Академический Документы
Профессиональный Документы
Культура Документы
DE DEMANDA DE TRANSPORTE
Juan de Dios Ortüzar Salas
Departamento de Ingeniería de Transporte
Pontificia Universidad Católica de Chile
RESUMEN
Los métodos de análisis y predicción de demanda en planificaciSn de sis_
temas de transporte, han recurrido tradicionalmente a datos agregados y mode
los con variables dependientes continuas. Debido a una serie de razones tej5
ricas y prácticas, los desarrollos más recientes*en este campo se han doñeen,
trado en el uso de modelos desagregados (o a nivel individual) de elección
entre alternativas discretas* f&.'u
Este trabajo resume los elementos esenciales de estas nuevas metodolo-
gías haciendo énfasis en el problema de partición modal de viajes, qué ha
8ido su campo de aplicación más exitoso.
1. Introducción
La utilización de modelos (agregados) de demanda en la planificación de
sistemas de transporte se remonta a los comienzos de la decada aei DU |_i, 2, 3J, y
ya a principios de la década del 60 existía un cuerpo metodológico aparente
mente bien entendido y documentado[4] . No obstante el trabajo pionero de in-
vestigadores como Warner [5]u Oi y Shuldiner [6] , que mostraba la existencia
de serias deficiencias en las metodologías agregadas desarrolladas hasta use
entonces, ésta primera generación de modelos siguió siendo utilizada en forma
mayoritaria en proyectos de transporte hasta fines de la década del 70. De
hecho solo hace unos pocos años se empezaron a considerar en forma seria los
modelos desagregados o de la segunda generación [7,8] , que sin duda cons
tituyaiun avance metodológico significativo en cuanto a técnicas de estimación
de demanda (Williams [9] presenta una buena revisión del desarrollo teórico en
este área).
Si, por otro lado, los ei tienen una distribución Normal multivariada ge
neral, se obtiene el poderoso (pero computacionalmente difícil de implementar)
modelo Probit Múltiple £l3], que no posee una expresión analítica sencilla
como (3) y que en la practica requiere de aproximaciones para casos que en-
vuelven mas de 3 alternativas.
Sin embargo, el problema no posee normalmente una solución fínica, por lo que
se recomienda examinar con cuidado la discusión que se hace en Fió] y £27] .
3. Especificación de modelos.
IJ t general la estructura de un modelo, las variables explicativas conside-
_ . l<* Xa forma de las funciones de utilidad, son todos aspectos susceptibles
y experimentación [29], y a menudo dependen fuertemente del contexto
á<
» disponibles. Si bien tanto la intuición como las consi-
:
f* *P0 teórico son muy valiosas en esta etapa de búsqueda, a menudo
Mttir pragmático de gran importancia es la disponibilidad de software
- 249 -especiflÜzfld0, De hecho, una de las razones
que explican la enorme popularidad del modelo Logit Simple (LS) ea que
puede aer fácilmente estimado con software disponible, mientras que
estructuras mas generale8 presentan enormes dificultades J_13J.
en que:
4c Estimación de modelos.
3
Por supuesto que en el caso general se tendrían muchos mas coeficientes
(normalmente entre 10 y 30), observaciones (500 a 1000) y alternativas (entre 3
y 10), por lo que se justifica utilizar paquetes estadísticos especializados como
QUAIL, MLOGIT o BLOGIT (ver [l2] y ]JL3] para una discusión de los detalles
matemáticos de estos procedimientos).
Las salidas de los programas de estimación se parecen bastante a las de
paquetes estadísticos de regresión tradicionales. Típicamente se incluye una
tabla con los valores de los coeficientes estimados, sus errores estándar y
estadígrafos t (de una aproximación Normal por lo que el valor crítico al 95% es
1,96). Además, se suelen entregar otros estadígrafos de interés como los
siguientes:
i) El valor del logaritmo de la función de verosimilitud si todos los coefi-
cientes son cero (1(0)). ii) El mismo valor para el máximo (1(0))
iii)La razón de verosimilitud (2-(l(9)-l(0)), que para muestras grandes tie
ne una distribución Yj con grados de libertad iguales al numero de coeficien
tes estimados. « 2
iv) El Índice p ■ 1 - 1(0)/XO), que es similar en espíritu al estadígrafo R
de regresión lineal múltiple, en el sentido de variar entre 0 (no hay ajuste)
y 1 (ajuste?perfecto). Sin embargo, no tiene una interpretación, intermedia
similar a R y se debe tener cuidado al utilizarlo. Buenas discusiones en
cuanto al problema de estimación y los Índices de bondad de ajuste utilizados,
se pueden encontrar en [l4], [15] , £l6} , [38] y £39].
5. El problema de agregación.
En una interpretación econometrica de los modelo;} de demanda, la agregación
sobre características no observables tiene como resultado un modelo de de_ cisión
probabilístico, y la agregación sobre la distribución de características
observables produce las relaciones macro o agregadas, convencionales £17]. De
esta forma, el problema de agregación depende en gran medida de la descrija cion
del sistema asociada al marco de referencia utilizado por el modelador, ya que
este determina el grado de variabilidad a ser contabilizado en cualquier relación
causal. Por ejemplo, la explicación de la dispersión estadística de un conjunto
de datos determinado, es muy diferente para un observador que uti lice como
marco de referencia el enfoque de maximizacion de la entropía j_40], que para otro
que *se base en la teoría de la utilidad aleatoria, aún cuando ambos arriben a
modelos formalmente idénticos (Williams £9] discute este feno mono conocido
como, 'equifinalidad').
En nuestro caso el problema de agregación se reduce a la teóricamente seii
cilla operación de integrar o sumar las relaciones micro, como (3), estimadas
a nivel individual. En la práctica el proceso solo es sencillo si estamos in
teresados en predicciones de corto plazo acerca de la partición modal en el
viaje al trabajo. En otros casos, particularmente en modelos de distribución
M*¡£ í*aclSn' el Problema Practico es muy difícil de resolver y requiere de
uipocesia bastante extremas y gran cantidad de datos [41]
FIGURA 1 RELACIÓN ESPECULATIVA ENTRE EL PROCESO DE ELECCIÓN Y LA
MEDICIÓN DE ATRIBUTOS.
REFERENCIAS
2. CARROLL, J.D. (1957) Future traffic predictions for the Detroit área. High
way Research Board Proceedings. Vol 36. pp. 71-89.
3. CATS (1959) Chicago Área Transportation Study. Final Report, Chicago, EE.UU.
4. MARTIN, B.V., MEMMOT, F.W. y BONE, A.J. (1961) principies and techniques of
predicting future demand for urban área transportación. MIT Research Report N°
38, Cambridge, EE.UU.
10. WILLIAMS, H.C.W.L. (1977) On the formation of travel demand modela and
economic evaluation measures of user benefit. Environment and Planning A,
Vol 9, N°3, pp. 285-344.
13. DAGANZO, C.F. (1979) Multinomial Probit - The Theory and its Applications
to Demand Forecasting. Academic Press, Nueva York.
15. HENSHER, D.A. y JOHNSON, L.W. (1981) Applied Discrete Choice Modelling.
Croom Helm, Londres.
18. GENSCH, D.H. (1980) Choice model calibrated on current behaviour prediets
publie response to new policies. Transportation Research, Vol 14 A, N°2, pp.
137-142.
22. DALY, A.J. (1978) Issues in the estimation of journey attribute valúes.
En D.A. Hensher y M.Q. Dalvi (eds), Determinants of Travel Cholea J*^ Saxon House,
Sussex.
28. LERMAN, S.R. y MANSKI, C.F. (1979) Sarar"-ing design for discrete choice
analysis of travel behaviour: the state of che art. Transportation Research,
Vol 13A. N°l, pp. 29-44
32. LOUVIERE, J.J. (1981) On the Identification of the functional form of the
utility expression and its relationship to discrete choice. Apéndice B de
Hensher, D.A. y Johnson, L.W. (1981) (op. cit), pp.385-415.
33. LERMAN, S.R. y LOUVIERE, J.J. (1978) The use of functional measurement
to identify the form of utility functions in travel demand models. Trans-
portation Research Record 673. pp. 78-85.
34. GAÜDRY, M.J.I. y WILLS, M.J. (1978) Estimating the functional form of
travel demand models. Transportation Research, Vol 12, N°4, pp. 257-289.
38. TARDIFF, T.J. (1976) A note on goodness-of-fit atatistics for probit and
logit models. Transportation. Vol 5. N°4, pp. 377-388.
39. GUNN, H.F. y BATES, J.J. (1982) Statistical aspeets of travel demand mo-
delling. Transportation Research. Vol 16A. N°5/6, pp. 371-382.
40. WILSON, A.G. (1970) Entropy in Urban and Regional Modelling. Pión, Lon-
dres.
- 256 -
44. REÍD, F.A. (1978) Systematic and efficient methods for minimizing errors
in aggregate predictions from disaggregate models. Working paper 7801, Ins-
titute of Transportation Studies, University of California at Berkeley.
45. BEN-AKIVA, M.E. y ATHERTON, T.J. (1977) Methodology for short-range tra-
vel demand prediction: analysis of carpooling incentives. Journal of Trans-
port Economice and Policy, Vol 11, N°3, pp. 224-261.