DESTINO/MODO
MEDIANTE CONTEOS DE TRAFICO
RESUMEN
El problema de actualización de modelos es un tema que, pese a despertar creciente interés para los
usuarios de modelos de transporte en la práctica, ha sido poco tratado en la literatura. En este trabajo
se analiza el problema de actualización de un modelo sencillo de elección de destino y modo,
mediante información actualizada de conteos de flujo. Se propone un enfoque y se implementa
computacionalmente un algontmo de solución. El enfoque propuesto es fácilmente ampliable a
modelos más complejos. Mediante un pequeño problema de laboratorio, en que se simula diversas
situaciones, se prueba el modelo y se analiza diversos enfoques alternativos. Los resultados muestran
que cuando las observaciones de flujo están exentas de error, el modelo se ajusta muy bien, incluso
con muy poca información. En casos más realistas en que se incorpora error a las observaciones de
flujo, se recupera bastante bien los parámetros aún cuando, como era de esperarse, hay alguna
desviación. Se intentó mejorar la recuperaaón de parámetros simulados mediante el uso de
información sobre la varianza de los errores y mediante información de la matnz a prion. Sin
embargo, los valores obtenidos mediante estas modificaciones no resultaron ser significativamente
distintos que los obtenidos con la función objetivo original.
mm
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) i 57
MARCELA MUNIZAGA MUÑOZ
1. INTRODUCCIÓN
Dado el alto costo de estimación de los modelos de demanda por transporte, el tema de la
actualización de modelos ha despertado creciente interés. Sin embargo, se han publicado pocos
trabajos sobre este tema; dentro de éstos se destaca Ortuzar (1989) y Cascetta y Nguyen (1988). En
el primero de éstos se presentan varios problemas con un enfoque novedoso y se desarrollan hasta
llegar a su planteamiento matemático. El segundo, en cambio, se concentra en desarrollar un marco
teórico unificado para estimar matrices origen-destino de viajes en transporte público y privado,
incluyendo la etapa de estimación de los modelos; y el tema de actualización es tratado sólo
marginalmente.
Qxp{Vj)
T = n m
(1)
TiJ a (1)
"s«pw
con:
J
con: V
1 Esta forma funcional corresponde a distintos enfoques teóricos; Daly (1982) demostró que el modelo gravitacional convencional
simplemente acotado a orígenes puede ser descrito sin pérdida de generalidad por la ecuación (1).
(3,
(4)
Uy mk ¿^ZXVUy ) (3)
*
p
en que Sj es una medida de la atractividad del destino j; u y es la máxima utilidad esperada del nido
modal k; ü * es la utilidad de viajar entre i y j en el modo k; X¡jk son vanables de nivel de servicio o
socioeconómicas de los individuos de la zona i en el modo k; M^ es la constante modal del modo k; X,
<)> y 0 son parámetros.
Si ambos (j> se asumen iguales a 1, obtenemos una especificación logit multinomial con
(5)
Por lo tanto
(6)
(7)
Este enfoque es fácilmente generalizable a supuestos menos restnctivos sobre <)), con la única
implicancia de mayor complejidad en las formas funcionales a optimizar. En este caso, la expresión
de la demanda estaría dada por
(8)
La idea de actualización de este modelo es estimar un número reducido de parámetros con el objeto
de reproducir cambios pequeños en la valoración de los atributos.
np — P íg\
(9)
2 Z expf&.ln^ + A.Z.0P.XL, + Mm )
d m p
en que los parámetros a actualizar son X y las constantes {Mk}. No se considera en este caso la
actualización del parámetro 9V de atractividad del destino; sin embargo, su incorporación tiene la
única implicancia de aumentar el número de variables. Por tratarse de un experimento exploratorio,
se pnviligió la sencillez.
Ortúzar (1989) plantea resolver el problema de estimación minimizando la suma del cuadrado de las
diferencias normalizadas entre los flujos observados y los predichos.
(10)
s.a.
(11)
F u ~ X X fijk-Pijk (II)
Í J
en que p^ 1 corresponde a la proporción del flujo entre i y j en el modo k que utiliza el arco 1, y viene
dada por el modelo de asignación.
Es claro que para alimentar el modelo se requiere además de información sobre las variables de nivel
de servicio (atributos). Para que el enfoque sea interesante, debe tratarse de un modelo agregado, ya
que si se dispone de información desagregada es preferible re-estimar el modelo completamente
Información agregada de tiempos y costos de viaje es, en general, relativamente fácil de conseguir.
Un tema más delicado es el supuesto de que se dispone de un modelo de asignación como el descnto
en la ecuación (11); es decir, que entregue las proporciones de los flujos entre cada par origen-destino
que utilizarán cada arco de la red, en forma independiente de los flujos. Este tema ha sido tratado en
la literatura (ver por ejemplo Bierlaine y Toint, 1995, para el caso de transporte privado; De Cea y
Cruz, 1986, para el caso de transporte público). Parece haber consenso en que lo más adecuado es
utilizar las proporciones obtenidas al asignar a la red la matriz de flujos a priori de la cual se dispone
El error de esta aproximación será mayor mientras más difiera la situación anterior de la actual, ya
que las proporciones de los flujos origen-destino son obtenidas en condiciones de flujo, y por
consiguiente costo por arco, muy diferentes. En casos en que este error no pueda ser despreciado, se
sugiere iterar, aunque no hay seguridad de que el proceso converja. Los modelos de asignación
utilizados en las referencias citadas son SATURN (Van Vliet, 1982) para el caso de transporte
privado y MADITUC (De Cea y Chapleau, 1984) para transporte público.
Este tipo de enfoque presenta un problema que es discutido en la literatura; dado que la información
(por ejemplo conteos de flujo) no es perfecta, y que los modelos utilizados (por ejemplo el de
asignación) también están sujetos a errores y simplificaciones, es usual que se produzcan
inconsistencias. Por los mismos motivos, ya no parece tan razonable imponer que las restricciones se
cumplan en forma estricta. Una de las formas en que se ha intentado resolver este problema, para
poder usar el método tradicional, es revisar la base de datos y eliminar todas las inconsistencias. Por
otro lado, el enfoque de máxima verosimilitud tiene la dificultad adicional de requenr suponer una
distribución de probabilidad para el modelo.
Bell (1991) desarrolla, para el caso lineal, un modelo de estimación que utiliza Mínimos Cuadrados
Generalizados para, aprovechando la propiedad de este método de incorporar las varianzas-
covarianzas de los datos, incorporar distintos tipos de datos (en ese caso, encuesta ongen-destino y
conteos de flujo). Con una idea similar, Brenninger y otros (1989) proponen incorporar los distintos
tipos de información en una función multiobjetivo ponderada por la confiabilidad de los datos.
El error de esta aproximación será mayor mientras más difiera la situación anterior de la actual, ya
que las proporciones de los flujos origen-destino son obtenidas en condiciones de flujo, y por
consiguiente costo por arco, muy diferentes. En casos en que este error no pueda ser despreciado, se
sugiere iterar, aunque no hay seguridad de que el proceso converja. Los modelos de asignación
utilizados en las referencias citadas son SATURN (Van Vliet, 1982) para el caso de transporte
privado y MADITUC (De Cea y Chapleau, 1984) para transporte público.
i
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) " i /.]
ACTUALIZACIÓN DE MODELOS DE ELECCIÓN DESTINO/MODO MEDIANTE CONTEOS DE TRAFICO
(15)
(16)
(15)
Asimismo, se puede incorporar la confíabilidad de los datos de flujo estimando la matriz de
varianzas-covarianzas y optimizando una función objetivo como la de mínimos cuadrados
generalizados. En Bell (1991) se sugiere que un intervalo de confianza de 96% para flujos contados
manualmente es del orden de 10%. Asumiendo muestreo normal, la vananza puede ser calculada
como (0,1-número de vehículos observados/1,96)2. La función a minimizar en este caso corresponde
a:
FO: Um(l-a).(F-F)'W-'(F-F) + a.(f-T)'Q,(f-T) (16)
en que F corresponde al vector de flujos, T a la matnz ongen destino; W y Q corresponden a las
matrices de varianza-covarianza de los flujos observados, y de las matrices origen-destino por modo
respectivamente. Notar que si ambas matrices son iguales a la identidad, se obtiene una función
objetivo equivalente a la de mínimos cuadrados ordinarios.
5. PROBLEMA DE PRUEBA
Con el objeto de probar las hipótesis planteadas y analizar la factibilidad de actualizar un modelo de
este tipo, se diseñó un pequeño problema de prueba basado en una ciudad virtual constituida por
nueve zonas origen destino, unidas por una red de 24 arcos. Las zonas de mayor atractividad tienen
menor densidad poblacional y vice-versa (ver Figura 1).
Se generó una matnz de coeficientes p^ 1 para la red que sirve a esta ciudad virtual. Además se
consideró un modelo de partición modal que incluye las variables tiempo y costo, y se supuso que
éstas se distribuyen Normal truncada (no se permite valores negativos ni demasiado pequeños). Los
valores medios fueron obtenidos de datos reales reportados en Ivelic (1988).
Para implementar la solución se utilizó el programa computacional PENAMOR (Contesse, 1987),
que resuelve problemas no lineales de optimización y tiene la posibilidad de incluir restricciones en
caso necesario. El programa se basa en un método tipo Newton, en que se relaja las restricciones no
lineales y se resuelve un problema reducido (iteraciones menores) utilizando una adaptación del
método de Broyden-Fletcher-Goldfarb-Shanno. Las iteraciones mayores corresponden a re-
actualizaciones del problema; en el caso sin restricciones, esto se traduce en recalcular la matriz
Hessiana.
Para realizar la implementación en PENAMOR, se programó una subrutína en Fortran que evalúa la
función objetivo. No se le entregó al programa las denvadas de la función objetivo ya que, por su
complejidad, el incorporarlas aumentaría las posibilidades de error; se utilizó, en cambio, una de las
potencialidades del programa que es calcular las denvadas numéricamente. Se intentó utilizar
m
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) ^ "| £ 3
MARCELA MUNIZAGA MUÑOZ
herramientas más modemas para reducción de ecuaciones matemáticas (SML interface), pero ésta
demostraron no ser adecuadas para problemas de esta magnitud.
Figura 1
50 100 200 30 20 15
Los parámetros con que se alimentó el modelo original están descritos en la Tabla 1. Para generar los
datos de flujo se supuso una modificación de este modelo como la descrita en la ecuación (9) en que
X y M(2) toman los valores 1,1 y 0,9 respectivamente.
Tabla 1
Parámetros del modelo
-e-
1.2
9i (costo) -0,0001
02 (tiempo) -0,01
M(l) 0
M(2) 0,5
Utilizando este modelo como los datos "reales" que se pretende recuperar con el modelo de
actualización, se realizó varias corridas modificando la función objetivo, el porcentaje de error de las
observaciones y el número de observaciones. La función objetivo original (FOl) es la que se deriva
directamente de lo propuesto por Ortúzar (1989). La segunda función objetivo (F02) corresponde a
utilizar el enfoque de mínimos cuadrados generalizados; es decir, incorporar información acerca de la
matriz de varianza-covarianza. Finalmente, F03 considera información de la matnz a pnon.
Tabla 2
Resultados de las corridas del modelo
FOl
F02
F03
La incorporación de error en las observaaones de flujo fue modelada agregando un término aleatono
de distnbución Normal y media cero, y tomando el promedio de diez observaaones como valor
modelado. La vananza utilizada para F02 corresponde a la vananza observada en las diez
mediaones realizadas en cada punto, lo cual es concordante con la forma de hacerlo en la práctica
En una pnmera corrida se alimentó al modelo con información perfecta sobre los flujos en los 24
arcos. Los resultados fueron muy alentadores, ya que en dos iteraciones mayores y siete iteraciones
menores, el programa convergió a la solución óptima (ver Tabla 2, FOl). Sin embargo, no es mucho
lo que se puede concluir de este resultado, la principal implicancia es que el problema está bien
formulado y no hay errores de programación. Tal como se esperaba, los valores del parámetro A. y la
constante modal son recuperados, la función objetivo tiene un valor muy cercano a cero, el gradiente
del lagrangeano también es muy cercano a cero. Se verificó además que la matriz Hessiana era
definida positiva; esto implica que se ha encontrado al menos un mínimo local, que resultó ser el
punto buscado. Al reducir a seis el número de observaciones, que es un caso más realista, los
resultados obtenidos fueron igualmente buenos.
A simular un caso menos ideal, incorporando un término de error en las observaciones de flujo, se
encontró que los resultados sufrían alguna desviación con respecto a los valores verdaderos, aún
cuando, en este caso particular, seguían siendo una aproximación bastante buena. Estos resultados
mejoran en la medida que se considera un mayor número de observaciones en cada punto.
Los resultados obtenidos utilizando F02, que considera información de la varianza de las
observaciones son levemente mejores en la estimación de X, especialmente en los casos en que el
error es mayor. El número de iteraciones es en general el mismo que en el caso anterior.
6. CONCLUSIONES
1 (yA ™ " ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995)
ACTUALIZACIÓN DE MODELOS DE ELECCIÓN DESTINO/MODO MEDIANTE CONTEOS DE TRAFICO
Cabe señalar que las conclusiones obtenidas de este problema de prueba (en términos de
confiabilidad de las estimaciones y rapidez de convergencia) no son aplicables a casos reales. Tal
como se mencionó anteriormente, sólo se ha demostrado la factibilidad de implementación. Se debe
probar el modelo con datos reales para obtener conclusiones más definitivas.
AGRADECIMIENTOS
Esta investigación fué parcialmente financiada por Fondecyt, proyecto 194-0711. Deseo expresar mi
agradecimiento a los profesores Sergio Jara, Enrique Fernández y Luis Contesse por sus valiosos
coméntanos a una versión preliminar de este trabajo. Finalmente, y en forma muy especial,
agradezco a Juan de Dios Ortúzar por su ayuda en la preparación de la versión final de este artículo,
que incluyó una observación fundamental que permitió resolver un problema encontrado
sistemáticamente en los resultados preliminares.
REFERENCIAS
Ben-Akiva, M. (1987) Methods to combine deifferent data sources and estímate ongin-destination
matrices. En Gartner, N. H. y Wilson, N. H. M (eds), Transportation and Traffic Theory.
Elsevier Nueva York
Bierlaire, M. y Toint, Ph. (1995) MEUSE: an origin destination matrix estimator that exploits
structure. Transportation Research 29B, 47-60.
Cascetta, E. (1984) Estimation of tnp matnces from traffic counts and survey data: a generalised
least squares approach estimator. Transportation Research 29B, 47-60.
Daly, A. (1982) Estimating choice models containing attraction vanables. Transportation Research
168,5-15
Nielsen, O. (1993) A new method for estimating trip matnces from traffíc counts. Documento de
Trabajo 1993-3, Institute of Roads, Transport and Town Planning Technical University of
Denmark.
Ortúzar, J. de D. (1989) Estimation of trip matnces and mode choice models integrating flow
ínformation and other data types. Nota Técnica, Transport Studies Group, Umversity College
London.
Sherali, H., Sivanandan, R. y Hobeika, A. (1994) A linear programming approach for synthesizing
origin-destination trip tables from link traffíc volumes. Transportation Research 26B, 171 -193.
Van Vliet, D. (1982) SATURN, a modern assignment model. Traffíc Engineering and Control 23,
578-581.
Van Zuylen, H. y Willumsen, L. (1980) The most likely trip matrix estimated from traffíc counts.
Transportation Research 14B, 281-293.
Watling, D. (1992) A statistical procedure for estimating a mean origin-destination matrix from a
partial registration píate survey. Transportation Research 26B, 213-233.
Willumsen, L. (1981) Simplified transport models based on traffíc counts. Transportation 10, 257-
278.
Yang, H, Sasaki, T, e lida, Y. (1992) Estimation of origin destination matrices from link traffíc
counts on congested networks. Transportation Research 26B, 417-434.
RESUMEN
Como parte del estudio "Análisis y Recalibración de los Modelos de ESTRAUS", fueron calibrados
una serie de modelos tipo Logit de partición modal para diversos propósitos y períodos con datos
globales del Gran Santiago. Estos modelos incluían una amplia gama de especificaciones así como
diversas estructuras jerárquicas y formas funcionales.
En este articulo se reportan los resultados obtenidos con modelos tipo Logit con estructura jerárquica
simple y forma funcional Box-Cox. Los resultados obtenidos son interpretados microeconómi-
camente. En particular, se analizan los parámetros lambda (1), que son los que determinan si la
utilidad de una unidad adicional de cualquier variable explicativa crece, decrece o permanece
constante respecto del número total de unidades.
Los parámetros 1 son analizados en términos de sus signos y magnitudes de acuerdo a las
dependencias existentes con la utilidad marginal del ingreso (UMI) y el valor subjetivo del tiempo
(VST).
Al adoptarse una forma funcional distinta de la lineal, el VST ya no puede estimarse como una razón
entre los coeficientes del tiempo y costo de viaje. En efecto, ahora la expresión para el VST incluirá
valores de las variables de servicio y parámetros 1. Se discute la forma en que debe evaluarse el VST
así como las consecuencias derivadas del uso de formas funcionales no lineales, entre las que se
destaca la dependencia del VST con los montos de tiempos ahorrados y con la duración o costo total
del viaje.
1. INTRODUCCIÓN
La formulación de un modelo de demanda por modo de transporte requiere considerar los siguientes
aspectos:
- Su naturaleza: es decir, si el modelo consiste en uno calibrado con datos a nivel del individuo
(modelo desagregado) ó, por el contrario, si la calibración se realiza utilizando promedios
representativos de una determinada zona.
- La especificación del modelo. ¿Qué variables explicativas y qué coeficientes son considerados?.
Los coeficientes pueden ser genéricos o específicos. Son genéricos cuando el mismo coeficiente
afecta a todos los valores intermodales de una determinada variable explicativa.
- La estructura del modelo. ¿En qué orden es tomada la decisión de escoger modo?. El caso más
simple es considerar que todos los modos son elegidos al mismo nivel. En forma más general, es
posible agrupar sub conjuntos de alternativas más parecidas o correlacionadas entre si bajo un
determinado nido, al que se le asigna una utilidad representativa del sub conjunto de alternativas
(Ortúzar, 1982).
- La forma funcional de la utilidad. La forma más ampliamente utilizada es la lineal, también son
conocidas otras formas funcionales como la log-lineal, la exponencial y la semi-logarítmica. Se ha
demostrado la existencia de una transformada (Gaudry et. al., 1978), de modo que todas las otras
formas funcionales constituyen casos particulares, tal es la transformada Box-Cox.
En este trabajo se consideran exclusivamente modelos de partición modal tipo Logit, desagregados
en lo relativo a variables socioeconómicas y elección de modo, pero agregados en lo que respecta a
variables de servicio. Los modelos poseen formas funcionales con transformadas Box-Cox en las
vanables de servicio, estructuras jerárquicas simples y parámetros genéricos.
El artículo se ordena como sigue: la sección siguiente contiene una interpretación microeconómica de
los parámetros X. (analizando las relaciones UMI-A. y VST-A.), la tercera sección describe los datos
utilizados y los modelos calibrados, la cuarta, reporta los resultados obtenidos (de la calibración y del
VST), y la quinta, enumera algunas conclusiones.
Resulta interesante expenmentar una amplia gama de transformaciones no lineales de las vanables
utilizando formas funcionales que incluyen transformaciones Box-Cox aplicadas, en lo posible, a la
totalidad de las variables explicativas.
(1)
(2)
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) ™" 171
RODRIGO S. PARRA GRANIFO
A pnori, el parámetro X podría adoptar cualquier valor, incluso negativo, aunque en la práctica un
valor negativo para X es extremadamente poco común. Por otro lado, un valor X>\ implica
desutilidades marginales crecientes con unidades adicionales de tiempo o costo. Aunque esto desde
un punto de vista microeconómico puede parecer sorprendente, podría tener la siguiente explicación:
por ejemplo, es posible que minutos adicionales de viaje tengan desutilidades marginales crecientes
dependiendo de cuantos minutos ya se hayan gastado, es decir, podrían darse desutilidades
marginales crecientes a la derecha de un cierto punto de inflexión P, como se muestra en la figura 1.
Figura 1
Posible Desutilidad Marginal
Marginal
Tiempo o Costo
Sea el segmento de una función de utilidad u=u(x) conteniendo la transformación de una cierta
variable explicativa x, entonces:
(3)
A dx dx
mentanos.
- Si X>\, entonces u"<0. Esto significa que si x es tiempo, el impacto de un minuto adicional
aumenta con la duración del viaje, y si x es costo, el impacto de un peso adicional aumenta con el
valor del viaje.
Como se verá a continuación, la magnitud del parámetro X asociado al costo de viaje (Xt.) dependerá
de la especificación funcional, es decir, de la forma en que se incorpore el ingreso en la función de
utilidad.
Cualquiera que sea la forma en que se incorpore el ingreso en la función de utilidad, la UMI deberá
ser positiva y su derivada respecto del ingreso, negativa. Sin embargo, es importante tener presente
que la última condición mencionada es una propiedad límite que deberá cumplirse solamente pasado
un cierto nivel indeterminado de consumo o ingreso, pero no necesariamente debiera cumplirse para
todo el rango posible de valores de dichas variables.
Si el ingreso se incorpora en forma lineal en la función de utilidad (V¡«I-Ci), las condiciones que debe
cumplir la UMI se escriben:
Debido a que en la expresión (4) Bc<0, entonces necesariamente debe cumplirse que XC>1 para
verificar la condición mostrada en la siguiente expresión (5).
Por otra parte, si el ingreso se introduce en la función de utilidad en la forma costo dividido por
ingreso, es decir, si se define X¡SCÍ/L, se tendrá que:
v Xi C\ X¡ /r*\
(6)
(7)
(8)
Por lo tanto, en el caso de utilizarse especificaciones con costo dividido por ingreso, la condición
13c<0 asegura que se cumpla que la UMI sea positiva y que su derivada respecto del ingreso sea
negativa.
En este caso la propiedad de UMI decreciente se cumple para valores mayores o menores que 1 del
parámetro k (incluso se cumple para -\<k<0).
En los casos en que las expresiones de la función de utilidad sean combinaciones de costos de
transporte con vanables mudas de ingreso, no es posible realizar una demostración directa como la
anterior, ya que las funciones no serán diferenáables con respecto al ingreso.
Generalmente, el VST se estima tratando de determinar la disponibilidad de los usuanos a pagar por
el ahorro de una unidad marginal de tiempo, bajo este enfoque, el VST será:
VST = — — / dU (9)
(9)
dtt dUi / dd
Esta expresión corresponde a calcular la tasa de sustitución entre costo y tiempo a utilidad constante.
Es muy general, y su aplicación dependerá del modelamiento del problema de la elección de modo
(forma de la función de utilidad, restricciones, variables explicativas, etc).
Primeramente, se analizará el caso de una función de utilidad especificada sin considerar ingresos,
dicha función de utilidad tendrá la forma:
Aplicando la expresión (9) en la función de utilidad (10), se obtiene la siguiente expresión (11) para
el VST.
VST = Q ±— (11)
(11)
Pc cf'-1
De la expresión (11), es importante establecer que aunque se estime adecuado definir parámetros
genéricos por variable de servicio explicativa, es decir, comunes para todos los modos, al usar las
transformadas Box-Cox, los valores del tiempo variarán entre los distintos modos y serán función
directa de los valores de sus respectivas variables de servicio. Así pues, la primera pregunta que
surge es la siguiente: ¿Qué valor de la variable de servicio utilizar?, existen al menos las siguientes
alternativas:
Los exponentes a y B están acotados entre 0 y 1, ya que la utilidad crece con G y L, pero a tasas
decrecientes. Reemplazando las restncciones en la función objetivo, se obtiene la expesión (19) para
la utilidad indirecta condicional en el modo i y la expresión (20) para el VST.
Por lo tanto, según lo anterior, si ti aumenta, VST aumenta (VST > 0).
3. DATOS Y MODELOS
Los modelos calibrados son de naturaleza mixta, en el sentido que consideran múltiples
observaciones de variables soaoeconómicas y elecaones modales, provenientes de la EOD 1991, y
variables de servicio por modo correspondientes a valores interzonales de la calibración de las
diferentes redes de transporte. Como características del proceso a ser empleado, es posible mencionar
la objetividad y automatización del procedimiento, resultando fácil introducir cambios, por ejemplo,
en las disponibilidades. Otra característica importante es que los experimentos son fáalmente
reproducibles, reduciéndose los aspectos subjetivos en la generación, calibración y validaaón de la
información.
Los modelos se calibraron considerando la existencia de 11 modos, los que se detallan en la tabla 1.
Costo total del viaje dividido por ingreso familiar. Como el ingreso se expresa en
pesos por minuto, esta variable tiene dimensiones de minutos. Los valores de
ingresos se muestran en la tabla 2.
Variable muda asociada a ingresos que toma un valor igual al costo del i-ésimo
modo si el individuo pertenece al j-ésimo estrato de ingreso o cero en otro caso. Se
consideraron 5 estratos de ingresos, resultando en algunos casos necesario fusionar
el cuarto con el quinto estrato (dw).
Tabla 1
Modos y Variables Explicativas Especificadas por Modo
Tabla 2
Ingresos en Pesos por Minuto de Mayo 1991
Las variables mudas de ingresos tienen la finalidad de recoger las diferentes percepciones del costo
del viaje entre estratos de ingresos. La variable "cost" existe para todos los tipos de usuarios, por lo
tanto, se espera que los parámetros de las variables mudas asociadas a ingresos tengan todas signo
positivo y verifiquen la siguiente relación de orden:
Además, la percepción del costo de viaje para los usuarios pertenecientes a los distintos estratos de
ingreso, será:
La primera alternativa se descartó debido a la existencia de una gran cantidad de pares origenes-
destino con carencia de observaciones. La segunda y tercera alternativa generan aproximadamente
los mismos resultados, adoptándose en este artículo la tercera, debido a que disminuye los posibles
errores producidos en la etapa de asignación de viajes.
Donde 5hj
5^ vale 1 si el individuo h pertenece al j-ésimo estrato socioeconómico o 0 en otro caso, y Bj
B, es
el coeficiente de la respectiva variable muda. Si se consideran n estratos socioeconómicos, sólo
podrán existir n-1 variables mudas de ingresos. En este artículo se adoptó la convención de dejar al
estrato de menores ingresos sin variable muda. Por lo tanto, los restantes estratos tendrán todos
coeficientes Bj positivos.
Por simplicidad, la variable muda explicativa asociada al j-ésimo estrato se denota: d, = §¡j
5¡j c¡;
j=2,..,n.
Es necesario tener presente que debido a la restrición de estricta positividad (1), las variables mudas
de ingreso no pueden ser transformadas debido a que para un individuo dado sólo una de ellas tendrá
un valor distinto de cero. Dada la función de utilidad (12), el VST tendrá la siguiente expresión (13):
VST =
a Vt ' o; *
CC +
<
°- Pe < °> Pj > ° (13)
(13)
Pe ' Pj
Por otra parte, si se adopta una función de utilidad que considere a la variable costo dividido por
ingreso (c/w), el VST será (Gaudry et. al., 1989):
-
P
VST = ' ' (14)
c¡ '
En este artículo se utilizó la expresión (13) para determinar el VST en los siguientes propósitos-
períodos: al trabajo punta, al trabajo no punta y al estudio punta, y la expresión (14) en los
propósitos-períodos: al estudio no punta, otros propósitos punta y otros propósitos no punta.
El problema de la magnitud de los parámetros X también puede ser abordado desde el punto de vista
del VST. A partir de la expresión (11), se obtienen:
(15)
(16)
La magnitud del valor de A, determinará la dependencia del valor subjetivo del tiempo con t: VST(t).
Si X. < 1: VST < 0. VST disminuirá con cada unidad de tiempo ahorrado.
VST' > 0. La función VST(t) será convexa respecto del origen.
s ' . - "- '*. i* ',
Si X > 1: VST > 0. VST aumentará con cada unidad de tiempo ahorrado.
VST' < 0. La función VST(t) será cóncava respecto del origen.
Al ser los parámetros X distintos de 1, los VST variarán con cada unidad de tiempo ahorrado. Para el
caso más común: X menor que uno y mayor que cero, el VST será mayor con las primeras unidades
adicionales de tiempo ahorrado, para luego ir decreciendo a medida que las magnitudes de tiempo
aumentan. Además, el impacto de un minuto adicional disminuiría con la duración del viaje. Las
dependencias de u', u", VST y VST' con X se resumen en la expresión (17).
(17)
Consideremos un individuo con ingreso fijo que trabaja un número pre-determinado de horas a la
semana (Jara-Díaz, 1990), obteniendo satisfacción tanto a partir de su nivel de consumo como de su
tiempo libre. El problema se formula:
(18)
Donde:
B: Número de viajes en el período de referencia.
G: Nivel de consumo.
L: Tiempo de ocio.
I: Ingreso.
W: Horas trabajadas en el período de referencia.
c¡: Costo del modo i.
T: Período de referencia.
1^: Tiempo de viaje en el modo i.
(22)
El no cumplimiento de las condiciones (21) y/o (22) forzó la utilización de las variables "cosing" en
los propósitos-periodos: estudio-no punta, otros-punta y otros-no punta.
Se seleccionaron observaciones imponiendo requisitos sobre los viajes, resultando al final del proceso
muestras por propósito y periodo que se utilizaron en la calibración de modelos. Los viajes
seleccionados debieron verificar las siguientes condiciones:
Con las restricciones anteriores, las sub muestras de calibración resultan con las cantidades de viajes
presentadas en la tabla 3. Se aprecia que para la mayoría de los propósitos-períodos, la cantidad de
observaciones es bastante alta.
Tabla 3
Número de Observaciones por Propósito-Período.
Propósito Período 07:30-08:30 Período 10:00-12:00
1. Auto chofer : Se considera disponible siempre que el par O-D esté conectado a la
red, exista al menos un auto en el hogar y el viajero posea licencia.
3. Bus Estará disponible siempre que el par O-D esté conectado a la red.
4. Taxi colectivo : Estará disponible siempre que el par O-D esté conectado a la red.
5. Metro Estará disponible siempre que el par O-D esté conectado a la red.
6. Caminata Estará disponible siempre que el modo sea elegido, o bien, que la distancia
de caminata sea igual o inferior a 4.0 Km.
8. Ach.-Metro : Estará disponible siempre que el par O-D esté conectado a la red, el
viajero posea licencia de conducir y en su hogar exista al menos un auto.
10. Bus-MeTío Estará disponible siempre que el par O-D esté conectado a la red.
11. Tcol.-Metro : Estará disponible siempre que el par O-D esté conectado a la red.
4. RESULTADOS OBTENIDOS
En esta sección se reportan los resultados de la calibración de modelos para cada propósito-período y
los valores subjetivos del tiempo. Se adoptó una estrategia de calibración compuesta por tres etapas:
3.- Se recalibra el modelo sólo con los parámetros X. aceptados en el paso anterior. A
continuación, verificando que el ajuste global del modelo no se resienta demasiado y que los
parámetros X estimados se mantengan estables, se confirma la forma funcional.
Mientras más compleja sea la especificación y la forma funcional adoptada, mejor será el ajuste
global del modelo.
Para cada propósito-período analizado, los modelos seleccionados contuvieron al menos una vanable
explicativa transformada. Para cuantificar el incremento en el ajuste global debido a la no linealidad,
se utilizó el indicador y2:
Para un determinado propósito-período, la selección consideró: el ajuste global del modelo mediante
el Log-Likelihood final y el porcentaje correctamente predicho; los valores de los parámetros
calibrados, es decir, si los coeficientes p poseen signo correcto y si el signo y rango de los valores de
los parámetros X es correcto, y la significancia estadística de los parámetros calibrados, o sea el
estadístico t, que permite afirmar que los valores de los parámetros p son distintos de 0 y los valores
de los parámetros X son distintos de 0 y de 1.
Para comparar el ajuste final entre distintas muestras, se utilizó el indicador p2 (Hensher et. al.,
1981).
(24)
Los modelos finalmente adoptados, los parámetros B y A., el ajuste global y otros indicadores
estadisticos se muestran en la tabla 4.
Tabla 4
Resultados de la Calibración de Modelos por Propósito y Período
Propr-Per. TRABAJO-PUNTA TRABAJO-NO ESTUDIO- ESTUDIO-NO OTROS-PUNTA OTROS-NO
PUNTA PUNTA PUNTA PUNTA
Modelo s 0102 o 0102 s 0100 y 1000 w 1002 y 1002
autos 0.91 0.78 1.00 1.30 LOO
(B) (7.95) (3.61) (6.53) (3.68) (6.06)
tvia -0013 -0 034 -0 011
(B) (-5 31) (-2.90) (-2.98)
team -0 51 0 320 -0 74 0.313 -0.79 0.213
(-16.34) (5.96) (-8.62) (2.68) (-20.08) (4.94)
(-12.64) (-5.87) (-18.24)
tesp -0 027 -0 059 -0.094
(B) (-0.99) (-2.05) (-2.70)
tgen -0.54 0.252 -0.15 0.463 -0.16 0.539
(ByJ.) (3.51) (1.51) (-6.34) (3.63) (-16.23) (7 30)
(-4.49) (-4.21) (-6.25)
cost -0 017 0 821 -0 039 0.688 -0 0072
(üyX) (-9 74) (17.28) (-5.46) (496) (-7.81)
(-3.77) (-2.25)
cosing -0.027 -0.12 0.527 -0.063 0.643
(B y X) (-3.03) (-6.65) (4.09) (-9.67) (7.39)
(-3.67) (-4 11)
d2 0.0020 0.0012 0.0026
(3.17) (1-17) (3.44)
0.0037 0.0020 0.0043
(B) (6 75) (2.04) (5.17)
d45 0.0043 0.0059
(B) (6.90) (5.72)
M 0 0033
(B) (3.30)
d5 0.0044
(B) (4.13)
LL ctes. -4881.95 -736.52 -3472.46 -199.88 -649.35 -2194.87
LL lin. -4635.87 -667.52 -3254.02 -182.29 -613.89 -1968.66
l.Lgral. -457721 -654.38 -3150.07 -178.63 -604.30 -1947.86
LL adop. •4578.19 -654.39 -3160.50 -178.66 -604.30 -1947.86
P2 0 062 0.112 0.090 0.106 0.069 0.113
f 0.012 0.020 0.029 0.020 0.016 0.011
% right 80 6 8 % 79 3 0 % 78.44% 76.78% 81.63% 76.71%
- Al observar los indicadores y2, se concluye que para todos los propósitos y períodos, sin excepción,
el ajuste global al utilizar variables transformadas es notoriamente superior que al considerar formas
funcionales lineales.
- El porcentaje correctamente predicho, presenta valores relativamente uniformes entre los diversos
propósitos-períodos.
Con los modelos seleccionados se procedió a calcular los VST utilizando la expresiones (13) ó (14)
(según sea el caso), los resultados se muestran en las tablas 5 y 6.
Tabla 5
Valores Subjetivos del Tiempo Propósito al Trabajo [$1991/min]
PROP. TRABAJO-PERIODO PUNTA AUTO BUS TCOL METRO TAXI BUS-M TCOL-M
Valores tvia [min] 23.2 40.9 20.2 11.5 14.9 39.1 29.6
Promedios team [min] — 5.4 18.1 19.6 1.3 12.6 20.9
de las tesp [min] — 3.4 2.0 1.5 1.5 3.8 3.0
Variables tgen [min] 23.2 69.3 96.7 93.1 22.9 97.0 119.2
Explicativas cost [$] 246 8 130.7 140.5 86.0 466.3 185.8 190.1
cosing [min] 17.9 30.4 26.2 12.1 55.2 33.1 31.7
Valores Estrato 1 2.0 1.8 1.9 1.7 2.3 1.9 2.0
Subjetivos Estrato 2 3.0 2.5 2.6 2.3 3.6 2.8 2.8
del Tiempo Estrato 3 4.9 3.8 3.9 3.3 6.6 4.4 4.4
de Viaje Estrato 4y5 6.4 4.6 4.8 3.9 9.6 5.5 5.5
Valores Estrato 1 — 22.8 10.1 8.8 75.4 13.6 9.7
Subjetivos Estrato 2 — 31.7 14.2 11.9 116.6 19.5 13.9
del Tiempo Estrato 3 — 47.6 21.5 17.0 217.8 30.6 21.9
de Caminata Estrato 4y5 — 57.7 26.2 20.1 313.9 38.4 27.5
Valores Estrato 1 — 3.8 3.8 3.5 4.8 4.0 4.1
Subjetivos Estrato 2 — 5.3 5.4 4.8 7.4 5.8 5.8
del Tiempo Estrato 3 — 7.9 8.1 6.8 13.8 9.1 9.2
de Espera Estrato 4y5 — 9.6 9.9 8.0 19.9 11.4 11.5
Valores Estrato 1 2.0 4.2 5.7 6.1 7.9 4.7 5.1
Subjetivos Estrato 2 3.0 5.9 7.9 8.2 12.2 6.8 7.3
del Tiempo Estrato 3 4.9 8.8 12.0 11.7 22.7 10.7 11.5
Generalizado Estrato 4y5 6.4 10.7 14.7 13.8 32.8 13.4 14.4
PROP. TRABAJO-PERIODO NO PUNTA A OTO BUS TCOL METRO TAXI BUS-M TCOL-M
Valores tvia [min] 14.3 28.0 13.9 13.0 9.3 32.2 23.2
Promedios team [min] — 5.2 17.1 17.5 1.3 12.8 20.0
de las tesp [min] — 3.3 1.9 2.7 1.5 5.6 4.2
Variables tgen |min] 14.3 55.4 86.0 88.2 17.3 94.5 111.7
Explicativas cost [$] 227.5 122.9 136.3 89.0 371.0 280.0 191.3
cosing [min] 18.7 29.6 25.1 8.6 31.6 57.3 30.6
Valores Estrato 1 4.7 3.9 4.0 3.5 5.5 5.1 4.5
Subjetivos Estrato 2 5.7 4.5 4.7 4.0 6.9 6.2 5.3
del Tiempo Estrato 3 6.6 5.1 5.3 4.5 8.2 7.2 6.1
de Viaje Estrato 4 8.8 6.3 6.6 5.4 11.9 9.9 8.0
Estrato 5 12.3 7.9 8.5 6.5 19.3 14.6 10.7
Valores Estrato 1 — 27.4 12.5 10.8 100.4 19.1 12.5
Subjetivos Estrato 2 — 31.8 14.6 12.3 124.6 23.2 14.8
del Tiempo Estrato 3 — 35.6 16.4 13.6 148.6 27.2 17.0
de Caminata Estrato 4 — 44.2 20.6 16.4 216.2 37.5 22.1
Estrato 5 — 55.5 26.2 19.9 351.6 55.3 29.8
Valores Estrato 1 — 6.8 7.0 6.1 9.6 8.8 7.8
Subjetivos Estrato 2 — 7.9 8.2 7.0 11.9 10.7 9.3
del Tiempo Estrato 3 — 8.8 9.2 7.7 14.2 12.5 10.6
de Espera Estrato 4 — 10.9 11.5 9.3 20.6 17.2 13.8
Estrato 5 — 13.7 14.7 11.3 33.6 25.4 18.6
Valores Estrato 1 4.7 7.5 8.6 7.6 16.2 9.1 8.2
Subjetivos Estrato 2 5.7 8.7 10.0 8.6 20.2 11 0 9.7
del Tiempo Estrato 3 6.6 9.8 11.3 9.6 24.0 12.8 11 1
Generalizado Estrato 4 8.8 12.1 14.2 11.5 34.9 17.7 14.5
Estrato 5 12.3 15.2 18.1 14.0 56.8 26.1 19.5
Tabla 6
Valores Subjetivos del Tiempo Propósitos al Estudio y Otros [$1991/min|
PROP. ESTUDIO-PERIODO PUNTA AUTO BUS TCOL METRO TAXI BUS-M TCOL-M
Valores tvia [min] 25.4 23.4 13.6 10.1 7.7 36.6 26.2
Promedios team [min — 55 177 194 1.3 13 1 21 9
2.6 18 15 15 3.6 2.9
de las tesp [min] —
Variables tgen [min] 25.4 50 6 87.9 90.8 157 96.4 1197
Explicativas cost [$] 238.5 1221 144.0 85.8 247.2 182.2 195 6
cosing [min] 7.5 26 2 24.8 11.3 21.6 23.5 25 3
Valores Estrato 1 1.5 7.2 7.4 78 14.0 5.5 5.7
Subjetivos Estrato 2 2.4 11.3 11.7 12.2 22.0 8.6 89
del Tiempo Estrato 3 3.8 17.9 18.5 19 3 34.9 13.6 14.1
Generalizado Estrato 4v5 8.5 40.0 41.3 43.1 77.8 30.4 31.5
PROP ESTUDIO-PERIODO NO AUTO BUS TCOI. METRO TAXI BUS-M I COI. -M
PUNÍA
Valores tvia [min] 16.1 26.6 9.3 89 14.7 33.4 29 i
Promedios team [min] — 5,2 18.3 17.4 1.3 14.5 23 3
de las tesp [min] — 3.1 1.5 2.6 1.5 3.7 5.8
Variables tgen [min] 16.1 53,6 85.6 83.5 22 7 98.7 134.3
Explicativas cost [$] 235.7 126.8 148.3 88.1 638.6 285.0 190.0
cosing [min| 10.3 17.7 18.5 15.0 86.0 21 1 60.8
Valores Estrato 1 4.5 1.8 1.3 1.3 3.5 1.2 0.9
Subjetivos Estrato 2 12.4 50 35 3.6 9.6 32 25
del Tiempo Estrato 3 19.5 7.9 5.6 5.7 15 1 5.0 40
Generalizado Estrato 4 30.9 12.5 8.8 9,0 23.9 7.9 63
E-strato 5 47.4 19.3 13.6 13.8 36 6 12.2 9.7
OTRO PROP. PERIODO PUNTA AUTO BUS TCOL METRO TAXI BUS-M TCOL-M
Valores tvia [min] 15.2 31.5 11.4 10.3 120 44,3 170
Promedios team [min] — 5.3 21.8 19.4 13 12.0 30 3
de las tesp [min] — 2.7 1.6 1.6 15 3.2 14
Variables tgen |min] 15.2 58 0 101.8 91.0 20 0 98 6 140 8
Explicativas cost |$] 173.2 120.9 131.0 82.5 418.2 186.7 190 0
cosing |min| 11.3 33.2 32.1 11 8 47 8 45.6 244
Valores Estrato 1 1.6 1.3 1.0 0.6 28 1.2 0.7
Subjetivos Estrato 2 4.5 37 2.7 1.8 7.7 3.2 20
del Tiempo Estrato 3 7.1 5.8 4.2 2.8 12.1 5.0 3.1
Generalizado Estrato 4 11.3 9.1 6.6 4.4 19.2 8.0 49
Estrato 5 17.3 14.0 10.2 6.7 29.5 12.2 7.5
PROP ESTUDIO-PERÍODO NO AUTO BUS TCOL METRO TAXI BUS-M TCOL-M
PUNTA
Valores tvia [min] 12.6 23.8 9.8 10.4 96 29.8 20.9
Promedios team [min] — 4.9 17.1 18.0 1.3 114 22 0
de las tesp (min] — 2.9 2.4 2.5 1.5 3.8 4.9
Variables tgen [min | 12.6 49.5 82.9 87.4 17.6 83.1 1186
Explicativas cost [$] 199.7 121.7 132.5 87.6 411.6 281.7 191 7
cosing [min] 16.8 29.6 28.7 11.7 41.5 31.9 162
Valores Estrato 1 3.9 2.5 2.0 1.4 4.6 2.0 14
Subjetivos Estrato 2 10.7 7.0 5.4 3.9 12.7 56 3.8
del Tiempo Estrato 3 16.8 11.0 8.6 6.1 199 8.9 5.9
Generalizado Estrato 4 26.7 17.4 13.5 9.6 31 6 14.0 9.4
Estrato 5 40.9 26.7 20.8 14.7 48 5 21.6 14.4
Además de los VST, en las tablas 5 y 6 se muestran los valores promedios de las variables
explicativas, ya que, según se mostrara en las expresiones (13) y (14), el VST depende de dichos
valores promedios. El valor subjetivo del tiempo generalizado en los modelos que no consideran esta
vanable se calculó ponderando cada uno de los VST de las sub-etapas del viaje (en vehículo,
caminata y espera), esto se realizó sólo para efectos de comparación.
Como el t-estadístico del VST depende de múltiples parámetros, no fué posible estimarlo, ya que los
desarrollos existentes se restringen a su estimación en función de sólo dos parámetros estimados.
5. CONCLUSIONES
2- Las variables explicativas más proclives de ser transformadas resultaron ser el tiempo de
caminata, el tiempo generalizado, el costo modal y el costo dividido por ingreso.
3- En todos los casos considerados, existió un gran incremento en el ajuste global de los
modelos al considerar formas funcionales no lineales.
5- Los VST poseen valores razonables, y en general, bastante más bajos que los reportados en
estudios anteriores (Gaudry et. al., 1989).
7.- Los parámetros X estimados con valores superiores a 1 nunca resultaron ser
significativamente distintos de 1. Tampoco se venficaron parámetros X<0.
8.- Los valores subjetivos del tiempo de caminata y de espera presentaton valores notonamente
superiores al valor subjetivo del tiempo de viaje.
9- Para los viajes con propósipo al trabajo, el VST es mayor en el caso del período fuera de
punta, lo contrario ocurre en el caso de los otros dos propósitos.
6. REFERENCIAS
Ben-Akiva, M.E. and Lerman, S.R. (1987). "Discrete Choice Analysis: Theory and Application
to Travel Demand". The MTT Press, Cambridge.
Gaudry, M.J.I., Jara-Díaz, S.R. and Ortúzar, J. de D. (1989). "Valué of time sensitivity to
model specification". Transportation Research 23B(2), 151-158.
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) ™" "| gc¡
RODRIGO S. PARRA GRANIFO
Gaudry, M.J.I. and Wills, M.J. (1978). "Estimating the Functional Form of Travel Demand
Models" Transportation Research, 12(4), pp 257-289
Hensher, DA. and Johnson, L.W. (1981). "Applied Discrete-Choice Modelling". Croom
Helm, London.
Jara-Díaz, S.R. (1990). "Valor subjetivo del tiempo y utilidad marginal del ingreso en modelos
de partición modal". Apuntes de Ingeniería 39, 41-49.
RESUMEN
Durante los últimos años, la demanda por transporte ha sido analizada en detalle a nivel individual,
con evidentes avances en términos de sus formas funcionales, estimación, e interpretación. Por otra
parte, se cuenta con modelos de transporte y uso de suelo para explicar la evolución de actividades
económicas, de tal forma que la demanda por transporte urbano es claramente entendida a nivel de
sistema. Este cuadro general se aplica perfectamente a Santiago, donde un conjunto de modelos
desagregados de elección de modos se encuentra disponible, y un modelo estratégico ( ESTRAUS)
ha sido diseñado para la evaluación de proyectos de gran envergadura, considerando la operación
conjunta de todos los modos de transporte.
Sin embargo, parece también necesario entender un fenómeno específico de demanda tal como lo es
la evolución de viajes en un modo particular, el cual también puede ser analizado en forma agregada.
En efecto, la predicción de viajes mensuales es un ejercicio obligatorio para el Metro de Santiago,
donde las tendenaas, factores mensuales y la expenencia se combinan para la predicción de flujos e
ingresos, y la planificación de operaciones a nivel anual.
mm
ACTAS DEL SÉPTIMO CONGRESO CHILENO DE INGENIERÍA DE TRANSPORTE (1995) ~\ QJ
SERGIO R. JARA DÍAZ - ANDRÉS VARGAS GONZÁLEZ
El conjunto de modelos resultantes es ofrecido como una herramienta intermedia de gran utilidad
para la planificación que realice el Metro de Santiago.
1. INTRODUCCIÓN
La demanda por viajes en el Metro de Santiago recibe la influencia de múltiples factores que pueden
explicar su creciente evolución desde su puesta en operación. Así, el aumento de la actividad
económica en la ciudad, la prolongación de la cobertura espacial de cada una de las líneas de Metro,
la modificación de la oferta de otros modos, o bien la modificación de sus propias tarifas,
contribuyen de alguna forma a entender parte de esa evolución ya sea en términos agregados como
en detalle.
En este artículo se pretende entender la evolución de la demanda agregada por Metro a nivel de red y
por línea, considerando la afluencia mensual total y promedio día laboral, de tal forma de identificar
en forma específica el rol de las variables agregadas que influyen discrecionalmente sobre la
afluencia en cada uno de los casos. Se intenta encontrar así una herramienta sólida y flexible a la vez,
que permita explicar y predecir los cambios en la afluencia al Metro de Santiago.
Cuando se analiza el fenómeno de demanda por viajes en Metro, es posible distinguir diversos
factores que incidan en su evolución: aquellos que inducen más viajes en general, aquellos que
modifican la estructura de la matriz origen-destino, aquellos que varían la disponibilidad modal y
aquellos que cambian las características operativas ya sea del propio modo como la de los restantes.
Estos factores, representados a través de la mayor o menor actividad económica, mayor extensión de
la red de Metro y las ventajas (desventajas) comparativas que posee sobre el resto de los modos,
permiten expresar la demanda agregada como (Jara Díaz y Paredes, 1993):
Ym = f(Z,G,At,D)
Para el caso de Santiago, el único modelo existente bajo este enfoque considera rezagos
con respecto al mes anterior (rezago inercial Yt) y al mismo mes del año anterior
(rezago estacional Ye), los cuales aparecen explicando más del 50% del flujo en estudio
(ver tabla N° 1); si bien esto genera una mejor reproducción de la serie, no favoreció la
comprensión global del fenómeno en términos causales, ni su predicción, tal como lo
muestran las figuras 1 y 2.
Por otra parte, existe evidencia empírica en varios casos de ferrocarriles extranjeros, como en
Fowkes et.al (1985), Jones y Nichols (1983) y Owen y Phillips (1987), en donde se trata el problema
de la demanda agregada considerando diferencias entre las distintas líneas de la red y distintos
períodos del día, tomando en consideración variables de la misma naturaleza que las utilizadas para
el caso de Santiago, a excepción, en general, de los flujos rezagados.
Estos antecedentes motivan la búsqueda de un nuevo modelo para la red de Metro, el cual no debiera
depender de rezagos, permitiendo predicciones adecuadas de la demanda. Por otra parte, debido a las
distintas características y comportamientos de los usuarios diferenciados por línea 1 y línea 2 del
Metro, parece sensato estudiar la existencia de factores que pudiesen influir en forma distinta en cada
uno de los casos, de tal forma de modelar separadamente las demandas en cada caso.
Con este objeto, es necesario identificar con mayor precisión los factores que pudieran incidir en la
explicación de la demanda cuando se analizan agregaciones a nivel de red o por línea. En efecto, aun
cuando se espera que aquellas variables como el empleo, las tarifas y el número de estaciones se
mantengan explicando parte de la evolución de la demanda, existen antecedentes que ayudan a
identificar nuevos factores que permiten modelar de mejor forma la afluencia en cada uno de los
casos. Dentro de éstos destaca el efecto del ingreso sobre los usuanos del Metro, la consideración del
taxi colectivo como modo alternativo y la disponibilidad efectiva de los modos auto y bus, dado que
no todo el parque vehicular es el que efectivamente compite con el Metro.
-
3. DESCRIPCIÓN DE LA INFORMACIÓN
En esta sección se presenta la base de datos utilizada para la calibración de los modelos, su fuente de
información y la forma en que ésta fue obtenida.
En cuanto a la afluencia del Metro, utilizada como variable dependiente en nuestros modelos, se
recolectó información mensual para el total de viajes y promedio día laboral correspondientes a la
red, línea 1 y línea 2.
Respecto de las variables explicativas posibles de utilizar, para representar el efecto generador de
viajes se decidió utilizar el número de empleos existentes en el Área Metropolitana (EMP), los
milímetros mensuales de agua caída (PP) y la remuneración promedio que poseen los habitantes de la
ciudad (ING). Para captar las zonas de influencia que tiene el Metro se utilizó el número de
estaciones (NE), mientras que para recoger el efecto de la disponibilidad que tienen los restantes
modos de transporte fueron considerados los permisos de circulación de autos (AC) y buses (BC) de
aquellas comunas que tienen un aporte significativo de usuarios al Metro y la correspondiente
restricción vehicular (R). Finalmente, para representar los atributos de cada uno de los modos se
consideraron las tarifas en el caso del Metro, bus y taxi-colectivo (PM, PB y TC) y el precio de un
litro de bencina para el caso del auto (BENC).
En las figuras 3 y 4 se muestra la evolución de las nuevas variables incorporadas, las cuales son el
ingreso y las tarifas de los modos considerados para la modelación. De ellas se observa que, salvo el
caso del taxi-colectivo, en general existe un crecimiento de las variables en los últimos 10 años; esto
también es válido cuando se analiza el resto de las variables, lo que en definitiva explica los signos de
la matriz de correlación, sin que signifique necesariamente una relación causal.
Para la calibración de los modelos se utilizó el software Time Series Processor (TSP), mientras que
la elección de los mejores modelos en cada uno de los casos analizados se realizó mediante la
aplicación de un test de comparación econométnca (Davison y Mackinnon, 1981).
La forma de analizar los resultados de estos modelos debe ser tanto por su bondad de ajuste, como
por el signo, valor e interpretación que tengan los parámetros obtenidos en cada uno de las
agregaciones; los parámetros de primer orden se entenderán como la variación marginal de la
demanda respecto de la variable asociada, manteniendo constante el resto de los efectos.
La tabla N° 6 presenta los resultados obtenidos para la modelación de la afluencia promedio día
laboral, correspondiente a la red, línea 1 y línea 2.
Un primer análisis que surge de estos resultados es el que se refiere a la obtención de un nuevo
modelo para la red de Metro, considerando viajes totales mensuales. Al comparar éste con aquel que
considera rezagos, se visualiza que, si bien las vanables de generación y de alcance espacial resultan
ser las mismas, el efecto que éstas poseen sobre la demanda resulta superior y más significativo en el
nuevo modelo. Lo anterior no ocurre con la disponibilidad de los modos alternativos, ya que en el
nuevo modelo este efecto no resulta relevante.
Por su parte, en el nuevo modelo se considera una corrección de las tarifas por ingreso, captando la
importancia real que los usuarios le dan a este atributo al momento de elegir un modo de transporte.
Se notará que el nuevo modelo considera efectos de segundo orden del empleo y las tarifas. En este
sentido, parece intuitivamente atractiva la disminución del efecto generador del empleo a medida que
este crece en línea 1; no así en el caso global. En el caso de las tarifas, los signos de segundo orden
son los esperados. En cuanto a las elasticidades propias, cabe destacar que ésta resulta menor que la
obtenida en el modelo con rezagos.
Al realizar un análisis del conjunto de modelos obtenidos, destaca el efecto que posee el empleo como
variable generadora de viajes, el cual resulta satisfactorio en cada una de los modelos obtenidos. Para
el caso de los modelos mensuales, la variación esperada de la demanda en la red de Metro era de a lo
menos 4 viajes adicionales por cada nuevo empleo, siendo la variación resultante equivalente a 4.6
viajes por cada empleo.
A lo anterior se agrega el hecho que, tanto en el caso de la demanda mensual como en la correspon-
diente al promedio en un día laboral, la suma de los aumentos de demanda correspondientes a línea 1
y línea 2, producto de la generación de nuevos empleos coincide con el resultado del aumento
obtenido de la modelación de la red, siendo siempre mayor el aporte de empleos en línea 1.
Por otra parte, cuando se modela la demanda mensual total, es decir considerando fines de semana y
festivos, se detecta un efecto del ingreso sobre los viajes en línea 2. Sin embargo, cuando se modela
la afluencia promedio en un día laboral, no se detecta tal efecto.
Otro resultado interesante que resulta del análisis conjunto de los modelos es el que se refiere a las
elasticidades propias. En general éstas resultan en magnitud un poco inferior a la cifra manejada por
el Departamento de Planificación del Metro hasta 1994 (-0.20), y el análisis de los resultados por
línea y para la red, resulta ser bastante consistente. Debe destacarse que, a pesar de las diferencias en
las estimaciones puntuales de la elasticidad en la modelación mensual de la demanda (-0.15,-0.11 y -
0.14 para línea 1, red y línea 2 respectivamente), los tres valores son estadísticamente iguales con un
alto grado de confiabilidad. Aun así, es posible captar el efecto esperado de la mayor elasticidad en
línea 2 (-0.17) con respecto a la de línea 1 (-0.10), cuando se modela un día promedio laboral de la
demanda.
Respecto al efecto de la tarifa de los restantes modos del sistema, los resultados indican que en
general el modo bus parece ser real alternativa al Metro sólo para los usuarios de línea 2 (elasticidad
precio cruzado 0.18), mientras que el taxi-colectivo lo es para los usuarios de línea 1 (elasticidad
precio cruzado 0.56).
Finalmente debe destacarse que, al igual que en los resultados obtenidos por Jara-Díaz y Paredes
(1993), el efecto generador de viajes que posee el empleo es evidentemente disminuido por las
precipitaciones, efecto que resulta ser robusto, en especial cuando se modela la red de Metro.
5. SÍNTESIS Y CONCLUSIONES
A partir de la información obtenida, fue posible calibrar diversos modelos de demanda por viajes en
Metro, correspondiente a las agregaciones por línea y total. Así, fue posible encontrar formulaciones
agregadas para la demanda por línea, y se encontró un modelo alternativo para el caso de la demanda
en la red de Metro. Esto último significó superar el uso de variables con rezago, las cuales poseían
un alto grado de explicación de la demanda en modelos anteriores.
Por otra parte, los resultados muestran que el uso de un enfoque multivariado es útil para captar el
rol de cada una de las variables, bajo condiciones ceteris paribus. Dentro de estos resultados son
El paso siguiente en este tipo de investigación parece ser entender mejor algunos aspectos específicos
como son los efectos temporales y el rol de los escolares, aspectos que adquieren particular
relevancia a partir de las nuevas experiencias tarifarias del Metro.
AGRADECIMIENTOS
REFERENCIAS
Davison, R. and Mackinnon, J. (1981). Several Test for Model Specification in the Presence of
Altemative Hypothesis, Econométrica, vol. 49, No. 3, pp. 781-793.
Fowkes, A.S., Nash, C.A., and Whiteing, A.E. (1985). Understanding Trends in Inter-City Rail
Traffic in Great Bntain. Transportation Planning and Technology, vol. 10, No. 1, pp. 65-80.
Jara-Díaz, S. y Paredes, A. (1993). Modelo Estructural para la Demanda por Viajes en el Metro
de Santiago. Actas del VI Congreso Chileno de Ingeniería de Transporte.
Jones, I.S., and Nichols, A.J. (1983). The Demand for Inter-City Rail Travel in the United Kingdom.
Journal of Transportation Economics and Poücy, vol. 17, No. 2, pp. 133-153.
Owen, A.D., and Phillips, DA. (1987). The Characteristic of Railway Passenger Demand. Journal
of Transportation Economics and Policy, vol. 21, pp. 231-253.
VARIABLES PARÁMETROS
FLUJO TENDENCIAL (Yt) 0.54
(7.31)
FLUJO ESTACIONAL (Ye) 0.20
(3.76)
EMPLEOS (EMP) 1.52
(3.63)
N° ESTACIONES (NE) 112.7 E3
(2.74)
N° AUTOS EFECTIVOS (AU) -4687.6
(1.52)
TARIFA DEL METRO (PM) -23068
(2-52)
TARIFA DEL BUS (PB) 1711.6
(0.46)
EMPLEO*PRECIPITACIONES -1.517 E-2
(EPP) (1.90)
B> 0.91
DW 0.38
N° OBSERVACIONES 91
ELASTICIDAD PRECIO -0.146
(2.52)
Fuente: Jara Díaz y Paredes (1993)
Y 1.00
Ar 0.26 0.22 0.11 -0.06 0.15 -0.19 0.19 0.04 0.19 1.00
BC 0.01 -0.08 0.10 -0.18 0.03 -0.09 -0.10 0.17 -0.19 0.50 1.00
PpM -15090 -
(3.0)
PTC 16432 - -
(4.0)
PPZ 2737 -
(4.6)
PMP - 2402 -
(1.7)
PTN 7334 -
(3.1)
Prr 299 - -
(2.6)
PBT - 380
(2.7)
N° OBS. (N ) 98 112 98