clientes de los autobuses, utilizando el mtodo logit incremental, si
la tarifa se eleva a $3 por viaje, siendo iguales el resto de parmetros. Comparar los resultados con el clculo ms elemental a partir de elasticidades. Discutir
los resultados. (Sugerencia: dada la expresin simple para la elasticidad logit
directa, estimar el parmetro c a partir de los datos).
13.
Otros tpicos de inters
13.1.
13.1.1. Importancia
La mayor parte de este libro se ha concentrado en la modelizacin de la demanda de viajeros con especial nfasis en los problemas urbanos. Sin embargo,
MODELOS
DE
TRANSPORTE
Durante bastante tiempo la congestin urbana ha tenido prioridad en la agenda poltica de la mayora de los pases industrializados y en este tema los movimientos de pasajeros juegan un papel mucho ms importante que los movimientos de mercancas.
El movimiento de mercancas implica ms actores que el movimiento de
viajeros; existen empresas industriales que envan y reciben mercancas, los
agentes que organizan las entregas y los modos de transporte, transportistas
que transportan las mercancas, y muchos otros operadores que organizan
el transbordo, almacenamiento y servicios de aduana. En algunos casos
coinciden dos o ms de ellos, por ejemplo los operadores por cuenta propia,
aunque siempre existen objetivos contrapuestos que son realmente difciles
de modelizar en detalle en la prctica.
Las tendencias recientes en la investigacin del transporte de mercancas
se han concentrado en enfatizar el papel que juega el control de inventarios
y gestin de stock en el proceso general de produccin. Estas tendencias se
alejan de las tcnicas ms tradicionales de modelizacin de viajeros y poco
tienen que ver con ellas (vase Regan y Garrido, 2002).
En este apartado se resumirn los mtodos existentes en la literatura actual
para modelizar la demanda de transporte de mercancas. Se comienza con un
anlisis de las principales dificultades asociadas con este tipo de modelizacin.
A continuacin se estudia lo que probablemente es el mtodo ms tradicional
para tratar el problema, es decir, la adaptacin del modelo convencional de
demanda agregada de cuatro etapas al caso de las mercancas. Tambin se
tratan algunas extensiones de la metodologa desagregada, cerrndose este
epgrafe con algunas consideraciones prcticas para la implementacin de estos
conceptos. Para ms detalles vase el interesante libro de Harker (1987).
13.1.2.
Tal y como en el caso de la demanda de viajeros, es til en primer lugar considerar los factores que deberan influir en el movimiento de mercancas. La
lista que se muestra a continuacin no es exhaustiva, pero cubre los ms importantes:
Factores de localizacin. El transporte de mercancas es siempre una demanda derivada y normalmente forma parte de un proceso industrial. Por lo
tanto, la localizacin de las fuentes de materia prima y de otros componentes
13.1.3.
Normalmente es muy difcil conseguir datos fiables sobre los precios del transporte de mercancas. Por ejemplo, en Europa, tanto el transportista como su
cliente procuran mantenerlos confidenciales para mejorar su posicin al llegar el momento de negociarlos. Los factores que afectan a las tarifas o a las
imputaciones del coste, y por lo tanto, a la eleccin del modo, pueden ser los
siguientes:
La duracin de los contratos de suministro. Puede obtenerse mejor precio
si el agente garantiza una demanda por uno o ms aos en lugar de un solo
MODELOS
DE
TRANSPORTE
13.1.4.
La gran mayora de los modelos de demanda de mercancas que se han aplicado en la prctica son del tipo agregado (vase por ejemplo Van Es, 1982;
Friesz et al., 1983; Harker, 1985). Estas aplicaciones siguen el modelo clsico
de cuatro etapas con algunas adaptaciones especficas para este tipo de transporte. Un ejemplo muy tpico de este enfoque es el trabajo realizado por Kim
Las tcnicas utilizadas para obtener la suma de los viajes generados dependen del nivel de agregacin originalmente previsto y del tipo de productos en
cuestin:
Para algunos productos homogneos como son el azcar, los productos derivados del petrleo, el mineral de hierro, el carbn, el cemento, los fertilizantes, el grano, etc., se pueden realizar encuestas directas sobre la oferta y la
demanda. stas pueden pronosticarse con los estudios de la propia industria
o sector. Este mtodo es til para los movimientos interurbanos pero no se
recomienda para problemas urbanos.
El uso de modelos macroeconmicos, por ejemplo, utilizando tablas inputoutput basadas en datos regionales en lugar de nacionales.
Los mtodos de factor de crecimiento, tal y como los que se estudian en el
Captulo 4, se han utilizado frecuentemente en la prognosis de atracciones
y generaciones.
A menudo se utiliza la regresin lineal mltiple a nivel zonal para obtener
medidas ms agregadas de la generacin y atraccin de mercancas, especialmente en reas urbanas.
La demanda puede asociarse con la capacidad de los almacenes o con la
superficie total de las reas comerciales en cada zona (estudios urbanos) en
lugar de asociarla con los desarrollos industriales.
13.1.4.2.
Modelos de distribucin
MODELOS
DE
TRANSPORTE
(13.1)
donde
k es un ndice del tipo de mercanca;
Tijk son las toneladas del producto k transportado desde i hasta j;
Aik, Bjk son factores de balanceo con su tpica interpretacin;
Oik, Djk son la oferta y la demanda del producto k en la zona i y j;
k son parmetros de calibracin, uno por cada producto k; y
Cijk son los costes generalizados de transporte por tonelada del producto k
entre las zonas i y j.
La idea de utilizar una frmula de funcin de costes generalizados para
la demanda del transporte de mercancas se debe, aparentemente, a Kresge y
Roberts (1971). sta se puede interpretar de la siguiente forma (quitando el
superndice k para simplificarla):
(13.2)
en la que:
ij es la tarifa asociada a la utilizacin de un servicio desde i hasta j;
sij es el tiempo para viajar puerta a puerta entre i y j;
sij es la variabilidad del tiempo de viaje s;
wij es el tiempo de espera o retraso desde el momento de pedir el servicio
hasta recibirlo; puede ser grande para el transporte martimo por ejemplo;
pij es la probabilidad de prdidas o dao de la mercanca durante el trnsito.
Todos estos factores dependen tambin del modo a utilizar y hasta cierto
punto del producto que se transporta. Las constantes bn son, en general, pro-
(13.3)
ij
s.a.
ij
Dj
(13.4)
Oi
(13.5)
ij
MODELOS
DE
TRANSPORTE
Esencialmente, es decisin del agente qu transporte se va a utilizar para entregar los bienes en su destino. Cuando se modeliza a este nivel tan agregado,
la eleccin del modo frecuentemente se trata utilizando una formulacin de
logit multinominal basada en los costes generalizados, tal y como se ha descrito
anteriormente. Esto puede resultar muy aproximado porque la informacin slo
captura aquellos elementos de la eleccin de modo que se han incorporado en
el concepto de costes generalizados visto anteriormente.
Las decisiones que toma el agente dependen, por supuesto, de las tarifas
aplicadas por los transportistas, las cuales tambin dependen de los volmenes
que mueven entre cada par O-D. Ya que el tamao de muchos de los envos es
significativo en trminos de cmo influyen en las tarifas de los transportistas,
existen ciertas interacciones dentro de la eleccin del modo que van ms all
de las que se dan entre los pasajeros y las empresas de transporte pblico. Este
problema a menudo se ignora en los niveles altos de agregacin.
En el caso de los flujos de mercancas dentro de un rea urbana la eleccin
del modo es trivial, ya que la cobertura de los modos que no son de carretera
es extremadamente limitada.
13.1.4.4.
Asignacin
Es problema del transportista decidir la mejor ruta para llevar los bienes desde
su origen hasta su destino. En cierta medida ste es el problema menos difcil
de resolver. La utilizacin de restricciones de capacidad es probablemente
relevante en la mayora de las situaciones urbanas. Por otra parte, en el caso
del transporte interurbano puede ser suficiente usar un modelo de asignacin
estocstico. Sin embargo, es posible argumentar que diferentes tipos de vehculos deben modelizarse de formas diferentes; por ejemplo, las furgonetas
ligeras pueden ser menos sensibles a la orografa de una ruta que los camiones
pesados; tambin, los vehculos que llevan bienes perecederos pueden dar ms
prioridad a la reduccin del tiempo de viaje que los que llevan, por ejemplo,
carbn a granel. Por lo tanto, se puede justificar el uso de mtodos de asignacin
de clases mltiples para trabajar con esta diversidad de conceptos de coste.
13.1.4.5.
Equilibrio
MODELOS
DE
TRANSPORTE
13.1.5.
Enfoques desagregados
MODELOS
DE
TRANSPORTE
martimo internacional de carga. Fowkes y Tweddle (2000) tambin han empleado este tipo de enfoque. Los esfuerzos futuros en esta direccin probablemente sern fructferos tanto desde el punto de vista de la investigacin como
en la prctica.
13.1.6.
13.2.
13.2.1.
MODELOS
DE
TRANSPORTE
13.2.3.
(13.6)
MODELOS
DE
TRANSPORTE
Base econmica
MODELOS
DE
TRANSPORTE
13.2.4.
13.2.5.
Un mtodo interesante para la prognosis de la poblacin y el empleo y su asignacin a zonas, consiste en internalizar las variables de planificacin exgenas
en un modelo integrado de uso del suelo y transporte. ste ha sido un campo de
investigacin muy activo desde principios de los aos sesenta; ver por ejemplo
MacLoughlin (1969), Wilson et al. (1977) y Foot (1981). No obstante, despus
de un perodo inicial de declarado optimismo acerca del xito de estos modelos,
los investigadores se han vuelto ms modestos en sus aspiraciones al respecto
(vase Mackett, 1985).
La interaccin entre transporte y uso del suelo tiene doble importancia; en
primer lugar, si las estrategias de transporte cambian la accesibilidad de forma
significativa, cambiar la demanda por suelo generando nuevos desarrollos en
algunos lugares; posteriormente, esto afectar a los patrones de viajes (matrices
de viajes) y, por lo tanto, tendr un impacto sobre el rendimiento del sistema de
transportes. En segundo lugar, los cambios en el atractivo de algunos lugares
afectarn al valor de su suelo; esto se puede interpretar como la capitalizacin
de beneficios a usuario en los precios de suelo e implicar una transferencia de
beneficios a los propietarios. El tema de la capitalizacin plantea la pregunta
de quin gana y quin pierde como consecuencia de un plan de transporte, y
cmo las autoridades locales pueden recuperar, de los propietarios, una parte
del incremento en los precios del suelo.
13.2.5.1.
Modelo de Lowry
MODELOS
DE
TRANSPORTE
servicios para cada zona; se supone que los diferentes tipos de empleo en el
sector de los servicios tienen diferentes umbrales mnimos de viabilidad en
cualquiera de las zonas.
Las ecuaciones bsicas del modelo de Lowry pueden escribirse as:
P = EA
(13.7)
ES = PB
(13.8)
E = Eb + ES
(13.9)
donde
P es un vector de poblacin en cada zona i.
E es un vector de filas para el empleo total en cada zona i.
Eb y ES son vectores de fila para el empleo bsico y no bsico (servicios)
en cada zona i.
A y B son matrices zona-a-zona de accesibilidad lugar de trabajo-vivienda
y vivienda-centro de servicios.
Las variables de accesibilidad tienen dos componentes, la primera corresponde a la tasa de participacin en cada zona (hogares por empleado para A
y empleo en servicios por hogar para B) y la segunda corresponde a ndices
adecuados de accesibilidad. Normalmente se calculan como:
Aija
E j exp( Cij )
E exp(
C )
j
(13.10)
ij
ij
(13.11)
ij
que otros por un incremento de accesibilidad, lo cual influye en los precios del
terreno y en el tipo de desarrollo que se lleve a cabo en diferentes zonas.
El modelo integrado de uso del suelo y transporte ha sido informatizado
en diversos programas disponibles en el mercado. Para asegurarse de que el
modelo sea tratable, se requiere cierto compromiso en el nivel de detalle de la
parte correspondiente al modelo de transporte; la esperanza es que lo que se
pierde en riqueza de la representacin del transporte se compense ampliamente
por las ganancias en la prognosis del empleo, poblacin y localizacin de hogares en el rea del estudio. Sin embargo, un inconveniente importante de estos
modelos es que pueden sufrir gravemente de problemas de convergencia debido
a sus mecanismos de equilibrio extremadamente complejos. Para comparar las
diferentes implantaciones y extensiones de este enfoque, se dirige al lector a
Webster et al. (1988).
13.2.5.2. El modelo puja-eleccin (bid-choice)
Un enfoque ms contemporneo ha sido el adelantado por Martnez (1991), el
cual sigue dos lneas de modelizacin. La primera, propuesta originalmente por
Alonso (1964), es un modelo de oferta: el terreno se asigna al que presenta la
mayor puja. La proporcin Ph/i de clientes tipo h que hacen una puja ganadora
para un lugar i dado, depende de si la disponibilidad a pagar de h DAPhi, es la
ms alta entre los pujadores g H. La suposicin de que DAPhi es una funcin
de los atributos de la parcela y el pujador, ms un trmino de error distribuido
IID Gumbel, lleva a una expresin tipo MNL:
Ph / i
H h exp ( DAPhi )
g H g exp ( DAPgi )
(13.12)
(13.13)
MODELOS
DE
TRANSPORTE
CShi =DAPhi
pi
Bajo algunas suposiciones simplificadoras la proporcin Ph/i de consumidores h que eligen el lugar i viene dada por:
Ph / i
Si exp DAPhi
pi
S j exp DAPhj
p j
(13.14)
Introduccin
MODELOS
DE
TRANSPORTE
13.3.2.
Parece claro que la tasa de motorizacin (por ejemplo, coches/individuo) no debera incrementarse de forma indefinida con el tiempo (es decir, por lo general
la gente que posee carnet de conducir no tiene varios coches por persona); por
esta razn las curvas de incremento normalmente presentadas para modelizar
este fenmeno tienen forma de S. Si el nmero de coches/persona en EE.UU. y
en el Reino Unido se grafican contra el tiempo, se consiguen aproximadamente
las formas mostradas en la figura 13.1.
Una curva que ha resultado popular en este campo ha sido la logstica,
promovida por Tanner (1978). Para ajustarla se necesitan los tres parmetros
siguientes:
C0, tasa de motorizacin en el ao base (coches/persona);
g0, tasa de incremento en la tasa de motorizacin en el ao base, dada por
1 dc
evaluada en t = 0;
C dt
S, nivel de saturacin de la tasa de motorizacin.
EE.UU.
Coches por persona
0,5
0,4
Reino Unido
0,3
0,2
0,1
0
1950
1960
1970
1980 85 1988
Ao
Figura 13.1.
dC
aCt ( S
Ct )
dt
(13.15)
Ct
S
1 b exp (
aSt )
(13.16)
g 0 a ( S C 0 ) y C0
S
1 b
Ct
S
S
C0
g 0 St
1
exp
C0
S
C0
(13.17)
MODELOS
DE
TRANSPORTE
g =
+
Ct
* *
*
*
*
*
*
*
**
*
**
*
S
Coches/persona
Incremento porcentual
14
12
10
8
6
4
2
0
EE.UU.
* Reino Unido
*
************ **
* *
**
0
0,1
0,2
0,3
0,4
0,5
0,6
Coches/persona
Tabla 13.1.
Ao base
Crecimiento previsto
En el ao base
Crecimiento actual
1960
0,11
0,28
1,14
1964
1966
1968
1969
1971
1972
0,16
0,18
0,20
0,21
0,22
0,23
0,32
0,31
0,30
0,28
0,27
0,26
1,57
1,67
1,84
1,66
1,62
1,48
impuesto de circulacin, los impuestos de importacin, el precio del combustible, etc. sobre la propiedad de coches. El mtodo tampoco considera
la influencia de variables econmicas; por lo tanto, si la correlacin entre
estas variables cambia con el tiempo pueden obtenerse resultados perversos (por ejemplo, considrese el efecto del incremento en la propiedad de
coches producido por la crisis del petrleo en 1973, o el efecto mencionado
anteriormente de la reduccin de impuestos en Chile).
2. S se supone constante; sin embargo, puede que esto en la prctica no sea
as, ya que las actitudes suelen cambiar con el tiempo.
3. El modelo no produce informacin sobre diferentes tipos de coches o, an
ms importante para la planificacin, sobre la proporcin de personas que
pertenecen a hogares con 0, 1, y 2 o ms coches.
MODELOS
13.3.3.
DE
TRANSPORTE
Mtodos economtricos
P0
1
P0
P2
P1
A0 I
bo
c0
a1 exp ( b1 I ) D
(13.18)
c1
P0 P1 P2 1
(13.19)
(13.20)
donde I es el ingreso anual por hogar (miles de $), D es el nmero de residentes por acre y Pi la probabilidad de tener 0, 1, y 2 o ms coches; ai, bi y ci son
parmetros a estimar.
Sustituyendo P1 de (13.20) en (13.19) y tomando logaritmos se obtiene:
log
P2
log a1 b1 I
c1 log D
1
P0
P2
(13.21)
log
P2
b1 I constante
1
P0
P2
Es instructivo tener en cuenta que mientras suben los ingresos (I), tambin
sube el lado izquierdo de la ecuacin (13.21); por tanto se puede deducir que
(1 P0 P2) tiende a cero o lo que es lo mismo, P2 tiende a (1 P0). Sin embar-
go, ya que P0 es casi cero para los ingresos altos, significara que P2 tendera a
1 y obviamente esto no es correcto ya que se esperara un lmite menor. Este
nivel superior o nivel de saturacin (S) de P2, puede incorporarse al modelo
mediante el ajuste de (13.21), resultando:
log
P2
log a1 b1 I
c1 log D
S (1
P0 )
P2
(13.22)
P1
P0
Ingreso
Figura 13.4.
Ejemplo 13.2: teniendo en cuenta los datos de la siguiente tabla y suponiendo un valor de S = 0,78, calcular los parmetros de los modelos de Quarmby y
Bates para un valor fijo de densidad residencial.
Ingreso
P0
P1
P2
1
2
3
4
5
6
0,61
0,35
0,22
0,16
0,10
0,08
0,34
0,47
0,44
0,37
0,30
0,24
0,05
0,18
0,34
0,47
0,60
0,68
MODELOS
DE
TRANSPORTE
log
P0
log a0
b0 log I
1
P0
log
P2
loga1 b1 I
0, 78(1
P0 )
P2
P0 1
P (1 )
P1 P (1 )
P (2 )
P2 P (2 )
pero debe destacarse que los niveles de saturacin son diferentes a los de Tanner. El modelo entonces presenta la siguiente forma:
Pt (1 )
S (1 )
I
b1
1 exp
a1 t
pt
(13.23)
Pt (2 )
S ( 2 )
I
1 exp
a2
b2 t
pt
(13.24)
donde (It / pt) es el ingreso anual del hogar (/semana) deflactado por un ndice
de precios de coches. El modelo se estim utilizando datos britnicos correspondientes al perodo 1969-75, dando los siguientes valores para los parmetros:
a1 7, 76 b1 2, 26
S (1 ) 0, 95
a2
3, 76 b2 0, 04 S (2) 0, 60
Para realizar estimaciones a futuro es necesario suponer una cierta distribucin de ingreso (por ejemplo, del tipo Gamma); tambin, para convertir los resultados modelizados en coches/persona (Cp) es necesario emplear datos censales. Por ejemplo, Bates et al. (1978) propusieron la siguiente regla de conversin:
C p P (1 ) 2,17 P (2)
Finalmente para obtener coches/hogar se requiere informacin acerca del
nmero medio futuro de personas por hogar.
13.3.3.3. Modelos de posesin y utilizacin de coche
Khan y Willumsen (1986) argumentaron que en los pases en proceso de desarrollo, el crecimiento de la tasa de motorizacin (y uso de coches) compromete
los futuros recursos en inversiones adicionales en carreteras y su mantenimiento. Insistieron en que la posesin de coche debe considerarse como una variable
poltica ms que como un factor exgeno; para apoyar estas ideas, desarrollaron
modelos de posesin y uso de coche sensibles a polticas y los estimaron utilizando datos de diferentes pases y perodos de tiempo. Estudiaron diversas
formas funcionales, de las cuales uno de los modelos ms tiles es:
log C1.000 = 361 + 70,5 log GNPH 0,373 log PURTAX 2,58 log OWNTAX
0,682 log IMPDUTY 29,4 log FUELPR 2,04 log POPDEN
2
R = 0,86
donde C1.000 es el nmero de coches por 1.000 habitantes, GNPH es el producto
interior bruto por persona, PURTAX es el impuesto de compra asociado a los
coches; OWNTAX el impuesto asociado a la propiedad de coche, IMPDUTY
MODELOS
DE
TRANSPORTE
el impuesto de importacin de los coches, FUELPR el precio por litro de combustible y POPDEN es la densidad de la poblacin.
Se desarroll un segundo modelo para estimar el kilometraje anual medio
por coche, KM/C:
log KM/C = 5,76 0,434 log GNPH 0,368 log FUELPR 0,67 log ROADPOP
donde ROADPOP es la longitud de carretera pavimentada per cpita.
Finalmente, Khan y Willumsen (1986) desarrollaron tambin un modelo de
anlisis donde el nmero total de coches, los coches-km, consumo de combustible, ingresos por impuestos, y costes de inversin en carreteras y su mantenimiento, se calcularon para uno o ms aos en el futuro. Esto permite comparar
polticas alternativas respecto de impuestos de compra-venta e importacin y de
construccin de carreteras, en trminos de los costes implicados para el pas.
En la figura 13.5 se muestra la estructura general de estos modelos.
Costes
impuestos
Otros insumos
PNB poblacin
Modelo
de previsin
Uso coche
coche-km
Flota
de vehculos
Otros insumos
Modelo
de anlisis
Gastos en carreteras
Ingresos
Gastos en carreteras
Importaciones de combustible
Figura 13.5.
13.3.4.
Comparaciones internacionales
V * exp ( e I )
(13.25)
donde
y
son valores negativos. El parmetro define el nivel de saturacin,
ya que para < 0:
lim
V*
I md
El
parmetro
especifica
el
valor
de
la
f uncin
en
I = 0, es decir:
VI* 0 e
Ya que el nivel de saturacin no puede ser 0, el valor de la funcin de
Gompertz
se
aproxima
a
0
mientras
crece
negativamente.
La funcin de Gompertz tiene una elasticidad a largo plazo que puede
calcularse mediante la correspondiente diferenciacin:
LR Ie I
(13.26)
MODELOS
DE
TRANSPORTE
I ME
(13.27)
M e 1 0, 3678
(13.28)
Vt Vt
1 (Vt
Vt
1 )
donde es la velocidad de ajuste (0 <
< 1) y Vi es la posesin de coche en el
tiempo t. Esto se convierte en:
Vt exp( e It ) (1 )Vt 1
(13.29)
V jt exp ( e
j I jt
) (1 ) V jt 1
(13.30)
13.4.
13.4.1.
MODELOS
DE
TRANSPORTE
Posteriormente los modelos de eleccin modal para ingresos fijos introducidos inicialmente como enfoque de la tasa de gastos (Jara-Daz y Farra, 1987;
Jara-Daz y Ortzar, 1989), corroboraron tambin un valor del tiempo de viaje no necesariamente relacionado con la tasa salarial. El resultado de este
grupo de artculos fue un marco en el que las acciones econmicas del individuo se observaban como si maximizaran una funcin de utilidad que dependa
de todas las actividades llevadas a cabo y de todos los bienes consumidos,
sujeto a tres tipos de restricciones: un presupuesto econmico, una restriccin
de tiempo y una serie de relaciones tcnicas entre bienes y tiempo (Jara-Daz,
1988).
Hasta ahora, se ha demostrado que el SVT refleja el valor de relajar el requisito de tiempo mnimo de viaje. Analticamente esto es el ratio entre el multiplicador correspondiente a esa restriccin y la utilidad marginal del ingreso
(Marginal Utility of Income o MUI) y se puede demostrar que es igual al valor
del tiempo como recurso (o, de forma equivalente, el valor del ocio) menos el
valor de la utilidad marginal de viajar. El primero representa el valor de reasignar el tiempo de viaje ahorrado a otras actividades y viene dado de forma
analtica como el ratio entre el multiplicador de la restriccin de tiempo y la
MUI. El segundo, en cambio, es el valor perdido, en trminos de utilidad directa, debido a que se viaja menos, y debera ser negativo. El SVT, por tanto,
es la suma del valor del tiempo libre ganado y el valor de la reduccin de una
actividad no placentera. Es importante destacar que si el individuo elige su
horario del trabajo (horas trabajando) a una determinada tasa salarial, ajustar
dicho horario hasta que el valor del ocio iguale al valor del trabajo; ste es igual
a la suma del dinero ganado (la tasa salarial) y el valor de la utilidad marginal
del trabajo (que puede ser positivo o negativo). Jara-Daz y Guevara (2000)
consiguieron estimar modelos simultneos de viajes y actividades, y obtuvieron
no solamente el SVT sino tambin los elementos que lo componen.
Finalmente, comentemos el precio del tiempo de viaje que debera emplearse en evaluacin social de proyectos (valor social del tiempo). La sociedad
no tiene por qu valorar la reasignacin del tiempo de viaje individual al SVT
del individuo. Para el anlisis de viajes discrecionales, el estado del arte es
el trabajo de Glvez y Jara-Daz (1988), que muestra que un precio social del
tiempo apropiado (Social Price of Time o SPT), consistente con un marco de
evaluacin social dentro del campo de la economa del bienestar, debera ser
igual a la razn entre la utilidad marginal del tiempo y lo que ellos llaman la
utilidad social del dinero. sta es dada por una suma ponderada de los MUI
MODELOS
DE
TRANSPORTE
2. Los viajes realizados por cualquier otra razn, incluyendo los viajes al trabajo, subieron en su valoracin desde un 27 a un 43% del ingreso medio
por hora de los adultos empleados a jornada completa (esto es, un incremento del 85%).
3. Para la mayora de los casos ha de utilizarse un valor del tiempo nico y
equitativo; sin embargo, en los casos en los que se considere que la proporcin de nios, pensionistas o adultos empleados difiere de forma significativa de la media nacional, debera estimarse un valor equitativo del tiempo
ad hoc utilizando los valores individuales de cada uno de estos grupos.
4. Para actualizar estos valores, debera utilizarse informacin acerca de los
ingresos reales por hora para cada ao; en el caso de previsiones, tales
ingresos deberan estimarse como funciones del producto interior bruto
per cpita.
5. Los valores del tiempo andando y esperando tendran que tomarse como el
doble del valor del tiempo dentro del vehculo; los que viajen en bicicleta
deberan ser tratados como peatones en este sentido.
6. Los pequeos ahorros de tiempo deberan ser evaluados de forma igual
que los ahorros de tiempo ms significativos.
En 1994 el Departamento de Transporte del Reino Unido encarg un nuevo
estudio sobre el valor del tiempo (ACCENT y HCG, 1996). A continuacin se
resumen algunas de sus conclusiones ms interesantes, que en trminos generales estn de acuerdo con un estudio anterior realizado en Holanda (HCG,
1990) con la misma metodologa:
1. Para cualquier nivel de variacin alrededor del tiempo de viaje original,
las ganancias de tiempo se valoran ms que las prdidas. Para los viajes
no relacionados con el trabajo, generalmente se deberan ignorar variaciones de hasta 5 minutos en el tiempo de viaje. Los viajeros de negocios
son ms sensibles a las ganancias y prdidas de tiempo que los que viajan
diariamente al trabajo; estos ltimos, a su vez, son ms sensibles que los
que realizan viajes no relacionados con el trabajo.
2. Existe una relacin clara entre ingresos y SVT (tal y como se encontr en
1986) que es montonamente creciente pero no directamente proporcional.
Para los mismos niveles de ingreso los SVT de 1994 son significativamente
menores que los registrados en 1986. Este hecho puede deberse a cambios
en la composicin de la poblacin que utiliza el coche (los que tenan mayores SVT fueron los que primero compraron y utilizaron coches) de tal
MODELOS
DE
TRANSPORTE
13.4.2.
Mtodos de anlisis
SVT
dCi
dti
uVi
ut
i
uVi
uci
(13.31)
SVT
w t
c
(13.32)
SVT
g t
c
(13.33)
SVT
w
i ti i
1
tc
1
C
c i
w
(13.34)
MODELOS
DE
TRANSPORTE
2 2 2Cov(t , c )
ttc t2 c2
t c
t c
1
2
(13.35)
H 0 : t VT c 0
(13.36)
t
t VT c
Var t VT c
Esta expresin distribuye Normal para modelos lineales y de forma asinttica Normal para los modelos no lineales como el logit multinominal (Ben
Akiva y Lerman, 1985). Garrido y Ortzar (1993) tambin derivaron los lmites
superiores e inferiores para el intervalo, de la forma siguiente:
t tt t c
t
t
VT c 2 2 p VT c
tt t c
t
tt
2
VU , L
t
tt tc
tt2
t 2 tc2
t 2
2
t
2
c
t2
(13.37)
MODELOS
DE
TRANSPORTE
Tambin hay que resaltar que para muestras grandes se mantiene la siguiente identidad:
lim VU , L VT
(13.38)
N md
t t , tc md
LR 2 ;l ( r ) l ( ) =
(13.39)
(13.40)
donde tiq y Ciq son el tiempo de viaje y el coste por individuo q; Zkiq son atributos (diferentes del tiempo de viaje y el coste) para el individuo q, y k son sus
parmetros. Sustituyendo la razn entre t y C por VT en (13.40) se obtiene la
siguiente funcin de utilidad:
(13.41)
Las ecuaciones (13.40) y (13.41) permiten calcular las funciones de logverosimilitud no restringida y restringida, l() y l(r/VT). Claramente, si SVT
es igual a VT entonces l() = l( r /VT), pero diferentes valores de VT darn
lugar a diferentes valores de la funcin de log-verosimilitud restringida. Este
2 ;l ( r / VT )
l ( ) = b 12, 1
Una ventaja de este mtodo sobre el anterior es que no se restringe solamente a funciones de utilidad lineales. Sin embargo, el proceso de construir
los intervalos es ms lento que en el caso anterior, ya que requiere un procedimiento iterativo para obtener cada lmite. Armstrong et al. (2001) presentan los
resultados de usar todos los mtodos anteriores para diversos casos de inters.
Los valores subjetivos del tiempo y sus intervalos de confianza (tanto lmites como tamao) varan mucho con la especificacin del modelo (es decir,
tienen una fuerte dependencia de la forma funcional supuesta para la utilidad
representativa y de la estructura del modelo). Pero con datos de corte transversal
no es fcil rechazar claramente ninguna forma razonable de modelo; vase la
discusin en Jara-Daz y Ortzar (1989).
13.4.2.2.
MODELOS
DE
TRANSPORTE
PT U c
U r
Sin embargo, el valor esperado de (Uc Ur) es precisamente la diferencia en
las utilidades representativas (Vc Vr); entonces, suponiendo que sean lineales
en los parmetros, como de costumbre, se puede formar el siguiente sistema
de regresin lineal:
PT( observado) Q1 X 1c
X 1r Q2 X 2c
X 2 r L
el cual debera permitir estimar los parmetros desconocidos conociendo
los atributos X de ambas alternativas. Adems, con este mtodo se pueden
calcular valores de tiempo diferentes para los que ahorran tiempo y para los
que ahorran costes (vase Lee y Dalvi, 1969).
Un problema importante, descrito en primer lugar por Hensher (1976),
concierne al tratamiento de los hbitos o costumbres en los modelos del precio
de transferencia. Gunn (1984) demuestra que las especificaciones que utilizan PT como variable dependiente pero restringen su signo (por ejemplo, mediante la modelizacin de las alternativas de forma separada o intercambiando
las caractersticas observables para que reflejen la diferencia entre la alternativa elegida y la rechazada) no pueden hacerse fcilmente consistentes con la
teora convencional de la utilidad aleatoria (vase tambin la discusin en el
Captulo 8).
13.4.2.3. Enfoque de preferencias declaradas
Los mtodos de preferencias declaradas (PD), tal y como se trat en profundidad en el Captulo 8, se han convertido en la forma ms utilizada para
estimar los valores del tiempo durante los ltimos aos. Por ejemplo, en su
informe final para el Departamento de Transporte, los consultores que desarrollaron el vanguardista estudio sobre el valor del tiempo para el Reino Unido
en 1994 apuntaron que se han acumulado suficientes evidencias durante
los ltimos diez aos como para tener confianza en que un sondeo PD bien
13.5.
13.5.1.
En muchos pases del mundo desarrollado se han utilizado mtodos de disposicin a pagar (DAP) para la evaluacin monetaria de una gama de efectos
externos del transporte como los accidentes, la contaminacin, el ruido, la intrusin visual y el deterioro del paisaje. Diversos ejemplos han sido compilados
por Hansson y Markham (1992), OECD (1994a), Match y Rothengatter (1995),
Litman (1995), Maddison et al. (1996), Friedrich et al. (1998) y ECMT (1998).
El motor de este trabajo ha sido el de establecer los costes sociales totales del
transporte como base para la eficiente fijacin de los precios en este sector y
para extender el alcance del anlisis social de costes y beneficios (ASCB) para
mejorar la evaluacin de proyectos.
Aunque ha existido mucho entusiasmo acadmico acerca de la evaluacin
monetaria de estos bienes no mercantiles, sta ha sido puesta en cuestin por
razones tanto de principios como prcticas; una buena expresin de la naturaleza de esta oposicin puede encontrarse en Adams (1992) y Whitelegg (1993).
Sin embargo, existe una considerable fuerza en el argumento de que, si bien
MODELOS
DE
TRANSPORTE
Hasta fechas tan recientes como 1995, la evaluacin monetaria de las externalidades medioambientales recibi poco apoyo oficial (OECD, 1994b;
Lee y Kirkpatrick, 1996). Sin embargo, la situacin cambi de forma rpida
y estudios recientes (Brostow et al., 1988; DETR, 1999) acerca de evaluaciones oficiales del transporte sugieren que los valores monetarios del ruido, contaminacin atmosfrica y en menor grado, los efectos barrera, se emplean cada vez ms en muchos pases europeos. Lo ms usual, sin embargo,
es que la evaluacin de inversiones en carreteras promovidas o apoyadas por
las autoridades nacionales, impliquen un anlisis limitado de coste-beneficio
(con valores monetarios unitarios restringidos a ahorros en tiempo, accidentes
y costes de operacin), aplicado en conjunto con una evaluacin del impacto medioambiental y socio-econmico. Por ejemplo, en un trabajo sobre las
entidades estatales de EE.UU. responsables del desarrollo de las carreteras,
Waters (1992) destac que relativamente pocas utilizaban un ASCB sofisticado, y preferan enfoques ms sencillos basados en las necesidades o de
coste-eficacia.
Aunque varios estudios acadmicos han promovido la extensin del marco
de los ASCB para que incluyan una gama ms amplia de impactos (Bateman
et al., 1993; Willis et al., 1998), los gobiernos an son precavidos a la hora de
extenderlos a aspectos tales como la contaminacin, ruido, intrusin visual,
deterioro del paisaje y daos al ecosistema. Esto se debe en parte, a una falta
de conocimiento tanto de evaluacin de impactos como de su valoracin econmica (Mullen, 1977), y en parte a que la naturaleza contextual de ciertos
impactos dificulta el uso de valores unitarios estandarizados. stas son preocupaciones universales.
As, sigue constituyendo un reto considerable para la investigacin integrar las metodologas tradicionales utilizadas en la evaluacin de impactos
medioambientales, anlisis coste-beneficio y anlisis multicriterio (Commission of the European Communities, 1994; OECD, 1994c; Lee y Kirkpatrick,
1996; Nardini, 1997) en un contexto en el cual los objetivos ambientales estn
cobrando una importancia creciente. Los esfuerzos ms recientes incluyen
nuevas formas de obtener y presentar la informacin cualitativa y cuantitativa
con el objetivo de minimizar la predisposicin contraria a la valoracin de
los elementos no monetarios, as como la conformacin de marcos de evaluacin que establezcan un mbito ecunime entre los diferentes modos, de
forma que se puedan afrontar los problemas de transporte con menos nfasis
en las soluciones de carreteras (Price, 1999; Glaister, 1999). La monetarizacin
MODELOS
DE
TRANSPORTE
13.5.2.
Mtodos de anlisis
Existen varias taxonomas sobre mtodos de evaluacin disponibles en la literatura y una discusin econmica mucho ms amplia que la que se podra
intentar desarrollar aqu (ECMT, 1996; Match y Rothengather, 1995; Nash,
1997; Verhoef, 1994). En este epgrafe slo se revisarn brevemente dos mtodos importantes, el enfoque del capital humano y el mtodo de valoracin
contingente, aunque probablemente se pueda afirmar justificadamente, que el
mtodo con ms visos de ser utilizado en el futuro es el enfoque de preferencias
declaradas, que ya fue revisado suficientemente en los Captulos 3 y 8 (vase
Rizzi y Ortzar, 2002) para una aplicacin correctamente diseada.
13.5.2.1.
VA t
i 1
Pt 1 Et i
(1 r )i
(13.42)
Grupo de edad
Inters 6,0%
Inters 10,0%
De 1 a 4 aos
761.047
205.101
59.859
De 20 a 24 aos
967.221
534.799
320.114
De 40 a 44 aos
625.508
454.972
338.232
De 65 a 69 aos
47.506
40.886
35.304
MODELOS
DE
TRANSPORTE
Tabla 13.3.
Mujeres
Menos de 1 ao
241.258
174.954
Entre 1 y 4 aos
250.569
181.706
Entre 5 y 9 aos
268.246
194.525
Entre 10 y 19 aos
296.964
214.330
Entre 20 y 44 aos
275.951
183.573
Entre 45 y 64 aos
154.876
90.305
Entre 65 y 79 aos
53.248
25.349
80 o ms aos
19.780
4.553
no se dispona de datos desagregados por sexo para los tres primeros estratos de edad, se supuso que la mortalidad estaba uniformemente distribuida).
Estos porcentajes se multiplicaron por los valores actuales netos respectivos
(Tabla 13.4) obteniendo la participacin de los respectivos grupos o clases de
edad en el coste unitario. La suma de estas participaciones es igual al coste
unitario medio de una muerte prematura en 1998 en Santiago, y esto se estim
en 53.224 $ US. Este valor supone una medida que afectara uniformemente a
la tasa de mortalidad de toda la poblacin.
Tabla 13.4.
Grupos de edad
< 1 ao
1
edad
4
aos
5
edad
9
aos
10
edad
19
aos
20
edad
44
aos
45
edad
64
aos
65
edad
79
aos
80
aos
Total
0,017
0,003
0,003
0,008
0,076
0,125
0,179
0,118
1.091
201
188
604
6.007
10.377
15.620
10.778
0,017
0,003
0,003
0,004
0,028
0,078
0,145
0,195
846
156
146
256
1.708
5.016
9.809
13.885
1.936
385
428
1.476
15.461
19.453
11.159
2.947
53.244
MODELOS
DE
TRANSPORTE
DAP con un pago especificado; la pregunta de eleccin dicotmica doblemente acotada tiene una pregunta extra despus de la primera.
El enfoque de referndum es de inters especial porque presenta escenarios similares a los que los entrevistados, como consumidores, encuentran en
sus transacciones diarias de mercado. Los mtodos de pago para comprar o
vender un bien pueden incluir impuestos a la propiedad, impuestos al ingreso
o venta, facturas de servicios como gas, luz, gastos comunes, tarifas, precios
de entrada, sistemas de suscripcin o incluso, un instrumento abstracto. Desde
sus primeras aplicaciones en los 70 el enfoque VC se ha utilizado para valorar una amplia gama de bienes no mercantiles. Carson et al. (1995) proporcionan una bibliografa de los estudios VC que contiene 1.400 referencias, lo cual
indica la amplia aplicabilidad del mtodo.
Por otra parte, una evaluacin sumamente crtica del mtodo es proporcionada por Hausman (1993) y Diamond y Hausman (1994) quienes editaron una
serie de estudios presentados originalmente en conferencias especializadas.
Ellos sostienen que la evidencia sugiere que las encuestas VC no miden las
preferencias que intentan medir, y que los cambios en los mtodos de encuesta probablemente no van a alterar la situacin. Sin embargo, el mtodo sigue
siendo popular, de hecho, se ha empleado en muchos trabajos importantes
relacionados con la valoracin de externalidades en el sector del transporte
(por ejemplo, Jones-Lee et al., 1992; Feitelson et al., 1996).
Ejemplo 13.6: Ortzar et al. (2000a) describen la utilizacin de un cuestionario VC para obtener la DAP para reducir el riesgo de mortalidad (relacionada dbilmente con los efectos de la contaminacin medioambiental) que fue
diseado para superar algunos de los problemas encontrados en los estudios
tpicos de VC; en particular, que algunos entrevistados no logran comprender
las nociones bsicas de probabilidad, atribuyendo valores DAP similares a
diferentes reducciones en el riesgo, y que los entrevistados pueden asignar
una DAP de cero a futuras reducciones en el riesgo de la muerte debido a su
falta de capacidad para comprender el producto valorado. Su enfoque difiere
de anteriores estudios VC para la reduccin del riesgo de la forma siguiente:
(i) el momento fijado para las reducciones del riesgo y la atencin dedicada al
momento fijado para el pago y (ii) la propuesta de un riesgo base objetivo, que
los entrevistados deben aceptar como propio, segn su edad y sexo.
Despus de familiarizar a los entrevistados con el concepto del riesgo
de muerte y su percepcin, el cuestionario llamaba la atencin del entrevis-
tado acerca de las causas principales de muerte segn edad y el sexo, y tambin
acerca de las medidas ms comunes para mitigar estas causas y sus costes.
Despus se introducan riesgos basales especficos segn edad y sexo (a partir
de datos reales) y se comprobaba que los entrevistados los aceptaban como
propios. Posteriormente se busc la DAP (utilizando un sistema de pago flexible) para reducciones en el riesgo de muerte en los diez aos siguientes; las
reducciones propuestas fueron de 1 y 5 sobre 1.000, y se presentaron de forma
grfica empleando una matriz de 1.000 crculos (que present el riesgo basal
como crculos negros), pidiendo a los encuestados que borraran las reducciones
valoradas. El mtodo funcion muy bien en el sentido de que los individuos
encuestados adquirieron una adecuada comprensin de las preguntas.
Despus de establecer el riesgo base (y comprobar que fue aceptado por
el entrevistado), la pregunta fundamental de la encuesta tom la forma siguiente:
Las medidas necesarias para conseguir una reduccin de las muertes prematuras en la prxima dcada implican ciertos costes, tal y como hemos visto
anteriormente en este cuestionario. Teniendo en cuenta estos costes, por favor
conteste a las siguientes preguntas:
Cunto dinero estara usted dispuesto a pagar mensualmente durante
los prximos diez aos para bajar su propia posibilidad de morir en 1 sobre
1.000?
$/mes ................ Nada (Por qu?) ...............
Cunto dinero estara usted dispuesto a pagar mensualmente durante los
prximos diez aos para reducir su propia posibilidad de morir en 5 sobre
1.000?
$/mes ................ Nada (Por qu?) ...............
Qu seguridad tiene usted de que pagara esta cantidad y no otra?
(a) muy seguro........ (b) bastante seguro ......... (c) no muy seguro ...........
MODELOS
DE
TRANSPORTE
Tabla 13.5.
Reduccin
del riesgo
DAP media
($US por mes)
Valor implcito
de la vida estadstica
($US)
1 sobre 1.000
3,0
285,1
285.113
5 sobre 1.000
12,0
1.127,0
225.400
EJERCICIOS
13.1. Considere el siguiente modelo economtrico para determinar la tasa de
motorizacin como funcin del ingreso:
P0
I
1
P0
P2
0, 09 exp(0, 751)
0, 8(1
P0 )
P2
P0 P1 P2 1
a) Calibre el modelo utilizando los datos de la tabla siguiente (hgalo grficamente)
I
P0
P1
P2
0,60
0,35
0,05
0,40
0,50
0,10
0,25
0,55
0,20
0,20
0,45
0,35
0,15
0,35
0,50
Eleccin
TP
t1 (min)
t2 (min)
c1 (min)
c2 (min)
8,0
47,5
83,2
14,8
7,0
6,5
30,2
45,0
10,4
5,0
2,5
22,0
30,4
12,6
4,0
0,5
45,0
50,6
8,2
5,0
1,5
15,3
20,5
50,0
17,0
8,5
34,8
34,8
50,2
35,0
130,0
65,5
100,5
200,3
53,5
6,0
12,0
14,0
44,6
17,0
a) Utilice estos datos para estimar el valor subjetivo del tiempo del individuo.
Discuta el rol, tamao y signo del intercepto de la ecuacin de regresin
lineal del precio de transferencia (Pista: si no tiene una calculadora con
capacidad de ajustar una regresin lineal, hgalo grficamente suponiendo
conocido el coeficiente de tiempo t e igual a 0,03).
b) Si el parmetro de preferencias reveladas para la variable tiempo es, de
hecho, 0,03 y la constante especfica de la alternativa 1 es 1,35, estime el
valor subjetivo del tiempo utilizando otro mtodo. Compare y discuta sus
resultados.
Bibliografa
AASHTO (1977): A Manual of User Benefit Analysis of Highway and Bus Transport
Improvements. American Association of State Highway and Transportation
Officials, Washington, DC.
A BDEL-ATY, M.A., K ITAMURA, R. Y JOVANIS, P.P. (1997): Using stated preference data
for studying the effect of advanced traffic information on drivers route choice.
Transportation Research 5C, 39-50.
ABRAHAM, H. Y K AVANAGH, C. (1992): Modelling public transport in-vehicle congestion
using EMME/2 Release 5. Proceedings 1st European EMME/2 Users Conference,
Londres, Abril 1992, Inglaterra.
A BRAHAM, H., SHAW, N. Y WILLUMSEN, L. (1992): A micro-based incremental four
stage transportation model for London. Proceedings 20th PTRC Summer Annual
Meeting, University of Manchester Institute of Science and Technology, Septiembre
1992, Inglaterra.
ACCENT Y HCG (1996): The Value of Travel Time in UK Roads-1994. Final Report to
the Department of Transport, Accent Marketing & Research and Hague Consulting
Group, Londres.
ADAMS, J. (1992): Horse y rabbit stew. En A. Croker y C. Richards (eds.), Valuing the
Environment: Economic Approaches to Environmental Valuation. Belhaven Press,
Londres.
ADDISON, J.D. Y HEYDECKER, B.G. (1998): System optimal assignment with departure
time choice. Proceedings 3rd IMA International Conference on Mathematics in
Transport Planning and Control, Cardiff, Abril 1998, Gales.
ADDISON, J.D. Y HEYDECKER, B.G. (1999): Dynamic traffic equilibrium with departure
time choice. En A. Ceder (ed.), Transportation and Traffic Theory. Pergamon,
Oxford.
ALGERS, S., DALY, A.J., K JELLMAN, P. Y WIDLERT, S. (1995): Stockholm model system:
application. 7th World Conference on Transport Research, Sydney, Julio 1995,
Austra1ia.
ALLAMAN, P.M., TARDIFF, T.J. Y DUNBAR, F.C. (1982): New approaches to understanding
travel behaviour. NCHRP Report 250, National Cooperative Highway Research
Program, Transportation Research Board, Washington, DC.
Bibliografa
A LLSOP, R.E. (1999): Road safety strategy and targets in Great Britain. Traffic
Engineering 34, 72-79.
ALLSOP, R.E. Y CHARLESWORTH (1977): Traffic in a signal-controlled road network: an
example of different signal timings inducing different routeing, Traffic Engineering
and Control 18, 262-264.
ALONSO, W. (1964): Location and Land Use. Harvard University Press, Cambridge.
A LONSO, W. (1968): Predicting best with imperfect data. Journal of the American
Institute of Planners 34, 248-255.
LVAREZ, R. (1995): Calibracin de redes de transporte: comparacin de los mtodos
Binivel y Hookes & Jeeves. En F.J. Martnez (ed.), Actas del Sptimo Congreso
Chileno de Ingeniera de Transporte. Sociedad Chilena de Ingeniera de Transporte,
Santiago.
AMPT, E. (1981): Recent advances in large-scale travel surveys. Proceedings 9th PTRC
Summer Annual Meeting, University of Warwick, Julio 1981, Inglaterra.
AMPT, E.S. (1997): Respondent burden: understanding the people we survey. Preprints
of the International Conference on Transport Survey Qualify and Innovation
(Transport Surveys: Raising the Standard), Grainau, Mayo 1997, Alemania.
AMPT, E.S., ORTZAR, J. DE D. Y WILLUMSEN, L.G. (1998): Metropolitan origin-destination
surveys: the state of the art. 8th World Conference on Transport Research, Antwerp,
Julio de 1998, Blgica.
A MPT, E.S. Y ORTZAR , J. DE D. (2004): On best practice in continuous large-scale
mobility surveys. Transport Reviews 24, 337-363.
ANAS, A. (1982): Residential Location Markets and Urban Transportation. Academic
Press, Londres.
APTECH SYSTEMS (1994): GAUSS Users Manuals. Maple Valley.
AREZKI, Y. (1986): Comparison of some algorithms for equilibrium traffic assignment
with fixed demand. Proceedings 14th PTRC Summer Annual Meeting, University
of Sussex, Julio 1986, Inglaterra.
A REZKI , Y., C HADWICK , N. Y WILLUMSEN, L. (1991): Congestion, evaluation and
equilibrium: some empirical results. Proceedings 19th PTRC Summer Annual
Meeting, University of Sussex, Septiembre 1991, Inglaterra.
A RMOOGUM, J. Y MADRE, J.L. (1998): Weighting or imputations? The example of non
responses for daily trips in the French NPTS. Journal of Transportation and
Statistics 1, 53-63.
A RMOOGUM, J., M ADRE, J.L., H AN, X.L. Y POLLAK, J. (1997): Improved methods for
weighting and correcting of travel diaries. Derivable D8, Method for European
Surveys of Travel Behaviour. 4th Framework Project, CEC/DG VII, Bruselas.
ARMSTRONG, P.M., GARRIDO, R.A. Y ORTZAR, J. DE D. (2001): Confidence intervals to
bound the value of time. Transportation Research 37E, 143-161.
ARNOLD, B. Y BROCKETT, P. (1992): On distributions whose component ratios are Cauchy.
American Statistician 46, 25-26.
MODELOS
DE
TRANSPORTE
Bibliografa
BATES, J.J., GUNN, H.F. Y ROBERTS, M. (1978): A model of household car ownership.
Traffic Engineering and Control 19, 486-491, 562-566.
BATES, J.J., ASHLEY, D.J. Y HYMAN, G. (1987): The nested incremental logit model:
theory and application to modal choice. Proceedings 15th PTRC Summer Annual
Meeting, University of Bath, Septiembre 1987, Inglaterra.
BECKER, G. (1965): A theory of the allocation of time. Economic Journal 75, 493-517.
BECKMAN, M.J., MCGUIRE, C.B. Y WINSTEN, C.B. (1956): Studies in the Economics of
Transportation. Yale University Press, New Haven.
BECKMAN, RJ., BAGGERLY, K.A. Y MCK AY, M.D. (1995): Creating synthetic baseline
populations, LA-UR-95-1985, Los Alamos National Laboratory, Los Alamos,
Nuevo Mxico.
BELL, M.G.H. (1983): The estimation of an origin destination matrix from traffic counts.
Transportation Science 17, 198-217.
BELL , M.G.H. (1984): Log-linear models for the estimation of origin-destination
matrices from traffic counts: an approximation. En J. Volmller y R. Hamerslag
(eds.), Proceedings of the Ninth International Symposium on Transportation and
Traffic Theory. VNU Science Press, Utrecht.
BELL, M.G.H Y TIDA, Y. (1997): Transportation Network Analysis. John Wiley & Sons,
Chichester.
BEN AKIVA, M.E. (1977): Choice models with simple choice set generating processes.
Working Paper. Centre for Transportation Studies. MIT.
BEN A KIVA , M.E. Y BOLDUC, D. (1987): Approaches to model transferability and
updating: the combined transfer estimator. Transportation Research Record 1139,
1-7.
BEN A KIVA, M.E. Y BOLDUC, D. (1996): Multinomial probit with a logit kernel and
a general parametric specification of the covariance structure. Working Paper,
Department dEconomique, Universit Laval.
BEN AKIVA, M., BOLDUC, D. Y BRADLEY, M. (1993): Estimation of travel choice models
with randomly distributed values of time. Transportation Research Record 1413,
88-97.
BEN A KIVA , M.E. Y LERMAN, S.R. (1985): Discrete Choice Analysis: Theory and
Application to Travel Demand. MIT Press, Cambridge, Mass.
BEN A KIVA, M. Y MORIKAWA, T. (1990): Estimation of travel demand models from
multiple data sources. Proceedings 11th International Symposium on Transportation
and Traffic Theory. Yokohama, Julio 1990, Japn.
BEN AKIVA, M.E. Y MORIKAWA, T. (1997): Methods to estimate discrete choice models
with stated and revealed preferences. Working Paper, Centre for Transportation
Studies, MIT.
BEN AKIVA, M.E. Y WATANATADA, T. (1980): Application of a continuous spatial choice
logit model. En C.F. Manski y D. McFadden (eds.), Structural Analysis of Discrete
Data: With Econometric Applications. MIT Press, Cambridge, Mass.
MODELOS
DE
TRANSPORTE
BEN AKIVA, M., MORIKAWA, T. Y SHIROISHI, F. (1992): Analysis of the reliability of preference ranking data. Journal of Business Research 24, 149-164.
BERNDT, E.U., HALL, B.H., HALL, R.E. Y HAUSMAN, J.A. (1974): Estimation and inference
in non-linear structural models. Annals of Economic and Social Measurement 3/4,
653-655.
BHAT, C. (2001): Quasi-random maximum simulated likelihood estimation of the mixed
multinomial logit model. Transportation Research 35B, 677-695.
BIANCHI, R., JARA-DAZ , S.R. Y O RTZAR , J. DE D. (1998): Modelling new pricing
strategies for the Santiago Metro. Transport Policy 5, 223-232.
BLASE, J.H. (1979): Hysteresis and catastrophe theory: a demonstration of habit and
threshold effects in travel behaviour. Proceedings 7th PTRC Summer Annual
Meeting, University of Warwick, Julio 1979, Inglaterra.
BONSALL, P.W. (1983): Transfer price data: its use and abuse. Proceedings 11th PTRC
Summer Annual Meeting, University of Sussex, Julio 1983, Inglaterra.
B RSCH -SUPAN, A. Y H AJIVASSILIOU, V.A. (1993): Smooth unbiased multivariate
probability simulators for maximum likelihood estimation of limited dependent
variable models. Journal of Econometrics 58, 347-368.
BOYCE, D.E., DAY, N.D. Y MCDONALD, C. (1970): Metropolitan Plan Making. Monograph
Series No. 4, Regional Science Research Institute, Filadelfia.
BRADLEY, M. (1988): Realism and adaptation in designing hypothetical travel choice
concepts. Journal of Transport Economics and Policy XXII. 121-137.
BRADLEY, M.A. Y DALY, A.J. (1994): Use of the logit scaling approach to test for
rank-order and fatigue effects in stated preference data. Transportation 21,
167-184.
BRADLEY, M.A. Y DALY, A.J. (1997): Estimation of logit choice models using mixed
stated-preference and revealed-preference information. En P. Stopher y M. LeeGosselin (eds.), Understanding Travel Behaviour in an Era of Change. Pergamon,
Oxford.
BRADLEY, M. Y DALY, A.J. (2000): New analysis issues in stated preference research.
En J. de D. Ortzar (ed.), Stated Preference Modelling Techniques. Perspective 4,
PTRC, Londres.
BRADLEY, M.A. Y K ROES, E. (1990): Forecasting issues in stated preference survey
research. 69th TRB Annual Meeting, Washington DC, Enero 1990, USA.
BRANSTON, D. (1976): Link capacity functions: a review. Transportation Research 10,
223-236.
BRENNINGER-GOTHE, M., JORNSTEN K. Y LUNDGREN, J. (1989): Estimation of origindestination matrices from traffic counts using multiobjective programming
formulations. Transportation Research 23B, 257-269.
BRISTOW, A.L., JANSEN, G., M ACKIE , P.J. Y NELLTHORP, J. (1998): Costs, prices and
values in the appraisal of transport projects European principles and practice.
Proceedings 8th World Conference on Transport Research, Amberes, Julio 1998,
Blgica.
Bibliografa
BRG, W. Y AMPT, E. (1982): State of the art in the collection of travel behaviour data.
In Travel Behaviour for the 1980s, Special Report 201, National Research Council,
Washington, DC.
BRG, W. Y ERL, E. (1982): Application of correction and weighting factors to obtain
a representative data base. Proceedings l0th PTRC Summer Annual Meeting,
University of Warwick, Julio 1982, Inglaterra.
BRG, W. Y M EYBURG, A.H. (1980): The non-response problem in travel surveys: an
empirical investigation. Transportation Research Record 775, 34-38.
BRG, W., ERL, E., MEYBURG, A.H. Y WERMUTH, M.J. (1982): Problems of non-reported
trips in surveys of non-home activity patterns. Transportation Research Record
891, 1-5.
BROWNSTONE, D. (1998): Multiple imputation methodology for missing data: non-random
response and panel attrition. En T. Grling, T. Laitila y K. Weslin (eds.), Theoretical
Foundations of Travel Choice Modelling. Elsevier, Oxford.
BRUTON, M.J. (1985): Introduction to Transportation Planning. Hutchinson, Londres.
BRUZELIUS, N. (1979): The Value of Travel Time. Croom Helm, Londres.
BUREAU OF PUBLIC ROADS (1964): Traffic Assignment Manual. Urban Planning Division,
US Department of Commerce, Washington, DC.
BURRELL, J.E. (1968): Multiple route assignment and its application to capacity restraint.
En W. Leutzbach y P. Baron (eds.), Beitrge zur Theorie des Verkehrsflusses.
Strassenbau und Strassenverkehrstechnik Heft, Karlsruhe.
BUTTON, K.J., PEARMAN, A.D. Y FOWKES, A.S. (1982): Car Ownership Modelling and
Forecasting. Gower, Aldershot.
CALDWELL, L.C. Y DEMETSKI, M.J. (1980): Transferability of trip generation models.
Transportation Research Record 751, 56-62.
CARDELL, N.S. Y REDDY, B. (1977): A multinomial logit model which permits variations
in tastes accross individuals. Working Paper, Charles River Associates, Boston.
CARRASCO, J.A. Y ORTZAR, J. DE D. (2001): A review and assessment of the nested logit
model. Transport Reviews 21, 197-218.
CARSON, R.T., LOUVIERE, J.J., ANDERSON, D.A., ARABIE, P., BUNCH, D.S., HENSHER, D.A.,
JOHNSON, R.M., KUHFELD, W.F., STEINBERG, D., SWAIT, J., TIMMERMANS, H. Y WILEY,
J.B. (1994): Experimental analysis of choice. Marketing Letters 5, 351-368.
CARSON, R.T., WRIGHT, J., CARSON, N., ALBERINI, A. Y FLORES, N. (1995): A Bibliography
of Contingent Valuation Studies and Papers. Natural Resource Damage Assessment,
La Jolla.
CASCETTA, E. (1984): Estimation of trip matrices from traffic counts and survey data: a
generalised least squares approach estimator. Transportation Research 18B, 289-299.
CASCETTA, E. Y NGUYEN, S (1988): A unified framework for estimating or updating
origin/destination matrices from traffic counts. Transportation Research 22B,
437-455.
CASCETTA, E., NUZZOLO, A. Y BIGGIERO, L. (1992): Analysis and modelling of commuters,
departure time and route choice in urban networks. Proceedings of the Second
MODELOS
DE
TRANSPORTE
Bibliografa
MODELOS
DE
TRANSPORTE
Bibliografa
MODELOS
DE
TRANSPORTE
EVANS, S.P. Y KIRBY, H.R. (1974). A three dimensional Furness procedure for calibrating
gravity models. Transportation Research 8, 105-122.
FEITELSON, E., HURD, R. Y MUDGE, R. (1996): The impact of airport noise on willingnessto-pay for residences. Transportation Research 1D, 1-14.
FERNNDEZ, J.E. Y FRIESZ, T.L. (1983): Equilibrium predictions in transportation markets:
the state of the art. Transportation Research 17B, 155-172.
FERNNDEZ, J.E., COEYMANS, J.E. Y ORTZAR, J. DE D. (1983): Evaluating extensions to
the Santiago underground system. Proceedings 11th PTRC Summer Annual Meeting.
University of Sussex, Julio 1983, Inglaterra.
FHWA (1967): Guidelines for Trip Generation Analysis. Federal Highway
Administration, US Department of Transportation, Washington, DC.
FIELLER, E. (1933): The distribution of the index in a Normal bivariate population.
Biometrika XXIV, 428-440.
FISK, C.S. (1988): On combining maximum entropy trip matrix estimation with user
optimal assignment. Transportation Research 22B, 69-73.
FLORIAN, M. Y NGUYEN, S. (1978): A combined trip distribution modal split and trip
assignment model. Transportation Research. 12, 241-246.
FLORIAN, M. Y SPIESS, H. (1982): The convergence of diagonalization algorithms
for asymmetric network equilibrium problems. Transportation Research 16B,
477-484.
FLORIAN, M., GAUDRY, M. Y LARDINOIS, C. (1988): A two-dimensional framework for
the understanding of transportation planning models. Transportation Research
22B, 411-419.
FLORIAN, M., WU, J.H. Y H E, S. (1999): A multi-class multi-mode variable demand
network equilibrium model with hierarchical logit structures. En J.E. Coeymans y
P. Sommariva (eds.), Actas del IX Congreso Chileno de Ingeniera de Transporte.
Sociedad Chilena de Ingeniera de Transporte, Santiago.
FOERSTER , J.F. (1979): Mode choice decision process models: a comparison of
compensatory and non-compensatory structures. Transportation Research 13A,
17-28.
FOERSTER , J.F. (1981): Nonlinear and non-compensatory perceptual functions
of evaluations and choice. En P.R. Stopher, A.H. Meyburg y W. Brg (eds.),
New Horizons in Travel Behaviour Research. D.C. Heath and Co., Lexington,
Mass.
FOOT, D. (1981): Operational Urban Models. Methuen, Londres.
FOWKES, A.S. (2000): Recent developments in stated preference techniques in transport
research. En J. de D. Ortzar (ed.), Stated Preference Modelling Techniques.
Perspectives 4, PTRC, Londres.
FOWKES, A.S. Y TWEDDLE, G. (2000): Validation of stated preference forecasting: a case
study involving anglo-continental freight. En J. de D. Ortzar (ed.), Stated Preference Modelling Techniques. Perspectives 4, PTRC, Londres.
Bibliografa
FOWKES, A.S. Y WARDMAN, M. (1988): The design of stated preference travel choice
experiments, with special reference to interpersonal taste variations. Journal of
Transport Economics and Policy XXII, 27-44.
FRIEDRICH, R., BICKEL, P. Y K REWITT, W. (eds.) (1998): External Costs of Transport.
IER, Universitt Stuttgart.
FRIESZ, T.L., TOBIN, R. Y HARKER, P. (1983): Predictive intercity freight network models:
the state of the art. Transportation Research 17A, 409-417.
FURNESS, K.P. (1965): Time function iteration. Traffic Engineering and Control, 7,
458-460.
GALBRAITH, R.A. Y HENSHER, D.A. (1982): Intra-metropolitan transferability of mode
choice models. Journal of Transport Economics and Policy XVI, 7-29.
GLVEZ, T. (1989): Preferencias declaradas en estudios de transporte: metodologa
y aplicaciones. En J. de Cea y S. Gonzlez (eds.), Actas IV Congreso Chileno
de Ingeniera de Transporte. Sociedad Chilena de Ingeniera de Transporte,
Santiago.
GLVEZ, T. Y JARA-DAZ, S.R. (1998): On the social valuation of travel time savings.
International Journal of Transport Economics 25, 205-219.
GRATE, C. (1988): Utilizacin y actualizacin de la informacin de la Encuesta OrigenDestino del Gran Valparaso. Actas del V Congreso Panamericano de Ingeniera
de Trnsito y Transporte, Universidad de Puerto Rico en Mayagez, Julio 1988,
Puerto Rico.
GARRIDO, R.A. (1992): The influence of the semantic scale on the estimation of values
of time from linear regression models fitted to stated preference data. Working
Paper 62, Department of Transport Engineering, Pontificia Universidad Catlica
de Chile, Santiago.
GARRIDO, R.A. Y ORTZAR, J. DE D. (1993): The Chilean value of time study: methodological
developments. Proceedings 21st PTRC Summer Annual Meeting, University of
Manchester Institute of Science and Technology, Septiembre 1993, Inglaterra.
GARTNER, N.H. (1980): Optimal traffic assignment with elastic demands: a review.
Transportation Science 14, 192-208.
GAUDRY, M.J.I. Y WILLS, M.I. (1978): Estimating the functional form of travel demand
models. Transportation Research 12, 257-289.
GAUDRY, M.J.I., JARA-DAZ, S.R. Y ORTZAR, J. DE D. (1989): Value of time sensitivity
to model specification. Transportation Research 23B, 151-158.
GIBSON, J. BAEZA, I. Y WILLUMSEN, L.G. (1989): Congestion, bus stops and congested
bus stops. Traffic Engineering and Control 30, 291-296.
GLAISTER, S. (1999): Observations on the new approach to the appraisal of road projects.
Journal of Transport Economics and Policy XXXIII, 227-234.
GOLDENBERG, X. (1996): Choosing a household survey method: results for the Dallas-Fort
Worth pretest. Fourth International Conference on Survey Methods in Transport.
Oxford, Julio 1996, Inglaterra.
MODELOS
DE
TRANSPORTE
Bibliografa
MODELOS
DE
TRANSPORTE
HENSHER, D.A. (guest ed.) (1994b): Practice of stated preference methods. Transportation
21, 105-230.
H ENSHER, D.A. Y JOHNSON, L.W. (1981): Applied Discrete Choice Modelling. Croom
Helm, Londres.
HGBERG, P. (1976): Estimation of parameters in models for traffic prediction: a nonlinear regression approach. Transportation Research 10, 263-265.
HOLDEN, D., FOWKES, A.S. Y WARDMAN, M. (1992): Automatic stated preference design
algorithms. Proceedings 20th PTRC Summer Annual Meeting. University of
Manchester Institute of Science and Technology, Septiembre 1992, Inglaterra.
HOLM, J., JENSEN, T., NIELSEN, S., CHRISTENSEN, A., JOHNSEN, B. Y RONBY, G. (1976):
Calibrating traffic models on traffic census results only. Traffic Engineering and
Control 17, 137-140.
HOLZ, J.C. Y SNCHEZ, J.M. (2000): Estimacin de costos unitarios en morbilidad y
mortalidad y su aplicacin para calcular los beneficios del plan de prevencin
y descontaminacin atmosfrica de la Regin Metropolitana. Working Paper,
Department of Economics, Universidad de Chile, Santiago.
HOROWITZ, J.L. (1981a): Sources of error and uncertainty in behavioural travel demand
models. En P.R. Stopher, A.H. Meyburg y W. Brg (eds.), New Horizons in Travel
Behaviour Research. D.C. Heath and Co., Lexington, Mass.
HOROWITZ, J.L. (1981b): Sampling error, specification and data errors in probabilistic
discrete choice models. Apndice C de D.A. Hensher and L.W. Johnson, Applied
Discrete Choice Modelling. Croom Helm, Londres.
HOROWITZ, J.L. (1982): Specification tests for probabilistic choice models. Transportation
Research 16A, 383-394.
HOROWITZ, J.L. (1991): Reconsidering the multinomial probit model. Transportation
Research 25B, 433-438.
HOROWITZ, J.L., SPARMANN, J.M. Y DAGANZO, C.F. (1982): An investigation of the accuracy
of the Clark approximation for the multinomial probit model. Transportation
Science 16, 382-401.
HUBER , J. Y H ANSON, D. (1986): Testing the impact of dimensional complexity and
affective differences of paired concepts in adaptive conjoint analysis. Working
Paper, School of Business, Duke University.
HYMAN, G.M. (1969): The calibration of trip distribution models. Environment and
Planning 1, 105-112.
HYMAN, G. (1997): The development of operational models for time period choice.
Working Paper, HETA Division, Department of the Environment, Transport and
the Regions, Londres.
INRO (1996): EMME/2 Users Manual. INRO Inc., Montreal.
JANSEN, G.R.M. Y BOVY, P.H.L. (1982): The effect of zone size and network detail
on all-or-nothing and equilibrium assignment outcomes. Traffic Engineering and
Control 23(6), 311-317.
Bibliografa
JARA-DAZ, S.R. (1990a): Consumers surplus and the value of travel time savings.
Transportation Research 24B, 73-77.
JARA-DAZ, S.R. (1990b): Income and taste in mode choice models: are they surrogates?
Transportation Research 25B, 341-350.
JARA-DAZ, S.R. (1998): Time and income in travel choice: towards a microeconomic
activity framework. En T. Garling, T. Laitila y K. Westin (eds.), Theoretical
Foundations of Travel Choice Modelling. Pergamon, Oxford.
JARA-DAZ, S.R. (2000): Allocation and valuation of travel time savings. En D. Hensher
y K.J. Button (eds.), Handbook of Transport Modelling. Pergamon, Oxford.
JARA-DAZ , S.R. Y FARAH, M. (1987): Transport demand and users benefits with
fixed income: the goods/leisure trade-off revisited. Transportation Research
21B, 165-170.
JARA-DAZ, S.R. Y GUEVARA, A. (2000): The contribution of work, leisure and travel to
the subjective value of travel time savings. Proceedings of the European Transport
Conference 2000, Cambridge, Septiembre 2000, Inglaterra.
JARA-DAZ, S.R. Y ORTZAR, J. DE D. (1989): Introducing the expenditure rate in the
estimation of mode choice models. Journal of Transport Economics and Policy
XXIII, 293-308.
JARA-DAZ , S.R., ORTZAR , J. DE D. Y PARRA, R. (1988): Valor subjetivo del tiempo
considerando efecto ingreso en la particin modal. Actas del V Congreso
Panamericano de Ingeniera de Trnsito y Transporte. Universidad de Puerto
Rico en Mayagez, Julio 1988, Puerto Rico.
JOHNSON, L.W. (1990): Discrete choice analysis with ordered alternatives. En M.M.
Fisher, P. Nijkamp y Y.Y. Papageorgiou (eds.), Spatial Choices and Processes.
North-Holland, Amsterdam.
JOHNSON, L.W. Y H ENSHER, D.A. (1982): Application of multinomial probit to a twoperiod panel data set. Transportation Research 16A, 457-464.
JOHNSON, M. (1966): Travel time and the price of leisure. Western Economic Journal
8, 135-145.
JONES-LEE, M.W., H AMMERTON, M. Y PHILIPS, P.R. (1985): The value of safety: results
of a national sample survey. Economic Journal 95, 49-72.
JONES-LEE, M.W., L OOMES, G., OR EILLY, D.M. Y P HILIPS, P.R. (1992): The value of
preventing non-fatal road injuries: findings of a willingness-to-pay national
sample survey. TRL Contractor Report 330. Transport Research Laboratory,
Crowthorne.
KANNEL, E.J. Y HEATHINGTON, K.W. (1973): Temporal stability of trip generation relations.
Highway Research Record 472, 17-27.
K HAN, A. Y WILLUMSEN, L.G. (1986): Modelling car ownership and use in developing
countries. Traffic Engineering and Control 27, 554-560.
K IM, T.J. Y H INKLE, J. (1982): Model for statewide freight transportation planning.
Transportation Research Record 889, 15-19.
MODELOS
DE
TRANSPORTE
KIMBER, R.M. Y HOLLIS, E.M. (1979): Traffic queues and delays at road junctions. TRRL
Report LR 909. Transport and Road Research Laboratory, Crowthorne.
K IRBY, H.R. (1979): Partial matrix techniques. Traffic Engineering and Control 20,
422-428.
K ITAMURA, R. Y BOVY, P.H.L. (1987): Analysis of attrition biases and trip reporting
errors for panel data. Transportation Research 21A, 287-302.
KOCUR, G.T., A DLER, T., HYMAN, W. Y AUNET, B. (1982): Guide to forecasting travel
demand with direct utility assessment. Report No. UMTA-NH-11-0001-82,
Urban Mass Transportation Administration, US Department of Transportation,
Washington, DC.
KOPPELMAN, F.S. (1976): Guidelines for aggregate travel prediction using disaggregate
choice models. Transportation Research Record 610, 19-24.
KOPPELMAN, F.S., KUAH , G-K. Y ROSE G. (1985a): Transfer model updating with
aggregate data. 64th Annual TRB Meeting, Washington, DC, Enero 1985, USA.
KOPPELMAN, F.S., KUAH, G-K. Y WILMOT, C.G. (1985b): Transfer model updating using
disaggregate data. Transportation Research Record 1037, 102-107.
KOPPELMAN, F.S. Y WEN, C.H. (1998): Alternative nested logit models: structure,
properties and estimation. Transportation Research 32A, 289-298.
KOPPELMAN, F.S. Y WILMOT, C.G. (1982): Transferability analysis of disaggregate choice
models. Transportation Research Record 895, 18-24.
K RAFT, G. (1968): Demand for intercity passenger travel in the Washington-Boston
corridor. North-East Corridor. Project Report, Systems Analysis and Research
Corporation, Boston, Mass.
K RESGE , D.T. Y ROBERTS, P.O. (1971): Techniques of Transport Planning: Systems
Analysis and Simulation Models. Brookings Institution, Washington, DC.
K RUITHOF, J. (1937): Calculation of telephone traffic. Der Ingenieur 52, E15-E25.
K RUSKAL , J.B. (1965): Analysis of factorial experiments by estimating monotone
transformations of the data. Journal of the Royal Statistical Society 27B,
251-263.
KUMAR , A. (1980): Use of incremental form of logit models in demand analysis.
Transportation Research Record 775, 21-27.
KURRI, J. Y PURSULA, M. (1995): Finish preliminary value of time studies. Working Paper,
Laboratory of Transportation Engineering, Helsinki University of Technology.
LAMB, G.M. Y HAVERS, G.E. (1970): Introduction to transportation planning: treatment
of networks. Traffic Engineering and Control 11, 486-489.
LAMOND, B. Y STEWART, N.F. (1981): Bregmans balancing method. Transportation
Research 15B, 239-248.
LANCASTER , K.J. (1966): A new approach to consumer theory. Journal of Political
Economy 14, 132-157.
LANDEFELD, J.S. Y SESKIN, E.P. (1982): The economic value of life: linking theory to
practice. American Journal of Public Health 72, 555-566.
Bibliografa
LANGDON, M.G. (1976): Modal split models for more than two modes. Proceedings 4th
PTRC Summer Annual Meeting, University of Warwick, Julio 1976, Inglaterra.
LANGDON, M.G. (1984): Methods of determining choice probability in utility maximising
multiple alternative models. Transportation Research 18B, 209-234.
LARSON, R.C. Y O DONI, A.R. (1981): Urban Operations Research. Prentice Hall,
Englewood Cliffs, N.J.
LEARNER, E. (1978): Specification Searches: Ad-Hoc Inference with Nonexperimental
Data. John Wiley & Sons, Nueva York.
LEE , N. Y DALVI, M.Q. (1969): Variations on the value of travel time. Manchester
School 37, 213-236.
LEE, N. Y K IRKPATRICK, C. (1996): Relevance and consistency of environmental impact
assessment and cost-benefit analysis in project appraisal. Project Appraisal 11,
229-236.
LEONARD, D. Y TOUGH, J. (1979): Validation work on CONTRAM a model for use in
the design of traffic management schemes. Proceedings 7th PTRC Summer Annual
Meeting, University of Warwick, Julio 1979, Inglaterra.
LEONARD, D.R. Y C OWER , P. (1982): User guide to CONTRAM Version 4. TRRL
Supplementary Report 735. Transport and Road Research Laboratory, Crowthorne.
LERMAN, S.R. (1984): Recent advances in disaggregate demand modelling. En M.
Florian (ed.), Transportation Planning Models. North-Holland, Amsterdam.
LERMAN, S.R. Y LOUVIERE, J.J. (1978): The use of functional measurement to identify
the form of utility functions in travel demand models. Transportation Research
Record 673, 78-85.
LERMAN, S.R. Y MANSKI, C.F. (1976): Alternative sampling procedures for calibrating
disaggregate choice models. Transportation Research Record 592, 24-28.
LERMAN, S.R. Y MANSKI, C.F. (1979): Sample design for discrete choice analysis of travel
behaviour: the state of the art. Transportation Research 13B, 29-44.
LERMAN, S. Y MANSKI, C. (1981): On the use of simulated frequencies to approximate
choice probabilities. En C. Manski. y D. McFadden (eds.), Structural Analysis of
Discrete Data with Econometric Applications. MIT Press, Cambridge, Mass.
LERMAN, S.R., M ANSKI, C.F. Y ATHERTON, T.J. (1976): Non-random sampling in the
calibration of disaggregate choice models. Final Report to the Urban Planning
Division. Federal Highway Administration, US Department of Transportation,
Washington, DC.
LEURENT, F.M. (1998): Multicriteria assignment modelling: making explicit the
determinants of mode or path choice. En P. Marcotte y S. Nguyen (eds.), Equilibrium
and Advanced Transportation Modelling. Kluwer Academic, Boston.
LIEBERMAN, E. (1981): Enhanced NETSIM program. Transportation Research Board
Special Report 194, 32-35.
LIEM, T.C. Y GAUDRY, M.J.I. (1987): P-2: A program for the Box-Cox logit model
with disaggregate data. Publication 525, Centre de Recherche sur les Transports,
Universit de Montreal.
MODELOS
DE
TRANSPORTE
Bibliografa
MODELOS
DE
TRANSPORTE
MOORE, E.F. (1957): The shortest path through a maze. Proceedings International
Symposium on the Theory of Switching. Harvard University Press, Cambridge,
Mass.
MORIKAWA, T. (1996): A hybrid probabilistic choice set model with compensatory and
non-compensatory choice rules. En D. Hensher, J. King y T. Oum (eds.), World
Transport Research. World Conference on Transport Research Society, Sydney.
MORIKAWA, T. Y SASAKI, K. (1998): Discrete choice models with latent variables using
subjective data. En J. de D. Ortzar, D. Hensher y S. Jara-Daz (eds.), Travel
Behaviour Research: Updating the State of Play. Pergamon, Oxford.
MORIKAWA, T., BEN-AKIVA, M. Y YAMADA, K. (1992): Estimation of mode choice models
with serially correlated RP and SP data. Proceedings 6th World Conference on
Transport Research, Lyon, Junio 1992, Francia.
MORLEY, R. (1972): Mathematics for Modern Economics. Fontana, Londres.
MOSER, C.A. Y K ALTON, G.K. (1989): Survey Methods in Social Investigation. Libros
Educativos Heinemann, Londres.
MULLEN, S. (1997): Determining monetary values of environmental impacts a
DETR perspective. Presented at the conference Determining Monetary Values of
Environmental Impacts, University of Westminster, Octubre 1997, Londres.
MUNIZAGA, M.A. Y LVAREZ, R. (2000): Modelos mixed logit: uso y potencialidades.
En L.A. Lindau, J. de D. Ortzar y O. Strambi (eds.), Engenharia de Trfego
e Transportes 2000: Avanos para uma Era de Mudanas. ANPET, Ro de
Janeiro.
MUNIZAGA, M.A., H EYDECKER , B.G. Y ORTZAR , J. DE D. (2000): Representation of
heteroscedasticity in discrete choice models. Transportation Research 34B,
219-240.
MURCHLAND, J.D. (1977): The multiproportional problem. TSG Note JDM-263. Transport
Studies Group. University College London.
MVA SYSTEMATICA (1982): TRIPS highway assignment model. MVA House, Working.
NAH, C. (1997): Transport externalities: does monetary valuation make sense? En G.
de Rus y C. Nash (eds.), Recent Developments in Transport Economics. Ashgate
Press, Londres.
NARDINI, A. (1997): A proposal for integrating environmental impact assessment, costbenefit analysis and multicriteria analysis in decision making. Project Appraisal
12, 173-184.
NEWELL, GF. (1980): Traffic Flow on Transportation Networks. MIT Press, Cambridge,
Mass.
NUTT, P.C. (1981): Some guides to the selection of a decision making strategy.
Technological Forecasting and Social Change 19, 133-145.
OECD (1974): Urban Traffic Models: Possibilities For Simplification. OECD Road
Research Group, Pars.
OECD (1994a): Internalising the Social Costs of Transport. Organisation for Economic
Cooperation and Development, Pars.
Bibliografa
MODELOS
DE
TRANSPORTE
Bibliografa
MODELOS
DE
TRANSPORTE
QUARMBY, D.A. Y BATES, J.J. (1970): An econometric method of car ownership forecasting
in discrete areas. MAU Note 219. Department of the Environment, Londres.
QUINET, E. (1994): The social cost of transport: evaluation and links with internalisation
policies. Chapter 2 in Internalising the Social Costs of Transport. Organisation for
Economic Cooperation and Development, Pars.
REGAN, A.C. Y GARRIDO, R.A. (2002): Modelling freight demand and shipper behaviour:
state of the art and future directions. En D. Henher (ed.), Travel Behaviour Research:
The Leading Edge. Pergamon, Oxford.
R ICHARDSON, A.J. (1982): Search models and choice set generation. Transportation
Research 16A, 403-419.
R ICHARDSON A.J. A MPT, E.S. Y M EYBURG, A. (1995): Survey Methods for Transport
Planning. Eucalyptus Press, Melbourne.
R IZZI, L.I. Y ORTZAR, J. DE D. (2003): Stated preference in the valuation of interurban
road safety. Accident Analysis and Prevention 34, 9-22.
ROBERTS, F.S. (1975): Weighted di-graph models for the assessment of energy use and
air pollution in transportation systems. Environment and Planning 7A, 703-724.
ROBERTSON, D. (1969): TRANSYT: a traffic network study tool. TRRL Report LR 253.
Transport and Road Research Laboratory, Crowthorne.
ROBILLARD, P. (1975): Estimating the O-D matrix from observed link volumes.
Transportation Research 9, 123-128.
ROSE, G. Y KOPPELMAN, F.S. (1984): Transferability of disaggregate trip generation
models. En J. Volmller y R. Hamerslag (eds.), Proceedings of the Ninth International
Symposium on Transportation and Traffic Theory. VNU Science Press, Utrecht.
RUIJGROK, C.J. (1979): Disaggregate choice models: an evaluation. En G.R.M. Jansen,
P.H.L. Bovy, J.P.J.M. van Est y F. Le Clercq (eds.), New Developments in Modelling
Travel Demand and Urban Systems. Saxon House, Westmead.
SAELENSMINDE, K. (1999): Valuation of Non-Market Goods for Use in Cost-Benefit
Analyses: Methodological Issues. PhD Thesis, Department of Economics and Social
Sciences, Agricultural University of Norway.
SAFWAT, K.N.A. Y MAGNANTI, T. (1988): A combined trip generation, trip distribution,
modal split and trip assignment model. Transportation Science 22, 14-30.
S CHNEIDER , M. (1959): Gravity models and trip distribution theory. Papers and
Proceedings of the Regional Science Association V, 51-56.
SHAO, J. Y TU, D. (1995): The Jackknife and Bootstrap. Springer, Nueva York.
SHEFFI, Y. (1985): Urban Transportation Networks. Prentice Hall, Englewood Cliffs,
N.J.
SHEFFI, Y., H ALL, R. Y DAGANZO, C.F. (1982): On the estimation of the multinomial
probit model. Transportation Research 16A, 447-456.
SIKDAR, P.K. Y HUTCHINSON, B.G. (1981): Empirical studies of work trip distribution
models. Transportation Research 15A, 233-243.
SKELTON, N. (1982): Determining appropriate sample sizes when two means are to be
compared. Traffic Engineering and Control 23, 29-37.
Bibliografa
SMALL, K.A. (1982): The scheduling of consumer activities: work trips. American
Economic Review 72, 467-479.
SMALL, K.A. (1987): A discrete choice model for ordered alternatives. Econometrica
55, 409-424.
SMALL, K.A. Y BROWNSTONE, D. (1982): Efficient estimation of nested logit models:
an application to trip timing. Research Memorandum 296. Economic Research
Program, Princeton University.
SMEED, R.J. (1968): Traffic studies and urban congestion. Journal of Transport
Economics and Policy II, 2-38.
S MITH , M.E. (1979): Design of small sample home interview travel surveys.
Transportation Research Record 701, 29-35.
SMITH, M.J. (1979): Traffic control and route choice: a simple example. Transportation
Research 13B, 289-294.
SMITH, M.J. (1981): Properties of a traffic control policy which ensures the existence
of a traffic equilibrium consistent with the policy. Transportation Research 15B,
453-462.
SMITH, R.L. Y CLEVELAND, D.E. (1976): Time stability analysis of trip generation
and predistribution modal choice models. Transportation Research Record 569,
76-86.
SMIT-KROES, N. Y NIJPELS, E.H.T.M. (1988): Tweede Struktuurschema Verker en Vervoer.
State Publisher, The Hague (in Dutch).
SMOCK, R.J. (1962): An iterative assignment approach to capacity restraint on arterial
networks. Highway Research Board Bulletin 156, 1-13.
SOBEL, K.L. (1980): Travel demand forecasting by using the nested multinomial logit
model. Transportation Research Record 775, 48-55.
SOSSLAU, A.B., H ASSAM, A., CARTER , M. Y WICKSTROM, G. (1978): Quick response
urban travel estimation techniques and transferable parameters. NCHRP Report
817. National Cooperative Highway Research Program. Transportation Research
Board, Washington, DC.
SPEAR , B.D. (1977): Applications of new travel demand forecasting techniques to
transportation: a study of individual choice models. Final Report to the Office
of Highway Planning. Federal Highway Administration, US Department of
Transportation, Washington, DC.
SPIELBERG, F., WEINER, E. Y ERNST, U. (1981): The shape of the 1980s: demographic,
economic and travel characteristics. Transportation Research Record 807,
27-34.
SPIESS, H. (1983): On optimal route choice strategies in transit networks. Publication
286. Centre de recherche sur les Transports. Universit de Montreal, Canad.
SPIESS, H. (1987): A maximum likelihood model for estimating origin-destination
matrices. Transportation Research 21B, 395-412.
SPIESS, H. Y FLORIAN, M. (1989): Optimal strategies: a new assignment model for transit
networks. Transportation Research 23B, 82-102.
MODELOS
DE
TRANSPORTE
STEENBRINK, P.A. (1974): Optimisation of Transport Networks. John Wiley & Sons,
Nueva York.
STEER, J. Y WILLUMSEN, L.G. (1983): An investigation of passenger preference structures.
En S. Carpenter y P.M. Jones (eds.), Recent Advances in Travel Demand Analysis.
Gower, Aldershot.
STONE, R. (1966): Mathematics in the Social Sciences. Chapman and Hall, Londres.
STOPHER, P.R. (1975): Goodness-of-fit measures for probabilistic travel demand models.
Transportation 4, 67-83.
STOPHER, P.R. (1998): Household travel surveys: new perspectives and old problems. En
T. Grling, T. Laitila y K. Westin (eds.), Theoretical Foundations of Travel Choice
Modelling. Pergamom, Oxford.
STOPHER, P.R. Y MCDONALD, K.G. (1983): Trip generation by cross-classification: an
alternative methodology. Transportation Research Record 944, 84-91.
STOPHER, P.R. Y MEYBURG, A.H. (1979): Survey Sampling and Multivariate Analysis for
Social Scientists and Engineers. D.C. Heath and Co., Lexington, Mass.
STOUFFER, A. (1940): Intervening opportunities: a theory relating mobility and distance.
American Sociological Review 5, 845-867.
SUH, S., PARK, C. Y KIM, T.J. (1990): A highway capacity function in Korea: measurement
and calibration. Transportation Research 24A, 177-186.
SUPERNAK , J. (1971): Transferability of the person category trip generation model.
Proceedings 9th PTRC Summer Annual Meeting. Universidad de Warwick, Julio
1979, Inglaterra.
SUPERNAK, J. (1979): A behavioural approach to trip generation modelling. Proceedings
7th PTRC Summer Annual Meeting. University of Warwick, Julio 1979, Inglaterra.
SUPERNAK, J. (1983): Transportation modelling: lessons from the past and tasks for the
future Transportation 12, 79-90.
SUPERNAK , J., TALVITIE, A.P. Y DE JOHN, A. (1983): Person category trip generation
modelling. Transportation Research Record 944, 74-83.
SWAIT, J. Y LOUVIERE, J.J. (1993): The role of the scale parameter in the estimation and
comparison of multinomial logit models. Journal of Marketing Research XXX,
305-314.
SWAIT, J., LOUVIERE, J.J. Y WILLIAMS, M. (1994): A sequential approach to exploiting
the combined strengths of SP and RP data: application to freight shipper choice.
Transportation 21, 135-152.
SWANSON, J., PEARMAIN, D. Y LOUGHEAD, K. (1992): Stated preference sample sizes.
Proceedings 20th PTRC Summer Annual Meeting. University of Manchester,
Institute of Science and Technology, Septiembre 1992, Inglaterra.
TAMIN, O.Z. Y WILLUMSEN, L.G. (1989): Transport demand model estimation from traffic
counts. Transportation 16, 3-26.
TAMIN, O.Z. Y WILLUMSEN, L.G. (1992): Freight demand model estimation from
traffic counts. En J. de D. Ortzar (ed.), Simplified Transport Demand Modelling.
Perspectives 2, PTRC, Londres.
Bibliografa
TANNER, J.C. (1974): Forecasts of vehicles and traffic in Great Britain: 1974 revision.
TRRL Report LR 650. Transport and Road Research Laboratory, Crowthorne.
TANNER , J.C. (1978): Long term forecasting of vehicle ownership and road traffic.
Journal of the Royal Statistical Society 141A, 14-63.
TARDIFF, T.J. (1976): A note on goodness-of-fit statistics for probit and 1ogit models.
Transportation 5, 377-388.
TARDIFF, T.J. (1979): Specification analysis for quantal choice models. Transportation
Science 13, 179-390.
TAYLOR, T.L. (1971): Instructional Planning Systems: A Gaming-Simulation Approach
to Urban Problems. Cambridge University Press, Nueva York.
TERZA, J.V. (1985): Ordinal probit: a generalization. Communications in Statistics
Theory and Method 14, 1-11.
TIMBERLAKE, R.S. (1988): Traffic modelling techniques for the developing world. 67th
Annual TRB Meeting, Washington DC, Enero 1988, USA.
TRAIN, K.E. (1977): Valuations of modal attributes in urban travel: questions of
non-linearity, non-genericity and taste variations. Working Paper, Cambridge
Systematics Inc. West, San Francisco.
TRAIN, K.E. (1986): Qualitative Choice Analysis: Theory. Econometrics and an
Application to Automobile Demand. MIT Press, Cambridge, Mass.
TRAIN, K.E. (1998): Recreation demand models with taste differences over people.
Land Economics 74, 230-239.
TRAIN, K.E. (1999): Halton sequences for mixed logit. Working Paper, Department of
Economics, University of California at Berkeley.
TRAIN, K.E. Y MCFADDEN, D. (1978): The goods/leisure trade-off and disaggregate work
trip mode choice models. Transportation Research 12, 349-353.
TRAUGOTT, M.W. Y KATOSH, J.P. (1979): Response validity in surveys of voting behaviour.
Public Opinion Quarterly 42, 359-377.
TVERSKI, A. (1972): Elimination by aspects: a theory of choice. Psychological Review
79, 281-299.
VAN ES, J.V. (1982): Freight transport, an evaluation. CEMT Round Table 58, European
Conference of Ministers of Transport, Pars.
VAN VLIET, D. (1977): DEsopo: a forgotten tree-building algorithm. Traffic Engineering
and Control 18, 372-375.
VAN VLIET, D. (1978): Improved shortest path algorithms for transport networks.
Transportation Research 12, 7-20.
VAN VLIET, D. (1982): SATURN: a modern assignment model. Traffic Engineering
and Control 23, 578-581.
VAN VLIET, D. Y DOW, P. (1979): Capacity restrained road assignment. Traffic Engineering
and Control 20, 296-305.
VAN VLIET, D. BERGMAN, T. Y SCHELTES, W. (1987): Equilibrium assignment with multiple
user classes. Proceedings 15th PTRC Summer Annual Meeting. University of
Sussex, Julio 1987, Inglaterra.
MODELOS
DE
TRANSPORTE
VAN ZUYLEN, H. Y WILLUMSEN, L.G. (1980): The most likely trip matrix estimated from
traffic counts. Transportation Research 14B, 281-293.
VERHOEF, E. (1994): External effects and social costs of road transport. Transportation
Research 28A, 273-287.
VICKREY, W. (1969): Congestion theory and transport investment. American Economic
Review 59, 251-261.
WARDROP, J.G. (1952): Some theoretical aspects of road traffic research. Proceedings
of the Institution of Civil Engineers, Part II 1, 325-362.
WARDROP, J.G. (1968): Journey speed and f low in central urban areas. Traffic
Engineering and Control 9, 528-532, 539.
WARNER, S.L. (1962): Strategic Choice of Mode in Urban Travel: A Study of Binary
Choice. Northwestern University Press, Evanston.
WATERS, W.G. (1992): The value of time savings for the economic evaluation of highway
investments in British Columbia. Report to the Canadian Ministry of Transportation
and Highways, Victoria, BC.
WATSON, S.M., TONER, J.P., FOWKES, A.S. Y WARDMAN, M. (1996): Efficiency properties
of orthogonal stated preference designs. Proceedings 24th European Transport
Forum, Brunel University, Septiembre 1996, Inglaterra.
WEBSTER, F.V., BLY, P.H. Y PAULLEY, N.J. (eds.) (1988): Urban Land-Use and Transport
Interaction: Policies and Models. Gower, Aldershot.
WERMUTH, M.J. (1981): Effects of survey methods and measurement techniques on the
accuracy of household travel-behaviour surveys. En P.R. Stopher, A.H. Meyburg
y W. Brg (eds.), New Horizons in Travel Behaviour Research. D.C. Health and
Co., Lexington, Mass.
WHITELEGG, J. (1993): Transport for a Sustainable Future: The Case for Europe.
Belhaven Press, Londres.
WILLIAMS, H.C.W.L. (1977): On the formation of travel demand models and economic
evaluation measures of user benefit. Environment and Planning 9A, 285-344.
WILLIAMS, H.C.W.L. (1981): Travel demand forecasting: an overview of theoretical
developments. En D.J. Banister y P.G. Hall (eds.), Transport and Public Policy
Planning. Mansell, Londres.
WILLIAMS, H.C.W.L. Y ORTZAR, J. DE D. (1982a): Behavioural theories of dispersion
and the mis-specification of travel demand models. Transportation Research 16B,
167-219.
WILLIAMS, H.C.W.L. Y ORTZAR, J. DE D. (1982b): Travel demand and response analysissome integrating themes. Transportation Research 16A, 345-362.
WILLIAMS, H.C.W.L. Y SENIOR, M.L. (1977): Model based transport policy assessment:
(2) Removing fundamental inconsistencies from the models. Traffic Engineering
and Control 18, 464-469.
WILLIAMS, I. (1976): A comparison of some calibration techniques for doubly constrained
models with an exponential cost function. Transportation Research 10, 91-104.
Bibliografa
WILLIS, K.G., GARROD, G.D. Y HARVEY, D.R. (1998): A review of cost-benefit analysis
as applied to the evaluation of new road proposals in the UK. Transportation
Research 3D, 141-156.
WILLS, M.J. (1986): A flexible gravity-opportunities model for trip distribution.
Transportation Research 20B, 89-111.
WILLUMSEN, L.G. (1978): Estimation of an O-D matrix from traffic counts: a review.
Working Paper 99, Institute for Transport Studies, University of Leeds.
WILLUMSEN, L.G. (1981): Simplified transport demand models based on traffic counts.
Transportation 10, 257-278.
WILLUMSEN, L.G. (1982): Estimation of trip matrices from volume counts; validation
of a model under congested conditions. Proceedings 10th PTRC Summer Annual
Meeting, University of Warwick, Julio 1982, Inglaterra.
WILLUMSEN, L.G. (1984): Estimating time-dependent trip matrices from traffic counts.
En J. Volmller y R. Hamerslag (eds.), Proceedings of the Ninth International
Symposium on Transportation and Traffic Theory. VNU Science Press, Utrecht.
WILLUMSEN , L.G. (1991): Origin-destination matrix: static estimation. En M.
Papageorgiou (ed.), Concise Encyclopedia of Traffic & Transportation Systems.
Pergamon Press, Oxford.
WILLUMSEN, L.G. (2000): Travel networks. En D. Hensher y K.J. Button (eds.), Handbook
of Transport Modelling. Pergamon, Oxford.
WILLUMSEN, L.G. Y HOUNSELL, N.B. (1998): Simple models of highway reliability-supply
effects. En J. de D. Ortzar, D. Hensher y S. Jara-Daz (eds.), Travel Behaviour
Research: Updating the State of Play. Pergamon, Oxford.
WILLUMSEN, L.G. Y O RTZAR , J. DE D. (1985): Intuition and models in transport
management. Transportation Research 19A, 51-58.
WILLUMSEN, L.G. Y R ADOVANAC, M. (1988): Testing the practical value of the UMOT
model. International Journal of Transport Economics 15, 203-223.
WILLUMSEN, L., BOLLAND, J., AREZKI, Y. Y HALL, M. (1993): Multi-modal modelling in
congested networks: SATURN + SATCHMO. Traffic Engineering and Control
34, 294-301.
WILSON, A.G. (1970): Entropy in Urban and Regional Modelling. Pion, Londres.
WILSON, A.G. (1974): Urban and Regional Models in Geography and Planning, John
Wiley & Sons, Londres.
WILSON, A.G. Y K IRBY, M.J. (1980): Mathematics for Geographers and Planners.
Clarendon Press, Oxford.
WILSON, A.G., R EES, P.H. Y LEIGH, C.M. (eds.) (1977): Models of Cities and Regions:
Theoretical and Empirical Developments. John Wiley & Sons, Londres.
WITTINK, D., K RISHNAMURTHI, L. Y NUTTER, J. (1982): Comparing derived importance
weights accross attributes. Journal of Consumer Research 8, 471-474.
WONNACOTT, T.H. Y WONNACOTT, R.J. (1977): Introductory Statistics for Business and
Economics. John Wiley & Sons, Nueva York.
MODELOS
DE
TRANSPORTE
WOOTTON, H.J. Y PICK, G.W. (1967): A model for trips generated by households. Journal
of Transport Economics and Policy 1, 137-153.
WOOTTON, H.J., NESS, M.P. Y BURTON, R.S. (1981): Improved direction signs and the
benefits for road users. Traffic Engineering and Control 22, 264-268.
WOOTTON JEFFREYS Y PARTNERS (1980): JAM User Manual. Brookwood.
YEN, J., M AHMASANI, H. Y HERMAN, R. (1998): A model of employee participation in
telecommuting programs based on stated preference data. En J. de D. Ortzar,
D.A. Hensher y S.R. Jara-Daz (eds.), Travel Behaviour Research: Updating the
State of Play. Pergamon, Oxford.
YOUNG , W. Y R ICHARDSON, A.J. (1980): Residential location preference models:
compensatory and non-compensatory approaches. Proceedings 8th PTRC Summer
Annual Meeting. University of Warwick, Julio 1980, Inglaterra.
Z AHAVI, Y. (1979): The UMOT project. Report No. DoT-RSPA-DPB-20-79-3, US
Department of Transportation, Washington DC.