CAPÍTULO 14

MODELOS DE GERAÇÃO DE VIAGENS

1. INTRODUÇÃO

Objetivo dos Modelos de Geração de Viagens: prever o número total de

viagens que se iniciam ou terminam em cada zona de análise, dentro da
região de estudo, para um dia típico do ano de projeto.

Geração = Produção + Atração

Produção: viagens que se iniciam numa determinada zona de tráfego;

Atração: viagens que chegam numa determinada zona de tráfego.
2. MODELOS DE PRODUÇÃO DE VIAGENS:

VPi = f(Si, USi)

VPi = viagens produzidas pela zona “i”;

Si = variáveis sócio-econômicas observadas na zona “i”;
USi = variáveis que expressam características do uso do solo da zona “i”.

Exemplo: Modelo desenvolvido em Toronto (Canadá):

VPi = 0,153Pi + 0,145Hi – 0,253 Ai

VPi = número diário de viagens de ônibus ao trabalho produzidas na zona “i”;

Pi = população que habita a zona “i”;
Hi = número de habitações na zona “i”;
Ai = total de automóveis na zona “i”.
3. MODELOS DE ATRAÇÃO DE VIAGENS:

VAj = f(Sj, USj)

VAj = viagens atraídas para a zona “j”;

Sj = variáveis sócio-econômicas observadas na zona “j”;
USj = variáveis que expressam características do uso do solo da zona “j”.

Exemplo: Modelo desenvolvido em Toronto (Canadá):

Aj = 0,013Pj + 0,349EMj + 0,158ECj + 0,107ESj + 0,436 EOj

VAj = número diário de viagens de ônibus ao trabalho atraídas para a zona “j”;
Pj = população residente em “j”;
EMj = número de empregos industriais em “j”;
ECj = número de empregos no comércio em “j”;
ESj = número de empregos em serviços em “j”;
EOj = número de outros empregos em “j”.
4. LIMITAÇÕES DOS MODELOS DE GERAÇÃO DE
VIAGENS CONVENCIONAIS:

• Não captam a influência dos atributos dos sistemas de transportes;

• Não incorporam as chamadas variáveis de intervenção.

5. FORMULAÇÃO DE MODELOS DE GERAÇÃO DE

VIAGENS COM O USO DE REGRESSÕES
ESTATÍSTICAS:

5.1. Forma Geral dos Modelos:

y = f(𝑥1 , 𝑥2 , … , 𝑥𝑛 )

y = alguma variável de transportes, para a qual se deseja estudar o

comportamento;
xi (i = 1, 2, 3, ... n) = variáveis explicativas do comportamento da variável y.
5.2. Cuidados na Elaboração dos Modelos:

a) As variáveis explicativas devem realmente estar relacionadas aos

transportes em estudo;
b) As variáveis explicativas devem ter comportamento passível de previsão
com bom grau de certeza;
c) Os modelos devem fornecer os resultados mais precisos possíveis. Para
isto, deve-se ter um bom ajustamento das variáveis à função especificada
para explicar a demanda.

5.3. Funções Matemáticas mais Utilizadas:

TIPO DE FUNÇÃO FORMA

Linear Simples y = a0 + a1 x
Linear Múltipla y = a0 + a1 x1 + a 2 x 2 + ... + a n x n
2º Grau y = c + bx + ax 2
Potência y = a0 x1a x 2a ...xna
1 2 n

Exponencial y = ab x
5.4. Técnica dos Mínimos Quadrados:

y = a0 + a1 x

 n n

n a0 + a1  xi −  yi = 0 Equações Normais

i =1 i =1
 n n
da reta de mínimos
quadrados.
a  x + a  x −  x y = 0
2
 0 i =1 i 1
i =1
i
i =1
i i
5.5. Qualidade do Ajustamento: Medidas de Dispersão

a) Erro Padrão da Estimativa (EPE):

( y − y )2 EPE = Erro Padrão da Estimativa;


est
i i

EPE = yi = valor da observação;

n yiest= valor estimado da observação pela equação.

b) Coeficiente de Correlação (R)

 (yiest − y )
n 2

i =1 R = Coeficiente de Correlação;
R=
 (yi − y )
n 2 𝑦ത = valor médio dos “y”.
i =1

c) Coeficiente de Determinação (R2)

Nada mais é do que o Coeficiente de Correlação (R) elevado ao
quadrado. Esta medida dá um indicativo mais quantitativo do quanto
determinada equação representa um determinado diagrama de dispersão.
Por exemplo, se R2 = 0,70, isto significa que 70% dos pontos do diagrama de
dispersão estão sendo representados pela equação obtida.
5.6. Exemplo de Regressão Simples

EXEMPLO DE REGRESSÃO LINEAR SIMPLES

No. Pessoas
que utilizam
transporte

Y = n  a0 + a1   X i
coletivo
diariamente População
i
(Y) (X)
5120 12826
7100 15739

X Y = a0   X i + a1   X i2
7430 18823
8300 20456 i i
9400 23857

Y X X.Y X^2 Yest Yest - Ymédio (Yest - Ymédio)^2 Yi-Ymédio (Yi-Ymédio)^2

5120 12826 65669120 164506276 5467,52 -2002,48 4009910,13 -2350 5522500
7100 15739 111746900 247716121 6527,86 -942,14 887635,32 -370 136900
7430 18823 139854890 354305329 7650,43 180,43 32555,71 -40 1600
8300 20456 169784800 418447936 8244,84 774,84 600383,22 830 688900
9400 23857 224255800 569156449 9482,81 2012,81 4051396,04 1930 3724900
37350 91701 711311510 1754132111 9581880,42 10074800

37350 = 5  a0 + 91701 a1 a 0 = 798,86

711311510 = 91701 a0 + 1754132111 a1 a1 = 0,364

Y =
Y i

n
Ymédio = 7470
Modelo obtido:

R 2
=
 (Y est − Y )2
 (Y i − Y )2 R^2 = 0,95
 5.7. Uso do Excel em Regressão Simples
No. Pessoas que usam o transporte coletivo diariamente População
Y X
5120 12826
7100 15739
7430 18823
8300 20456
9400 23857
R2

RESUMO DOS RESULTADOS

Estatística de regressão
R múltiplo 0,974539071
R-Quadrado 0,949726401
R-quadrado ajustado 0,932968535
Erro padrão 410,8918983
Observações 5

ANOVA
gl SQ MQ F F de significação
Regressão 1 9568303,544 9568303,544 56,67347 0,004858247
Resíduo 3 506496,4562 168832,1521
Total 4 10074800

Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 95,0% Superior 95,0%
Interseção 798,8601479 905,0076099 0,882710973 0,442395 -2081,277977 3678,998272 -2081,277977 3678,998272
X 0,363744117 0,048317681 7,528178256 0,004858 0,209975691 0,517512543 0,209975691 0,517512543
 5.8. A importância do teste “t” em regressão
O teste t pode ser usado para determinar se um coeficiente de regressão estimado
é significante. Para isso compara-se t com tc. Este último é obtido da Tabela da
distribuição t. Se não passar no teste, a equação deve ser “descartada”.

✓ O número de graus de liberdade (g.l.)

pode ser determinado subtraindo-se do
número de observações “n”, o número
de variáveis explicativas da equação.

Neste exemplo:

g.l. = 5 – 1 = 4

Considerando um Nível de
Significância de 5%:

tc = 2,132

t = 7, 53 > tc (ok!)
5.9. Modelos de Geração com o Uso de Regressão Múltipla:
Apresentaremos o chamado Método Stpwise (“passo a passo”), aplicado aos
dados da Tabela apresentada a seguir.
Etapa 1: Examinar a Matriz de Correlação a fim de detectar:

• As variáveis independentes que têm uma associação estatística com a variável

dependente;
• Variáveis independentes e dependentes que são fortemente correlacionadas, o que
deve ser evitado.

Matriz de Correlação para os dados apresentados anteriormente

X1 X2 X3 X4 Y

X1 1,000

X2 0,978 1,000

X3 0,496 0,304 1,000

X4 0,110 0,068 0,073 1,000

Y 0,996 0,958 0,559 0,124 1,000

 Observando a Matriz de Correlação anterior podemos fazer algumas
constatações:

1. O Emprego Total por Zonas (X1) tem

um alto grau de associação com a
variável dependente (Y): r = 0,996;
2. O Emprego em Manufaturas (X2)
tem também alto grau de
associação com a variável
dependente (Y): r = 0,958;
3. Os outros dois componentes do
emprego estão fracamente
associados com a variável
dependente (Y);

4. Existe um alto grau de associação entre Emprego Total (X1) e Emprego em

Manufaturas (X2). Assim, Emprego Total (X1) e Emprego em Manufaturas (X2) não
devem ser incluídos na mesma equação de regressão.
 Para os dados que estamos estudando teríamos, como opção,
as seguintes equações de regressão:

1a Y = a + bX 1 2a Y = a + bX 2

3a Y = a + b1 X 2 + b2 X 3 4a Y = a + b1 X 1 + b2 X 3

Adicionalmente, vamos testar as duas seguintes equações:

5a Y = a + b1 X 2 + b2 X 3 + b3 X 4 Adicionamos a variável
X4 na 3ª Equação.

6a Y = a + b1 X 1 + b2 X 3 + b3 X 4 Adicionamos a variável X4 na
4ª Equação.
Etapa 2: Estimar os parâmetros de cada uma das equações de regressão
potenciais e realizar os seguintes testes:

2.1. Os coeficientes de regressão parcial são estatisticamente significantes?

(teste t)
Realizar o teste “t”, como explicado anteriormente.

2.2. Os coeficientes de regressão parcial apresentam o sinal correto?

Verificar a coerência dos sinais de cada variável na equação.

2.3. Qual o valor de R2?

Na área de transportes, geralmente R2 ≥ 0,7 são considerados satisfatórios.

2.4. O valor do termo independente “a” é razoável?

Quanto menor o valor deste termo, melhor para a qualidade da equação.

As seis equações de regressão relacionadas anteriormente foram ajustadas

às informações da tabela considerada, obtendo-se os seguintes resultados:
1ª Equação:

Y = 62,24 + 0,93 X1

t = 44,2

tcrítico = 1,753 (tabela)

O sinal “+” é coerente, pois t >tcrítico (ok!)
indica que quanto maior o
número de empregos na
zona, maior o número de
viagens atraídas para ela.

Coeficiente de
Determinação (R2) = 0,992

Termo constante “a” = 62,24

 2ª Equação:

Y = 507,7 + 0,98 X2

t = 12,5

tcrítico = 1,753 (tabela)

O sinal “+” é coerente, pois
indica que quanto maior o t >tcrítico (ok!)
número de empregos, no
setor de manufaturas na
zona, maior o número de
viagens atraídas para ela.

Coeficiente de
Determinação (R2) = 0,912

Termo constante “a” = 507,7

 3ª Equação:

Y = 34 + 0,89 X2 + 1,26 X3

t = 52,3 t = 17,7

tcrítico = 1,761 (tabela)

Os sinais “+” são coerentes.
t >tcrítico (ok!)

Coeficiente de
Determinação (R2) = 0,996

Termo constante “a” = 34

 4ª Equação:

Y = -34,6 + 0,89 X1 + 0,37 X3

t = 74,8 t = 6,7

tcrítico = 1,761 (tabela)

Os sinais “+” são coerentes.
t >tcrítico (ok!)

Coeficiente de
Determinação (R2) = 0,998

Termo constante “a” = -34,6

 5ª Equação:

Y = -62,7 + 0,89 X2 + 1,25 X3 + 1,26 X4

t = 25,4 t = 3,9
t = 75,4

Os sinais “+” são coerentes.

tcrítico = 1,771 (tabela)

t >tcrítico (ok!)

Coeficiente de
Determinação (R2) = 0,998

Termo constante “a” = -62,7

 6ª Equação:

Y = -62,7 + 0,89 X1 + 0,37 X3 + 0,37 X4

t = 6,8 t = 1,2
t = 75,4

tcrítico = 1,771 (tabela)

Os sinais “+” são coerentes.
t >tcrítico (ok!)

t <tcrítico
(Não passou no teste!)

Coeficiente de
Determinação (R2) = 0,998

Termo constante “a” = -62,7

 6. CORRESPONDÊNCIA ENTRE OS VALORES DE PRODUÇÃO E
ATRAÇÃO DE VIAGENS OBTIDOS PELOS RESPECTIVOS MODELOS

Consideremos uma Matriz O-D para a qual estamos projetando os

valores produzidos e atraídos de viagens:

D
1 2 3 4 Oi’s
O
1
2
3
4
Dj’s

Modelo de Produção de Viagens

Exemplo: VPi = 0,153Pi + 0,145Hi – 0,253 Ai
Modelo de Atração de Viagens
Exemplo: VAj = 0,013Pj + 0,349EMj + 0,158ECj + 0,107ESj + 0,436 EOj
 Dados:
Zona 1 Zona 2 Zona 3 Zona 4
P (habitantes) 15000 18000 10000 22000
H (habitações) 3750 4500 2500 5500
A (automóveis) 2250 2700 1500 3300
EM (Empregos Industriais) 2000 2400 1800 2700
EC (Empregos no Comércio) 1700 2200 1400 1900
ES (Empregos em Serviços) 1600 1850 1180 2100
EO (Outros Empregos) 950 880 720 880

P1 = O1 = 0,153P1 + 0,145H1 – 0,253 A1 = 2269,50

P2 = O2 = 0,153P2 + 0,145H2 – 0,253 A2 = 2723,40
P3 = O3 = 0,153P3 + 0,145H3 – 0,253 A3 = 1513,00
P4 = O4 = 0,153P4 + 0,145H4 – 0,253 A4 = 3328,60
 = 9834,50

D1 = A1 = 0,013P1 + 0,349EM1 + 0,158EC1 + 0,107ES1 + 0,436 EO1 = 1747,00

D2 = A2 = 0,013P2 + 0,349EM2 + 0,158EC2 + 0,107ES2 + 0,436 EO2 = 2000,83
D3 = A3 = 0,013P3 + 0,349EM3 + 0,158EC3 + 0,107ES3 + 0,436 EO3 = 1419,58
D4 = A4 = 0,013P4 + 0,349EM4 + 0,158EC4 + 0,107ES4 + 0,436 EO4 = 2136,88
 = 7304,29
 Matriz O-D Futura
D
1 2 3 4 Oi’s
O
1 2269,50
2 2723,40
3 1513,00
4 3328,60
Dj’s 1747,00 2000,83 1419,58 2136,88 ??????

Sabemos que numa Matriz O-D:

෍ 𝑶𝒊 = ෍ 𝑫 𝒋 = 𝑻 Uma das Equações de

𝒊 𝒋 Consistência

No entanto, obtivemos:

Oi = 9834,50 e Dj = 7304,29

 A solução prática para superar este problema baseia-se no fato de
que, geralmente, considera-se os modelos de produção como sendo mais
precisos. Por esta razão considera-se que o número total de viagens (T) é
igual ao somatório do número de viagens produzidas, isto é:

𝐓 = ෍ 𝑶𝒊
𝒊
No exemplo:

𝑻 = ෍ 𝑶𝒊 = 𝟗𝟖𝟑𝟒, 𝟓𝟎
𝒊

Portanto, todos os valores destinados Dj serão multiplicados por um

fator “f” dado por:

No exemplo:
𝟗𝟖𝟑𝟒, 𝟓𝟎
𝒇= = 𝟏, 𝟑𝟒𝟔𝟒𝟎𝟎𝟓𝟒
𝟕𝟑𝟎𝟒, 𝟐𝟗
 Assim, teríamos:

D1 = 1747,00 x 1,34640054 = 2352,16

D2 = 2000,83 x 1,34640054 = 2693,92
D3 = 1419,58 x 1,34640054 = 1911,32
D4 = 2136,88 x 1,34640054 = 2877,10
 = 9834,50

Matriz O-D Futura

D
1 2 3 4 Oi’s
O
1 2269,50
2 2723,40
3 1513,00
4 3328,60
Dj’s 2352,16 2693,92 1911,32 2877,10 9834,50