Professional Documents
Culture Documents
0LQLVWHULR
GH7UDQVSRUWHV
<&RPXQLFDFLRQHV
9LFHPLQLVWHULR
GH7UDQVSRUWHV
0(72'2/2*$'($&78$/,=$&,1'(/
02'(/2'(75$163257(6'(/5($
0(75232/7$1$'(/,0$<&$//$2
/LPD(QHUR
WZj
D
d
z
s
d
^ d
d
>
1.1 El Enfoque de Sistemas................................................................................... 6
2
3
4
5
WZj
6
D
d
z
s
d
^ d
d
>
7
WZj
D
d
z
s
d
^ d
d
>
WZj
D
d
z
s
d
^ d
d
>
WZj
D
d
z
s
d
^ d
d
>
ANEXO A:
ANEXO B:
WZj
1.
D
d
z
s
d
^ d
d
>
INTRODUCCIN
1.1
El Enfoque de Sistemas.
residenciales,
industriales,
comerciales,
educacionales,
DD>&d^dD/dW
D
WZj
D
d
z
^ d
d
>
s
d
Figura 2-1 Anlisis estratgico de Sistemas de Transporte Urbano
Con el objeto de reducir la gran incertidumbre asociada a la prediccin del desarrollo
de las ciudades, en lugar de modelar los impactos de las relaciones de largo plazo
entre el Sistema de Actividades (A) y Sistemas de Transporte (T), la metodologa
utiliza la tcnica de construccin de escenarios de desarrollo urbano y de escenarios
de transporte (planes). Construidos estos escenarios para un corte temporal futuro se
analizan las relaciones de corto plazo y se estiman, para cada escenario de desarrollo
WZj
D
d
z
s
d
^ d
d
>
En primer lugar, se deben construir escenarios de crecimiento o de desarrollo de la
ciudad. Estos escenarios buscan entregar informacin respecto de las variables
urbanas que determinan los viajes (generaciones y atracciones) sobre la base de
ciertas condicionantes socio-econmicas, fsicas y normativas, propias de la ciudad.
Bsicamente la metodologa de construccin de escenarios de desarrollo urbano debe
responder a preguntas como las siguientes para las ciudades en anlisis, tanto para
hoy como para determinados cortes temporales futuros:
Una vez respondidas estas preguntas, es posible generar los valores de las variables
explicativas de los modelos de generacin y atraccin de viajes, para las diferentes
dimensiones en que son tratados los viajes, obedeciendo a distintas caractersticas
poblacionales (distintos perodos del da y diferentes cortes temporales). Diversas
hiptesis sobre el desarrollo de la ciudad y crecimiento del ingreso de sus habitantes
(y en particular sobre la evolucin de la posesin de automvil) dan lugar a escenarios
de desarrollo urbano diferentes y, en definitiva, a diferentes demandas por transporte,
expresadas en trminos de distintos vectores de generacin y atraccin de viajes.
Una segunda etapa o componente de la metodologa es la construccin o definicin
de los planes estratgicos de transporte (definicin de sistemas de transporte T,
alternativos), esto es, conjuntos coherentes de proyectos fsicos (modificaciones a la
infraestructura o a los servicios de transporte existentes) y proyectos de polticas de
transporte (por ejemplo, tarificacin vial, aumento de costo de estacionamiento,
cambios del precio de los combustibles, cambios a esquemas tarifarios para el
transporte pblico, etc.).
WZj
D
d
z
s
d
^ d
d
>
Los enfoques de modelacin satisfacen las relaciones tipo I de la Figura 2-1 2-1, Esto
quiere decir que dado un sistema de Actividades (A) y dado un sistema de Transporte
(T), el modelo de comportamiento de usuarios implementado en los modelos de
transporte es capaz de obtener un patrn de Flujos (F) sobre el sistema.
WZj
D
d
z
s
d
^ d
d
>
La formulacin de cualquier modelo requiere la definicin de un fenmeno (una
variable o un conjunto de variables) que necesita ser explicado y por otra parte, la
definicin de un conjunto de variables explicativas que se supone determina las
caractersticas del fenmeno que interesa analizar.
En transporte urbano, fenmenos tpicos que interesa estudiar son por ejemplo, el
nmero de viajes producidos y atrados por zona, por propsito y categora, la
probabilidad de utilizar un cierto modo de transporte, los flujos en los arcos de una
determinada red, etc. Para explicar estos fenmenos se recurre a variables tales como
las caractersticas socioeconmicas de los individuos, niveles de servicio de los modos
de transporte y otras.
Sin embargo, los modelos de transporte son utilizados no slo para explicar los
fenmenos mencionados sino tambin para predecir sus comportamientos futuros. Por
ello, es pertinente mencionar un problema habitual de cualquier modelo que va a ser
utilizado para determinar el valor futuro de una cierta variable y que dice relacin con
la factibilidad de predecir los valores de las variables explicativas correspondientes. La
calibracin de estos modelos normalmente enfrenta una disyuntiva entre los
requerimientos de la explicacin y los requerimientos de la prediccin.
Si el primer objetivo del modelo es explicar de la mejor manera posible el fenmeno
observado en un momento determinado, entonces es correcto recurrir a toda variable
que ayude a este propsito. Pero, si el objetivo del modelo es predecir el
comportamiento futuro del fenmeno que se intenta explicar, entonces es necesario
privilegiar la inclusin de aquellas variables explicativas cuya evolucin en el tiempo
sea factible determinar razonablemente. Buena parte del arte de modelar radica en la
habilidad con que se resuelve este conflicto de objetivos.
En el caso de la presente metodologa, todas las definiciones que ya se han hecho y
que se harn ms adelante respecto a las variables explicativas de los modelos, tienen
10
WZj
D
d
z
s
d
^ d
d
>
2.1
2.1.1 Generalidades
La experiencia prctica de la modelacin de transporte, utilizada las versin clsico del
modelo secuencial de cuatro etapas, que hasta la fecha es el modelo ms
extensamente utilizado en las ms diversas ciudades del mundo. Este modelo trabaja
sobre la hiptesis de que los usuarios realizan secuencialmente un conjunto de
elecciones que caracterizan sus viajes, a base de ciertos atributos personales y del
sistema de transporte. Estas elecciones dicen la relacin con las decisiones de viajar
(generacin de viajes) hasta un destino (distribucin de viajes) en un modo de
transporte (particin modal) y a travs de una ruta determinada (asignacin). La
agregacin de estas decisiones individuales, determina las caractersticas de
operacin de un sistema de transporte dado.
Sin embargo, el enfoque secuencial tiene una inconsistencia en los tiempos de viaje
en las fases de distribucin-particin modal asignacin que debe ser resuelto de
manera adecuada.
2.1.2 Modelo Secuencial
El modelo que se propone como parte de la metodologa de anlisis corresponde al
clsico modelo secuencial de cuatro etapas. Para resolver la inconsistencia del
proceso de distribucin particin modal- asignacin, se han planteado diferentes
soluciones entre las cuales est el proceso de retroalimentacin (feedback),
que
11
WZj
D
d
z
s
d
^ d
d
>
modelo secuencial debe entenderse como una reduccin de las dimensiones del
anlisis, pero no as de la calidad de las herramientas metodolgicas.
Siguiendo esta lnea de desarrollo, en la definicin del modelo se han propuesto todas
aquellas innovaciones tcnicas que parecen razonables a los objetivos de la
metodologa, aun aceptando que la mayor sofisticacin conceptual pueda conducir a
requerimientos adicionales en su aplicacin, ya sean stos de orden tcnico,
presupuestario y/o temporales.
Figura 2-1 Modelo secuencial
2L ' M
7LM
7 LMN
La Figura 2-1, muestra un esquema general del modelo propuesto y sus diferentes
etapas o submodelos. El modelo de Generacin determina, a base de la informacin
12
D
d
z
WZj
s
d
^ d
d
>
a las redes correspondientes, obtenindose de esta manera los flujos por arcos.
V
En este captulo se muestran los conceptos de los enfoques de modelacin para que
permitan tener una orientacin en la construccin de los modelos de transporte
urbanos:
3.1
El enfoque.
Precisin o nivel de exactitud: puede ser crucial para logra diferenciar entre un
buen proyecto y uno no tan bueno, particularmente cuando la decisin no es obvia.
hay que tener mucho cuidado el aplicar el sentido comn.
13
WZj
D
d
z
s
d
^ d
d
>
Financiamiento.
3.2
Tipo de modelos
Planeamiento de infraestructura
Planeamiento de equipamiento
Tarificacin vial.
14
WZj
D
d
z
s
d
^ d
d
>
Conteo de pasajeros
Normalmente los modelos de transporte son requeridos para analizar la operacin del
sistema en ciertos aos representativos, que incluyen el presente (habitualmente
llamado ao base) y algunos aos futuros, todos los cuales se denominan
colectivamente cortes temporales. En cada uno de estos cortes temporales, es
necesario contrastar la operacin del sistema de transporte en una situacin base de
comparacin (situacin base) con la operacin del sistema despus de introducir
modificaciones estructurales en sus caractersticas fundamentales (situacin con
proyecto).
Por otra parte, la operacin del sistema en un da completo es un fenmeno cuya
complejidad y dinamismo desborda las capacidades de las actuales herramientas de
anlisis. La metodologa habitual analiza perodos representativos de un da tpico y
utiliza el modelo de transporte para simular la operacin del sistema dentro de tales
perodos. El resultado por perodo se extiende al da completo y posteriormente es
extrapolado para obtener el total anual.
Los cortes temporales futuros son simulados introduciendo al modelo las variables de
entrada correspondientes de cada perodo, con los valores que se estima que tales
variables tomarn en el futuro. Luego se simula la operacin del sistema en los
perodos definidos y se sigue el procedimiento descrito anteriormente.
15
WZj
4.1
D
d
z
s
d
^ d
d
>
Cortes Temporales
16
WZj
D
d
z
s
d
^ d
d
>
4.2
Perodos de modelacin.
17
WZj
D
d
z
s
d
^ d
d
>
18
D
d
z
WZj
s
d
^ d
d
>
Los perodos deben ser definidos de acuerdo a criterios que se explican en el siguiente
punto, de tal manera que la demanda de un da ( su equivalente) sea la suma de
cada perodo modelado, y se aproveche la totalidad de las matrices de viaje y se evite
el uso de factores de expansin.
En trminos de oferta, un mayor nmero de perodos, bsicamente significa un mayor
esfuerzo
de
definicin
calibracin
de
las
redes
involucradas,
aunque
4.3
Un primer elemento bsico para el modelo, que requiere una suerte de calibracin, es
la definicin horaria y la extensin de cada perodo de modelacin.
La Encuesta Origen-Destino de Viajes (EOD) proveer la informacin necesaria para
definir los perodos: a partir de los datos de la hora media de realizacin de los viajes
(promedio entre hora de salida y hora de llegada) es posible construir histogramas en
intervalos de 15 minutos (cuartos de hora) de viajes totales, viajes en transporte
pblico y viajes en transporte privado. En estos histogramas se pueden identificar los
horarios de mayor y menor demanda de transporte durante el da.
En la Figura 4-1 se muestra los resultados de todos los viajes y todos los modos en
funcin de la hora media de viaje, a partir de la muestra de la encuesta de origen
19
D
d
z
WZj
^ d
d
>
s
d
destino en hogares (JICA, 2004), se presenta esta figura con el nico fin de ilustrar el
comportamiento de los viajes durante las horas del da sin entran en el anlisis de la
muestra misma durante las otras horas del da.
Se puede observar que la extensin del perodo pico de la maana es desde las 06:45
a 08:29 horas, siendo la hora pico entre las 07:00 y 07:59. Este perodo de una hora
de extensin, debe ser elegido de manera que queden incluidos dentro de l, al menos
los dos cuartos de hora ms cargados (entre 6:45 y 8:29 horas).
Es importante resultar que este definicin de perodo pico est basado en viaje
(pasajeros) y se debe diferenciar respecto al mayor flujo vehicular que no
necesariamente coincide, como veremos luego.
La Figura 2-1, muestra un esquema general del modelo propuesto y sus diferentes
etapas o submodelos. El modelo de Generacin determina, a base de la informacin
socioeconmica y de poblacin, los viajes producidos ( 2L ) y los viajes atrados ( ' M )
por cada una de las zonas de anlisis en que se divide el rea de estudio. El modelo
de Distribucin construye una matriz de viajes ( 7LM ) entre parejas origen-destino de
zonas. El modelo de Particin Modal, divide los viajes entre los distintos modos de
N
transporte disponibles ( 7LM ). Finalmente las matrices de viaje por modo son asignadas
a las redes correspondientes, obtenindose de esta manera los flujos por arcos.
Figura 4-1 Pasajeros total por hora media de viaje
dW
dW
,
20
WZj
D
d
z
s
d
^ d
d
>
21
WZj
D
d
z
s
d
^ d
d
>
Desde el punto de vista del modelo -que slo modelar una hora promedio de fuera de
punta-la suposicin implcita es que en cualquiera de estas horas el sistema de
transporte se comporta de manera semejante. De hecho, el modelo recibir como
datos, los vectores de orgenes y destinos para una hora, que pueden ser calculados
como el promedio ponderado de los viajes realizados en cada propsito para el lapso
horario mayor y el lapso de una hora seleccionado.
Resultar deseable que la definicin horaria de los perodos punta y fuera de punta
sea contrastada con el histograma que se deduce de los conteos continuos realizados.
Dicho anlisis debe ser realizado en forma cuidadosa ya que el concepto de hora
media de viaje usado para construir el histograma obtenido a partir de la EOD es
distinto al concepto de un conteo en un punto particular. Para reducir la distorsin
espacial y temporal que se puede producir, se recomienda construir el histograma para
una envolvente de los puntos de conteo continuo. La envolvente puede construirse
como la suma vertical (en todos los puntos), del flujo en cada lapso temporal.
Visto todo lo anterior, las actividades ms relevantes de considerar para efectos de
ilustrar tcnicamente esta definicin, son las siguientes:
A. Construccin de histograma de viaje para las 24 horas de da laboral de poca
normal, obtenida de la Encuesta de Origen-Destino (EOD), utilizando la
siguiente desagregacin:
i.
ii.
iii.
22
D
d
z
WZj
^ d
d
>
s
d
Perodo pico de la maana desde las 06:45 a 08:30 horas y la hora pico desde
las 07:00 a 07:59 horas y existe una buena coincidencia entre las figuras
presentadas.
Perodo pico del medio da, segn la Figura 4-1 4-1 es desde las 12:15 a 14:14
horas con una hora pico de las 13:00 a 13:59 horas. Sin embargo, este perodo
no est muy bien definido en la Figura 4-2 4-2.
Perodo pico de la tarde, segn la Figura 4-1 4-1 es desde las 17:00 a 19:59
horas con la hora pico entre las 17:45 a 18:44 horas, en la Figura 4-2 4-2 es de
19:00 a 19:59 horas.
Perodo valle son las dems horas no consideradas en los perodos definidos,
dentro del contexto de modelacin de un perodo de 18 horas que sera desde
las 05:30 a 23:30 horas.
Figura 4-2 Pasajeros en la lnea cortina del Ro Rmac
dW
dW
d
,
23
WZj
D
d
z
s
d
^ d
d
>
Tanto la encuesta de hogares como las aforos y ocupacin visual de viajeros, fueron
realizados entre Junio Julio - Agosto del 2004, que en la ciudad de Lima y Callao es
la estacin de invierno.
La nica coincidencia resulta en el perodo pico de la maana que tiene una
caracterstica de viajes obligados (propsito hacia el trabajo y estudios), pero los otros
perodos existen diferencias.
Las principales diferencias que se observan se deben a lo siguiente:
La recomendacin cuando existen esas diferencias ser ajustar los perodos obtenidas
de la Encuesta Origen Destino en Hogares con tiempos medios a los obtenidos los
perodos que se obtengan con los aforos en la lnea cortina del ro Rmac.
Periodos segn flujo vehicular
En la Figura 4-3 se muestra los aforos de vehculos en la lnea cortina del ro Rmac,
en el cual se puede observar que la hora pico de la maana es de 08:00 a 08:59
diferente al perodo pico de pasajeros, siendo los otros perodos similares al de los
pasajeros.
Por lo tanto es recomendable considerar la diferencia importante en el perodo de la
maana para efectos de modelar principalmente proyectos de tarificacin vial o
soluciones relacionados a la congestin.
24
D
d
z
WZj
^ d
d
>
s
d
Wd
W
d
s
,
4.4
Uno de los aspectos a tener en cuenta para la toma de datos de campo es el efecto de
la temporalidad de los mismos, tanto en los aos horizonte (datos longitudinales) y los
datos dentro de un ao (efecto transversal) es decir la estacionalidad.
Como afecta la temporalidad a los atributos de un modelo de transportes:
4.4.1 Datos de oferta.
Los datos de oferta son:
25
WZj
D
d
z
s
d
^ d
d
>
forman parte de la nueva red vial, como proyectos que se culminaran dentro de 1 2
aos o menos; una vez calibrado y validado el modelo de transporte, se crea un
escenario llamado escenario base mejorado que incorpora esos cambios y que
quedaran definitivamente en el modelo base de transporte.
4.4.2 Datos de demanda.
Los datos de demanda cambian permanentemente, an as se realice una especie de
censo de viajes. Esto es entendible pues se trata la movilidad de las personas por
alguna actividad que van a realizar en el destino, al igual el desplazamiento de la
carga.
Sin embargo, en orden de magnitud van cambiando de acuerdo la estacionalidad que
existe y que afectan fuertemente a la cantidad y patrones de viajes en la ciudad. Estos
vienen a ser:
Vacaciones de estudiantes a todo nivel, que viene a ser en los meses de 2da
Quincena de Diciembre, Enero y Febrero.
Aforos vehiculares.
26
WZj
D
d
z
s
d
^ d
d
>
5.1
Introduccin
(2L )
27
WZj
D
d
z
s
d
^ d
d
>
de Particin Modal, divide los viajes entre los distintos modos de transporte disponibles
(9 ) .
N
LM
Finalmente las matrices de viaje por modo son asignadas a las redes
El modelo incorpora Asignacin Multiclase de vehculos a la red vial. Ello permite
considerar que el valor de la tarifa, a nivel de las elecciones de los usuarios sobre
la red vial, es percibido en forma diferenciada por los individuos, dependiendo
naturalmente de su nivel de ingreso.
Figura 5-1 Modelo Secuencial Clsico de 4 Etapas
2L ' M
7 LM
7LMN
5.2
28
WZj
D
d
z
s
d
^ d
d
>
5-3- y las influencias externas deben ser tratadas como datos exgenos del problema,
que el modelo debe considerar, pero que no puede explicar.
Definido el contexto espacial, el rea de estudio se divide en zonas ms pequeas,
que constituirn en adelante la unidad bsica del anlisis de transporte. La primera
caracterstica deseable de las zonas es su homogeneidad en trminos de utilizacin
de suelos y de caractersticas socioeconmicas de la poblacin, dado que stas son
dos variables fundamentales para explicar demanda de viajes.
La definicin geogrfica de las zonas debe respetar las divisiones administrativas y
polticas de la ciudad y sobre todo, las divisiones geogrficas del Censo de Poblacin
que el Estado realiza peridicamente. De esta manera ser posible obtener con
facilidad ciertos datos bsicos de entrada para el anlisis de transporte, tales como el
nmero de hogares por zona estratificados por ingreso, posesin de automvil,
tamao familiar, etc. Adems, en torno al Censo de Poblacin suelen desarrollarse
estudios de proyeccin de sus datos, informacin tambin til para el anlisis de
transporte.
La delimitacin de zonas de trnsito debe evitar en lo posible que una va principal
forme parte de uno de sus lmites, esto es debido a la dificultad posterior de asignarles
viaje, es recomendable que un va principal este contenida en una zona de trnsito. Si
esta vialidad es un lmite distrital y se cumple las caractersticas de los criterios de
zonificacin, esto significa que ambas municipalidades o parte de ellas tienen
comportamientos similares y se deben desagregar, o sea que habra distrito sector A,
etc.
29
WZj
D
d
z
s
d
^ d
d
>
30
WZj
D
d
z
s
d
^ d
d
>
La cantidad de zonas ideal sera por cada hogar, lo que resultara poco prctico, luego
sera cada manzana lo que resultara un poco ms razonable pero an requiere
muchos datos. Entonces, el criterio lo que utilizamos en la modelacin es el espacio
que razonablemente una persona puede caminar, es de 5 cuadras o 500 metros a la
redonda que sera el mnimo tamao de una zonificacin.
Figura 5-3 Cordn externo de la zona urbana rea Metropolitana de Lima y Callao
CL-1
CL-1
CL-2
CL-2
CL-3
CL-3
CL-4
CL-4
CL-7
CL-7
CL-5
CL-5
CL-6
CL-6
31
WZj
D
d
z
s
d
^ d
d
>
5.3
Ambos tendran la misma red vial y de rutas transportes y solo se modifica los
conectores centroides para dar una conectividad razonable.
32
WZj
D
d
z
s
d
^ d
d
>
5.4
Red vial
La red vial no debe ser tan desagregada que puede ser muy real pero puede
causar fuertes dificultades al momento de calibrar el modelo.
ii.
iii.
iv.
En la Tabla 5-1 5-1 se muestra una clasificacin sugerida, basado en los diferentes
estudios realizados en la ciudad.
La clasificacin debe realizarse en dos niveles:
La clasificacin de primer nivel, se ha tomado como referencia la normatividad
desarrollada en 1987 por la Comisin Multisectorial coordinadora de Proyectos de
desarrollo urbano de Lima Metropolitana. Estudio de Clasificacin de Vas.
33
WZj
D
d
z
s
d
^ d
d
>
5.5
Existe tambin una red para cada uno de los modos de transporte pblico, que
representan los servicios ofrecidos a los usuarios, y est dada por el grafo
34
WZj
5.6
D
d
z
s
d
^ d
d
>
Modos de transporte
Para comprender los modos de transporte, existen dos maneras de definir un viaje: en
trminos del viaje especfico y el viaje no especfico. El primero es un viaje completo
de una persona con un solo propsito, mientras que el segundo es parte del anterior,
segregado por modo de viaje. En otras palabras, un viaje especfico es una cadena de
viajes no especficos por diferentes modos individuales de viaje. Por consiguiente,
para poder definir el modo representativo de viaje, es necesario determinar la prioridad
entre diversos modos de viaje.
La prioridad es definida en funcin a las siguientes consideraciones:
i.
ii.
La relacin del modo representativo se muestra en la Tabla 5-2 5-2. Donde a los
modos original (*) se les conoce como sistema de transporte no convencional o
Pseudo transporte pblico o Paratransit, el modo integrado se obtiene a partir de
cmo es su comportamiento sobre la red vial.
El modo original (1) de Mototaxi, son utilizados para viajes cortos o como aproximacin
a un paradero de transporte pblico, no tiene ruta ni intervalo determinada pues esta
es fijada por la demanda.
El modo original (2) colectivo o taxi-colectivos si tienen una ruta determinada pero no
un intervalo determinado depende de la demanda. Compiten directamente con las
rutas de transporte pblico convencional, son ms rpidos y ms caro que el
transporte pblico convencional, pero ms barato que un servicio de taxi.
Naturalmente, no siempre es necesario utilizar todos estos modos simultneamente.
De hecho, dependiendo de su importancia relativa, es aconsejable ignorar algunos de
ellos para simplificar el anlisis.
Existen otros modos, como el transporte escolar, que representan una participacin
importante en los viajes con un propsito determinado especficamente en la ciudad de
Lima y Callao. Lamentablemente, por dificultades de modelacin no es posible incluir
este modo en el anlisis.
35
WZj
D
d
z
s
d
^ d
d
>
Caminata
Transporte Privado
Automvil
Taxi (*)
Transporte Pblico
Mototaxi (*)(1)
Colectivo (*)(2)
Taxi colectivo (*)(2)
Combi
Microbs
mnibus
Sistema BRT
Cada uno de estos modos utiliza una red de transporte especfica, que debe ser
calibrada de acuerdo a sus caractersticas operacionales. La red vial que se utilizar
bsicamente para asignar los viajes de transporte privado, estar constituida por las
principales vas e intersecciones de la ciudad. En ella operan tambin los servicios de
transporte pblico, los que para efectos de la red vial, generan flujos fijos
(determinados por las frecuencias de los servicios) de vehculos de transporte pblico
sobre sus arcos.
Cada arco de la red vial tiene asociada una funcin de costo, conocida como curva
flujo-velocidad, cuyos parmetros ser necesario calibrar.
La red vial puede tambin ser utilizada para asignar (cuando se considere
conveniente) los viajes de caminata. En este caso, la funcin de costo de los arcos
debera estar relacionada con factores constantes como el largo del arco y su
pendiente, por ejemplo.
Cada modo de transporte pblico requiere una red de rutas que se construye a partir
de la descripcin de los recorridos fsicos y de las frecuencias de los servicios de
transporte. En este caso, la funcin de costo de cada arco de la red, representa el
36
WZj
D
d
z
s
d
^ d
d
>
5.7
37
WZj
5.8
D
d
z
s
d
^ d
d
>
Categorizacin de la demanda
38
WZj
D
d
z
s
d
^ d
d
>
Alto
Ms de 1,500
7
8
9
(1) a Junio del 2004
39
WZj
D
d
z
s
d
^ d
d
>
40
WZj
D
d
z
s
d
^ d
d
>
La operacin del modelo de transporte requiere como datos de entrada los vectores
origen-destino de viajes para cada perodo de anlisis, clasificados por propsitos de
viaje y por categoras de demanda. La estimacin de tales vectores constituye el
objetivo de los modelos de generacin/atraccin.
Idealmente debiera estimarse un vector de orgenes y un vector de destinos por cada
propsito y categora de demanda, pero en la prctica la clasificacin por categoras
de demanda no siempre es posible. Dado que stas se definen a partir de los niveles
de ingreso y tasa de motorizacin de los hogares, la categorizacin de los orgenes
(producciones de viajes) es fcil de hacer cuando los viajes se originan en el hogar, lo
cual es una caracterstica de la mayora de los viajes en el perodo punta de la
maana y una proporcin importante en los otros perodos.
Sin embargo, durante estos mismos perodos la mayora de los viajes se realizan
hacia lugares distintos del hogar, por lo que una eventual categorizacin de los
destinos (atracciones de viajes) resultara arbitraria en el mejor de los casos.
Considerando lo anterior, el modelo propuesto supone que slo los orgenes son
clasificables por propsito p-categora n y los destinos en cambio, son clasificables
slo por propsitos de viaje p. As, el modelo de transporte recibe como datos de
entrada un vector Origen i por cada propsito de viaje y por cada categora de
{ }
demanda 2LSQ ; y un vector Destino j por cada propsito de viaje, en el que todas las
{ }
SQ
= ' MS
M
Donde:
41
WZj
D
d
z
s
d
^ d
d
>
sus resultados deben ser consistentes. Por otra parte, dado el mayor desarrollo
conceptual de los modelos de generacin de viajes, habitualmente el analista tiende a
confiar ms en sus resultados y por lo tanto, normalmente se ajustan las atracciones a
las generaciones de viajes.
Una manera simple de realizar este ajuste, es calcular un factor de correccin para
cada propsito de viaje, de la siguiente manera:
2
=
'
SQ
IS
S
M
Y luego se multiplica dicho factor por los componentes del vector de destinos del
propsito correspondiente, obtenindose los valores ajustados.
' MS D = I S ' MS
Eventualmente, para algn propsito de viaje, la calibracin del modelo de atraccin
podra entregar resultados ms confiables que la correspondiente a los modelos de
generacin. En este caso, es recomendable ajustar la generacin a la atraccin de
viajes. Por ejemplo, si se conoce los viajes que llegan a un gran centro comercial, etc.
El ajuste tambin se puede hacer por grupos de zonas de atraccin segn se tenga los
datos ms confiables.
Dos tipos de modelos se utilizan para explicar la generacin de viajes: regresin lineal
y anlisis por categora. La eleccin de uno u otro, depende de las caractersticas de
los viajes cuyos orgenes o destinos se desea explicar. Si bien los modelos de anlisis
por categora son conceptualmente ms adecuados, su mbito de aplicacin se
reduce bsicamente a aquellos viajes originados en el hogar. Por otra parte, aunque
los modelos de regresin lineal no son especialmente adecuados para explicar la
generacin de viajes, en casos tales como las atracciones de viajes y las generaciones
de viajes no originados en el hogar, suelen ser la nica herramienta metodolgica
disponible para estudiarlos.
6.1
Generacin de viajes
42
WZj
D
d
z
s
d
ii.
iii.
^ d
d
>
Donde:
2LSQ
2LSQ
EKL = Nmero de viajes basados en el hogar de ida (bhi).
2LSQ
EKU = Nmero de viajes basados en el hogar de retorno (bhr).
2LSQ
QEK = Nmero de viajes no basados en el hogar de ida (nbh).
Esta distincin es metodolgicamente importante por las siguientes razones. En primer
lugar, la importancia de cada tipo de viaje depende del perodo de modelacin. Es as
como, los viajes basados en el hogar de ida se realizan principalmente en el perodo
punta de la maana. En segundo lugar, la generacin de los viajes basados en el
hogar de ida es explicada por las variables socioeconmicas asociadas al hogar del
viajero. Por su parte, la generacin de viajes no basados en el hogar y basados en el
hogar de retorno puede ser explicada por aquellas variables asociadas a las
actividades que se desarrollan en las zonas.
siguiente ecuacin.
Q SQ
2LSQ
EKL = + L W
Donde:
2LSQ
EKL = Nmero de viajes con propsito p generados por los hogares de la categora
n de la zona i.
43
WZj
D
d
z
s
d
^ d
d
>
+ LQ
W SQ
Este modelo requiere conocer el nmero de hogares por categora en cada zona, lo
cual debe ser determinado o estimado a partir de informacin socioeconmica
independiente: normalmente del Censo Poblacional o de otros catastros urbanos.
Recurdese adems, que es necesario conocer la distribucin de hogares por
categora no slo en el ao base de anlisis; tambin se requiere la distribucin futura
de los hogares para cada uno de los cortes temporales. Estas proyecciones son parte
del mbito de especializacin de otras disciplinas, por lo que en el contexto de la
metodologa que aqu se discute, la distribucin de hogares por categora se
considerar como un dato exgeno.
Luego, el problema se reduce a encontrar las tasas de generacin de viajes para
cada categora de hogar y propsito. Esta tarea ha sido habitualmente realizada con
los denominados modelos de anlisis por categoras, los cuales determinan las tasas
de generacin buscadas a partir de una muestra de hogares, simplemente dividiendo
para cada categora ingreso-tasa de motorizacin, el nmero de viajes observados de
un propsito por el nmero de hogares en la muestra.
La determinacin de las tasas de generacin puede abordarse mediante dos marcos
conceptuales diferentes: Anlisis por Categora Simple (AC) y Anlisis de Clasificacin
Mltiple (ACM). Cada enfoque presenta ventajas y desventajas y por lo tanto, la
recomendacin establecida en la presente metodologa recoge una solucin de
compromiso, en el sentido de privilegiar la confiabilidad en la prediccin futura, ms
que la disponibilidad de indicadores estadsticos asociados a las tasas. En sntesis, se
privilegia el uso de modelos funcionales para predecir el funcionamiento del sistema,
ms que para explicar.
La recomendacin anterior, se sustenta en el trabajo esclarecedor respecto de esta
decisin (Guevara & Thomas, 2009). La conclusin final de la investigacin realizada
permite recomendar fundadamente el uso de tasas simples obtenidas del anlisis de
categoras tradicional, descartando el uso de modelos basados en el anlisis de
clasificacin mltiple (ACM) debido a problemas estructurales de sus parmetros que
44
WZj
D
d
z
s
d
^ d
d
>
limitan su uso para una prediccin confiable, esto a pesar de que se intent mejorar
los modelos basados en el mtodo ACM utilizando diversos enfoque tcnicos. La
conclusin a que se llega en el artculo recin citado, apunta a establecer que el uso
de tasas ACM sistemticamente sobreestima los viajes generados, en las categoras
de ms altos ingresos y motorizacin, sesgando los pronsticos que las utilizan.
La conclusin obtenida en dicho estudio es tan rotunda, que opaca las ventajas
objetivas que ofrece el enfoque de tasas basadas en ACM. ( i) Dispone de medidas
estadsticas que permiten seleccionar entre esquemas alternativos de categorizacin y
adems, obtener una estimacin global de la bondad de ajuste del esquema de
clasificacin escogido y ii) La determinacin de la tasa de una categora especfica, no
depende del nmero de observaciones que se dispongan en esa categora).
En conclusin, la metodologa recomienda utilizar un enfoque de tasa simple (AC)
para la estimacin de modelos de generacin de viajes con propsito p de los hogares
de la categora n. La tasa AC W SQ , se calcula como:
RLSQ
EKL
W SQ = Q
+ L
Para efectos de orientar ilustradamente los lmites de los rangos de ingreso a
adoptar en la categorizacin, puede utilizarse el mtodo de Anlisis de Varianza
(ANOVA) en un factor (ingreso-tasa de generacin), para determinar categoras en
que exista un diferencia estadsticamente significativa en las tasas de generacin de
viajes a nivel de ingreso. Finalmente, dicho antecedente deber contrastarse (e
inclusive puede quedar determinado) por la disponibilidad de informacin consistente
para aplicacin (p.ej. categorizacin de un Escenario de Uso de Suelos disponible) y
coherencia global con rangos aceptables.
Finalmente, puede resultar que el estimar las tasas se obtengan resultados
contraintuitivos, es decir, tasas que no sean crecientes segn nivel de ingreso y
motorizacin (variables relevantes de esta metodologa y que como se ha indicado
corresponden a una decisin de compromiso). Una forma que se ha demostrado til
en la prctica para evitar este problema es el de agregacin de categoras, para
efectos del clculo.
45
WZj
D
d
z
s
d
^ d
d
>
46
WZj
D
d
z
s
d
^ d
d
>
Si este problema se presenta, una posibilidad ser amplificar los viajes originados
en el hogar en una zona (modelados con AC segn se discuti antes) por un cierto
porcentaje que represente a los viajes no originados en el hogar, respecto al total
de viajes producidos en una zona. Ciertamente este es un procedimiento arbitrario,
que debe ser entendido como recurso extremo. Adems se requiere conocer (o
estimar) el porcentaje de viajes originados y no originados en el hogar por cada
zona, propsito y categora. Esta informacin no es fcil de obtener, a menos que
se cuente con un banco de datos del tipo de una Encuesta Origen-Destino, que se
propone como parte de la presente metodologa.
47
WZj
D
d
z
s
d
^ d
d
>
ii.
La distincin antes indicada es recomendable para los modelos correspondientes al
perodo fuera de punta, puesto que en dicho perodo se verifica un nmero relevante
de viajes basados en el hogar de retorno (bhr). Tal como antes se discutiera, para el
caso del perodo punta maana, los viajes de este tipo son escasos, por lo que no es
recomendable
su
separacin.
Evidentemente,
la
atraccin
total
de
viajes
' MS = R + MN ; MN + M
N
Donde:
' MS
= Parmetro de calibracin.
48
WZj
D
d
z
s
d
; MN
^ d
d
>
Estos modelos estiman el nmero de viajes atrados por una zona, suponiendo una
relacin lineal de esta variable con ciertas caractersticas de la zona. En general, estas
caractersticas se refieren al equipamiento existente en la zona, en trminos de las
actividades relevantes segn propsito de viaje:
Viajes con propsito trabajo: Estos son atrados por las actividades que ofrecen
empleos. Las ms relevantes son el comercio, oficinas, servicios y la industria.
Para obtener los valores de estas variables, normalmente se puede recurrir diversas
fuentes independientes. Por ejemplo, el nmero de matrculas por cada zona es fcil
de obtener en los organismos oficiales del Ministerio de Educacin. Otra tpica e
importante fuente de informacin es del Ministerio de Industria y Turismo que
habitualmente dispone de datos respecto a metros cuadrados construidos por tipo de
utilizacin (comercio, industrias, oficinas, salud, educacin, etc.) o del Censo
Econmica del Instituto Nacional de Estadsticas e Informtica (INEI).
Idealmente el modelo debera determinar el nmero de viajes atrados por zona, no
slo para cada perodo y propsito, sino tambin para cada categora de demanda.
Desafortunadamente, en el caso de las atracciones de viajes -dado que se
desconocen otras formas de entender el fenmeno de forma ms desagregadahabitualmente se considera cada zona y sus caractersticas globales como unidad de
anlisis del modelo, lo cual hace muy difcil clasificar las atracciones por categora de
demanda.
49
WZj
D
d
z
s
d
^ d
d
>
En otras palabras, las atracciones de viajes son modeladas a nivel zonal, lo que
normalmente implica que slo sern explicadas por perodo y propsito, pero no por
categora socioeconmica. En el contexto de la metodologa simplificada, ste ser
tambin el modus operandi adoptado.
En general, deber verificarse la coherencia de los valores de los estimadores en
relacin a cada variable explicativa. No es posible entregar rangos de validez, dado
que estos dependern de cada ciudad y aplicacin, sin embargo conviene verificar por
ejemplo que en el caso de la atraccin de viajes de estudio, el ponderador de las
matriculas sea cercano a uno.
Atraccin
Tasas AC(1)
RLM(2)
RLM (1)
RLS (3)
Tasas AC (2)
No basados en el hogar
RLM(1)
RLM(2)
Donde:
Tasas AC (1): Modelos que usan en el mtodo de Anlisis por Categora Simple, para
explicar la generacin de viajes basados en el hogar de ida (bhi). Dado que el origen
es el hogar, siempre la variable explicativa son los hogares segn categora.
RLM(1): Modelo de regresin lineal mltiple para explicar la generacin de viajes
basados en el hogar de retorno (bhr) y no basados en el hogar (nbh). Dado que el
origen de estos viajes no es el hogar, nunca se utiliza la variable explicativa nmero de
hogares.
RLM(2): Modelo de regresin lineal mltiple para explicar la atraccin de viajes
basados en el hogar de ida (bhi) y no basados en el hogar (nbh). Dado que el destino
de estos viajes no es el hogar, nunca se utiliza la variable explicativa nmero de
hogares.
50
WZj
D
d
z
s
d
^ d
d
>
RLS(3): Modelo de regresin lineal simple para explicar la atraccin de viajes basados
en el hogar de retorno (bhr). Dado que el destino de estos viajes es el hogar, se utiliza
exclusivamente la variable explicativa nmero de hogares.
Tasas AC (2): Modelos de tasas AC de atractividad, para explicar la atraccin de viajes
basados en el hogar de retorno (bhr). Es dable utilizar este mtodo dado que el
destino (variable explicativa) es el hogar.
6.2
Distribucin de viajes
( )
Funcin exponencial
I (FLM ) = FLM Q
Funcin potencial
51
WZj
D
d
z
s
d
^ d
d
>
y F LM es el tiempo o costo
6.3
Donde los ; NSQP representa los atributos de los viajeros de propsito p, categora n y
modo m. Tpicamente esta expresin incluye como atributos del modo sus variables de
52
WZj
D
d
z
s
d
^ d
d
>
servicio (tiempo de viaje, tiempo de espera, tarifa, etc.) y como caractersticas del
usuario, su ingreso, nivel educacional y otros.
Los coeficientes NSQP representan el peso que los usuarios de propsito p, categora n
y modo m asignan a cada variable incluida en la funcin de utilidad. La constante
SQP
LMSQP darn origen a distintos tipos de modelos de eleccin discreta para la particin
modal. Dado que se trata de simular comportamiento de individuos, la distribucin
normal debera ser la ms indicada para el trmino aleatorio y en este caso se puede
derivar el denominado modelo Probit de particin modal. Sin embargo, la complejidad
matemtica de la distribucin normal hace la aplicacin sea muy dificultosa para ms
de tres alternativas.
53
WZj
D
d
z
s
d
^ d
d
>
SQP
LM
H[S 8 LMSQP
H[S(8 )
SQN
LM
Donde:
54
WZj
D
d
z
s
d
^ d
d
>
Este resultado es una matriz de viajes por modo entre cada par origen destino. Lo que
sigue es asignar estas matrices de viajes a las redes correspondientes a cada modo.
6.4
Modelos de asignacin.
En una asignacin por equilibrio, el tiempo de viajes se calcula como la suma del
tiempo del auto sobre los enlaces y los tiempos en los giros.
El costo generalizado se modifica cuando en un enlace el usuario tiene un costo
adicional,
por
ejemplo
un
peaje.
Entonces,
se
puede
expresar
como
55
WZj
D
d
z
s
d
^ d
d
>
Nmero de iteraciones.
Relative gap.
Es importante que se debe reportar estos criterios de parada, para los modelos
estratgicos deben tener menor exigencia de convergencia que para el modelo tctico.
pw
56
WZj
pc
D
d
z
s
d
^ d
d
>
7D
W HVSHUD =
+
,QWHUYDOR $ ,QWHUYDOR %
3$ =
,QWHUYDOR $
+
,QWHUYDOR $ ,QWHUYDOR %
57
WZj
D
d
z
s
d
^ d
d
>
Wright, 2007) y tambin Characteristics of Bus Rapid Transit for Decision-Making por
(Diaz, Chang, & Autores, 2004)
AV
7.1
Sin embargo, los modelos de transporte son utilizados no slo para explicar los
fenmenos mencionados sino tambin para predecir sus comportamientos futuros.
Por ello, es pertinente mencionar un problema habitual de cualquier modelo que va
a ser utilizado para determinar el valor futuro de una cierta variable y que dice
relacin con la factibilidad de predecir los valores de las variables explicativas
correspondientes. La calibracin de estos modelos normalmente enfrenta una
disyuntiva entre los requerimientos de la explicacin y los requerimientos de la
prediccin.
Si el primer objetivo del modelo es explicar de la mejor manera posible el fenmeno
observado en un momento determinado, entonces es correcto recurrir a toda variable
que ayude a este propsito. Pero, si el objetivo del modelo es predecir el
comportamiento futuro del fenmeno que se intenta explicar, entonces es necesario
privilegiar la inclusin de aquellas variables explicativas cuya evolucin en el tiempo
sea factible determinar razonablemente. Buena parte del arte de modelar radica en la
habilidad con que se resuelve este conflicto de objetivos.
58
WZj
D
d
z
s
d
^ d
d
>
7.2
En este sentido, resulta relevante que los viajes considerados para las etapas de
modelacin de demanda (Generacin-Atraccin, Distribucin y Particin Modal) sean
realizados a base de un conjunto consistente de informacin. Para apoyar una mejor
definicin de este criterio que con frecuencia es olvidado, a continuacin se indica a
modo de recomendacin una serie de criterios que pueden ser usados para
seleccionar los viajes requeridos para calibracin de modelos de demanda.
Los viajes para calibracin de modelos de Generacin y Atraccin consideran valores
poblacionales, es decir la muestra expandida y corregida por sus factores de
correccin. Se usa la poblacin en este caso porque los modelos buscan relacionar
viajes con variables de usos de suelos, que consideran siempre totales zonales. A
continuacin algunos criterios recomendados.
59
WZj
D
d
z
s
d
^ d
d
>
Entonces, los viajes que no tengan los criterios mencionados no se deben incorporar
en el anlisis.
7.2.1 Correccin por Subreporte de Viajes
Dado que la encuesta a hogares se obtiene de una muestra de la poblacin, es
El proceso de ajuste involucra, adems de la expansin de la muestra, el efectuar
los siguientes tipos de correccin a los resultados, los que son realizados como
parte de la realizacin de la Encuesta:
Correccin por tamao del hogar.
Correccin socio-demogrfica.
Para solucionar el problema planteado, es posible concebir nuevos instrumentos
60
WZj
D
d
z
s
d
^ d
d
>
La implementacin del mtodo requiere definir lnea(s) cortinas(s) en la ciudad (Lnea
cortina del ro Rmac o la Panamericana Sur) y tener la precaucin de contar con
puntos de conteo y de tasas de ocupacin sobre ellas. Sobre cada lnea cortina, a
base de los puntos de conteo, se calculan los flujos de pasajeros que las cruzan en los
distintos modos, para el perodo definido. Por otro lado, a partir de la encuesta a
hogares se calculan los viajes totales que sean comparables con los antes indicados.
Se debe tener especial cuidado en descontar los viajes detectados en la encuesta de
cordn externo, que crucen las lneas cortinas definidas (fcilmente identificable al
conocer los orgenes y destinos de los mismos); finalmente calcular un factor de
correccin de viajes no reportados o sub-reportados, aplicable a los viajes motorizados
de la Encuesta a hogares (aquellos viajes captados en los puntos de conteo de las
lneas pantalla), por sentido y obtener, -en caso que los valores sean similares-, un
factor nico como un promedio ponderado por los flujos.
Como recomendacin general se plantea el clculo del Factor de Subreporte para
punta maana y fuera de punta. La prctica ha mostrado que en perodos de fuera de
61
WZj
D
d
z
^ d
d
>
s
d
Cuando el factor de sub-reporte promedio del sistema resulte mayor a 1,1 (diez
por ciento de desviacin) y el factor de sub-reporte en una mayora significativa
de las lneas cortina resulte superior a 1, se justificara su inclusin, ya que,
"presumiblemente " el sub-reporte sera de carcter sistemtico.
14
Cuando el factor de sub-reporte promedio del sistema resulte mayor a 1,1 (diez
por ciento de desviacin) y el factor de sub-reporte a nivel de las distintas
lneas pantalla presente una tendencia errtica (valores superiores a 1 en unos
casos e inferiores a 1 en otros casos), se recomienda en primer lugar, la
revisin detallada de la informacin de la Encuesta y Conteos para descartar
un error, en caso de persistir las diferencias, la recomendacin general es de
no incorporar el factor, ya que, las diferencias son en este caso de carcter
aleatoria y no sistemticas.
el
hecho
de
que
estructuralmente
existen
diferencias
Es importante sealar que el hecho de que el factor resulte levemente inferior a uno,
se explica porque la definicin de "hora media de viaje" utilizada para obtener
informacin de la EOD a hogares no es perfectamente consistente con la informacin
de flujos medida en la red.
La ventaja de este mtodo es que la lnea cortina capta por definicin a todos los
viajes que la cruzan. El factor de subreporte se aplica a viajes y no a hogares y debe
incluirse como un factor adicional en la encuesta.
Es importante sealar que la inclusin del factor de Subreporte alterar los totales
poblacionales (no la muestra) y por lo tanto, en caso de incluirse dicho factor,
adicionalmente es necesario volver a realizar la seleccin de viajes (incluyendo
adems de los factores de expansin y correccin tradicionales, el factor de sub-
62
WZj
D
d
z
s
d
^ d
d
>
63
WZj
D
d
z
s
d
^ d
d
>
viajes, lo que sucede normalmente en las distintas distritos que conforman ncleos
conurbados como los del Lima Metropolitana, una tcnica que se ha demostrado muy
til, es la de considerar distintos modelos para cada sector del rea de estudio.
As, especficamente se calibran modelos de generacin y atraccin especficos para
porciones del rea de estudio que tienen caractersticas diferenciadas. La definicin de
tales sectores deber entregarla el analista tomando en consideracin naturalmente
las distintas caractersticas de los subsectores y la disponibilidad de informacin.
Este tipo de tratamiento puede dar mayor nivel de realismo a la modelacin de
transporte. Naturalmente en este caso deber considerarse la necesaria consistencia
en el tratamiento a nivel de calibracin y aplicacin del modelo.
7.2.3.2 Agregacin de zonas.
Un procedimiento que tambin puede ser utilizado para mejorar los viajes modelados
mediante Regresin Lineal Mltiple (RLM), considera la agregacin de usos de suelos
(variables explicativas en este caso), como una forma de obtener mejores modelos, en
el sentido de mejorar ndices globales de ajuste, o bien, evitar la omisin de una
variable, que se estima relevante y que calibrada en forma aislada se justificara su
omisin.
64
WZj
D
d
z
s
d
^ d
d
>
Contraste en el nmero total de viajes generados por tipo (bhi, nbh y bhr),
propsito y perodo entre los modelos calibrados (usando como variables
explicativas los datos exgenos de calibracin) y los valores observados obtenidos
de la EOD. Revisin y ajustes. Como medidas de ajuste, se pueden considerar:
ii.
Contraste en el nmero total de viajes generados a nivel zonal por perodo, que
resulta de aplicar los modelos calibrados (usando como variables explicativas los
datos exgenos de calibracin) y los valores observados obtenidos de la EOD.
Dicho anlisis debe complementarse con los siguientes estudios:
iii.
65
WZj
D
d
z
^ d
d
>
s
d
7.3
Consideraciones adicionales
7LM = I W LM
Donde:
W LM
= Matriz base
7LM
I
= Matriz final
= factor
Este mtodo permite ajustar una matriz base ha vectores origen y destino objetivo
y consiste en: El balanceo de matrices en dos dimensiones, considera la matriz
W
2
inicial LM , una matriz de origen L (la produccin de viajes) y una matriz destino
'M
7
(la atraccin), para calcular la matriz origen destino LM (la matriz balanceada),
consiste en encontrar coeficientes de balanceo por origen
balanceo por destino
L y coeficientes de
66
D
d
z
WZj
7LM = L M W LM
LM
^ d
d
>
s
d
= 2L
por origen i.
= 'M
por destino j.
LM
7LM
Se asume que:
2 = '
L
( )
de las formas
funciones descritas.
Entonces, calibrar el un modelo gravitacional consiste en estimar los parmetros de la
funcin de impedancia tal que el modelo reproduzca, de la manera ms exacta posible
la produccin, atraccin y la distribucin de longitud de viajes.
El procedimiento requiere la entrada de datos de:
67
WZj
D
d
z
s
d
^ d
d
>
Funcin exponencial
I (FLM ) = FLM Q
Funcin potencial
7 F
LM
'=
Donde:
LM
LM
7LM
F LM
Kd>Kd>
68
WZj
iii.
D
d
z
^ d
d
>
s
d
iv.
SL +
(F
=
F
SL F
FL SL
FL FL
FL S L
F
) W = H W
69
D
d
z
WZj
^ d
d
>
s
d
&
( )
WZj
D
d
z
s
d
^ d
d
>
El lector interesado, puede recurrir al captulo 11 del informe final del estudio
(MTC/JICA, 2004).
7.3.3.2 Calibracin de la funcin tipo combinada o gamma
La funcin es la siguiente:
y F LM es el tiempo o costo
ii.
(rango por rango). Si la convergencia del criterio es satisfecho por cada rango,
el procedimiento se detiene.
iii.
)L U = )L U
27/' U
7/' U
Donde:
v.
d>d>
71
D
d
z
WZj
^ d
d
>
s
d
&
Modo
Viajes en Autos
I (FLM ) = FLM H
FLM
en
Transporte
I (FLM ) = FLM H
FLM
FLM
I (FLM ) = FLM H
FLM
I (FLM ) = FLM H
I (FLM ) = FLM H
Viajes
pblico
I (FLM ) = FLM H
I (FLM ) = FLM H
FLM
FLM
FLM
I (FLM ) = FLM H
FLM
72
D
d
z
WZj
s
d
^ d
d
>
Un par O-D pertenece a la clase N con impedancia F LM tal que F N FLM F N donde F N y
F N son los lmites menor y mayor del intervalo N . Una matriz con elementos NLM es
utilizado para identificar el par O-D entre el intervalo N .
La informacin para la seleccin de clases (impedancia de intervalos) es obtenida
desde un histograma de distribucin de tiempos de viaje de la matriz del ao base y
que corresponde a los tiempos de viaje. Es decir, los tiempos de viaje de la red.
En la Figura 7-4 se muestra el histograma de una matriz de viaje base con su
respectiva impedancia, as mismo los intervalos de clase )N , tambin se puede
obtener de muestra de encuestas Origen Destino con el propsito de actualizarlos.
Los modelos de distribucin de viajes utilizan un balanceo tridimensional, toma una
matriz de entrada W LM , un vector origen de viaje 2L , un vector destino de viajes ' M y la
tercera matriz de totales )N para cada intervalo N que es NLM . Se calcula una matriz OD balanceada 7LM calculando los coeficientes de balanceo por origen L , coeficientes
de balanceo por destino M y el coeficiente de balanceo tridimensional NLM , tal que
satisface.
LM
= 2L
por origen i.
= 'M
por destino j.
LM
LM
L M _NLM = N
= )N
Adems que:
2 = ' = )
L
73
D
d
z
WZj
^ d
d
>
s
d
/D
Los viajes intrazonales no son bien representados por los modelos gravitacionales.
o
74
WZj
D
d
z
s
d
^ d
d
>
Si una empresa construye viviendas para sus empleados, puede existir una
conexin especial con una zona de atraccin
Por lo tanto deben usarse con sumo cuidado y slo si hay razones vlidas
para creer que tales relaciones interzonales vayan a permanecer a futuro
Nunca se ha probado que los modelos gravitacionales se ajusten muy bien a los
datos.
7.4
75
WZj
D
d
z
s
d
^ d
d
>
Auto
Bus
Tren
Entonces:
La probabilidad de elegir viajes en Auto es:
La probabilidad de elegir viajes en Bus es:
La probabilidad de elegir viajes en Tren es:
3$XWR =
3%XV =
H8 $XWR
H8 $XWR
37UHQ =
H8 $XWR
+ H8 EXV + H87UHQ
H8 %XV
+ H8 EXV + H87UHQ
H8 $XWR
H87UHQ
+ H8 EXV + H87UHQ
Donde:
76
WZj
D
d
z
^ d
d
>
s
d
Transporte
Publico (TP)
Auto
Taxi
Bus
Tren
Ligero
(TL)
3(%XV 73 ) =
WS
8 EXV
WS
8 7/
+H
WS
3(7/ 73 ) =
WS
8 EXV
WS
8 7/
+H
WS
Luego,
La probabilidad de elegir Auto es:
3 $XWR =
H8 $XWR
H8 $XWR
+ H8WD[L + H (873 +73 73 )
H8 $XWR
H87D[L
+ H8WD[L + H (873 +73 73 )
3 7D[L =
373 =
H8 $XWR
Donde:
8 7/
8 EXV
73
73 = ORJ H
+ H 73 , Conocido como utilidad mxima esperada, o logsum.
77
WZj
D
d
z
s
d
^ d
d
>
Supngase que se dispone de una muestra de N individuos y que se puede formular la
probabilidad (en funcin de los coeficientes de que cada individuo k escoja la
alternativa i que efectivamente eligi: 3N L . Supngase adems que existen M
alternativas de eleccin y que cada individuo tiene un conjunto Ck de alternativas
disponibles.
78
WZj
D
d
z
s
d
^ d
d
>
As, la funcin de verosimilitud adquiere la siguiente forma:
1
1 + 1
N =
N = 1 +
/( ) = 3N () 3N ()
3 (0 )
N
N = 1 + 1 ++
Esta expresin se puede simplificar definiendo una variable dummy LN que tomar
N
/( ) = 3N N (L )
N = L&N
O ( ) = OQ /( ) = LN OQ 3N (L )
N = L&N
79
D
d
z
WZj
s
d
^ d
d
>
ajustado
PN
PN
8 LMP = P + PN + PN
] <]
; LM
N
]
Donde:
8 LMP
PN
PN
]
<]PN
80
WZj
D
d
z
s
d
^ d
d
>
PW
PW + PW
] <]
967P =
PF
PF + PF
] <]
]
Donde:
t se refiere al coeficiente relacionado a la variable principal de tiempo.
c se refiere al coeficiente relacionado a la variable principal de costos o tarifa.
z son las variables que interacta con las variables tiempos o costos.
7.4.6 Mtodo incremental en cambio modal
El mtodo incremental o Pivot consiste en modificar la particin modal base (calibrado
a un ao base) con la variacin de las variables de la funcin de utilidad en el futuro,
es decir para un modo L :
Donde:
3L I =
3L H 8 L
N
3L
H
del3 modo
L
= Particin modal existente (base)
3L I
8 M
M =
8 L = 8 L I 8 L
8L
8L
N
81
WZj
D
d
z
s
d
^ d
d
>
Nota:
Las funciones de utilidad son reales, pero de otra ciudad (no aplicable al Per), solo se muestra como
ilustracin.
82
WZj
D
d
z
^ d
d
>
s
d
/
/D
/
Figura 7-9 Sensibilidad a cambio modal por variacin en el nivel de ingreso familiar
dW
dW
/&
83
WZj
D
d
z
^ d
d
>
s
d
Importante:
Este mtodo es aplicable si se define los modos viajes al inicio del proceso de
modelacin, es decir en la Produccin/Atraccin de viajes y luego en la distribucin. La
particin modal base se calibra con informacin de flujo vehicular y de pasajeros en la
red de transportes.
7.4.7 Casos de referencia.
Como una referencia, a continuacin mostramos los resultados de la funcin de
utilidad y los valores del tiempo y los pesos de las variables de los estudios (Sogelerg,
CalyMayor, & Cesel, 1998) realizado en 1997 y el estudio del Tren Elctrico (Martinez,
2001) realizado en el 2001. El mtodo empleado fue la de Eleccin Binaria.
Tabla 7-3 Coeficientes de las funciones de utilidad 1997 y 2001.
Propsito
Tarifa por
Constante
de viaje
viaje
Tiempo en
vehiculo
Caminata
Peso
VST VST (USD
$/Hr)
Caminata
(S/./Min)
Transferencia
-0.1808
-0.1383
(1)
Trabajo
0.4781
-1.7809
-0.0533
-0.5101
-0.1484
Estudio
0.1400
-2.8197
-0.0757
-0.4247
-0.1595
Nota:
(1)
Considera el tiempo de espera y transferencia como una sola variable.
(1)
Trabajo
Estudio
0.4087
0.2439
-1.3640
-1.6130
-0.0354
-0.0442
-0.1924
-0.2232
(1)
(1)
Peso
Transferencia
Referencia
(ao de
encuesta)
Tipo de
Cambio
0.026
0.027
0.570
0.602
5.435
5.050
5.107
3.129
0.030
0.027
0.513
0.460
9.570
5.610
2.784
2.107
Igualmente, se realizaron encuestas de preferencias declaradas con la finalidad de
obtener modeles de eleccin modal en el rea Metropolitana de Lima y Callao (JICA,
2004) que se muestra a continuacin. El mtodo empleado fue el ranking.
Tabla 7-4 Coeficiente de funciones de utilidad del MTC/JICA 2004
Secuencia
Variables
1
2
3
4
5
6
7
8
9
10
11
12
13
Valor
Subjetivo
del Tiempo
(VST)
CONST de carro
CONST de Taxi
CONST de Bus
CONST de Bus Troncal
TIEMPO
COSTO
Tiempo de Espera de Taxi
Tiempo de Espera de Bus
Tiempo de Transferencia de Bus
Tiempo de Espera de Bus Troncal
Tiempo de Transferencia de Bus Troncal
Tiempo de Espera de Tren
Tiempo de Transferencia de Tren
E
-6.118
-2.397
-1.615
-0.096
-0.014
-0.426
-0.089
-0.236
-1.349
-0.303
-0.295
-0.339
-0.215
Soles/Minutos
0.095
0.061
0.040
0.032
0.081
0.055
0.041
0.032
0.085
Soles/Hora
5.684
3.635
2.421
1.929
4.833
3.294
2.451
1.941
5.081
0.061
3.687
1.687
1.078
0.718
0.572
1.434
0.977
0.727
0.576
1.508
1.094
84
WZj
D
d
z
s
d
^ d
d
>
7.5
85
WZj
D
d
z
s
d
^ d
d
>
86
WZj
D
d
z
s
d
^ d
d
>
Para lograr este objetivo, se debe utilizar los tornillos de ajuste que a continuacin se
menciona:
i.
Precarga. Las rutas de transporte pblico tiene rutas fijas por lo tanto siempre
estarn presentes en la red vial en la cual este permitida su circulacin. Entonces,
antes que se asignen los autos existir la presencia de los vehculos de transporte
pblico es decir, habr una precarga-. Sin embargo, esta precarga debe ser la
que corresponde al flujo de vehculos reales de transporte pblico, por lo tanto es
importante conocer el intervalo de paso de cada ruta, para establecer la cantidad
de vehculos que circulan por la red vial y se tenga una precarga real. En otras
palabras, se debe calibrar el flujo vehicular de transporte pblico y por aadidura
se debe haber calibrado el intervalo de paso de cada ruta.
ii.
iii.
iv.
Capacidad de las vialidades.- Las capacidades de las vas deben ser consistentes
con el perodo de modelacin y deben considerar todos los efectos tal como la
semaforizacin, pendientes, cantidad de carriles etc. Una buena referencia es la
sobre este tema es (Cal y Mayor & Crdenas, 2006).
87
D
d
z
WZj
v.
^ d
d
>
s
d
W=
ORQJLWXG
9ROXPHQ
+
Y
&DSDFLGDG
Arterial, Alfa=3.75;Beta=3.3 5
Co lecto ras,Alfa=1.1;Beta=3.2
80.0
70.0
Tp ica, Alfa=0.15;Beta=4
50.0
40.0
30.0
20.0
10.0
1.50
1.45
1.40
1.35
1.30
1.25
1.20
1.15
1.10
1.05
1.00
0.95
0.90
0.85
0.80
0.75
0.70
0.65
0.60
0.55
0.50
0.45
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.0
0.05
Velocidad (Km/hr)
60.0
Relacin Volumen/Capacidad
88
WZj
D
d
z
^ d
d
>
s
d
ORQJLWXG
W=
YR
9ROXPHQ
+
&DSDFLGDG
Donde: =
9ROXPHQ
+
&DSDFLGDG
100
alf a=2
alf a=3
alf a=4
80
Velocidad (Kms/hr)
alf a=5
alf a=6
60
alf a=7
40
20
1.88
1.74
1.61
1.48
1.35
1.22
1.09
0.95
0.82
0.69
0.56
0.43
0.30
0.16
Volumen/Capacidad
vi.
Finalmente, este proceso nos lleva a comparar los resultados finales siguientes:
89
WZj
D
d
z
s
d
^ d
d
>
En el caso de los parmetros de calibracin, o sea, los reales, stos deben ser
medidos u observados directamente en campo, considerando la realizacin de aforos
vehiculares y estudios de tiempos de recorrido para los dos primeros casos. Para la
calibracin de los caminos es necesario contar con conocimiento de cmo se realizan
los desplazamientos en la red vial.
7.6
90
WZj
D
d
z
s
d
^ d
d
>
3(626
7LHPSRHQHOYHKtFXOR
7LHPSRGHFDPLQDWD
7LHPSRGHHVSHUD
&RVWRGHOYLDMH
7LHPSRGHWUDVERUGR
7LHPSRGH9LDMH HQ73ULY
0DWULFHVGH7UDQVSRUWH3~EOLFR
(VWLPDFLyQGHODUHODFLyQGHYHORFLGDGHVGH
$XWR\7UDQVSRUWH3~EOLFR
9HORFLGDG73XE I9HORFLGDG73ULY
,QWHUYDORHIHFWLYRHQFDGDUXWD
7LHPSRVGHGHPRUDHQ
HVWDFLRQHV
$VLJQDFLyQGH7UDQVSRUWHS~EOLFR
7LHPSRVREVHUYDGRVHQ
FDPSRWDQWRGHDXWRV\
DXWREXVHVWUiILFRPL[WR
&RPSDUDFLyQGH
7LHPSRVGHUHFRUULGR
7LHPSRVGHFDPLQDWD
7LHPSRVGHHVSHUD
7LHPSRVGHWUDVERUGRV
2EVHUYDGRV\$VLJQDGRV
&RPSDUDFLyQGH
YRO~PHQHVGHSDVDMHURV
SRUFRUUHGRUREVHUYDGRV\
DVLJQDGRV
3DVDMHURV2EVHUYDGRV
1R
&DOLEUDGR"
6L
0RGHOR&DOLEUDGR
Se debe previamente haber obtenido una relacin para trfico mixto la relacin de
tiempo en transporte pblico y el de transporte privado. Esto se obtiene a partir de
mediciones de tiempo de viaje tanto de transporte privado como de transporte
pblico. Entonces se debe obtener una funcin de la siguiente caracterstica.
91
WZj
D
d
z
s
d
^ d
d
>
Donde N > y se pude diferencia segn tipo de ruta, corredores mixtos, tipo de
vehculo de transporte pblico (Combi, Microbs y mnibus), etc.
ii.
Los pesos de los diferentes componentes del tiempo viaje en transporte pblico.
Estos pesos inicialmente se obtienen a partir de una Encuesta de Preferencia
Declarada ver Tabla 7-3. Sin embargo, podra modificarse dentro de un rango
razonable.
iii.
Los intervalos efectivos de las rutas.- Los tiempos de espera estn en funcin del
intervalo de una ruta. Entonces, para el caso de rutas que tengan un intervalo real
ms de 15 minutos, es recomendable utilizar este valor como el umbral mximo.
Esto es por sencilla razn de que el usuario al conocer el intervalo de la ruta, el
arribo no ser aleatorio y su tiempo de espera no est asociado al intervalo real de
la ruta.
Entonces, para poder calibrar el modelo de transporte pblico, se debe comparar:
7.7
Criterios de calibracin
Aforos de vehculos.
92
WZj
D
d
z
s
d
^ d
d
>
Los datos en la red a comparar puede ser lo ms desagregado que sea posible por
ejemplo: tipo de vehculo, por ruta, tipo de va, etc.
7.7.1.1 Indicador GEH
Estadstico GEH4 por enlace, aceptado por la mayora de los consultores como un
indicador de calibracin sobre la red. Su formulacin es:
*(+ L =
(&L $L )
(&L + $L )
Un GEH mayores todava puede ser aceptado, siempre y cuando estos estn muy
lejanos de la zona de mayor inters de estudio.
La razn para introducir este estadstico en la calibracin es la incapacidad que tiene
la diferencia absoluta o la diferencia relativa para hacer frente a un amplio rango de
flujos. Por ejemplo, una diferencia absoluta de 100 autos/da puede tener una gran
relevancia si el flujo est en el orden de 200 autos/da, pero podra considerarse sin
importancia para flujos del orden de varios miles de autos al da. De manera similar, un
error del 10% sobre 100 autos/da podra no ser tan relevante, mientras que un error
del 10% sobre 3,000 autos/da podra significar la diferencia entre construir un carril
extra o no.
',',>
^^dhZEs/^hD
93
WZj
D
d
z
s
d
^ d
d
>
El Root Mean Square Error (RMSE), es la raz cuadrada de las diferencias al cuadrado
entre la prediccin (asignacin) y el anlisis de los datos observados divididos entre el
nmero de observaciones.
Su formulacin es:
(&
506( =
$L )
&
(1 )
L , N es nmero de observaciones.
El criterio de aceptacin es: %RMSE<=30%
Esta medicin tambin se pude hacer, respecto a la lnea cortina o corredor de inters.
Se puede aceptar valores mayores de %RMSE, siempre y cuando que estos
corresponden al conjunto los valores que estn muy alejados de la zona de mayor
inters del estudio.
7.7.1.3 Diagrama de dispersin y estadstico R
'DWRPRGHOR = $ + % 'DWRREVHUYDGR
94
WZj
D
d
z
s
d
Tiempo de caminata.
Nmero de transbordos.
^ d
d
>
95
D
d
z
WZj
s
d
^ d
d
>
En la Figura 7-19 7-19 muestra el histograma de tiempos de viaje dentro de las rutas
de transporte pblico, esta se calibra con los tiempos promedios que de recoge en los
diferentes estudios que se realiza, tal como Subida/Baja en las rutas en donde tambien
se considera los tiempos de recorrido, luego estos se comparan con los obtenidos en
los modelos.
96
WZj
D
d
z
s
d
^ d
d
>
97
WZj
D
d
z
s
d
^ d
d
>
Antes de terminar la calibracin del modelo, es importante analizar los caminos o que
estn utilizando los viajes entre determinados pares Origen Destino. Esto se puede
hacer con:
Elegir 10 pares Origen Destino y mostrar grficamente los caminos que toman
para viajar entre cada par y los tiempos de viajes del modelo y elaborar una
matriz 10x10 de tiempos de viaje. Los caminos elegidos debe ser validados por
personas que hacen dichos viajes o por personas conocedores y viajeros entre
dichos pares.
La calibracin de los caminos de viaje permite verificar que el modelo est asignando
los viajes a caminos lgicos, o sea, que los usuarios efectivamente utilizan en sus
desplazamientos. Como el modelo es de equilibrio, para un mismo par de origen
destino pueden haber diversos caminos utilizados, sin embargo solamente se puede
verificar en pantalla aquellos que inclusive incluyendo el redondeo constituyan el
camino ms corto.
7.7.3.2 Caminos en red de transporte pblico.
98
WZj
D
d
z
s
d
^ d
d
>
7.8
Criterios de validacin.
99
WZj
D
d
z
s
d
^ d
d
>
100
WZj
D
d
z
s
d
^ d
d
>
8.1
i.
ii.
La EODH permite tener una visin general de las caractersticas del sistema de
transporte y de sus patrones de comportamiento. Ello es particularmente
importante en ciudades donde existe escasa o ninguna informacin histrica.
iii.
101
WZj
D
d
z
s
d
^ d
d
>
ii.
iii.
102
WZj
D
d
z
s
d
^ d
d
>
8.2
8.3
103
WZj
D
d
z
s
d
^ d
d
>
104
WZj
D
d
z
s
d
^ d
d
>
8.4
105
WZj
D
d
z
s
d
^ d
d
>
8.5
Informacin de trnsito.
Motocicleta
Mototaxi.
106
WZj
D
d
z
s
d
^ d
d
>
La agregacin final de los aforos vehiculares, dependern de las matrices de viajes por
cada tipo de vehculo o sistema de transporte que tenga, en caso contrario se debe
adoptar un criterio razonable de precarga puntual en las vialidad de estos aforos.
8.6
Costos de operacin.
107
WZj
D
d
z
s
d
^ d
d
>
D
&L = + E + F9L + G 9L /L
9L
Donde:
&L = Costo de operacin por tramo L .
D E F G = coeficientes que dependen del tipo de terreno; del estado de la
superficie y; del tipo de vehculo.
/L = longitud del tramo L (Km.)
9L = Velocidad comercial en el tramo L [km/h]
Entonces, el costo de operacin entre un origen destino o por cada ruta de transporte,
ser la suma de los costos de cada segmento de la red.
8.7
108
WZj
D
d
z
^ d
d
>
s
d
Sentado 100%
De pie 50%
Sentados
100%
Sentados
50%
Cas i vacio
Vacio
77
37
15
50
30
15
33
23
15
17
12
8
8
6
3
0
0
0
109
WZj
D
d
z
s
d
^ d
d
>
Esta tabla es utilizada desde el estudio (Sogelerg, CalyMayor, & Cesel, 1998) hasta la
actualidad, esto permite comparar los diferentes datos obtenidos hasta la fecha.
8.8
110
WZj
D
d
z
s
d
^ d
d
>
&W =
+
(6 & )
&
J 6
H[S W
6 &
Donde:
Ct = Tasa de motorizacin en ao t.
C0 = Tasa de motorizacin en ao base.
g0 = Porcentaje de cambio de nmero de autos per cpita en ao base.
S = Nivel de saturacin de la tasa de saturacin.
111
WZj
D
d
z
s
d
^ d
d
>
Utiliza dos parmetros, ingreso y densidad residencial, a pesar de que reconoce que
hay varios otros factores de inters, tales como tamao familiar y precio de los autos.
Las relaciones bsicas son:
3R
= R , ER ' FR
3R
3
= D H[S(E , )' F
3
3R + 3 + 3 =
3
OQ
6 ( 3 ) 3
= OQ D + E OQ , F OQ '
Donde:
112
D
d
z
WZj
s
d
^ d
d
>
Este combina lo mejor de los dos anteriores; primeramente, se definen las siguientes
variables:
P(1+) = porcentaje de hogares con 1 o ms autos, con nivel de saturacin S(1+)
P(2+) = porcentaje de hogares con 2 o ms autos, con nivel de saturacin S(2+)
Por lo tanto, las probabilidades del mtodo anterior se pueden derivar como sigue:
3R = 3( + )
3 = 3( + ) 3( + )
3 = 3( + )
y,
3W + =
3W + =
6 +
,
+ H[S D W
3W
E
6 +
,
+ H[S D E W
3W
Donde (It/Pt) es el Ingreso familiar anual, deflactado por un ndice de precio de autos.
Para hacer estimaciones a futuro se debe suponer una cierta distribucin del ingreso
(por ejemplo tipo Gamma); para convertir los valores del modelo a autos/persona
& S = 3 + + N 3 +
5
dW/>tWEDy//Y
113
WZj
D
d
z
s
d
^ d
d
>
114
D
d
z
WZj
s
d
^ d
d
>
Manzana
Tipo de inmueble :
o Industria pesada
o Industria ligera
o Comercio grande (plazas comerciales, grandes tiendas)
o Comercio pequeo
8.8.4
Escuelas
Hospitales
rea construida
rea de terreno
nmero de pisos
115
WZj
D
d
z
s
d
^ d
d
>
8.8.5 Equipamiento
En el transporte urbano cierta proporcin de los viajes de personas que se realizan
puede explicarse por las diferencias de equipamiento disponibles entre distintas zonas.
En este sentido el equipamiento constituye una variable clave a considerar en la
calibracin de modelos de atraccin de viajes.
Las variables de equipamiento que se recomienda considerar son los servicios
pblicos, comercio, servicios privados, establecimientos de educacin y salud, etc.
Estos servicios pueden ser expresados en trminos cuantitativos utilizando variables
tales como nmero de plazas en establecimientos educacionales, nmero de camas
de hospital, m2 en comercio y servicios, etc. y debe quedar claramente establecida su
localizacin espacial.
8.8.6 Aspectos Urbano-Ambientales
El objetivo de este diagnstico es poder visualizar y describir en forma global la
situacin urbana del rea en que se encuentra inserto el proyecto bajo anlisis de tal
manera de analizar la consistencia entre la funcin transporte de la va bajo anlisis y
los usos de suelo adyacentes.
Adems se pretende identificar el carcter y rol urbano del espacio objeto de la
intervencin, caracterizando adecuadamente los distintos elementos propios de la
plataforma pblica tales como usos de suelo, bordes constituyentes y actividad
vehicular y peatonal, describiendo y analizando las caractersticas urbano-espaciales,
la normativa urbana respectiva.
En sntesis producto de esta actividad se elaborar un plano de condicionantes que
constituye una herramienta grfica de importancia y mxima utilidad para la
percepcin de la interaccin entre los componentes urbanos, viales y la normativa
correspondiente.
Este plano debe incorporar como mnimo los siguientes elementos: identificacin de
condicionantes fsicas (edificios, parques, elementos de la infraestructura y del medio
natural); condicionantes normativas; e identificacin de condicionantes de valoracin y
de percepcin ciudadana (hitos, usos, elementos de percepcin y de la estructura
social).
116
WZj
D
d
z
s
d
^ d
d
>
8.8.7 Tendencias
Dado que la modelacin requiere realizar proyecciones, resulta conveniente lograr una
apreciacin del potencial de crecimiento de las actividades de mayor relevancia en
trminos de generacin y atraccin de flujos. Ello puede quedar expresado en la
evolucin de las distintas variables explicativas de los modelos de generacin y
atraccin de viajes y puede estar asociado a la evolucin de la poblacin, de su nivel
de ingresos y/o a la materializacin
117
WZj
D
d
z
s
d
^ d
d
>
ii.
iii.
La calibracin del modelo debe ser auditable y reproducir todos los indicadores
reportados.
iv.
v.
vi.
9.1
9.2
118
WZj
9.3
D
d
z
s
d
^ d
d
>
9.4
Banco de datos del modelo calibrado por cada periodo de modelacin en formato
nativo del software utilizado.
El banco de datos calibrado pero en formato general y con una descripcin de los
datos de fuente primaria o secundaria cargados utilizados y que puede ser ledo
por cualquier software de planeacin. Particular atencin es al formato de rutas de
transporte pblico, que debe ser entregado como una secuencia de nodos,
consistentes con el archivo de nodos del banco de datos.
Los reportes de calibracin reportados y los requeridos, deben ser obtenidos con
estas dos banco de datos, sin necesidad de efectuase la asignacin nuevamente.
119
WZj
D
d
z
s
d
^ d
d
>
Las macros o script deben replicar todos los resultados entregados en los reportes
del informe central, entonces debe ser transparentes todos los supuestos,
parmetros empleados para la obtencin de los resultados.
9.5
120
WZj
D
d
z
s
d
^ d
d
>
Bibliografa
Archondo, R. S., & Faiz, A. (1994). Estimating Vehicle Operating Costs. Washington D.C.: World
Bank.
Cal y Mayor, R., & Crdenas, J. (2006). Ingeniera de Trnsito, Fundamentos y Aplicaciones 8va
Edicin. Ciudad de Mxico: AlfaOmega.
Diaz, R., Chang, M., & Autores, O. (2004). Characteristics of Bus Rapid Transit for Decision-Making.
Washington: Federal Transit Administration - U.S. Department of Transportation.
EMME3. (2009). Emme User's Guide Ver 3.2.2. Montreal, Canada: INRO.
Guevara, C. A., & Thomas, A. (2009). About Multiple Classification Analysis in Trips Production
Models. Santiago de Chile: Transport Policy.
Hook, W., & Wright, L. (2007). Bus Rapid Transit - Planning Guide. New York, USA: institute for
Transportation & Development Policy.
INEI. (2009). Planos Estratificados de Lima Metropolitana a nivel de Manzanas. Insituto Nacional de
Estadisticas e Informtica. Lima: Insituto Nacional de Estadisticas e Informtica.
MTC/JICA. (2004). Plan Maestro de Transporte Urbano para el rea Metropolitana de Lima y Callao.
Lima: Ministerio de Transportes y Comunicaciones - Agencia de Cooperacion Internacional de Japn
(JICA).
Koppelman, F. S., & Bhat, C. (2006). A Self Instructing Course in Mode Choice Modeling:
Multinomial and Nested Logit Models. USA: U.S. Departement of Transportation, Federal Transit
Administration.
Martinez, M. (2001). Actualizacin de los modelos de eleccin autobus y tren pesado. Lima:
Autoridad Autnoma del Tren Elctrico.
MED. (2008). Ministerio de Educacin. Lima y Callao.
MIDEPLAN. (2008). Metodologia de Analisis de Sistemas de Transporte de Ciudades de Tamao
Medio. Santiago de Chile, Chile: Ministerio de Planificacin.
Ortzar, J. d., & Willumsen, L. G. (2001). Modelling Transport Third Edition. England: John Wiley &
Sons, Ltd.
Sogelerg, Cal y Mayor, & Cesel. (1998). Estudio Complementario de la Red del Metro de Lima. Lima:
Autoridad Autonoma del Sistema de Tren Electrico.
TransCAD50. (2008). Travel Demand Modeling with TransCAD 5.0 User's Guide. Boston, USA:
Caliper Corp.
VISUM10. (2007). PTV Vision VISUM 10 User Manual. Portland, USA: PTV America.
121
3(5
0LQLVWHULR
GH7UDQVSRUWHV
<&RPXQLFDFLRQHV
9LFHPLQLVWHULR
GH7UDQVSRUWHV
$1(;2$
0(72'2/2*$'((1&8(67$'(
+2*$5(60(72'2'(
&$7(*25$6
/LPD(QHUR
WZj
D
d
z
s
d
^ d
d
>
1
2
3
4
5
6
7
Bibliografa............................................................................................................. 9
WZj
D
d
z
s
d
^ d
d
>
A partir de los hogares, podemos construir los patrones de viajes segn sus
caractersticas; este enfoque permite primeramente categorizar los hogares y
dimensionar un tamao de muestra por categora. Las ms usuales son:
>
^
>D
WZj
D
d
z
s
d
^ d
d
>
WZj
D
d
z
s
d
^ d
d
>
&9 =
con estos datos, el tamao muestra es: 1 =
, por lo tanto es necesario
(
conocer los coeficientes de variacin de la variable a estimar.
El procedimiento definido por Smith (MIDEPLAN II, 1998) el que se ha aplicado en
este anlisis; para considerar el problema de clculo del tamao muestral apropiado
cuando existen clases o categoras se resumen a continuacin.
Identificar como celda crtica a la con mayor coeficiente de variacin (max CV*)
y determinar si existe diferencia entre la muestra esperada y la calculada segn
este mtodo.
D
d
z
WZj
s
d
^ d
d
>
Sin autos
1 o ms autos
5937
1508
2524
1744
1410
3102
16225
37%
9%
16%
11%
9%
19%
100%
5.51
5.99
6.05
6.38
6.82
6.95
6.12
3.52
4.17
3.58
4.10
4.52
4.51
CV*
0.575
0.681
0.586
0.670
0.739
0.737
Factor
0.2103
0.0633
0.0911
0.0721
0.0642
0.1410
0.6420
Peso
0.328
0.099
0.142
0.112
0.100
0.220
1.000
Optimo
Esperado Final
146
163
188
44
41
48
63
69
80
50
48
55
45
39
45
98
85
98
446
446
514
En este cuadro, se puede apreciar en la columna final, que todas las clases o
categoras tienen ms de 30 observaciones (Condicin de leyes de grandes nmeros
que se debe satisfacer), de acuerdo a esto, slo se requiere de una muestra de 514
hogares. Sin embargo, sera bastante insuficiente.
WZj
D
d
z
s
d
^ d
d
>
1a2
3a4
5 y ms
10
11
12
13
14
15
16
17
18
Hogares Frecuencia
2878
17.7%
654
4.0%
2662
16.4%
725
4.5%
397
2.4%
129
0.8%
900
5.5%
603
3.7%
1377
8.5%
975
6.0%
247
1.5%
166
1.0%
417
2.6%
852
5.3%
768
4.7%
1833
11.3%
225
1.4%
417
2.6%
16225
100.0%
[
3.6543
3.8104
6.8141
7.1022
10.1776
10.8058
3.6844
3.7828
6.8207
7.1403
10.3515
11.3458
3.5779
3.8768
7.3233
7.4997
11.0921
10.7882
6.1192
1.8898
2.2665
3.3156
3.9428
5.2261
5.9871
1.7912
1.8582
3.1654
3.5105
4.6427
6.2927
1.6653
1.9270
3.9238
4.0240
5.6637
6.1146
CV*
0.3088
0.3704
0.5418
0.6443
0.8541
0.9784
0.2927
0.3037
0.5173
0.5737
0.7587
1.0284
0.2722
0.3149
0.6412
0.6576
0.9256
0.9992
Factor
0.0548
0.0149
0.0889
0.0288
0.0209
0.0078
0.0162
0.0113
0.0439
0.0345
0.0116
0.0105
0.0070
0.0165
0.0304
0.0743
0.0128
0.0257
0.5107
WZj
D
d
z
s
d
^ d
d
>
Cuando se tiene la columna final, se tiene que algunas categoras no cumplen con
tener cuando menos 30 hogares en la clase, por lo tanto, se identifica la celda crtica
con la menor frecuencia (en este caso es la celda de frecuencias 0.8% (en realidad es
0.0079507), entonces la muestra sera 3773 = 30/0.0079507, que se muestra en la
columna de Min 30.
Entonces, para este grupo de clases, se requiere una muestra de 3,773 hogares.
Hogares
Frecuencia
3,848
0.79%
873
0.18%
15,392
3.16%
26,961
5.54%
11,515
2.36%
20,460
4.20%
13,378
2.75%
9,271
1.90%
13,522
2.78%
14,657
3.01%
9,998
2.05%
11,654
2.39%
21,483
4.41%
9,670
1.99%
7,984
1.64%
14,256
2.93%
11,868
2.44%
16,287
3.34%
13,203
2.71%
11,913
2.45%
22,233
4.57%
12,637
2.60%
12,850
2.64%
19,125
3.93%
8,588
1.76%
10,162
2.09%
10,497
2.16%
1,012
0.21%
1,518
0.31%
6,146
1.26%
1,849
0.38%
4,618
0.95%
15,692
3.22%
4,812
0.99%
11,859
2.44%
9,397
1.93%
8,097
1.66%
16,939
3.48%
14,025
2.88%
21,493
4.41%
4,010
0.82%
10,621
2.18%
596
0.12%
486,969
100.00%
[
0.4095
0.7037
0.6499
0.4050
0.5656
0.3026
0.2581
0.4206
0.3135
0.5818
0.3088
0.7249
0.5195
0.3969
0.9371
0.5512
0.3283
0.9370
0.5901
0.8376
0.6630
0.4066
0.2717
0.3080
0.2639
0.3325
0.2371
0.2167
0.3488
0.7290
0.5161
0.2910
0.8081
0.5167
0.2769
0.8824
0.5815
0.3620
0.2638
0.3738
0.6385
0.2485
0.2778
0.4734
0.5494
0.6688
0.7052
0.5703
0.7175
0.5147
0.5073
0.6418
0.5079
0.8636
0.5435
0.7702
0.6817
0.5714
0.9231
0.7035
0.5392
0.8097
0.7098
0.7614
0.6869
0.5590
0.6962
0.4876
0.5673
0.5009
0.4721
0.4155
0.6860
0.8115
0.8045
0.5208
0.9633
0.6557
0.5007
1.0490
0.6269
0.5497
0.5074
0.6424
0.6706
0.4839
0.4609
CV*
1.161
1.413
1.490
1.205
1.516
1.087
1.072
1.356
1.073
1.824
1.148
1.627
1.440
1.207
1.950
1.486
1.139
1.711
1.499
1.608
1.451
1.181
1.471
1.030
1.198
1.058
0.997
0.878
1.449
1.714
1.700
1.100
2.035
1.385
1.058
2.216
1.324
1.161
1.072
1.357
1.417
1.022
0.974
Factor
Peso
Optima Esperado Final
Final 100
0.0092
0.0067
13
16
26
646
0.0025
0.0019
4
4
6
146
0.0471
0.0346
69
63
103
2,583
0.0667
0.0491
98
111
180
4,524
0.0358
0.0264
53
47
77
1,932
0.0457
0.0336
67
84
137
3,433
0.0294
0.0217
43
55
90
2,245
0.0258
0.0190
38
38
62
1,556
0.0298
0.0219
44
56
91
2,269
0.0549
0.0404
81
60
98
2,459
0.0236
0.0173
35
41
67
1,678
0.0389
0.0286
57
48
78
1,955
0.0635
0.0467
93
88
144
3,605
0.0240
0.0176
35
40
65
1,622
0.0320
0.0235
47
33
53
1,340
0.0435
0.0320
64
59
95
2,392
0.0278
0.0204
41
49
79
1,991
0.0572
0.0421
84
67
109
2,733
0.0407
0.0299
60
54
88
2,215
0.0393
0.0289
58
49
80
1,999
0.0662
0.0487
97
91
149
3,730
0.0306
0.0225
45
52
85
2,120
0.0388
0.0286
57
53
86
2,156
0.0405
0.0298
60
79
128
3,209
0.0211
0.0155
31
35
57
1,441
0.0221
0.0162
32
42
68
1,705
0.0215
0.0158
32
43
70
1,761
0.0018
0.0013
3
4
7
170
0.0045
0.0033
7
6
10
255
0.0216
0.0159
32
25
41
1,031
0.0065
0.0047
9
8
12
310
0.0104
0.0077
15
19
31
775
0.0656
0.0482
96
64
105
2,633
0.0137
0.0101
20
20
32
807
0.0258
0.0190
38
49
79
1,990
0.0428
0.0315
63
39
63
1,577
0.0220
0.0162
32
33
54
1,359
0.0404
0.0297
59
70
113
2,842
0.0309
0.0227
45
58
94
2,353
0.0599
0.0441
88
88
144
3,606
0.0117
0.0086
17
16
27
673
0.0223
0.0164
33
44
71
1,782
0.0012
0.0009
2
2
4
100
1.3593
1.0000
2,000
2,000
3,260
81,706
WZj
D
d
z
s
d
^ d
d
>
Municpios
Municipio 27
Municipio 28
Municipio 25
Municipio 39
Municipio 42
Municipio 7
Municipio 11
Municipio 35
Municipio 1
Municipio 6
Municipio 9
Municipio 17
Municipio 24
Municipio 38
Municipio 14
Municipio 22
Municipio 23
Municipio 26
Municipio 29
Municipio 40
Municipio 43
Municipio 2
Municipio 4
Municipio 8
Municipio 13
Municipio 32
Municipio 34
Municipio 3
Municipio 5
Municipio 10
Municipio 12
Municipio 16
Municipio 19
Municipio 21
Municipio 30
Municipio 31
Municipio 37
Municipio 41
Municipio 20
Municipio 36
Municipio 15
Municipio 18
Municipio 33
Agrupacin
1
1
2
2
2
3
3
3
4
4
4
4
4
4
5
5
5
5
5
5
5
6
6
6
6
6
6
7
7
7
7
7
7
7
7
7
7
7
8
8
9
9
9
D
d
z
WZj
^ d
d
>
s
d
[
0.2336
0.2579
0.2779
0.3232
0.3564
0.4460
0.6177
0.8551
0.8854
0.4734
0.4624
0.5111
0.5129
0.5198
0.6040
0.6284
0.7340
0.8844
0.8996
CV*
0.977
1.080
1.083
1.098
1.276
1.328
1.550
1.868
1.900
Factor
0.0231
0.0737
0.0784
0.1934
0.1806
0.1854
0.3917
0.0818
0.1559
1.3639
Peso
0.0169
0.0540
0.0575
0.1418
0.1324
0.1360
0.2872
0.0599
0.1143
Optima
Esperada
34
48
109
137
116
146
285
355
267
285
274
281
578
509
121
88
230
165
2,013
2,013
Final
66
191
203
494
397
392
709
123
230
2,805
Final 150
150
433
459
1,118
898
886
1,603
278
521
6,347
7 Bibliografa
Guevara, C. A., & Thomas, A. (2009). About Multiple Classification Analysis in Trips
Production Models. Santiago de Chile: Transport Policy.
MTC/JICA. (2004). Plan Maestro de Transporte Urbano para el rea Metropolitana de
Lima y Callao. Lima: Ministerio de Transportes y Comunicaciones - Agencia de
Cooperacion Internacional de Japn (JICA).
MIDEPLAN II, S. P. (1998). Actualizacin de Encuesta Origen Destino de Viajes, Etapa
II. Santiado de Chile: SECTRA-CHILE.
MIDEPLAN V, S. P. (2001). Actualizacin de Encuestas de Origen Destino de Viajes,
V Etapa. Santiago de Chile: SECTRA - Universidad Catlica de Chile.
MIDEPLAN, S. (2008). Metodologia de Analisis de Sistemas de Transporte de
Ciudades de Tamao Medio. Santiago de Chile, Chile: Ministerio de Planificacin.
Ortzar, J. d., & Willumsen, L. G. (2001). Modelling Transport Third Edition. England:
John Wiley & Sons, Ltd.
3(5
0LQLVWHULR
GH7UDQVSRUWHV
<&RPXQLFDFLRQHV
9LFHPLQLVWHULR
GH7UDQVSRUWHV
$1(;2%
$1/,6,6'(/2602'(/26'(
75$163257(5($/,=$'26(1(/5($
0(75232/,7$1$'(/,0$<&$//$2
/LPD(QHUR
WZj
D
d
s
d
^ d
d
>
1
INTRODUCCIN................................................................................................... 3
2.1.1
Modelo de oferta:....................................................................................... 4
2.1.2
2.1.3
Manuales desarrollados............................................................................. 4
2.1.4
2.1.5
2.2
3
4
2.2.1
2.2.2
2.2.3
2.2.4
2.2.5
2.2.6
2.2.7
2.2.8
2.2.9
2.2.10
2.2.11
2.2.12
3.2
3.3
3.4
WZj
5
6
7
8
D
d
s
d
^ d
d
>
5.2
5.3
6.2
6.3
7.2
Bibliografa........................................................................................................... 29
WZj
D
d
^ d
d
>
s
d
V
Los fundamentos de modelacin de transporte fueron desarrollados en U.S.A. durante
1950s, en el contexto de los estudios pioneros de transporte en Detroit y Chicago.
Durante los 20 aos siguiente hubieron notables aportes tericos tanto en Inglaterra y
U.S.A. en los 1970s el marco de la teora econmica fue desarrollado para
proporcionar justificacin y clarificacin de mtodos que fueron propuestos
esencialmente en el terreno prctico, por otro lado el mayor incremento de la potencia
en computacin en las ltimas dcadas ha expandido la escala y detalle del problema
que pueden ser analizados por las tcnicas de modelacin (Hensher & Button, 2000).
Los modelos y tcnicas utilizados para el anlisis de sistemas de transportes requieren
de conocimientos de varias disciplinas tales como planeamiento urbano, economa de
transporte, anlisis de sistemas espaciales (uso de suelos) y de ingeniera de control.
La dificultad, pero a su vez lo fascinante, de esta prctica profesional deriva de la
intrnseca complejidad del sistema de transporte; Habr de hecho sistemas complejos
internamente, muchos elementos que se influencian entre ellos directa o
indirectamente, a menudo de manera no lineal, y muchos ciclos retroalimentados.
Algunos elementos del sistema son tcnicos (p.e. los vehculos, infraestructura, etc.)
que son gobernados por leyes de la fsica y por otro lado la demanda de viajes y
comportamiento de usuario (Casceta, 2001).
La modelacin es una parte importante de los procesos de toma de decisin en
proyectos de transporte, intuitivamente nosotros tenemos un modelo mental de cmo
el mundo trabaja cuando nosotros hacemos una decisin. Esto significa que nosotros
simplificamos y abstraemos para hacer el proceso de toma de decisin ms manejable
dado el limitado poder de clculo de la mente humana. Nosotros hacemos una
focalizacin en las relaciones claves o relevantes y los datos disponibles para el mejor
entendimiento que nosotros percibimos de la situacin actual y como estos pueden
con o sin nuestra interferencia evolucionar en el futuro. Hay literalmente innumerable
posibles resultados que pueden emerger, pero debemos concentrarnos en cual parece
ser el elemento principal que ms probablemente podr definir a donde estamos
yendo (Hensher & Button, 2000).
W
WZj
D
d
s
d
^ d
d
>
2.1
2.2
2.3
2.4
Modelo de oferta:
Reclasificacin y mayor detalle el sistema de red vial de la ciudad.
Refinacin en el clculo de la capacidad de va.
Medicin de tiempos de viaje en vas principales.
Actualizacin del sistema de rutas de transporte urbano a septiembre del 2001.
Calibracin de funciones de flujo - velocidad en vas principales.
Funciones de tiempo de viaje entre transporte privado (autos) y transporte pblico.
Modelo de demanda:
Se increment la zonificacin de 586 a 631 zonas de trnsito, con el propsito de
poder identificar potenciales estaciones del metro y/o sistema alimentador.
Actualizacin de las matrices de viajes de 1998 por cada perodo mediante aforos.
Se utilizaron 210 puntos en total y 108 puntos del 2001.
Actualizacin de las preferencias declaradas, incorporando nuevas caractersticas.
Manuales desarrollados
Manual de aforos y ocupacin visual.
Manual de tiempos de viaje y calibracin de la funciones flujo velocidad.
Manual de encuestas de preferencias declaradas y su actualizacin.
Manual de calibracin del modelo MTU2001.
Manual de usuario del modelo MTU2001.
>
WZj
D
d
s
d
^ d
d
>
demandas de rutas de transporte pblico por estar muy agregados. Esto motiv a
recalibrar el modelo a nivel tctico operativo tomando como base el modelo anterior
del Metro de Lima.
Tabla 2-1 Principales estudios de Movilidad
WZj
D
d
s
d
^ d
d
>
WZj
D
d
s
d
^ d
d
>
WZj
D
d
s
d
^ d
d
>
Marzo Diciembre del 2002. Clculo de la contaminacin del aire por fuentes
mviles (sistema de transporte), este estudio fue realizado para el Comit de Aire
Limpio de Lima y Callao en el Ministerio de Vivienda y Construccin. Para este
estudio el modelo MTU2001 proporcion el modelo de red con los flujos de
vehculos y velocidad.
Octubre 2002 - Febrero 2003. Estudio de demanda en el Corredor Segregado de
Alta Capacidad COSAC. Analizado y utilizado en la estimacin de la demanda del
WZj
D
d
s
d
^ d
d
>
Como se puede apreciar, el modelo MTU2001 fue utilizado por estudios muy
importantes para la ciudad de Lima que ha permitido orientar a los planificadores de
transportes y a los tomadores de decisiones.
Otro logro importante, es haber desmitificado la complejidad de un modelo de
transporte, debido a su transparencia en la documentacin de los mtodos empleados,
su capacidad de ser comprendido rpidamente y su fcil migracin a cualquier
plataforma de software de planeacin. Adems, haber logrado internalizar en los
ejecutivos de la ciudad y tomadores de las decisiones que cualquier proyecto de
transporte de gran impacto debe utilizar modelos de transporte para su anlisis.
2.1.5 Mejoras al modelo de transporte
La mayor actualizacin se dio con dos estudios de digitalizacin de rutas de transporte
pblico.
a. Digitacin de rutas de Rutas de Urbanas e Interurbanas en el Sistema de
Informacin Geogrfica de la DGTU, Junio Julio 2003.
b. Digitacin complementaria de rutas de Rutas de Urbanas e Interurbanas en el
Sistema de Informacin Geogrfica de la DMTU, Agosto Septiembre 2003
En el estudio (a) se dio el enfoque del modelo de oferta orientada a modelacin (red
vial y rutas de transportes) y que luego fueron adoptados por los estudios posteriores.
Estas mejoras fueron incorporadas en el ao 2004 al modelo MTU2001 y
posteriormente al estudio del Plan Maestro.
WZj
2.2
D
d
s
d
^ d
d
>
Definir paraderos en sistema de buses que deben estar entre 300 a 500 metros,
con distancias de acceso de caminata de 75 a 250 metros.
Separacin de rutas de transporte pblico mnimo de 800 metros (300 -500 metros
en reas centrales).
Estaciones en rutas de sistema metro o de trenes, entre 600 1000 metros.
Paraderos en sistema de bus rpido (BRT) de 200 400 metros.
s
10
WZj
D
d
s
d
^ d
d
>
Cij
entre zona i con zona j, , parmetros que se debe calibrar; la principal ventaja de
esta funcin es que permite modelar mejor viajes cortos de baja frecuencia que la
(EMME, 2009)
11
D
d
WZj
^ d
d
>
s
d
350
300
Viajes de la Muestra
200
150
100
50
0
10
20
30
40
50
60
70
80
90
100
110
120
130
140
Fuente: Encuesta a bordo de rutas de transporte pblico ECRML 1998 Cal y Mayor y Asociados S.C. et al, Lima Per.
12
WZj
D
d
s
d
^ d
d
>
13
WZj
D
d
s
d
^ d
d
>
WDdh
14
WZj
D
d
s
d
^ d
d
>
Ddh
DZDE
15
WZj
D
d
s
d
^ d
d
>
Entonces, bajo este criterio a pesar de que hay un incremento en los niveles de
ingreso estos no son an lo suficiente pues los gastos que incurren los que viajan en la
ciudad de Lima son altamente discriminatorios, puede ser que por sobreoferta de rutas
de transporte pblico y por la aversin de las personas a caminar (PD 2001), las
personas estn utilizando ms el sistema de transporte pblico, otro aspecto sera que
la sobre oferta de rutas no garantiza el cumplimiento de sus recorridos autorizados
obligando al usuario a transbordar. Esta situacin plantea un mayor reto en el enfoque
de solucin del diseo de las rutas y la racionalizacin, en el cual un buen modelo de
transporte puede contribuir a disearla.
Tabla 2-6 Costos en transporte urbano
Costo de Transportes
Ingreso
Tasa de Costo
Tasa de No de
No. de
por Hogar
Promedio de de Transportes
Hogares(%)
Hogares (000)
los
Hogares
(%)
Diario
Promedio
5.1
6.8
9.0
11.1
14.2
17.8
26.3
34.7
8.3
128
170
225
277
356
446
658
868
450
800
1,250
1,750
2,500
3,500
5,500
10,000
28.5%
21.2%
18.0%
15.8%
14.2%
12.7%
12.0%
8.7%
17.8%
389
557
269
133
75
35
26
10
1,494
26.04%
37.28%
18.01%
8.90%
5.02%
2.34%
1.74%
0.67%
100%
Acumulado
Tasa de No de
Hogares(%)
26.04%
63.32%
81.33%
90.23%
95.25%
97.59%
99.33%
100.00%
16
WZj
D
d
s
d
^ d
d
>
3.1
A continuacin, se detalla los estudios que sern analizados segn fechas de las
encuestas o datos de campo ms relevante.
Tabla 3-1 Relacin de estudios que incluyen modelos de transporte
Cdigo
*7<
Consultor
Cliente
*(7,16$7$5<(7
35275$163257(
307807&-,&$
<$&+,2
(1*,1((5,1*&2
/7'FRQ3$&,),&
&2168/7$176
,17(51$7,21$/
0,1,67(5,2'(
75$163257(6<
&2081,&$&,21(6
6(&5(7$5$
7e&1,&$'(/
&216(-2'(
75$163257('(
/,0$<&$//$2
$/*
$/*,12&6$
35275$163257(
(VWXGLRGH&RUUHGRUHV&RPSOHPHQWDULRV
*7<
*(7,16$7$5<(7
352,19(56,21
(ODERUDFLyQGHHVWXGLRGHGHPDQGDSDUDOD
FRQFHVLyQGHOSUR\HFWRHVSHFLDOVLVWHPD
HOpFWULFRGHWUDQVSRUWHPDVLYRGH/LPD\
&DOODRHQHO7UDPRGHOD/tQHD9LOODHO
6DOYDGRU$Y*UDX
Fecha (*)
$JRVWR
-XQLR-XOLR
(QFXHVWDGH
+RJDUHV
2FWXEUH\
1RYLHPEUHGHO
$JRVWR
6HSWLHPEUHGHO
Fuente: Se indica
(*) Las fechas se refieren a los trabajos de campo de cada estudio o el ms relevante.
3.2
17
D
d
WZj
s
d
^ d
d
>
3.3
Enfoque de Modelacin
GTY
PMTU/MTC/JICA
ALG
GTY2
Matrices de viajes
GTY
631 zonas de trnsito, Periodos Pico AM, Valle y Pico PM (Privado y Pblico).
Matriz OD base sinttica y ajustada.
PMTU/MTC/JICA
446 zonas, Periodos Pico AM y da. (Privado y Pblico). Matriz OD base encuesta
de Hogares. Calibrado con lnea cortina
ALG
GTY2
18
D
d
WZj
3.4
^ d
d
>
s
d
Viajes intrazonal
307807&-,&$
'tDFHOGDVHVGHFLUHO
'tDYLDMHV
3LFR $0 FHOGDV HV GHFLU HO 3LFR$PKRUDV 3LFR $P KRUDV
YLDMHV
YLDMHVGHOWRWDO
$/*
'tDFHOGDVHVGHFLUHO
'tDYLDMHV
3LFR $0 FHOGDV HV GHFLU HO 3LFR $P KRUDV 3LFR$PKRUDVYLDMHV
YLDMHV
GHOWRWDO
*7<
'tDFHOGDVHVGHFLUHO
'tDYLDMHV
Comentario:
WZj
D
d
^ d
d
>
s
d
En cuanto a los viajes totales, respecto a los valores iniciales del PMTU 2004 tanto
en perodo pico AM y en el da, hay una tendencia hacia la baja.
Segn el estudio realizado para GTY2 en trabajos de campo de
Agosto/Septiembre del 2007, el flujo de pasajeros de transporte pblico en la lnea
cortina del rio Rmac haba disminuido en 5% respecto al de PMTU 2004, para el
caso de lnea cortina de la Panamerica Sur haba aumentado en 4%. Segn el
propio estudio estas variaciones podran deberse por la estacionalidad.
En algunos estudios, no hay suficiente informacin respecto a los procesos de
ajuste de matrices.
Tabla 3-5 Celdas no vacas en las matrices de transporte privado
Cdigo
Viajes
intrazonal
307807&-,&$ 1RGLVSRQLEOH
1RGLVSRQLEOH
1RGLVSRQLEOH
$/*
1RGLVSRQLEOH
1RGLVSRQLEOH
1RGLVSRQLEOH
*7<
3LFR $0 FHOGDV HV GHFLU HO 3LFR $P KRUDV 3LFR $P KRUDV
YHKtFXORV YLDMHV
$XWRV\7D[LV
9HKtFXORVYLDMHV$XWRV\WD[L
GHOWRWDO
'tD FHOGDV HV GHFLU HO 'tD 9HKtFXORV YLDMHV
'tD YLDMH
$XWRV\7D[L
$XWRV\7D[L
GHOWRWDO
A continuacin se hace un resumen de las principales caractersticas de los ltimos
estudios que consideraron la realizacin de un modelo de transportes. Esta tabla
resume como fue abordado algunos aspectos desde diferentes perspectivas de los
consultores.
Es importante, tener en cuenta estos aspectos para plantear futuras mejoras.
20
WZj
D
d
^ d
d
>
s
d
GTY2
$FWXDOL]D SRU
DIRURV
\
2FXSDFLyQ
9LVXDO SRU
DMXVWH
GH
PDWULFHV
$FWXDOL]D SRU
DIRURV
\
2FXSDFLyQ
9LVXDO
SRU
DMXVWH
GH
PDWULFHV
9HFWRUHV GH 3URGXFFLyQ 7DVDV GH YLDMHV SRU $MXVWH SRU YDULDEOHV VRFLR 1DGD
PRGRVPRWLYR\SHULRGR HFRQyPLFD
$WUDFFLyQGHYLDMHV
GHOGtD
1DGD
0DWULFHVGHYLDMHV
0RGHORVGH'LVWULEXFLyQ
&RPSDUDFLyQ GH
GLVWULEXFLyQ FRQ
HVWXGLRGH
3DUWLFLyQ0RGDO
&DOLEUDVRORDxREDVH
3URPHGLR
3URPHGLR SDUD
SDUD WRGD OD WRGDODFLXGDG
FLXGDG
)XQFLRQHVGHXWLOLGDG
1DGD
1DGD
1DGD
75(1
$VLJQDFLyQ GH
UXWDV
1DGD
6LHQHO
6LHQHO
1DGD
6LHQHO
6LHQHO
1DGD
1DGD
6LHQHO
1DGD
1DGD
6LHQHO
1DGD
1DGD
21
WZj
D
d
s
d
^ d
d
>
La cantidad que se menciona en estas tablas podra ser algo diferente de los
resultados finales o existen varios escenarios y se toma el ms relevante. Sin
embargo, lo que se tendr en cuenta es el orden de magnitud final.
5.1
En las siguientes tablas y figuras se muestran estos valores por cada estudio
realizado.
Tabla 5-1 Caractersticas globales de los modelos de transporte
Las zonas de trnsito se han reducido de 631 a 427 y 466, lo que genera una
sustancial agregacin de zonas de trnsito, lo que dificulta abordar
adecuadamente algunos proyectos a nivel operativo.
Los nodos se han incrementado casi en 3 veces al igual los enlaces en redes y
consecuentemente la cantidad de segmentos de las rutas de transporte.
Una mejora muy detallada de la red vial, pero con una zona de trnsito muy
agregado. Esta situacin es totalmente contradictorio con cualquier enfoque de
modelacin. La tendencia es, si tengo una red vial muy detallada, debo tambin
desagregar las zonas de trnsito
22
WZj
D
d
s
d
^ d
d
>
Los grficos muestra la tendencia poco lgica del incremento en el detalle de la red
vial, pero con una agregacin de las zonas de trnsito.
5.2
23
WZj
D
d
s
d
^ d
d
>
24
WZj
5.3
D
d
s
d
^ d
d
>
Comentarios generales
6.1
Transporte pblico
Tabla 6-1 Indicadores de calibracin y validacin para transporte pblico
Concepto
GTY
PMTU/MTC/JICA ALG
GTY2
R2=Si
FALTA
R2=SI
GEH=Si,
%RMSE= Si
25
WZj
D
d
^ d
d
>
s
d
Tiempos de viaje de
transporte pblico
R2=Si
Ninguna
Ninguna
Ninguna
Vehculos de transporte
pblico
R2=Si
Ninguna
R2=Si
GEH=Si,
%RMSE= Si
Tiempo de caminata
Peso = 6.0
resto del da
Tiempo de espera
Nmero de transbordo
Am/4.5
Peso =
Peso =2.50
Peso =2.0
Peso =
Peso =2.0
2 minutos
Peso =
Peso =1.0
Trabajo=
Todos=0.02
1.329/Hora)
Todos=0.088 AM /0.08
DIA
5 minutos tiempo de
acceso a terminal
Valor
Subjetivo
del
Tiempo
por
motivo
(S/./min)
Todos= 0.0583
S/./Hora)
(3.5
(S/.
Estudio=
Otros=
Validacin
Modelo
mejorado
Plataforma
aplicacin
calibrado
de
Algoritmo de asignacin
6.2
6.3
Ninguna
Ninguna
Ninguna
ninguna
Ninguna
Ninguna
Ninguna
ninguna
TRANSCAD
4.5
JICA STRADA
TRANSCAD
4.7
TRANSCAD 4.8
Estrategias
ptimas
FALTA
Usuario
Estocstico
PathFinder
Comentarios generales
Se puede observar que no existe criterios uniformes para la calibracin.
Ningn modelo ha realizado el proceso de validacin.
Ningn modelo tiene el modelo calibrado mejorado, es decir que incorpora los
proyectos en marcha en un corto plazo.
Faltan muchas caractersticas que se deben utilizar.
Los criterios de asignacin tambin son diferentes.
Falta exponer en forma escrita muchos de los atributos que se requiere.
Transporte Privado
Tabla 6-2 Indicadores de calibracin y validacin para transporte privado
Concepto
Flujo
de
aforos en
vehculos,
Transporte
GTY
PMTU/MTC/JICA ALG
GTY2
R2=Si
R2=Si
R2=Si
26
D
d
WZj
s
d
^ d
d
>
Privado
Tiempos de viaje en
Transporte privado
R2=Si
Valor
Subjetivo
Tiempo en S/./min
FALTA
del
Ninguna
Ninguna
Ninguna
No se indica
Todos
los
motivos = 0.1
Lneas Iscronas
Si
Si
Ninguna
Ninguna
Lneas de Deseo
Si
Si
Ninguna
Ninguna
Validacin
Ninguna
Ninguna
Ninguna
ninguna
Ninguna
Ninguna
Ninguna
ninguna
TRANSCAD
4.5
JICA STRADA
TRANSCAD
4.7
TRANSCAD 4.8
Equilibrio
Estocstico del
usuario
FALTA
Equilibrio
Estocstico del
usuario
Equilibrio
Estocstico
usuario
(Multiclase)
Modelo
mejorado
Plataforma
aplicacin
calibrado
de
Algoritmo de asignacin
del
7.1
El modelo de transporte.
27
WZj
D
d
s
d
^ d
d
>
7.2
28
WZj
D
d
s
d
^ d
d
>
ALG-INOCSA.
(2005).
PROTRANSPORTE.
Estudio
de
Corredores
Complementarios.
Lima,
Per:
29