ESTUDIO INTEGRAL DE TRANSPORTE Y ÁREA METROPOLITANA DE ROSARIO   ESTUDIO INTEGRAL DE TRANSPORTE Y USO DEL SUELO CORREDOR NORTE – SUR ÁREA METROPOLITANA DE ROSARIO Proyecto de transporte urbano de Buenos Aires - Préstamo BIRF N° 7442/AR Argentina Modelización del AMR

Modelización Representación del conocimiento disponible Permite hacer inferencias basadas en información Requiere resolver problemas de consistencia Posibilita la evaluación de escenarios futuros

Objetivo principal Estimación de la demanda futura de viajes de un nuevo modo para el corredor Norte-Sur del AMR

Objetivos secundarios: Construir y calibrar un modelo de transporte de 4 etapas a nivel regional (AMR) Evaluar escenarios de implementación de la nueva modalidad Transferir el modelo a la administración de Rosario

Marco teórico(1): Modelización de las decisiones de movilidad de la población Generación: decision de realizar un viaje por un motivo determinado (viajar o no viajar). Distribución: decisión del destino del viaje (a donde viajar) Partición modal: decisión del modo utilizado (en que viajar) Asignación: decisión de la ruta o itinerario del viaje (por donde ir)

Modelo de cuatro etapas Elementos de la Modelización: 1- Red Vial 2- Red de Transporte 3- Zonificación Modelo de cuatro etapas Generación Distribución Partición Modal Asignación

Construcción del modelo(1) Infraestructura informacional: Información de Población Información de Actividades Información de Transporte

Construcción del modelo(3) Procesamiento inicial: Georreferenciación de encuestas Determinación de las zonas de origen y destino, producción, atracción y generación. Expansión de encuestas Expansión directa Expansión sociodemográfica Expansión socioeconómica

Marco teórico(2) Generación: decisión de realizar un viaje por un motivo determinado (viajar o no viajar).

Construcción del modelo(4) Modelo de generación(1): Metodología: Regresión lineal simple y múltiple de la producción y atracción de viajes en función de variables censales: Población Hogares Variables socioeconómicas y demográficas Estimación de un modelo simple operativo (hogares, locales) Estimación de un modelo minimal con todas las variables significativas estadísticamente (por motivo)

Construcción del modelo(5) Modelo de generación(2) El modelo utilizado para las estimaciones futuras tiene que basarse en variables proyectables, como población y hogares. El modelo mas detallado es mas preciso, pero se basa en variables no disponibles salvo en un nuevo censo. Hay otras aproximaciones, como el análisis por categorías y el análisis de clasificación múltiple, que se ensayarán para completar el ejercicio, pero presentan problemas para la prospectiva.

Construcción del modelo(6) Modelo de generación(3) El resultado del modelo de generación son los vectores de producción y atracción de viajes por motivo, que ajustan los resultados de la expansión de la encuesta. Los vectores de producción y atracción se constituyen en datos de entrada del modelo de distribución.

Punto de partida: Matriz Producción Atracción de viajes Encuesta Etapa 1: Generación de viajes   Punto de partida: Matriz Producción Atracción de viajes Encuesta

Etapa 1: Producción de viajes  

Etapa 1: Producción de viajes  

Etapa 1: Producción de viajes  

Etapa 1: Producción de viajes  

Etapa 1: Atracción de viajes  

Etapa 1: Atracción de viajes  

Etapa 1: Atracción de viajes  

Etapa 1: Atracción de viajes  

lm(formula = Ptrabajox ~ HOG2008 - 1) Residuals: Min 1Q Median 3Q Max -6108.8 -1484.4 -230.7 952.8 12912.8 Coefficients: Estimate Std. Error t value Pr(>|t|) HOG2008 1.86526 0.04599 40.56 <2e-16 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 3001 on 49 degrees of freedom Multiple R-Squared: 0.9711, Adjusted R-squared: 0.9705 F-statistic: 1645 on 1 and 49 DF, p-value: < 2.2e-16

lm(formula = Pestudiox ~ HOG2008 - 1) Residuals: Min 1Q Median 3Q Max -4775.2 -725.3 355.3 1170.7 4887.2 Coefficients: Estimate Std. Error t value Pr(>|t|) HOG2008 1.19893 0.02855 42 <2e-16 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 1862 on 49 degrees of freedom Multiple R-Squared: 0.973, Adjusted R-squared: 0.9724 F-statistic: 1764 on 1 and 49 DF, p-value: < 2.2e-16

lm(formula = Potrosx ~ HOG2008 - 1) Residuals: Min 1Q Median 3Q Max -10025 -1261 428 2292 9274 Coefficients: Estimate Std. Error t value Pr(>|t|) HOG2008 1.29048 0.05209 24.78 <2e-16 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 3398 on 49 degrees of freedom Multiple R-Squared: 0.9261, Adjusted R-squared: 0.9246 F-statistic: 613.9 on 1 and 49 DF, p-value: < 2.2e-16

lm(formula = aEstudiox ~ loccomnomin + locserv + locpub - 1) Residuals: Min 1Q Median 3Q Max -9795.0 -1878.2 -76.1 1767.5 21549.4 Coefficients: Estimate Std. Error t value Pr(>|t|) loccomnomin 25.448 8.875 2.867 0.00618 ** locserv 12.632 2.599 4.860 1.35e-05 *** locpub 599.621 197.866 3.030 0.00396 ** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 5783 on 47 degrees of freedom Multiple R-Squared: 0.8198, Adjusted R-squared: 0.8083 F-statistic: 71.27 on 3 and 47 DF, p-value: < 2.2e-16

lm(formula = aOtrosx ~ locserv + Sinprivacion - 1) Residuals: Min 1Q Median 3Q Max -6254.8 -1043.4 484.8 2068.2 9170.1 Coefficients: Estimate Std. Error t value Pr(>|t|) locserv 20.2421 1.2027 16.831 < 2e-16 *** Sinprivacion 1.0073 0.1158 8.702 1.96e-11 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 3040 on 48 degrees of freedom Multiple R-Squared: 0.9648, Adjusted R-squared: 0.9634 F-statistic: 658.5 on 2 and 48 DF, p-value: < 2.2e-16

lm(formula = A.Compras ~ loccommin - 1) Residuals: Min 1Q Median 3Q Max -2496.4 -1009.4 -174.0 369.1 8903.7 Coefficients: Estimate Std. Error t value Pr(>|t|) loccommin 6.1360 0.4584 13.38 <2e-16 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 1664 on 49 degrees of freedom Multiple R-Squared: 0.7852, Adjusted R-squared: 0.7808 F-statistic: 179.1 on 1 and 49 DF, p-value: < 2.2e-16

Marco teórico(4) Distribución: decisión del destino del viaje (a donde viajar)

Construcción del modelo(7) Modelo de distribución(1) Metodología: modelo gravitacional/de maximización de entropía Requiere la selección de un parámetro de impedancia que represente la desutilidad del viaje, que puede estimarse como tiempo, distancia, tarifa, o costo generalizado, en forma de matriz. Es necesario definir un factor de fricción, que es función de la impedancia, que puede ser exponencial, potencial inversa, función Gamma combinada, o una tabla de factores de fricción discreta.

Construcción del modelo(8) Modelo de distribución(2) El modelo también puede utilizar una matriz de factores K, para mejorar el ajuste del modelo. Su producto son las matrices de producción/atracción y origen/destino, totales y discriminadas por motivo de viaje Su resultado se valida según la precisión con que reproduce la distribución de distancias de viaje observadas.

Etapa 2: Distribución de viajes  

Etapa 2: Distribución de viajes  

Distribución de viajes Etapa 2: Distribución de viajes  

Distribución de viajes Etapa 2: Distribución de viajes  

Líneas de deseo del Transporte Público Etapa 2: Distribución de viajes   Líneas de deseo del Transporte Público

Líneas de deseo del Automóvil Particular Etapa 2: Distribución de viajes   Líneas de deseo del Automóvil Particular

Líneas de deseo de los autos de alquiler Etapa 2: Distribución de viajes   Líneas de deseo de los autos de alquiler

Líneas de deseo de las motocicletas Etapa 2: Distribución de viajes   Líneas de deseo de las motocicletas

Marco teórico(4) Partición modal: decisión del modo utilizado (en que viajar), dado el motivo y el destino del viaje.

Construcción del modelo(9) Modelo de partición modal(1) Metodología: estimación de un modelo multinomial logit (MNL) que estima la probabilidad de elegir una alternativa modal, entre el conjunto de alternativas disponibles, según la percepción de la desutilidad de cada una. Esta desutilidad se estima en función de las características de la población y los atributos de las alternativas disponibles, y requiere identificar variables explicativas y significancia estadística.

Construcción del modelo (10) Modelo de partición modal(2) En el caso de un nuevo modo, es necesario evaluar aspectos de la percepción del usuario, ya que la información disponible solo permite la evaluación de esta alternativa en función de sus parámetros observables, como tiempos y tarifas, y no incorpora elementos de confort, seguridad, puntualidad, impacto visual, etc. Para estimar estos aspectos se puede tomar de partida información de casos similares, y ajustarse mediante la realización de una encuesta de preferencias declaradas.

Construcción del modelo(11) Modelo de partición modal(3) El resultado de este modelo es la discriminación de matrices por modo. En el caso mas general, pueden derivarse a partir de la matriz de viajes totales. Se puede realizar en forma detallada, modelizando en forma independiente cada motivo de viaje, y derivando las matrices por modo de cada una de las matrices por motivo.

Partición modal de la muestra O-D 2008 Etapa 3: Partición Modal de los viajes   Partición modal de la muestra O-D 2008 Modo % viajes Colectivo 29,53 7.071 Trolebús 0,96 229 Auto conductor 19,40 4.646 Auto acompañante 10,09 2.417 Taxis 2,79 667 Remisses 1,00 240 Charter 0,22 52 Bus empresa 0,65 156 Bus escolar 0,92 220 Moto 6,05 1.449 Ciclomotor 0,48 115 Bicicleta 8,19 1.960 A pie 19,30 4.621 Camión 0,12 28 Ómnibus larga dist. 0,01 3 Otros 0,29 70 Totales 100,00 23.944

Partición Modal muestra expandida 2008 (modos agrupados) Etapa 3: Partición Modal de los viajes   Partición Modal muestra expandida 2008 (modos agrupados) Modo Viajes % Automóvil 555.051 29,34% TUP 592.635 31,32 Taxi 54.385 2,87% Remis 17.785 0,94% Moto 119.440 6,31% Bicicleta 144.578 7,64% A pie 366.168 19,35% Charter 4.340 0,23% Bus Emp. 11.844 0,63% Otros 25.860 1,37% TOTAL 1.892.086 100,00%

Marco teórico(5) Asignación: decisión de la ruta o itinerario del viaje (por donde ir)

Construcción del modelo(12) Modelos de asignación(1) Metodología: las matrices OD resultantes del modelo de partición modal, se convierten en flujos que se asignan a la red en base a las características topológicas y operativas del grafo que representa la red vial y de transporte, distribuyéndose sobre conjuntos de caminos minimales entre cada par OD, bajo restricciones de tipo, velocidad y capacidad de los enlaces, según diferentes algoritmos.

Construcción del modelo(13) Modelos de asignación(2) En Transcad, la asignación de viajes de recorridos libres (traffic) y de recorridos fijos (transit) se realiza en forma separada. Es posible representar la interacción entre ambas precargando la red con los flujos de la otra

Construcción del modelo (14) Modelos de asignación(3) De equilibrio: Traffic: UE Equilibrio de usuario SUE Equilibrio estocástico de usuario SO Optimo del sistema MMA Multi Modal Multi Class Transit: Pathfinder

A.1. Asignación de viajes de Transporte Público Etapa 4: Asignación de viajes A.1. Asignación de viajes de Transporte Público     Viajes TUP  

A.3. Análisis de resultados

A.3. Análisis de resultados

A.3. Análisis de resultados

A.3. Análisis de resultados

Viajes TUP micro centro de Rosario A.3. Análisis de resultados Viajes TUP micro centro de Rosario  

Viajes TUP micro centro de Rosario A.3. Análisis de resultados Viajes TUP micro centro de Rosario  

A.3. Análisis de resultados

A.3. Análisis de resultados

B.1. Asignación de viajes en automóvil Etapa 4: Asignación de viajes B.1. Asignación de viajes en automóvil     Viajes Automóvil

B.2. Análisis de resultados datos observados TMDA y conteos estaciones permanentes

B.2. Análisis de resultados    

B.2. Análisis de resultados    

Notas: Modelos combinados de distribución, partición modal y asignación Modelos integrados de asignación multimodal Modelos integrados de transporte, localización de actividades y uso del suelo Limitaciones de los modelos clásicos de 4 etapas.

Muchas gracias