Modelling Transport

MODELOS DE TRANSPORTE
Juan de Dios Ortzar y Luis G. Willumsen

Traduccin de ngel Ibeas Portilla y Luigi dellOlio
Esta edicin es propiedad de PUBLICAN - EDICIONES DE LA UNIVERSIDAD DE CANTABRIA, cualquier
forma de reproduccin, distribucin, comunicacin pblica o transformacin slo puede ser
realizada con la autorizacin de sus titulares, salvo excepcin prevista por la ley. Dirjase a
CEDRO (Centro Espaol de Derechos Reprogrficos, www.cedro.org) si necesita fotocopiar o
escanear algn fragmento de esta obra.
Coordinacin de la edicin espaola a cargo de ngel Ibeas Portilla y Luigi dellOlio
Consejo Editorial de PUbliCan - Ediciones de la Universidad de Cantabria
Presidente: Gonzalo Capelln de Miguel
rea de Ciencias Biomdicas: Jess Gonzlez Macas
rea de Ciencias Experimentales: M. Teresa Barriuso Prez
rea de Ciencias Humanas: Fidel ngel Gmez Ochoa
rea de Ingeniera: Luis Villegas Cabredo
rea de Ciencias Sociales: Concepcin Lpez Fernndez y Juan Bar Pazos
PUbliCan - Ediciones de la Universidad de Cantabria
Avda. de los Castros, s/n. 39005 Santander
Tel.: 942 201 087 - Fax: 942 201 290
ISBN: 978-84-8102-512-5
D.L.: M-29.991-2008
Impreso en Espaa
Imprenta PEDRO CID, S.A., 2008
Ortzar, Juan de Dios.
Modelos de transporte / Juan de Dios Ortzar, Luis G. Willumsen ; traduccin
de ngel Ibeas Portilla, Luigi DellOlio. -- Santander : PUbliCan, Ediciones de la
Universidad de Cantabria, 2008.
-- (Traducciones Universidad de Cantabria; 3)
En la port.: Consorcio Transportes Madrid.
ISBN 978-84-8102-512-5
Transporte-- Modelos Matemticos
Willumsen, Luis G.
Ibeas Portilla, ngel.
DellOlio, Luigi.
656:519.87
591.87:656
ndice
Prlogo a la edicin inglesa ........................................................................ 11
Prlogo a la edicin en castellano ............................................................... 17
1. Introduccin ........................................................................................ 21
1.1. Planificacin y modelizacin del sistema de transportes ....... 21
1.2. Problemtica del transporte ..................................................... 25
1.3. Modelos y proceso decisional .................................................. 36
1.4. Tpicos en modelizacin del transporte .................................. 43
1.5. Estructura del modelo clsico de transporte .......................... 55
1.6. Planificacin continua del transporte ..................................... 59
1.7. Sobre la teora versus la prctica ........................................... 64
2. Prerrequisitos matemticos ................................................................. 69
2.1. Introduccin .............................................................................. 69
2.2. lgebra y funciones .................................................................. 70
2.3. lgebra matricial ...................................................................... 77
2.4. Elementos de clculo ............................................................... 80
2.5. Estadstica matemtica elemental ............................................ 91
3. Datos y rol del espacio ........................................................................ 97
3.1. Teora bsica de muestreo ....................................................... 97
3.2. Errores en la modelizacin y en la prediccin ....................... 112
3.3. Mtodos de recoleccin de datos ............................................ 122
3.4. Redes y sistemas de zonificacin ............................................. 180
Ejercicios ............................................................................................. 189
4. Modelos de generacin de viajes ........................................................ 193
4.1. Introduccin .............................................................................. 194
4.2. Anlisis de regresin ................................................................ 201
4.3. Anlisis por categora o cross-classification ........................... 219
Del indice se ha suprimido el
indice de tablas y de figuras.
Puede valer, PERO DEBE
INCLUIRSE LOS sub-
epigrafes con TRES DIGITOS
Pag 407 el ttulo es incorrecto. Falta
una "o"
ndice
8
4.4. Previsin de variables en el anlisis de generacin de viajes .. 236
4.5. Estabilidad y actualizacin de los parmetros de generacin
de viajes .................................................................................... 239
Ejercicios ............................................................................................. 244
5. Modelos de distribucin zonal ............................................................ 249
5.1. Definiciones y notaciones ........................................................ 250
5.2. Mtodos de factor de crecimiento ........................................... 254
5.3. Modelos sintticos o gravitacionales ....................................... 259
5.4. Maximizacin de la entropa ................................................... 264
5.5. Calibracin de modelos gravitacionales ................................. 274
5.6. Enfoque tri-proporcional .......................................................... 277
5.7. Otros modelos sintticos .......................................................... 285
5.8. Consideraciones prcticas ....................................................... 288
Ejercicios ............................................................................................. 297
6. Modelos de reparto modal ................................................................... 301
6.1. Introduccin .............................................................................. 301
6.2. Factores que influyen en la eleccin modal ........................... 302
6.3. Modelos de eleccin de destino y particin modal ................ 304
6.4. Modelos de distribucin y particin modal ............................ 305
6.5. Modelos sintticos .................................................................... 306
6.6. Modelos de demanda directa ................................................... 317
Ejercicios ............................................................................................. 323
7. Modelos de eleccin discreta .............................................................. 329
7.1. Consideraciones generales ....................................................... 330
7.2. Marco terico de referencia ..................................................... 334
7.3. Modelo logit multinomial (MNL) ............................................. 338
7.4. Modelo Logit Jerrquico (HL) ................................................. 342
7.5. Otros modelos y paradigmas de eleccin ............................... 352
Ejercicios ............................................................................................. 364
8. Especificacin y estimacin de modelos de eleccin discreta ............ 369
8.1. Introduccin .............................................................................. 369
8.2. Determinacin del conjunto de elecciones .............................. 371
8.3. Especificacin y forma funcional ............................................ 373
8.4. Estimacin estadstica .............................................................. 378
8.5. Mtodos de estimacin del MNP ............................................. 401
8.6. Estimacin del modelo logit mixto de componentes de error .. 407
,
8.7. Modelizacin con datos de preferencias declaradas .............. 409
Ejercicios ............................................................................................. 443
9. Agregacin de modelos y transferibilidad .......................................... 447
9.1. Introduccin .............................................................................. 447
9.2. Sesgos de agregacin y prognosis ........................................... 449
9.3. Mtodos de agregacin ............................................................ 451
9.4. Actualizacin o transferibilidad de modelos ........................... 454
Ejercicios ............................................................................................. 461
10. Asignacin .......................................................................................... 465
10.1. Conceptos bsicos .................................................................... 465
10.2. Mtodos de asignacin de trfico ........................................... 474
10.3. Asignacin todo o nada ........................................................... 481
10.4. Mtodos estocsticos ................................................................ 482
10.5. Asignacin con congestin ....................................................... 488
10.6. Asignacin al transporte pblico ............................................. 497
10.7. Consideraciones prcticas ....................................................... 507
Ejercicios ............................................................................................. 511
11. Equilibrio entre oferta y demanda ....................................................... 515
11.1. Introduccin .............................................................................. 515
11.2. El equilibrio .............................................................................. 516
11.3. Extensin de la asignacin de equilibrio ................................ 528
11.4. Equilibrio del sistema de transportes ...................................... 543
11.5. Eleccin del horario de partida y asignacin ........................ 557
Ejercicios ............................................................................................. 565
12. Modelos simplificados de demanda de transporte .............................. 569
12.1. Introduccin .............................................................................. 569
12.2. Mtodos simplificados de modelizacin .................................. 571
12.3. Modelos de demanda incremental ........................................... 573
12.4. Estimacin de modelos a partir de aforos de trfico ............. 577
12.5. Modelos marginales y de corredor .......................................... 604
12.6. Juegos de simulacin ................................................................ 610
Ejercicios ............................................................................................. 613
13. Otros tpicos de inters ....................................................................... 617
13.1. Modelos de demanda de mercancas ....................................... 617
13.2. Previsin de variables de planificacin .................................. 630
ndice
1o
13.3. Prediccin de la tasa de motorizacin .................................... 640
13.4. El valor del tiempo de viaje .................................................... 652
13.5. Valoracin de externalidades de transporte ............................ 664
Ejercicios ............................................................................................. 673
Bibliografa ................................................................................................. 675
Prlogo a la edicin inglesa
E
ste libro es el resultado de ms de 20 aos de colaboracin, a veces a
distancia y otras trabajando conjuntamente en Gran Bretaa y en Chile.
A lo largo de estos aos hemos discutido muchas veces lo que consi-
derbamos puntos fuertes y dbiles de la modelizacin del transporte y
la planificacin en el sector. Hemos especulado, investigado y probado en la
prctica algunas ideas nuevas y otras no tan novedosas, coincidiendo a veces y
tambin discrepando tanto sobre temas como sobre el nivel de detalle requerido
en la modelizacin o sobre el valor de los modelos desagregados al efectuar
previsiones de demanda; aprovechando un perodo en el que nuestras visiones
convergieron, las plasmamos en este texto.
Deseamos presentar lo que consideramos, desde nuestra perspectiva, las
tcnicas ms importantes de modelizacin de transporte de forma accesible
tanto a estudiantes como a profesionales del sector en sus diferentes mbitos.
Esto lo intentamos haciendo especial hincapi en ciertos temas clave de la
modelizacin y planificacin de sistemas de transporte contempornea:
La importancia prctica de la consistencia terica en la modelizacin del
transporte.
El tema de los errores en los datos y en la especificacin de los modelos, su
importancia relativa y los mtodos para tratarlos.
El papel fundamental del contexto en que se toman las decisiones en la
eleccin de las herramientas de modelizacin ms apropiadas.
Las ventajas de una modelizacin flexible: un modelo marco simplificado
unido a uno mucho ms detallado que permita tratar las decisiones que se
deben tomar.
La importancia de una funcin de seguimiento dependiente de un sistema
de recoleccin continua de datos as como de la actualizacin de previsio-
nes y modelos, para conformar modelos de respuesta rpida que puedan ser
adaptados a un entorno cambiante.
1:
Hemos afrontado estos temas desde el punto de vista de un ejercicio de
modelizacin, discutiendo el papel de la teora, los datos, la especificacin
del modelo en su sentido ms amplio y la estimacin, validacin y capacidad
predictiva de los modelos. Nuestro objetivo al escribir este libro fue producir
tanto un texto para un curso de licenciatura o mster en transporte, como un
volumen de referencia para los profesionales del sector; no obstante, las mate-
rias se presentan de forma que tambin sean tiles para cursos de ingeniera
civil, geografa y urbanismo. El libro se basa en nuestros apuntes de clase que
fueron preparados y mejorados a lo largo de varios aos de docencia de pre
y postgrado; adems los hemos utilizado para adiestrar a profesionales tanto
a travs de programas de prctica internos como de cursos cortos de actua-
lizacin. Finalmente, los hemos ampliado y mejorado para cubrir material
adicional y ayudar a los lectores a abordar el libro sin el apoyo expreso de un
supervisor.
Los Captulos del 3 al 9, 12 y 13 proporcionan todos los elementos nece-
sarios para impartir un curso de unas 30 sesiones sobre modelizacin de la
demanda de transporte. De hecho, hemos impartido cursos de esta naturaleza,
con diferente nfasis en determinados temas, a nivel de pregrado en Chile y a
nivel de postgrado en Gran Bretaa, Portugal, Colombia y Espaa. Si se aade
material de los Captulos 10 y 11 se puede conformar un curso completo sobre
modelizacin de sistemas de transporte. Los Captulos del 4 al 6 y del 10 al 12
constituyen el ncleo bsico para un curso sobre modelos de equilibrio en
transporte; cabe resear que un curso sobre modelizacin de la oferta requeri-
ra ms material, en particular aquel relacionado con importantes aspectos de
la oferta de transporte colectivo, que no se discuten con suficiente detalle. El
Captulo 1 proporciona una introduccin a temas de planificacin de transporte
y esboza nuestra visin sobre la relacin entre planificacin y modelizacin.
El Captulo 2 est ah principalmente para el beneficio de aquellos que deseen
refrescar sus conocimientos analticos y hacer que el texto sea lo suficiente-
mente auto-contenido.
Durante nuestra vida profesional hemos tenido la suerte de poder combinar
enseanza, investigacin y consultora profesional. As, hemos aprendido de
publicaciones cientficas, investigaciones, experimentacin y de nuestros erro-
res; felizmente estos ltimos no han sido demasiado costosos en trminos de
asesora inadecuada. Esto no es slo una cuestin de suerte; un analista que
se precie, paga por los errores cometidos trabajando ms duro y por mayor
tiempo, a fin de definir formas alternativas para resolver una tarea de mo-
1
delizacin dificultosa. Hemos aprendido la importancia de elegir tcnicas y
tecnologas apropiadas para cada tipo de problema; la capacidad de adaptar
enfoques de modelizacin a problemas de toma de decisiones es una habilidad
clave de nuestra profesin. A travs del libro se examinan las restricciones
prcticas de los modelos de transporte en planificacin, particularmente en
vista de las limitaciones de las actuales tcnicas analticas, y de la naturaleza
y calidad de los datos tpicamente disponibles.
Hemos evitado el detalle matemtico intrincado de cada modelo para con-
centrarnos, por el contrario, en sus principios bsicos, la identificacin de sus
fortalezas y limitaciones y una discusin sobre su uso. El nivel terico ofrecido
por este libro es, en nuestra opinin, suficiente para seleccionar y utilizar los
diferentes modelos en la prctica. Tambin hemos intentado acortar la brecha
existente entre las publicaciones ms tericas y los libros ms pragmticos
(tipo recetario); no creemos que la profesin pueda ser bien servida por un libro
simplista del tipo Consejos para que proporcione un facsmile para cada
problema de modelizacin. No existen soluciones nicas en modelizacin y
planificacin de transporte. La dependencia de la modelizacin del contexto
y la teora es un tema recurrente en este libro. Nuestro objetivo es proporcionar
suficiente informacin y gua para que los lectores puedan comprender y aplicar
realmente cada tcnica en terreno; bajo esta perspectiva, nos hemos esforza-
do en analizar los aspectos prcticos relacionados con la aplicacin de cada
metodologa. En todos los casos en los que el rea de estudio an est sujeta
a desarrollo, hemos incidido en presentar extensas referencias bibliogrficas a
artculos cientficos y libros que el lector interesado puede consultar si le parece
necesario. Asimismo, en relacin con los enfoques de modelizacin ms conso-
lidados, hemos mantenido solamente las referencias esenciales para comprender
la evolucin de los temas, o que sirvan como punto de partida para desarrollar
nuevas investigaciones.
Consideramos que no se puede aspirar a ser un profesional cualificado, en
cualquier rea, sin hacer trabajo real en un laboratorio o en terreno. Por ello,
hemos ido ms all de la mera descripcin de las tcnicas, acompandolas
de varios ejemplos de aplicacin. stos sirven para ilustrar algunos de los pro-
blemas tericos o prcticos relacionados con cada modelo en particular. Fi-
nalmente proporcionamos algunos ejercicios al final de los captulos clave:
stos pueden resolverse con el apoyo de calculadoras cientficas de bolsillo (o
incluso mejor, con una hoja de clculo) y deberan ayudar a comprender mejor
los modelos analizados.
1
Aunque el libro es ambicioso, ya que abarca un nmero relativamente
elevado de temas, debemos aclarar desde el principio que no intentamos (ni
consideramos posible) estar totalmente actualizados en cada tema tratado. Si
bien constituye una buena reflexin sobre el estado del arte, para investiga-
ciones de punta el lector debera utilizar las referencias bibliogrficas que se
han incluido como avisos para futuras investigaciones.
Gran parte de la primera edicin de este libro se escribi durante el ao sa-
btico de uno de nosotros en University College London en el curso 1988-1989.
Ello fue posible gracias al apoyo proporcionado por el UK Science and Engi-
neering Research Council, The Royal Society, la Fundacin Andes (Chile), el
Consejo Britnico y The Chartered Institute of Transport. Damos las gracias
por dicho apoyo, as como agradecemos tambin la financiacin proveniente
de muchas instituciones y agencias en los ltimos veinte aos para nuestras
investigaciones.
Aunque ambos autores hemos hecho la misma contribucin intelectual al
contenido del libro, a la hora de redactar y recopilar el variado material que
lo compone nos hemos beneficiado de numerosas discusiones e intercambio
de ideas con amigos y colegas. Richard Allsop nos ense mucho acerca de
metodologa y rigor. Las ideas de Huw Williamss estn detrs de muchas
de las contribuciones tericas del Captulo 7. Andrew Daly y Hugh Gunn nos
ayudaron a aclarar muchos temas de los Captulos 3, 7 y 8. El nfasis de Dirck
Van Vliet en explicar la asignacin y el equilibrio en trminos simples pero
rigurosos inspir los Captulos 10 y 11. Tony Fowkes nos proporcion valiosos
comentarios sobre previsin de la tasa de motorizacin y sobre mtodos de pre-
ferencias declaradas. Jim Steer aport una referencia constante a los problemas
prcticos y a la necesidad de desarrollar mejores enfoques para abordarlos.
Muchas partes del libro se han beneficiado del libre y entusiasta intercam-
bio de ideas con nuestros colegas J. Enrique Fernndez y Joaqun de Cea, de
la Pontificia Universidad Catlica de Chile; Sergio Jara y Jaime Gibson, de la
Universidad de Chile; Marc Gaudry, de la Universidad de Montreal; Roger
Mackett, del Univesity College London; Dennis Gilbert, del Imperial College
y Mike Bell, de la Universidad de Newcastle upon Tyne. Por supuesto, muchos
otros colegas han contribuido, sin saberlo, a nuestras reflexiones.
Por otro lado, las sucesivas ediciones de este libro se han beneficiado de los
comentarios de un gran nmero de amigos y lectores que nos han ayudado a
identificar errores y reas de mejora. Entre ellos habra que mencionar a Patrick
Bonnel, del French Laboratoire dEconomie des Transports; Michael Florian,
1
de la Universidad de Montreal; Rodrigo Garrido, de la Pontificia Universi-
dad Catlica de Chile; Ben Heydecker, del University College London; Frank
Koppelman, de la Northwestern University; Maritte Kraan, de la University
of Twente; Marcela Munizaga, de la Universidad de Chile; Piotr Olszewski,
de la Nanyang Technological University, y Sofa Athanassiou, Neil Chadwick
y David Pearmain, de Steer Davies Gleave.
Nuestro agradecimiento final va dirigido a todos nuestros estudiantes en
Gran Bretaa, Chile, Colombia, Portugal y Espaa. Ellos son siempre agu-
dos crticos y nos han estimulado a invertir nuestro tiempo de forma prove-
chosa.
No todas las sugerencias que se nos han hecho han sido tenidas en cuenta,
por cuanto algunas de ellas habran significado modificar el enfoque y estilo
del texto; pensamos que otros libros, en el futuro, continuarn aclarando ciertos
temas y proporcionarn un mayor rigor a muchos de los temas aqu tratados. El
transporte es realmente una problemtica muy dinmica. Finalmente, a pesar de
todo este apoyo generoso, nos consideramos como antes los nicos respon-
sables de los errores que puedan subsistir en esta tercera edicin. Valoramos,
genuinamente, la oportunidad de aprender de nuestros errores.
Prlogo a la edicin en castellano
ngel Ibeas Portilla y Luigi dellOlio
Profesores de Planificacin de Transporte y Transporte Urbano
Universidad de Cantabria, Santander (Espaa)
http://grupos.unican.es/gist/index.asp
L
a difusin internacional de Modelling Transport de Juan de Dios Ortzar
y Luis Willumsen ha alcanzado ya su tercera edicin, lo cual no hace ms
que confirmar el gran inters suscitado en el mbito del transporte por
esta obra, que constituye un pilar bsico y fundamental en la adquisicin,
aprendizaje y consulta del conocimiento en la materia.
Conscientes de que muchos estudiantes, acadmicos y profesionales del
transporte disponen de la versin original inglesa y recientemente de la ita-
liana, no es menos cierto que no existen demasiados textos en habla hispana
capaces de aglutinar el saber de la modelizacin del transporte. Por otra parte,
400 millones de personas en el mundo hispanohablante bien merecen la atencin
dispensada por el equipo traductor.
Para los profesores de transporte de la Universidad de Cantabria (Espa-
a) que han dirigido dicho equipo de traductores, la traduccin de Modelling
Transport ha constituido un reto y, sobre todo, una incitacin al conocimiento:
prcticamente todos los epgrafes proporcionan una apertura de horizontes del
saber que estimula no slo su lectura, sino tambin la curiosidad y el nimo de
acometer posteriores indagaciones en la literatura mundial al respecto. Por si no
bastara lo indicado, nos ha animado a acometerlas la confianza depositada por
los autores en este equipo traductor y el apoyo institucional de la Universidad
de Cantabria, una de las tres mejores de Espaa.
Los rpidos cambios que se estn produciendo en la sociedad interna-
cional, es decir, de mercados de oferta a mercados de demanda, del paso de
la sociedad industrial a la postindustrial, del trabajo individual al trabajo
en red, el salto hacia la sociedad del conocimiento y de sta a la globaliza-
cin, hacen plenamente vigentes los conocimientos recopilados en el Modelling
Transport.
Est claro que los resultados que la modelizacin matemtica aplicada
al transporte proporciona, no son la panacea universal ni deben considerarse
Prlogo a la edicin en castellano
18
como verdades absolutas. Ms bien, su carcter objetivo la convierte en una
herramienta potente e indispensable a la hora de tomar decisiones de planifi-
cacin. Por ello, en este libro se describen mtodos y criterios, as como las
tcnicas ms importantes y novedosas de dicha modelizacin, tanto a nivel
terico como su aplicacin prctica. El carcter fundamentalmente cientfico,
pedaggico y la estructura de la obra se concretan en cada captulo comple-
mentndose con una serie de ejercicios propuestos al final de cada uno de ellos.
stos resultan tiles para afianzar, por un lado, las tcnicas propuestas y, por
otro, para estimular la imaginacin del lector, que estar en condiciones de
proponer soluciones metodolgicas a las situaciones reales que se planteen. En
resumen, Modelling Transport proporciona una resea prcticamente nica y
exhaustivamente puesta al da, de las principales tcnicas de modelizacin del
sistema de transportes.
El texto de Ortzar y Willumsen tiene, adems, el importante mrito de
proponer formas de anlisis poco o nada practicadas en Espaa hasta la fecha.
ltimamente se detecta un mayor inters por estas tcnicas de apoyo para la
toma de decisiones en polticas de planificacin. Su flexibilidad empieza a
convencer a los polticos, quienes hasta ahora las consideraban encorsetado-
ras de sus decisiones. En ltimo trmino, la realidad es siempre la que marca
el camino y la que hace que problemas tan serios como la contaminacin, el
deterioro medioambiental o los accidentes requieran soluciones eficientes que
rara vez van a confiarse exclusivamente a la aplicacin de modelos mentales
insuficientemente justificados. Por ello precisamente gana terreno el recurso
a tcnicas matemticas aplicadas al sector del transporte, porque estn supo-
niendo una importante disminucin de los componentes de error en el mbito
de la planificacin.
Se ha emprendido la traduccin de Modelling Transport con entusiasmo
y deseos de seguir aprendiendo y divulgando, aunque en varias ocasiones no
han faltado dudas acerca de determinados subepgrafes de la versin original.
La traduccin que ofrecemos es la versin completa de la tercera edicin de
Modelling Transport que mantiene el justo equilibrio entre los elementos te-
ricos y las aplicaciones prcticas que caracteriza el texto y lo hace particular-
mente atractivo tanto para los iniciados como para los especialistas del sector.
Como se ha dicho, y en lo tocante al contenido, la obra proporciona indicacio-
nes claras para profundizar precisamente en los elementos tericos que estn en
la base de los modelos de transporte, as como para especular sobre interesantes
temas de investigacin de vanguardia.
1,
En cuanto a los aspectos formales de la traduccin realizada, se ha tratado
de alcanzar un justo compromiso entre la claridad del lenguaje y la fidelidad a
la versin original, adems del compromiso pragmtico de mantener algunos
trminos en ingls, en particular aquellos que, por nuestra experiencia en el
mbito del transporte, consideramos que son de uso comn en castellano.
En el convencimiento de que contar con una versin en castellano del libro
Modelling Transport representa una contribucin significativa para el mundo
de habla hispnica, el Grupo de Investigacin de Sistemas de Transporte de la
Universidad de Cantabria desea mostrar su agradecimiento, en primer lugar, a
los dos autores del libro, los profesores Juan de Dios Ortzar y Luis Willumsen,
por haber depositado su confianza en nuestro grupo confindonos la realizacin
de este trabajo y por las sucesivas revisiones de la traduccin realizada. En
segundo lugar, al Consorcio Regional de Transportes de Madrid, entidad siem-
pre preocu pada por el desarrollo del transporte en todas sus vertientes incluso
en la cientfica, como entidad patrocinadora. En tercer lugar, al investigador
y asiduo colaborador del Grupo de Investigacin de Sistemas de Transporte
de la Universidad de Cantabria, D. Felipe A. Gonzlez Rojas, ingeniero civil
por la Pontificia Universidad Catlica de Chile, que ha revisado la traduccin
de todos los conceptos matemticos de los modelos del libro; a la investigadora
Aida Inguanzo, tambin de la Universidad de Cantabria, por su apoyo en la
revisin ortogrfica y gramatical; a Jos Luis Moura por los desbroces inicia-
les para los captulos 5, 12 y 13; al Ingeniero de Caminos, Canales y Puertos
Antonio Garca Pastor, de Steer Davies Gleave Espaa, por su interesante
aportacin en la traduccin de los Captulos 3, 8 y sobre todo del 12; a Cris
Aol, gegrafo, tambin por sus desbroces iniciales en los Captulos 1, 8 y 13.
Adems debemos mucho a la versin italiana Pianificazione Dei Sistema Di
Transporto, de Elisabetta Cherchi e Italo Meloni, que por la similitud de idioma
ha facilitado grandemente la comprensin de la versin inglesa. No queremos
dejar de agradecer, asimismo, la ayuda recibida de otras muchas personas que,
en mayor o menor medida, han intervenido en este intenso y muy interesante
trabajo a lo largo de su desarrollo. Por ltimo, queremos destacar nuestro
agradecimiento a la Universidad de Cantabria, que, de acuerdo con la editorial
Wiley, se encarga de la edicin y distribucin de esta edicin espaola.
1.
Introduccin
1.1. PLANIFICACIN Y MODELIZACIN DEL SISTEMA DE TRANSPORTES
1.1.1. Antecedentes
A
unque en las ltimas dcadas se han producido sustanciales cambios
en el devenir mundial a los que el transporte no ha sido en absoluto
ajeno, muchos de sus problemas no slo han persistido del pasado sino
que incluso se han incrementado. Situaciones como la congestin, la
contaminacin, los accidentes, el dficit financiero de las empresas municipales
de transporte pblico siguen siendo hoy en da problemas tan o ms importan-
tes que en el pasado, apareciendo como nuevos retos a resolver en un entorno
de movilidad sostenible. No obstante, ltimamente ha sido posible aprender
bastante de un perodo de escasa planificacin, limitada inversin, nfasis en
el corto plazo y en general, falta de confianza en la modelizacin y toma de
decisin estratgica tanto en pases en desarrollo como en muchos pases in-
dustrializados. Se ha aprendido, por ejemplo, que los problemas bsicos recin
mencionados no desaparecen simplemente con la aplicacin de mejores tcnicas
de gestin del trfico; de hecho, estos problemas clsicos tienden a reaparecer
con mayor virulencia difundindose en reas ms amplias y adoptando nuevas
formas an ms difciles y complejas de manejar.
En estos momentos, el mundo desarrollado est pasando por una fase de
mayor confianza en las soluciones tcnicas que en dcadas anteriores. No es
una confianza ciega en la tecnologa como proveedora de soluciones mgicas
para los problemas sociales y econmicos; tambin hemos aprendido que stas
no son ms que un mero espejismo. Sin embargo, la electrnica y la informtica
han avanzado tanto que posibilitan nuevas concepciones de infraestructura del
transporte (p. ej., sistemas guiados automticos) y de los sistemas de movimien-
to (p. ej., sistemas de navegacin vial y trenes completamente automatizados).
Introduccin
::
De inters especial son los avances logrados en las ltimas dcadas en la infor-
mtica a bajo coste, tanto en el software como sobre todo en el hardware, lo cual
ha posibilitado la eliminacin de los cuellos de botella clsicos en el trata-
miento masivo de datos. De hecho, las principales limitaciones van ahora por el
lado humano y tcnico: la planificacin de transporte contemporneo requiere
de profesionales muy bien cualificados as como de tcnicas de modelizacin
tericamente slidas con implementaciones computacionales eficientes y que
faciliten su interpretacin.
Asimismo, la mayora de los pases en desarrollo tambin sufren problemas
graves de congestin y contaminacin urbana en particular y de transporte en
general. Dichos problemas no son ya slo la falta de conexiones entre reas
rurales y los correspondientes mercados sino que tambin padecen los tpicos
problemas del mundo industrializado. Desgraciadamente, los pases en de-
sarrollo tienen caractersticas diferentes que demandan tratamientos tambin
distintos: ingresos bajos, crecimiento rpido, alta demanda en el transporte
pblico, escasez de recursos, datos fiables y de personal cualificado.
Los comienzos del siglo XXI vienen caracterizados por dos importantes
hechos conceptuales que afectan a multitud de aspectos vitales y, por tanto,
al progreso socio-econmico. En primer lugar, el concepto de globalizacin,
as como la potenciacin de la sociedad del conocimiento y, en segundo lu-
gar, y como soporte a ella, el fuerte desarrollo de las telecomunicaciones baratas
y de alta capacidad. La combinacin de ambas consigue la correspondiente
integracin en redes ms amplias cambiando la forma en que se abordan
muchos de los problemas actuales. Evidentemente, el mundo del transporte,
no puede ser ajeno a dichas transformaciones. Algunas de estas influencias
son: i) las variaciones sustanciales en las asignaciones de trficos a las redes
de transporte gracias a la agilidad que supone la rpida tramitacin de instruc-
ciones a travs del mundo de Internet, una ventaja competitiva empresarial
nada despreciable en las economas modernas; ii) la decisiva implicacin del
sector privado en el suministro y la operacin del transporte hasta ahora en
determinados mbitos en manos del poder pblico; iii) el papel tambin de-
cisivo de las telecomunicaciones en la posibilidad de reducir la necesidad de
viajar al poder, por ejemplo, tener reuniones no presenciales, sobre todo en
transacciones internacionales.
En cuanto se refiere a transporte, puede afirmarse que en el ltimo tercio
del siglo pasado se produjeron importantes avances tcnicos en la modelizacin,
especialmente en los principales centros de investigacin; estos desarrollos
:
han ido perfeccionndose e implementndose por grupos selectos de expertos,
aunque muchas de esas innovaciones no han tenido demasiado alcance fuera de
los mbitos acadmicos. Por lo tanto, despus de estos aos de experimentacin
comienza a observarse una mayor comprensin del papel que pueden cumplir
los modelos de transporte a la hora de tomar decisiones en la planificacin y
es por lo que en este libro se intenta revisar lo ms importante de la prctica
actual en la modelizacin del transporte. En la mayora de los casos se abordan
los aspectos ms avanzados seleccionando aquellos que ya han sido imple-
mentados con xito en la prctica. Asimismo este libro no representa tanto la
vanguardia de la investigacin en la modelizacin, pero s intenta proporcionar
herramientas fundamentales para quienes desean mejorar el conocimiento so-
bre la modelizacin y su repercusin en la planificacin del transporte. Puede
afirmarse, por tanto, que esta obra trata de tender un puente o ser un punto de
partida hacia trabajos ms tericos que, sin duda, conformarn la base de la
modelizacin del transporte en el prximo futuro.
Ha de quedar claro entonces que la modelizacin del transporte no es la
planificacin del transporte sino una herramienta para la toma de decisiones
en dicha actividad, a pesar de que en determinadas ocasiones puede adquirir
un papel preponderante aunque no definitivo. Se conocen muchos y buenos
profesionales que han desarrollado modelos de transporte suficientemente so-
fisticados pero que, sin embargo, han visto frustrado su trabajo por su falta de
consideracin a la hora de la toma de decisiones en planificacin. La realidad
es que la modelizacin ha de ser considerada como una herramienta de apoyo
para la toma de decisiones y no como el objetivo principal de dicha planifica-
cin. Esta filosofa sustenta este trabajo.
1.1.2. Los modelos y su papel
Un modelo es, esencialmente, una representacin simplificada de la realidad:
el sistema de inters. Es una abstraccin que se utiliza para lograr mayor cla-
ridad conceptual acerca de la realidad, reduciendo su variedad y complejidad
a niveles que permitan comprenderla y especificarla de forma adecuada para
su anlisis. Normalmente en un modelo se expresan de forma simplificada las
caractersticas ms relevantes (para el caso estudiado) de un cierto fenmeno
o situacin real. Una definicin tan amplia permite diferenciar los modelos
fsicos de los abstractos. Por ejemplo, en la primera categora estn aquellos
modelos tales como maquetas arquitectnicas, tneles de viento o modelos en
Introduccin
:
canales, oleaje y presas en ingeniera hidrulica o modelos de regeneracin de
playas o de diques portuarios, los cuales estn claramente limitados al aspecto
del diseo. En la segunda categora, la tipologa de modelos abarca desde los
modelos mentales, usualmente utilizados en nuestras interacciones diarias,
hasta las representaciones formales y abstractas (tpicamente analticas) de
alguna teora acerca del sistema de inters de que se trate y de cmo funciona
(modelos abstractos). Los modelos mentales juegan un papel importante en la
comprensin y la interpretacin del mundo real as como de los modelos ana-
lticos que se utilizan en la planificacin del transporte. Se mejoran mediante
discusiones, adquisicin de nuevo conocimiento y, sobre todo, experiencia; por
ese motivo son difciles de comunicar y validar.
Este libro trata principalmente una importante clase de modelos abstractos:
los modelos matemticos que intentan replicar el sistema de inters y su com-
portamiento por medio de ecuaciones matemticas basadas en ciertas hiptesis
tericas. Aunque no dejan de ser representaciones simplificadas, estos modelos
pueden ser muy complejos y frecuentemente requieren el uso de importan-
tes cantidades de datos. Los modelos, en todo caso, son un instrumento muy
valioso en cuanto a que suponen un mbito comn de discusin en polticas
de intervencin, permitiendo examinar, con un mnimo de objetividad, el in-
evitable compromiso que la experiencia requiere. Otra ventaja importante de
los modelos matemticos es que durante su formulacin, calibracin y uso, el
planificador puede aprender mucho, mediante la experimentacin, acerca del
comportamiento y funcionamiento interno del sistema en cuestin. De esta
forma, se pueden enriquecer los modelos mentales consiguiendo as una mejor
y ms inteligente organizacin y gestin del sistema de transporte.
Un modelo es solamente una representacin realista desde una perspectiva
particular de la realidad. Puede ser razonable usar un cuchillo y un tenedor
sobre una mesa para representar la posicin de unos coches antes de un cho-
que, pero no para representar sus sistemas mecnicos o su eleccin de ruta. Lo
mismo se puede decir acerca de los modelos analticos: su valor est limitado a
un conjunto de problemas que estn bajo ciertas condiciones especficas. Como
se discute en el resto de este captulo, un modelo slo es apropiado segn el
contexto donde se va a utilizar. La habilidad de elegir y adaptar los modelos
a contextos especficos es uno de los elementos ms importantes en el bagaje
total del planificador.
El objetivo de este libro es resaltar la contribucin que la modelizacin
del transporte puede proporcionar a la mejora de las decisiones en el campo
:
del transporte, sosteniendo no slo que el uso de los modelos es inevitable sino
que el uso de modelos formales es altamente deseable.
Como se mencion anteriormente, la modelizacin del transporte es so-
lamente una parte de la planificacin. Los procedimientos administrativos, el
marco institucional, profesionales expertos y con buen nivel de comunicacin
con quienes toman las decisiones, con los medios de comunicacin y con el
pblico, son los otros elementos que un sistema de planificacin eficaz debe
incluir. Por otro lado, la modelizacin del transporte y el proceso decisional
pueden ser combinados de diferente forma, en funcin de la experiencia local,
de sus tradiciones y competencias. Por tanto, antes de discutir cmo elegir un
modelo y una aproximacin a la planificacin, merece la pena definir algunas
de las caractersticas principales de los sistemas de transporte y de sus tpicos
asociados, as como ilustrar algunos problemas importantes que se presentan en
la modelizacin y de los cuales se dar cuenta en otros captulos de este libro.
1.2. PROBLEMTICA DEL TRANSPORTE
Los problemas asociados al transporte son ya ms globales y serios que nunca,
tanto en los pases industrializados como en los que estn en proceso de de-
sarrollo. La escasez de combustibles lquidos puede no ser un problema serio
en la actualidad. S lo son la congestin, el elevado consumo de tiempo, la
accidentalidad y los consecuentes problemas medioambientales y de calenta-
miento global y ms crticos hoy que nunca. Estos problemas no solamente se
limitan al trfico en las calles y/o carreteras o a los vehculos. El crecimiento
eco nmico parece haber generado una demanda tal que sobrepasa las capa-
cidades de la mayora de los sistemas de transporte. Asimismo, los largos
perodos de limitada inversin en algunos modos de transporte y regiones, han
dado como resultado que redes frgiles puedan colapsarse al menor incidente
o variacin en la demanda.
Probablemente estos problemas no van a desaparecer en un futuro prxi-
mo. Ha transcurrido tanto tiempo con poca o inadecuada planificacin en el
transporte que es seguro que har falta un esfuerzo importante para mejorar la
mayora de los diversos modos de transporte, tanto en las zonas urbanas como
interurbanas. Por lo tanto, dado que los recursos son limitados, dicho esfuerzo
ha de ser realizado meticulosamente mediante decisiones cuidadosas orientadas
hacia la maximizacin del beneficio de nuevos servicios de transporte, al mismo
tiempo que se minimizan sus costes y efectos colaterales no deseados.
Introduccin
:o
1.2.1. Caractersticas de la demanda de transporte
La demanda de servicios del transporte es altamente cualitativa y diferenciada.
Existe una amplia gama de demandas especficas de transporte que se dife-
rencian por hora del da, da de la semana, motivo del viaje, tipo de mercanca,
importancia de la velocidad y frecuencia, etctera.
Un servicio de transporte sin los atributos que permitan satisfacer es-
ta demanda diferenciada puede ser totalmente intil. Estas caractersticas
hacen ms difcil analizar y predecir la demanda por servicios de transporte:
las ton/km y los pasajeros/km son unidades de rendimiento extremadamente
gruesas que esconden una inmensa gama de requerimientos y servicios.
La demanda de transporte es una demanda derivada, es decir, no es un fin
en s misma. Con la posible excepcin del turismo, la gente viaja para satisfacer
ciertas necesidades en sus destinos (trabajo, salud, entretenimiento). Esto es
an ms cierto en el caso de las mercancas. Para comprender la demanda de
transporte es importante analizar cmo estn distribuidas en el espacio las
facilidades para satisfacer estas necesidades humanas e industriales, tanto en
contextos urbanos como regionales. Es evidente que un buen sistema de trans-
porte ampla las oportunidades para satisfacer dichas necesidades, as como un
sistema muy congestionado o mal conectado limita las opciones de movilidad
y, por tanto, el desarrollo econmico y social.
La demanda de transporte tiene lugar en relacin al espacio. Aunque parece
trivial, es la distribucin de las actividades en el espacio lo que provoca la de-
manda de transporte. Existen algunos problemas de transporte que se pueden
tratar, a un nivel muy agregado, sin considerar explcitamente el espacio. Sin
embargo, en la gran mayora de los casos, el tratamiento explcito del espacio
es inevitable y muy deseable. El enfoque ms usual para tratar el espacio con-
siste en dividir el rea de estudio en zonas y codificarlas, junto a las redes de
transporte, de una forma adecuada para su procesamiento y tratamiento con
la ayuda de paquetes computacionales especializados (software). En algunos
casos, el rea de estudio puede ser descrito simplificadamente, suponiendo que
las zonas de inters forman un corredor que puede ser representado mediante
un sistema lineal. En ambos casos existen diferentes mtodos para tratar la
distancia y/o distribuir orgenes y destinos (y sus atributos) en el espacio, los
cuales son elementos esenciales del anlisis de transporte.
La articulacin espacial de la demanda frecuentemente provoca problemas
de falta de coordinacin del sistema, la cual puede influir, de forma relevante,
:;
en el equilibrio entre oferta y demanda de transporte. Por ejemplo, un servicio
de taxis puede tener una fuerte demanda no satisfecha en una parte de la ciu-
dad, mientras en otras existen muchos taxis buscando clientes. Por otro lado, la
concentracin de poblacin y actividad econmica en corredores bien definidos
puede justificar un sistema de transporte masivo de alta capacidad que quizs
no sera defendible en reas geogrficas con menor densidad de actividades.
Finalmente, la oferta y demanda de transporte tienen elementos dinmicos
muy potentes. Una parte importante de la demanda de viajes de transporte se
concentra especialmente, durante unas pocas horas del da, en reas urbanas
coincidentemente con los momentos de mayor congestin de trfico (horas
punta). Esta caracterstica de variabilidad de la demanda en el tiempo hace
que su anlisis y clculo de previsiones sean ms difciles y a la vez tambin
ms interesantes de estudiar. Puede ser que un sistema de transporte funcione
adecuadamente para la demanda promedio de viajes pero que se colapse du-
rante la hora punta. Existen varias tcnicas para tratar de repartir la carga de
la hora punta de una red: flexibilizar los horarios de trabajo, partir la jornada
laboral, tarificacin por congestin, etc. Sin embargo, la variacin de demanda
entre las horas punta y valle sigue siendo un problema central y fascinante de
la modelizacin y planificacin del transporte.
1.2.2. Caractersticas de la oferta de transporte
La primera caracterstica de la oferta de transporte es que es un servicio y no
una mercanca; por lo tanto, no se puede almacenar para ser utilizada cuando
exista una demanda mayor. Un servicio de transporte tiene que ser consumido
cundo y dnde se produce, si no, pierde su beneficio. Por esta razn es muy
importante estimar la demanda con la mayor precisin posible para as ahorrar
recursos ajustando la oferta de servicios de transporte a ella.
Muchas caractersticas de los sistemas de transporte provienen de su na-
turaleza como servicio. En trminos muy generales, un sistema de transporte
requiere un nmero de activos fijos (la infraestructura) y un nmero de unida-
des mviles (los vehculos). Es la combinacin de ambos, junto con una serie
de normas para su operacin, lo que posibilita el movimiento de personas y
mercancas.
Frecuentemente se da el caso de que la infraestructura y/o los vehculos
de transporte no son propiedad ni son operados por la misma empresa o gru-
po de empresas. Esto sucede en la mayora de los modos de transporte, con
Introduccin
:8
la excepcin notable de muchos sistemas ferroviarios. La separacin entre el
gestor de infraestructura y el gestor del servicio final de transporte genera una
serie de interacciones suficientemente complejas entre entidades o Adminis-
traciones Pblicas (estatales, regionales y/o locales), empresas de construccin,
empresarios, operadores de transporte, viajeros, transportistas y pblico en
general. Este ltimo juega diversos papeles en la oferta de servicios de trans-
porte, ya que con sus demandas puede influir en la puesta en marcha o no, de
nuevos servicios que satisfagan sus necesidades dotando as, por ejemplo,
de accesibilidad a un territorio y fomentando a la vez el desarrollo y la acti-
vidad econmica.
La provisin de infraestructura de transporte es particularmente impor-
tante desde el punto de vista de la oferta. La infraestructura de transporte es
un sistema unitario, en el sentido de que no se puede concebir media pista
de aterrizaje o la tercera parte de una estacin de ferrocarril. Ciertamente, en
algunos casos, puede haber razones suficientes para proveer gradualmente
infraestructura a medida que crece la demanda. Por ejemplo, se puede empezar
con una carretera sin pavimento, mejorarla ms adelante con una o dos vas
mediante un tratamiento superficial; luego una carretera sencilla o autova bien
construida, para finalizar con una carretera a nivel de autopista. De esta forma,
la provisin de la infraestructura puede ajustarse y adecuarse a la demanda,
evitndose as tempranas inversiones en instalaciones costosas innecesarias.
Esto no es tan sencillo en otras reas como, por ejemplo, aeropuertos, lneas
ferroviarias, de metro, etctera.
A este respecto es necesario indicar que las ltimas tendencias en la plani-
ficacin del transporte van dirigidas hacia la gestin de la demanda en entor-
nos de movilidad sostenible. El espacio es limitado pero el crecimiento de la
demanda no lo es tanto. Por ello, puede ser interesante, en lugar de crecer en
infraestructuras, proceder a una mejor optimizacin de los recursos existentes
gestionando adecuadamente la demanda en modos y formas diferentes a los
utilizados en las ltimas dcadas.
Por otro lado, las inversiones en infraestructura del transporte no solamente
son enormes sino que tambin su puesta en servicio lleva un tiempo conside-
rable. Normalmente se trata de proyectos grandes y desde que comienza su
planificacin hasta que se implementan pueden pasar entre 5 y 15 aos. Este
aspecto es incluso ms crtico en reas urbanas en las que cualquier construc-
cin y/o reparacin de infraestructura de transporte, puede provocar serias
perturbaciones, cuyas repercusiones en los usuarios y no usuarios son evidentes.
:,
Adems, las inversiones en transporte tienen un componente poltico muy
importante. Por ejemplo, en los pases en desarrollo los polticos normalmen-
te consideran los proyectos de carreteras como algo seguro electoralmente:
demuestran que hacen algo y es difcil que los medios de comunicacin pue-
dan demostrar errores. En pases industrializados, en cambio, los proyectos de
transporte normalmente conllevan el riesgo de polemizar con los residentes
afectados o con los usuarios que sufren debido a la congestin y a los retrasos
en obras sobrepasadas por la demanda. El juicio poltico es esencial en este tipo
de disyuntivas, pero cuando no est apoyado por una planificacin exhaustiva,
las decisiones resultan ser una reaccin rpida y, en general, poco reflexiva al
problema y al momento de crisis; en el caso del transporte esto es, inevitable-
mente, demasiado tarde. En estos casos, la reflexin y la planificacin son
esenciales. En los 80, el nfasis en medidas tcticas de gestin de transporte
a corto plazo reflejaba tanto una desconfianza en la modelizacin como un
intento de evitar los problemas polticos, y una incapacidad a la hora de pensar
estratgicamente acerca del futuro del sistema de transporte.
La separacin entre los que proveen infraestructura y los que ofrecen ser-
vicios introduce tambin complejidades desde el punto de vista econmico.
Para empezar, no siempre est claro que todos los usuarios perciban realmente
los costes totales incurridos en la provisin de los servicios que ellos usan. Por
ejemplo, prcticamente nunca se paga directamente por el espacio fsico ocupa-
do por las carreteras y cuando se hace, no se incluyen los costes de congestin
u otras externalidades; posiblemente lo ms cercano a esto son las autopistas
de peaje y los modernos esquemas de tarificacin vial. Los impuestos sobre
vehculos y combustibles son solamente una aproximacin genrica al pago
por la provisin de infraestructura.
Pero, son importantes estas cuestiones? no ocurre quizs que otros bienes
y servicios como los parques pblicos, las bibliotecas, la polica son a menudo
proporcionados sin realizar ningn pago directo? Qu problema hay en per-
mitir la libre utilizacin econmica de las calles? La teora econmica bsica
nos ensea que s importa. En un mercado perfecto, una buena asignacin
de recursos para satisfacer las necesidades humanas solamente se consigue
cuando los costes marginales de los bienes son iguales a su utilidad marginal.
Por eso, a menudo se dice que el precio de los bienes y servicios, es decir, su
coste percibido, debera fijarse segn su coste marginal. Por supuesto, los
mercados reales no son perfectos y la capacidad para pagar no es un buen in-
dicador de necesidad; sin embargo, este marco general proporciona una base
Introduccin
o
para contrastar otras formas de organizar el sistema de precios y su impacto
en la asignacin de recursos.
El transporte es un elemento muy importante en el bienestar de los pases
y sus habitantes. Si los usuarios que utilizan la infraestructura de transporte
no perciben las consecuencias de sus elecciones en trminos de recursos, pro-
bablemente van a generar un equilibrio ineficiente entre oferta y demanda. Se
despilfarrarn recursos, escasos al ser tarificados por debajo de su coste real,
mientras que recursos ms abundantes pero tarificados podran no ser utiliza-
dos. El hecho de que globalmente algunos sectores de la economa (tpicamente
los dueos de vehculos privados) paguen ms de lo necesario (a travs de im-
puestos, tasas, combustibles, etc.) por el uso de infraestructura, no garantiza una
asignacin de recursos ms racional. Los propietarios de coches probablemente
ven estos costes anuales como costes fijos (a fondo perdido) y como mucho
afectan en su decisin de comprar un coche, pero no de utilizarlo.
En los pases industrializados, sobre todo, las subvenciones entre usuarios
se producen de forma cruzada no slo entre modos (los impuestos del com-
bustible pueden usarse para subvencionar el ferrocarril) sino dentro del mismo
modo (los costes de mantenimiento de las carreteras son pagados mucho ms
ampliamente por los coches en funcin de lo que deterioran, que lo que pagan
los vehculos pesados que, evidentemente, deterioran mucho ms). Comparados
con los vehculos pesados, los coches contribuyen ms a los costes de mante-
nimiento de una carretera (de peaje o no) que el deterioro que ambos generan.
Otro elemento de distorsin proviene de los efectos secundarios asocia-
dos a la produccin de servicios de transporte: accidentes, contaminacin y
degradacin del medioambiente en general. Estos efectos normalmente no son
internalizados; el usuario del sistema de transporte raramente percibe el coste
medioambiental o los gastos derivados de las hospitalizaciones de los heridos
en accidentes relacionados con el transporte. Internalizar estos costes tambin
podra ayudar a mejorar la toma de decisiones en planificacin de transporte y,
por tanto, a mejorar la asignacin de la demanda hacia modos alternativos.
Una de las caractersticas ms importantes de la oferta de transporte es
el grado de congestin al que se ha llegado ltimamente, sobre todo en reas
urbanas y en algunas infraestructuras interurbanas. Es difcil definir la conges-
tin objetivamente aunque todos sabemos cundo la sufrimos. Hay aqu un
problema de percepcin, ya que de sobra es conocido que lo que se consi-
dera congestin excesiva en ciudades como Leeds o Lleida frecuentemente
se considerara normal en Londres o Lagos. La congestin surge cuando la
1
intensidad de la demanda se aproxima a la capacidad de la instalacin (calle,
carretera, estacin, etc.) y el tiempo requerido para utilizarla (viajar a travs
de ella) sobrepasa muy por encima la media establecida bajo condiciones de
baja demanda. En el caso de la infraestructura de transporte, la inclusin de un
vehculo adicional en el sistema genera un retraso suplementario a todos los
dems usuarios, como puede verse, por ejemplo, en la figura 1.1. Obsrvese
que la contribucin de un vehculo adicional al retraso de todos los usuarios
es mayor cuando la intensidad de flujo vehicular es ms alta.
T
i
e
m
p
o

d
e

v
i
a
j
e

Flujo V 1 1
Figura 1.1. La congestin y sus efectos externos.
Este efecto externo, motivado por el fenmeno de la congestin, es gene-
ralmente percibido por los dems usuarios pero no por el conductor que lo
origina. ste es el coste que se intenta internalizar mediante sistemas como la
tarificacin vial electrnica, con el objetivo de ayudar en la toma de decisiones
individuales ms razonadas.
1.2.3. Equilibrio oferta y demanda
En trminos generales, dado un sistema de transporte con una cierta capa-
cidad de operacin, la funcin de la planificacin del transporte es asegurar la
satisfaccin de una cierta demanda D de movimiento de personas y mercancas
con diferentes motivos de viaje, en distintos momentos del da, semana, mes y
ao, utilizando los distintos modos que lo conforman. El sistema de transporte
se puede definir como la interaccin de:
Introduccin
:
Una infraestructura (p. ej., la red de transporte). 1.
Un sistema de gestin (esto es, un conjunto de normas, como p. ej., conducir 2.
por la derecha y una serie de estrategias de control, como las seales de
trfico, etc.).
Un conjunto de modos de transporte y sus operadores. 3.
Considrense un conjunto de volmenes de trfico V sobre una red, a una
velocidad S y con una capacidad de operacin Q de acuerdo a un sistema de
gestin M. En trminos muy generales, la velocidad sobre la red puede ser
representada como:
S = f {Q,V,M} (1.1)
La velocidad puede ser considerada como una primera aproximacin de un
indicador general del nivel de servicio (LOS) ofrecido por el sistema de trans-
porte. En trminos ms generales, un LOS sera especificado como una com-
binacin de varios efectos: velocidad o tiempo de viaje, tiempos de espera y
caminata y precio; estos aspectos sern tratados en mayor detalle en los cap-
tulos siguientes. El sistema de gestin M puede incluir esquemas de gestin del
trfico, control de reas de trfico y/o regulaciones aplicables a cada modo. La
capacidad Q depende del sistema de gestin M y de los niveles de inversin I
a lo largo del tiempo. De esta forma se puede escribir que:
Q = f {I,M} (1.2)
El sistema de gestin tambin puede ser utilizado para redistribuir la capa-
cidad entre las diferentes infraestructuras de transporte, generando otra variable
Q y/o dando prioridad a ciertos tipos de usuarios frente a otros, basndose
en criterios de eficiencia (usuarios de transporte pblico, ciclistas), medioam-
bientales (vehculos elctricos) o de equidad (todos somos peatones alguna
vez cada da).
Como en el caso de la mayora de los bienes y servicios, se espera que el
nivel de demanda D dependa del nivel de servicio ofrecido por el sistema de
transporte y tambin de la distribucin de las actividades A en el espacio:
D = f {S,A} (1.3)
Para un sistema de actividades fijo resulta que combinando las ecuaciones
(1.1) y (1.3) se debera encontrar un conjunto de puntos de equilibrio entre

la oferta y la demanda de transporte. Pero al variar el nivel de servicio en el
espacio y en el tiempo, el sistema de actividades probablemente cambiar, de-
terminando dos conjuntos diferentes de puntos de equilibrio: a corto y a largo
plazo. El objetivo de la planificacin del transporte es prever y gestionar la
evolucin en el tiempo de estos puntos de equilibrio de forma que se maximice
el bienestar social. Por supuesto, ello no es una tarea fcil: la modelizacin de
estos puntos de equilibrio debera ayudar a comprender mejor esta evolucin
y al mismo tiempo ayudar al planificador en el desarrollo e implementacin
de estrategias de gestin M y programas de inversin I.
Algunas relaciones causa-efecto muy simples se pueden representar gr-
ficamente para ayudar a comprender la naturaleza de algunos problemas de
transporte. Un ejemplo tpico es el crculo vicioso coche/transporte pblico
que se muestra en la figura 1.2. El crecimiento econmico trae como conse-
cuencia, entre otros aspectos, un aumento en la compra de vehculos privados.
Inicialmente, ms coches significan, en general, que ms personas desean trans-
ferirse del transporte pblico al coche, lo cual implica evidentemente menos
pasajeros. A ello, los operadores pueden responder incrementando los precios
de los billetes y/o reduciendo la frecuencia (el nivel del servicio) o ambos. En
consecuencia, la situacin descrita hace ms atractiva la posesin y uso del
coche privado, acelerando as el crculo vicioso. A medida que este proceso se
Figura 1.2. El crculo vicioso del transporte pblico.
Aumentos
de renta
Uso ms atractivo
del coche
Reduccin de
frecuencias en bus
Ms congestin
y retrasos
Menor nmero
de km por autobs
Disminucin
de la demanda de
transporte pblico
Incremento de los costes
de operacin de los buses
Incrementos
tarifarios
Aumento
posesin
de coche
Introduccin
repite cada ao, los niveles de congestin aumentan, los autobuses se retrasan,
sus frecuencias disminuyen y sus tarifas son cada vez ms altas; se constata,
por tanto, que la acumulacin de decisiones individuales razonables, provoca
un estado final peor para todos que el inicial.
Esta sencilla representacin tambin puede ayudar a identificar las posibles
medidas a tomar para ralentizar e incluso, invertir, este crculo vicioso. Estas
ideas se resumen en la figura 1.3.
Por ejemplo, medidas estructurales (fsicas) como el establecimiento de
carriles bus y otras medidas de prioridad a buses son particularmente atracti-
vas, ya que dan como resultado una asignacin ms eficiente del espacio vial.
Por otro lado, las subvenciones al transporte pblico tienen sus detractores y
sus defensores; pueden reducir la necesidad de subir los precios a corto plazo,
pero tienden a generar grandes dficits y a proteger una gestin pobre, que
es en parte consecuencia de su propia ineficacia. Este aspecto ltimamente
ha hecho que, en pases en los que el transporte pblico se ejerce, por parte
de empresas u operadores privados en base a concesiones (Espaa, p. ej.), las
licitaciones se realicen en funcin de lo que se denomina Contratos de Gestin
Interesada, en los cuales se exige y vigila al empresario en el cumplimiento
de ciertos estndares de calidad (puntualidad, frecuencias, comportamiento y
atencin al usuario, adaptabilidad de bus, edad del bus, etc.), de forma que sus
Restricciones
a los coches
S
u
b
v
e
n
c
i
o
n
e
s Prioridad a buses
Aumentos
de renta
Uso ms atractivo
del coche
Reduccin de
frecuencias en bus
Ms congestin
y retrasos
Menor nmero
de km por autobs
Disminucin
de la demanda de
transporte pblico
Incremento de los costes
de operacin de los buses
Incrementos
tarifarios
Aumento
posesin
de coche
Figura 1.3. Ruptura del crculo vicioso: vehculo privado-transporte pblico.

ingresos aumenten si dichos estndares se cumplen, penalizando a aquellos
empresarios que no los cumplen.
El tipo de modelo que subyace en las figuras 1.2 y 1.3 suele denominarse
modelo estructural, tal y como se tratar en el Captulo 12; se trata de represen-
taciones sencillas pero poderosas, en particular, porque permiten la discusin
de temas fundamentales de forma suficientemente parsimoniosa.
Sin embargo, no estn libres de peligros al ser aplicados en contextos
diferentes. Por ejemplo, pinsese en este modelo del crculo vicioso en el con-
texto de un pas en desarrollo. El crecimiento de la poblacin mantendr el
incremento de la demanda de transporte pblico mucho ms tiempo que en
un pas industrializado. De hecho, en algunos pases los flujos de autobuses
encontrados son enormemente altos, llegando a los 400-600 autobuses por hora
por sentido en algunos corredores. El contexto tambin es relevante cuando se
trata de buscar soluciones, as, se ha discutido que uno de los objetivos princi-
pales del establecimiento de carriles slo bus en pases en desarrollo no es
tanto proteger a los autobuses de la congestin, como el de organizar el mo-
vimiento de los autobuses (Gibson et al., 1989). Los altos volmenes de auto-
buses frecuentemente otorgan una prioridad de facto, y en estos casos, la in-
terferencia entre autobuses puede llegar a ser un mayor factor de retraso que la
congestin generada por los coches. Por lo tanto, habra que revisar el modelo
del crculo vicioso expuesto anteriormente.
Asimismo parece observarse una cierta concienciacin debido a los pro-
blemas derivados de las fuertes emisiones de contaminantes que el trfico
produce, sobre todo en las ciudades. La alarma sobre la situacin de la capa de
Ozono y la preocupacin mostrada en este sentido (Protocolo de Kyoto, etc.)
por muchos pases o por la misma Unin Europea, ha hecho que se comiencen
a adoptar medidas para intentar paliar estos problemas. As, la Cumbre de los
Presidentes de los pases miembros de la UE adopt, el 9 de marzo del 2007, tres
resoluciones importantes con horizonte el ao 2020: la primera es el acuerdo
de reducir las emisiones en un 20%; la segunda hace alusin a que el 20% de
la energa utilizada provenga de fuentes renovables y la tercera establece que
el 10% de los combustibles utilizados en el transporte pblico han de ser bio-
carburantes. De hecho, a iniciativa de la UE est surgiendo, adems, toda una
lnea de trabajo dirigida hacia proyectos de investigacin en los que se favo-
rezca el uso de modos alternativos de transporte en ciudades, bajo el con-
cepto de movilidad sostenible: uso de combustibles alternativos (bio-disel,
pilas de hidrgeno, vehculos hbridos), tanto para buses como para coches con
Introduccin
o
importantes subvenciones pblicas para los consumidores, fomento masivo (y
en muchos casos, gratuito) de la bicicleta, programas de difusin y formacin
hacia la sostenibilidad, fomento de los carriles bicis y peatonales, carriles
BUS-VAO (para buses y para coches altamente ocupados), establecimiento de
peajes urbanos, etc. En definitiva, todo un conjunto de medidas disuasorias
de la utilizacin del vehculo privado.
Desgraciadamente, es imposible caracterizar todos los problemas de trans-
porte de una forma sencilla, nica y universal. Los problemas de transporte
dependen del contexto, el cual no puede ignorarse a la hora de resolverlos. Los
modelos pueden contribuir a lograr que la identificacin de los problemas y la
seleccin de la forma de resolverlos tenga una base ms slida.
1.3. MODELOS Y PROCESO DECISIONAL
1.3.1. Estilos de toma de decisiones
Antes de elegir un marco de modelizacin para un problema determinado,
hay que identificar y definir el contexto relevante: pas, gobierno o entidad
determinada. Tambin debe reconocerse que existen varios estilos de toma de
decisiones en la prctica y que no todos ellos utilizan la modelizacin como
herramienta bsica. Dichos estilos se pueden caracterizar de muchas diferentes
maneras: lo que se explica a continuacin es una adaptacin de un esquema
realizado por Nutt (1981).
1.3.1.1. Decisiones basadas en Planes Directores
Existe una larga tradicin en desarrollar y aplicar este tipo de estrategia en el
campo del transporte. Tambin existe una amplia experiencia sobre el fracaso
de este enfoque. Las decisiones se basan en interpretaciones del Plan Director
que establecen las normas que controlan las contingencias, las expectativas de
rendimiento y lo que se puede y no se puede hacer. Normalmente se prepara
el Plan Director con muchsimo cuidado y atencin al futuro, quizs utilizan-
do un modelo de transporte estratgico de alto coste, del tipo utilizado en las
dcadas de los 60 y 70.
Los Planes Directores pueden ser razonables cuando el contexto socio-
econmico es estable y por ende los problemas son recurrentes. Tienen la ven-
taja de informar a todos de lo que se va a hacer y la gran desventaja de que casi
nunca funcionan: los ambientes econmicos, sociales y tecnolgicos cambian
;
ms rpido de lo que el plan puede adaptarse. Adems, como la informacin
nueva no encaja en el Plan Director, casi nunca se recoge o se utiliza para
mejorar la toma de decisiones. Desgraciadamente, muchos pases en proceso
de desarrollo han tratado de adoptar este tipo de enfoque que es inapropiado
para sus cambiantes condiciones.
1.3.1.2. Teora de la decisin normativa o racionalidad sustantiva
ste es el enfoque racional para la toma de decisiones implcito en la mayora de
los libros de texto acerca de planificacin de transporte. Tambin se le conoce
como enfoque sistmico. Aqu la cuantificacin es esencial. El problema de
decisin se considera bajo la perspectiva de elegir opciones entre un conjunto
completo de alternativas y escenarios, con estimaciones acerca de su proba-
bilidad de ocurrencia; la utilidad de cada alternativa se mide en trminos de
beneficios y costes y de otros criterios como la proteccin del medioambiente,
seguridad, etctera.
En algunos casos es posible formular el problema de decisin en un mar-
co de programacin matemtica. Esto requiere que la funcin objetivo sea
conocida y especificada, y que lo mismo se aplique para las restricciones que
definen el espacio de soluciones. Sin embargo, en la mayora de los problemas
reales resulta difcil cuantificar algunos elementos de la funcin objetivo o de
las restricciones o convertirlos a unidades de medida comunes, como dinero
o tiempo. Tambin puede ser difcil incluir alguno de los elementos probabi-
lsticos en cada caso pero se puede aprender bastante del problema durante el
proceso. En este caso, la modelizacin es el elemento central. Algunos ejem-
plos del tipo de problemas asociados a la aplicacin de la teora de la decisin
normativa son:
La acusacin de falta de sensibilidad frente a las aspiraciones del p- 1.
blico.
Sus elevados costes. 2.
La aberracin de quienes toman decisiones, que pueden no entender o 3.
aceptar un tratamiento analtico del problema.
Adems, este enfoque frecuentemente ha fracasado en lo que se refie-
re a producir resultados a tiempo y con una exactitud aceptable; hasta ver
la adversa reaccin a la modelizacin de transporte a gran escala durante
los 80.
Introduccin
8
1.3.1.3. Teora conductual de la decisin
ste es un intento de suavizar el enfoque de la teora de la decisin normativa
reconociendo que a menudo los que toman decisiones no buscan maximizar la
utilidad sino solamente producir una solucin satisfactoria (ver la discusin en
el Captulo 7). La bsqueda de mejores soluciones frecuentemente se detiene
cuando se encuentra una que es aceptable; este enfoque combina bsqueda,
aprendizaje y toma de decisiones, pero probablemente no logre generar solu-
ciones que no constituyan ms que mejoras marginales a la prctica actual.
De hecho, este enfoque es parecido a un anlisis marginal del problema de
optimizacin empezando desde una solucin no ptima; se buscan y se explo-
ran mejoras menores pero aceptables con la esperanza de subir un escaln en
el proceso. La modelizacin juega aqu un papel ms restringido y puede ser
del tipo ms sencillo que se discute en el Captulo 12. Los modelos de oferta
y demanda marginales encajan muy bien en este enfoque.
1.3.1.4. Toma de decisiones en grupo
ste es un enfoque que se sigue en muchas reas gobernadas por un comit. La
toma de decisiones se convierte en un proceso de aprendizaje dentro de un grupo
con autoridad para tomar decisiones y un objetivo especfico. Los individuos
contribuyen con su experiencia y conocimientos, y el grupo intenta aplicarlos
al problema de decisin. En este enfoque se combina informacin cuantitativa
y cualitativa, as como posibles previsiones; sin embargo, el proceso no se rea-
liza de forma sistemtica. Los puntos de vista de los miembros del grupo ms
persuasivos o poderosos pueden predominar ms all de su valor intrnseco.
La participacin en un grupo de este tipo a menudo ayuda a aceptar ciertas
decisiones, lo cual es muy importante en un contexto de planificacin. Algunas
veces se crea un grupo directivo para guiar y aconsejar la implementacin
de ejercicios de modelizacin importantes. Tienen el potencial de dar buenos
consejos acerca de lo que se incluye o no en la tarea de modelizacin y tambin
pueden promocionar la aceptabilidad del plan resultante.
1.3.1.5. Toma adaptativa de decisiones
Este enfoque es una versin ms flexible de la toma de decisiones en grupo.
Reconoce la interaccin entre grupos de presin, que no tienen poder de de-
cisin. Cada grupo ve el problema de una forma distinta, siendo necesarios la
negociacin y el compromiso para llegar a una solucin decisional. Este enfoque
,
es til si el problema contiene muchas variables e interacciones que no estn
bien definidas y si no existe una teora normativa o de comportamiento que
sugiera relaciones causa-efecto. El enfoque es bastante comn en la toma de
decisiones legislativas y diplomticas, as como en muchos grupos de decisin,
especialmente cuando la supervivencia pasa a ser el objetivo dominante.
Dentro de este enfoque la modelizacin del transporte slo juega un papel
instrumental menor. Las recomendaciones de un determinado estudio se uti-
lizan como argumentos en las negociaciones entre los grupos de presin, de
forma casi independiente de su valor intrnseco. Pueden usarse las tcnicas ms
modernas, no porque sean las ms exactas o sensibles sino porque el mencionar
que se han utilizado otorga mayor valor a los resultados del estudio y, por lo
tanto, ms poder a los que promocionaban su uso.
1.3.1.6. Estrategias mixtas de toma de decisiones
Finalmente, a menudo es posible combinar muchos de los enfoques anteriores
en una estrategia flexible. Esto es bastante comn en estudios de transporte.
Este tipo de estrategia reconoce que la forma en que se toman las decisiones
puede ser tan importante como la accin elegida. El enfoque mixto utiliza el
anlisis, la persuasin, la negociacin y las estrategias polticas en diferentes
escenarios bajo diferentes objetivos. A veces, estos ltimos se consideran fijos
y conocidos pero mientras las negociaciones continan puede ser necesario
aumentarlos para incluir las preocupaciones de grupos en conflicto.
ste es un enfoque realista que acepta que en el caso de problemas impor-
tantes los objetivos y escenarios pueden variar como parte del proceso de toma
de decisiones. ste es el caso de, por ejemplo, los planes para hacer importantes
mejoras en una red de carreteras o construir una autopista en una zona urbana;
o la tarea de elegir la mejor ruta para un ferrocarril que una Londres con el
Tnel de La Mancha; o el aumento de la capacidad de un aeropuerto que sirva
a una gran conurbacin. La modelizacin suele jugar un papel importante en
este enfoque; el nfasis debera estar en la flexibilidad y en la capacidad de
adaptacin, la inclusin de nuevas variables y el anlisis rpido de polticas y
diseos innovadores.
1.3.2. Cmo escoger un enfoque de modelizacin
Este libro supone que el estilo de decisin adoptado implica el uso de mode-
los, por ejemplo, estrategias de racionalidad sustantiva o mixtas, pero no pro-
Introduccin
o
mueve un enfoque de toma de decisiones nico (es decir, normativo). La acep-
tabilidad de la modelizacin o de un enfoque de modelizacin en particular,
en el contexto de un estilo de decisin es muy importante. Los modelos que
terminan siendo ignorados por quienes toman decisiones no solamente mal-
gastan recursos sino que tambin producen analistas y planificadores desani-
mados. Tambin se propone que cuando se especifica un enfoque analtico
hay que tener en cuenta varias caractersticas de los problemas y modelos de
transporte.
1. El contexto de la toma de decisiones. Implica adoptar una perspectiva
particular y elegir el alcance o amplitud del sistema de inters. La elec-
cin de la perspectiva define el tipo de decisiones que se han de conside-
rar: planificacin estratgica, tctica (de gestin de transporte) o incluso
soluciones a problemas especficos de operacin. La eleccin del alcan-
ce implica especificar el nivel del anlisis: solamente se ha de incluir el
transporte o tambin ha de implicarse la localizacin de actividades?; para
diferentes niveles del sistema de transporte, interesa solamente la deman-
da o tambin la oferta?; ha de considerarse tambin la eficiencia del sis-
tema o de los operadores de servicios, la minimizacin de los costes entre
los operadores, etc.? Tambin es crucial la cuestin de cuntas alternativas
hay que tener en cuenta para satisfacer a los diferentes grupos de inters
o para desarrollar el mejor plan; por lo tanto, el contexto en que se toman
las decisiones tambin ayudar a definir los requerimientos de los modelos
utilizados, las variables a ser incluidas en el modelo y las que se conside-
rarn dadas o exgenas.
2. Exactitud deseada. ste es resultado del punto anterior y est influen-
ciado en gran manera por los dos puntos siguientes (3 y 4). Sin embargo,
normalmente la exactitud deseada es justo la necesaria para discriminar
entre una buena solucin y otra menos buena. En algunos casos puede ser
bastante obvio cul es la mejor solucin, necesitndose as una modeliza-
cin menos precisa. Sin embargo, hay que recordar que en el pasado, se ha
responsabilizado al sentido comn de algunas decisiones de planificacin
de transporte muy pobres.
3. La disponibilidad de datos adecuados, su estabilidad y las dificultades
asociadas a pronosticar sus valores futuros. En muchos casos puede que
se disponga de muy pocos datos; en otros pueden existir razones para
desconfiar de la informacin, o tener menos confianza en las predicciones
a futuro de las variables clave de planificacin, pues el sistema no es lo
1
suficientemente estable. Muchas veces los datos disponibles sern el factor
clave en la decisin del enfoque de modelizacin.
4. Estado del arte en modelizacin para un tipo particular de intervencin
en el sistema de transporte. Esto, a su vez, puede dividirse en:
Riqueza terica. a)
Facilidad del tratamiento matemtico e informtico. b)
Disponibilidad de buenos algoritmos de solucin. c)
Debe considerarse que, en la prctica, todos los modelos suponen que al-
gunas variables son exgenas. Adems, muchas otras variables deben ser
omitidas del marco de la modelizacin, ya sea porque no son relevantes
para la tarea a realizar, demasiado difciles de predecir o porque se espera
que varen poco y no influyan en el sistema de inters. Una consideracin
explcita de lo que se ha dejado fuera del modelo puede ayudar a la hora de
decidir acerca de su idoneidad en relacin a un determinado problema.
5. Recursos disponibles para el estudio. stos incluyen dinero, datos, equi-
pos y software informtico, habilidades tcnicas, etc. Sin embargo, hay dos
tipos de recursos que merecen una mencin especial: el tiempo y el nivel de
comunicacin con los que toman las decisiones y con el pblico. El tiempo
es probablemente lo ms crucial: si hay poco tiempo disponible para elegir
entre diferentes soluciones, ser necesario tomar atajos para poder ofrecer
asesora en plazos adecuados. Los decisores suelen fijar escalas de tiempo
absurdamente cortas para evaluar proyectos que tardarn aos en proce-
sarse a travs de los mltiples niveles de decisin, aos en implementarse y
muchos ms aos en verificar si eran o no correctos. Por otra parte, un buen
nivel de comunicacin con quienes toman las decisiones y con los usuarios
aliviar en parte el problema: surgirn menos expectativas irrealistas acerca
de nuestra habilidad para modelizar con exactitud diferentes alternativas de
transporte, adems, una mejor comprensin de las ventajas y limitaciones
de la modelizacin debera moderar los extremos de aceptacin ciega o
rechazo total a las recomendaciones del estudio.
6. Requisitos de procesamiento de datos. Este aspecto sola interpretarse
como algo del tipo: de qu tamao es el ordenador que necesitas? La
respuesta actual a esa pregunta es no muy grande, ya que un buen micro-
ordenador bastar en la gran mayora de los casos. El verdadero cuello
de botella en el procesamiento de datos es la habilidad humana para re-
coger, codificar e introducir los datos, activar los programas e interpretar
Introduccin
:
los resultados. Cuanto mayor sea el nivel de detalle, ms difciles sern
estas tareas. La recoleccin de datos ayudados por ordenador incluyen-
do edicin grfica de entradas y salidas reduce en parte este problema.
Sin embargo, se necesita ms progreso en estas materias para superar este
cuello de botella.
7. Niveles de preparacin y habilidad de los analistas. Normalmente los
costes de entrenamiento son bastante altos; tanto que, a veces, es mejor
usar un modelo existente y bien conocido antes que intentar adquirir y
aprender el uso de un modelo ligeramente ms avanzado. Por supuesto,
ello podra parecer una receta para sofocar la innovacin y el progreso;
sin embargo, siempre sera posible dedicar tiempo a aprender sobre tcni-
cas ms modernas y eficaces sin rechazar la experiencia lograda con los
modelos anteriores.
Florian et al. (1988) formalizaron los contextos de la toma de decisiones
utilizando un marco bidimensional: nivel de anlisis y perspectiva. Los nive-
les de anlisis pueden incluir seis grupos diferentes de procedimientos, cada
uno de los cuales se centra en uno o ms modelos y sus algoritmos especficos
de solucin. stos son:
Procedimientos de 1. localizacin de actividades, L;
Procedimientos de 2. demanda, D;
Procedimientos de 3. rendimiento del sistema de transporte, P, que producen
como salidas los niveles de servicio, el gasto econmico y las capacidades
prcticas, y dependen de los niveles de demanda y de las condiciones de
oferta de transporte;
Procedimientos de 4. intervenciones en la oferta, S, que determinan las ac-
ciones tomadas por los proveedores de servicios de transporte e infraes-
tructura; stas dependen de sus objetivos (maximizacin de beneficios,
bienestar social), ambiente institucional, sus costes y una estimacin de
futuros estados del sistema;
Procedimientos de 5. minimizacin de costes, CM;
Procedimiento de 6. produccin, PR.
Los dos ltimos tienen ms que ver con los aspectos microeconmicos
que afectan a los proveedores de la oferta (ya sean operadores o de infraes-
tructuras) cuando eligen entre las combinaciones de insumos que minimizan
sus costes.

La perspectiva de la dimensin del problema considera los seis niveles de
procedimientos L, D, P, S, CM, PR y, adems, tres perspectivas: una estra-
tgica STR, una tctica TAC y una operativa OPE. Por supuesto, stas se
relacionan con los horizontes de planificacin y los niveles de inversin; sin
embargo, en este contexto, ellos deberan considerarse como conceptos gen-
ricos asociados a la capacidad de:
Visualizar los niveles 1. L, D, P, S, CM, PR en su importancia absoluta y
relativa.
Elegir, a cualquier nivel, lo que puede ser considerado como fijo o variable. 2.
En la figura 1.4 se resume la forma en que se interrelacionan las diferentes
perspectivas y niveles. Por supuesto el nivel ms importante y agregado es el
nivel estratgico; los anlisis y las elecciones en este nivel tienen impactos que
afectan a todo el sistema a largo plazo, y, en general, implican la adquisicin de
recursos y el diseo de redes. Los temas tcticos tienen una perspectiva ms
corta y puntual, y se trata de cuestiones tales como el mejor aprovechamiento
de las instalaciones e infraestructura actuales. La perspectiva ms estrecha, la
operativa, trata de los problemas a corto plazo de los proveedores de servicios
de transporte y queda fuera del alcance de este libro; sin embargo, las decisiones
reales acerca de, por ejemplo, el nivel de servicio o el tamao de vehculos,
representan una entrada exgena importante en algunos de los modelos dis-
cutidos en este libro, y esto se muestra en la figura 1.4.
Todo es, por supuesto, una forma relativamente abstracta e idealizada de
visualizar los problemas de planificacin de transporte. Sin embargo, ayuda
a clarificar las elecciones que debe hacer el analista al desarrollar un enfoque
de modelizacin de transporte. Este libro se centra principalmente en los pro-
blemas de planificacin estratgica y tctica al nivel de los procedimientos
de demanda y rendimiento del sistema de transporte. No obstante, algunos de
los modelos discutidos a veces pueden ser tiles fuera de estos niveles y pers-
pectivas.
1.4. TPICOS EN MODELIZACIN DEL TRANSPORTE
Hasta aqu ya se han identificado las interacciones entre los problemas de
transporte, los estilos de toma de decisiones y los enfoques de modeliza-
cin. Ahora se discutir acerca de algunos de los tpicos crticos de modeli-
zacin que son relevantes para la eleccin de un modelo. Estos tpicos consi-
Introduccin
deran algunos temas generales, como, por ejemplo, los roles de la teora y los
datos, la especificacin y la calibracin de modelos. Pero quizs, las elecciones
ms crticas son aquellas que sitan al planificador entre el uso de enfoques de
modelizacin agregados o desagregados, modelos de corte transversal o de se-
ries de tiempo y tcnicas de preferencias reveladas o declaradas.
1.4.1. Tpicos generales de modelizacin
Wilson (1974) proporciona una interesante lista de preguntas que deberan ser
respondidas por cualquier aspirante a modelizador; sta abarca desde aspec-
tos generales como el propsito que hay detrs de construir el modelo, hasta
aspectos ms detallados como qu tcnicas estn disponibles para dicha cons-
truccin. A continuacin se discuten algunos de estos temas, junto con otros
que son especialmente relevantes para el desarrollo de este libro.
Figura 1.4. El marco conceptual tridimensional.
Perspectivas
de Planicacin
y Gestin
Localizacin de actividades L
Demanda D
Rendimiento P
Intervenciones en la oferta S
Minimizacin de costes CM
Produccin PR
Niveles sistema de transportes
Alcance
de este
libro
Exgenos
Endgenos
O
p
e
r
a
c
i
o
n
a
l
T
c
t
i
c
a
E
s
t
r
a
t
g
i
c
a

1.4.1.1. Los roles de la teora y los datos
Mucha gente tiende a asociar la palabra teora a una serie sin fin de frmulas
y manipulaciones algebraicas. En el campo de la modelizacin del transporte
urbano esta asociacin ha sido bastante correcta: es difcil comprender y re-
plicar las complejas interacciones entre seres humanos, que constituyen una
caracterstica inevitable de los sistemas de transporte.
Algunos desarrollos tericos que trataron de superar estas dificultades, han
dado como resultado modelos a los que les faltaban tanto datos como software
adecuados para su implementacin prctica. Ello ha llevado a muchos profe-
sionales a pensar que la brecha entre teora y prctica es cada vez ms amplia;
y esto es algo que se ha intentado contrarrestar en este libro.
Una consideracin importante para juzgar la contribucin de una nueva
teora es si sta impone restricciones que tengan sentido a, por ejemplo, la
forma de una funcin de demanda. Existe por lo menos un caso documentado
sobre un estudio prctico de planificacin de transporte, que dur varios
aos y cost varios millones de dlares, que dependa de modelos de demanda
pragmticos con una estructura errnea (algunas de sus elasticidades tenan el
signo incorrecto; vase Williams y Senior, 1977). Aunque esto podra haber sido
diagnosticado previamente por dichos profesionales pragmticos si no hubieran
despreciado la teora, slo fue descubierto a posteriori por los tericos.
Desgraciadamente (o quizs afortunadamente, dira un pragmtico) a ve-
ces se pueden derivar formas funcionales similares de los modelos a partir de
diferentes perspectivas tericas (este tpico de equifinalidad se trata con ms
detalle en el Captulo 8). Sin embargo, la interpretacin de los resultados de
un modelo depende en gran medida del marco terico adoptado. Por ejemplo,
la misma forma funcional del modelo gravitacional se puede derivar de una
analoga con la fsica, de la maximizacin de la entropa y de la teora de la
maximizacin de la utilidad. La interpretacin de los resultados, sin embargo,
puede depender de la teora adoptada. Si interesan solamente los flujos en los
arcos de una red, podra ser irrelevante qu marco terico subyace en la funcin
analtica del modelo. Sin embargo, si se requiere una medida de evaluacin, la
situacin cambia, ya que slo sera de ayuda en este caso una teora basada en
el comportamiento del usuario bajo la perspectiva econmica. En otros casos,
se utilizarn frases como la atraccin de la zona de destino de viajes se in-
crementar, o sta es la forma ms probable de organizar los viajes, o
la matriz de viajes ms probable coincidente con nuestra informacin acerca
del sistema; estas frases no ayudan a definir medidas de evaluacin pero
Introduccin
o
pueden ayudar a interpretar mejor la naturaleza de la solucin encontrada.
Asimismo, el marco terico tambin otorgar cierta credibilidad al modelo al
intentar pronosticar el comportamiento futuro. En este sentido es interesante
reflexionar sobre la interaccin entre la prctica y la teora. Por ejemplo, se
ha comprobado que los modelos o formas analticas utilizadas en la prctica,
tradicionalmente han influenciado las hiptesis utilizadas en el desarrollo de
nuevos marcos tericos. Tambin se sabe que modelos ampliamente utilizados,
como, por ejemplo, el logit mltiple, que ser tratado en los Captulos 6 y 7,
han sido objeto de importantes racionalizaciones a posteriori:
los avances tericos son especialmente bienvenidos cuando fortalecen las prc-
ticas habituales que pueden carecer de una lgica particularmente convincente
(Williams y Ortzar, 1982b).
Los dos estilos clsicos de enfoque para el desarrollo de teoras son el
mtodo deductivo (construir un modelo y probar sus predicciones frente a ob-
servaciones) y el mtodo inductivo (en el que a partir de los datos se intentan
inferir leyes generales). El enfoque deductivo se ha mostrado ms productivo
en el caso de las ciencias puras y el enfoque inductivo se ha preferido en el
caso de las ciencias sociales analticas. Es interesante hacer ver que los datos
son un elemento central de ambos enfoques; de hecho, se sabe que la dispo-
nibilidad de datos normalmente deja poco margen para la negociacin y el
compromiso entre la relevancia y la complejidad de un modelo. Es ms, en
muchos casos la naturaleza de los datos restringe la eleccin del modelo a una
nica alternativa.
El tema de los datos est estrechamente ligado a otros aspectos como, por
ejemplo, el tipo de variables que se va a representar en el modelo y esto, por su-
puesto, tambin est ligado a aspectos tericos. Los modelos predicen un cierto
nmero de variables dependientes (o endgenas) dadas otras variables inde-
pendientes (o explicativas). Para probar la bondad de un modelo normalmente
se necesitaran datos acerca de cada variable. De inters particular son las
variables de poltica, que son aquellas que se supone estn bajo el control de
quienes toman las decisiones, y esto es, las que el analista puede hacer variar
para evaluar diferentes polticas o proyectos.
Otro tema importante en este contexto es el de la agregacin:
Cuntos segmentos de la poblacin o tipos de individuos son necesarios
para obtener una buena representacin o conocimiento del problema?
;
A qu nivel de detalle se deben medir ciertas variables para replicar un
fenmeno dado?
El espacio es un elemento crucial en el transporte; a qu nivel de detalle
se debe codificar el origen y el destino de los viajeros para modelizar su
comportamiento?
1.4.1.2. Especificacin de modelos
En su acepcin ms amplia e interesante, la especificacin del modelo com-
prende los siguientes aspectos:
La estructura del Modelo. Se puede replicar el sistema que se va a mo-
delizar con una estructura sencilla que suponga, por ejemplo, que todas las
alternativas son independientes? o es necesario construir modelos ms
complejos que calculen, por ejemplo, las probabilidades de eleccin condi-
cionales en elecciones anteriores? Modelos contemporneos, como los que
se discuten en los Captulos del 7 al 9, normalmente contienen parmetros
que representan aspectos de la estructura de los modelos, y las extensiones
metodolgicas logradas a mediados de los 80 han permitido la estimacin
de modelos cada vez ms generales. Sin embargo, como ha sealado Daly
(1982b), aunque podra suponerse hipotticamente que, al fin y al cabo,
todas las cuestiones acerca de la forma de los modelos podran resolverse
con pruebas empricas, tal solucin no es posible ni apropiada.
Forma Funcional. Es posible utilizar formas lineales o el problema requiere
funciones no lineales ms complejas? Estas ltimas pueden representar al
sistema de inters con mayor exactitud, pero seguramente van a ser ms
exigentes en trminos de recursos y tcnicas de calibracin y uso del modelo.
Aunque las consideraciones tericas pueden jugar un importante papel a la
hora de solucionar esta cuestin, tambin es posible examinarla de forma
inductiva mediante simulaciones de laboratorio, por ejemplo, mediante
experimentos de intenciones/preferencias declaradas.
Especificacin de variables. ste es el significado ms usual asociado al
tema de especificacin, y consiste en definir qu variables se deben uti-
lizar y cmo (de qu forma) deberan entrar en un modelo determinado.
Por ejemplo, si se supone que el ingreso de los usuarios influye en la elec-
cin modal individual, cmo debera entrar esta variable en el modelo,
como tal o deflactando a la variable coste? Los mtodos para avanzar en
esta cuestin van desde la utilizacin deductiva (constructiva) de la teora
Introduccin
8
hasta el anlisis estadstico inductivo de los datos mediante transforma-
ciones.
1.4.1.3. Calibracin, validacin y uso de modelos
Un modelo puede representarse sencillamente como una funcin matemtica
de variables X y parmetros , tal que:
Y = (X,) (1.4)
Es interesante mencionar que los conceptos gemelos calibracin de modelos
y estimacin de modelos han tomado tradicionalmente diferente significado
en el campo del transporte. La calibracin de un modelo requiere la selec-
cin de sus parmetros que se suponen con valor distinto de cero, con el ob-
jetivo de optimizar una o ms medidas de bondad de ajuste que son funcin
de los datos observados. Esta forma de proceder se ha atribuido a los fsicos e
ingenieros responsables de la primera generacin de modelos de transporte, que
no se preocupaban demasiado acerca de las propiedades estadsticas de estos
ndices; esto es, cun grandes pueden ser los errores de calibracin.
La estimacin implica encontrar los valores de los parmetros que hagan
que los datos observados sean ms probables bajo la especificacin del modelo;
en este caso puede resultar que uno o ms parmetros no sean significativos
y deban excluirse del modelo. La estimacin tambin considera la posibilidad
de examinar empricamente ciertas cuestiones de especificacin; por ejem-
plo, se pueden estimar parmetros estructurales y/o de forma funcional. Este
procedimiento se ha asociado a los ingenieros y econometristas responsables
de la segunda generacin de modelos, quienes daban mucha importancia a la
posibilidad de efectuar tests estadsticos ofrecida por estos mtodos. Sin em-
bargo, en esencia ambos procedimientos coinciden porque la forma de decidir
cules son los mejores valores de los parmetros consiste en examinar algunos
indicadores de bondad de ajuste previamente definidos. La diferencia est en
que estas medidas normalmente tienen propiedades estadsticas bien conoci-
das que permiten construir intervalos de confianza alrededor de los valores
estimados y las previsiones de los modelos.
Ya que la gran mayora de los modelos de transporte han sido construidos
basndose en datos de corte transversal, ha existido una tendencia a interpretar
la validacin del modelo exclusivamente en trminos de su bondad de ajuste al
comportamiento observado. Aunque sta es una condicin necesaria para la
validacin del modelo, no es de ninguna manera suficiente; esto se ha demos-
,
trado en un nmero de casos en los que se ha podido comparar las predicciones
del modelo con los resultados observados en estudios antes y despus (vase
la discusin en Williams y Ortzar, 1982a). La validacin del modelo requiere
comparar sus predicciones con informacin que no haya sido utilizada durante
el proceso de estimacin. Naturalmente, esto implica un test ms riguroso del
modelo y requiere ms informacin o ms recursos.
Una de las primeras tareas que enfrenta el modelizador es decidir cules son
las variables que el modelo va a predecir y cules son los inputs o entradas ne-
cesarios a tal efecto. Algunas variables no se incluirn en absoluto, bien porque
el modelizador no puede obtenerlas o bien porque la teora subyacente al modelo
no las contempla (vase la figura 1.5). Ello implica, inmediatamente, un cierto
grado de error y de incertidumbre (se volver sobre este tema en el Captulo 3)
que, obviamente, se complica an ms por otros errores que tambin son inhe-
rentes a la modelizacin; por ejemplo, los errores de muestreo y, todava ms
importante, los errores debidos a las inevitables simplificaciones de la realidad
que necesita el modelo para ser utilizado en la prctica (vase la figura 1.5).
Teora
del comportamiento
Atributos
Cambio de poltica
Muestra
Espacio del modelizador
Modelo
Medioambiente
Eleccin
Respuesta
Poblacin
Comportamiento
individual
Factores
que determinan
la eleccin
Simulacin Previsin
Figura 1.5. Modelizacin y muestreo.
Introduccin
o
Por lo tanto, el uso principal de los modelos en la prctica es la prediccin
condicional: el modelo producir estimaciones de las variables dependientes
dado un conjunto de variables independientes. De hecho, las predicciones t-
picas vienen condicionadas de dos formas (Wilson, 1974):
En relacin a los valores asignados a las variables de poltica en el plan y
cuyo impacto es analizado en el modelo.
En relacin a los valores supuestos para otras variables.
Los modelos son normalmente utilizados para valorar una serie de planes
alternativos para un rango de hiptesis factibles acerca de los valores futuros
de las otras variables (p. ej., escenarios de ingreso). Ello significa que el mo-
delo debe ejecutarse muchas veces en el contexto de evaluar un determinado
problema. Por esta razn, puede ser de gran importancia que su especificacin
permita altas velocidades de procesamiento por ordenador; esto no es una
tarea fcil en el caso de un modelo de transporte a gran escala, ya que implica
procesos complejos de equilibrio entre oferta y demanda, como se discutir
en el Captulo 11.
1.4.2. Modelizacin agregada y desagregada
El nivel de agregacin seleccionado para la medicin de los datos es una cues-
tin importante en el diseo general de un estudio de planificacin de trans-
porte. Aunque un nivel mayor de detalle con miras a un mayor grado de
exactitud debera mejorar la calidad de los modelos, probablemente incre-
mentar los costes de recogida y anlisis de datos as como de la mayora de
los restantes aspectos del ejercicio de la modelizacin.
De inters central es la agregacin de los datos exgenos, es decir, la in-
formacin acerca de cuestiones diferentes al comportamiento de los viajeros,
que se supone endgeno (es decir, el modelo intenta replicarlo). Por ejemplo,
durante aos se ha discutido si un tem de datos representa el valor medio de
un grupo de viajeros o si debera ser recogido especficamente para un indivi-
duo. Es inevitable un cierto grado de agregacin cuando el modelo de inters
procura representar el comportamiento de ms de un individuo (p. ej., un
seguimiento de mercado como los propietarios de coche de una determinada
zona) como en el caso de los modelos agregados o de primera generacin, que
sern examinados en los Captulos 5 y 6. Pero, cuando el modelo de inters
intenta representar el comportamiento individual, como es el caso de los mo-
1
delos desagregados o de segunda generacin examinados en los Captulos 7
a 9, es lgico pensar que la informacin exgena pueda ser obtenida y utilizada
separadamente para cada viajero. Una cuestin importante es entonces si, por
razones de coste u otras, se debera preferir utilizar datos menos detallados
(vase Daly y Ortzar, 1990).
La previsin de la demanda futura es un elemento crucial en la mayora
de los estudios de planificacin del transporte. El ser capaz de predecir el
uso ms probable de nuevas infraestructuras es un precursor esencial para
la toma de decisiones racional acerca de las ventajas o no de proveer tales
infraestructuras. Tambin puede ser importante tener alguna idea acerca de
la sensibilidad de la demanda respecto a variables importantes que estn bajo
control del analista (p. ej., la tarifa que se cobra por su uso). En la mayora de
los casos las previsiones y los estudios de sensibilidad deben proporcionarse
a nivel agregado, es decir, deben representar el comportamiento del total de
la poblacin de inters. Por lo tanto, con el fin de obtener estos indicadores
el analista que utiliza modelos desagregados tiene que encontrar un mtodo
robusto para agregar los resultados del modelo.
Los modelos de la primera generacin se solan utilizar casi sin excep-
cin en los estudios de transporte hasta finales de los 70; llegaron a hacerse
familiares, necesitaban relativamente pocas habilidades por parte del analista
(pero s algn conocimiento de informtica bsica) y tenan la propiedad de
ofrecer una receta para todo el proceso de modelizacin completo, desde la
recoleccin de datos hasta la prediccin de flujos en los enlaces de una red.
Los resultados de estos modelos, quizs porque eran generados por complica-
dos programas de ordenador, a menudo se consideraban ms exactos de lo que
se pretenda; por ejemplo, predecir giros a izquierda de vehculos a 15 aos
vista. Los modelos de la primera generacin han sido criticados severamente
(a veces con justificacin) por su inflexibilidad, inexactitud y coste. Desgra-
ciadamente, muchos enfoques de la segunda generacin, habiendo adoptado
un tratamiento sofisticado de las elecciones y restricciones enfrentadas por los
viajeros individuales, han fallado al momento de realizar previsiones, a veces
porque requeran datos que no podan ser estimados de forma razonable.
Los modelos desagregados, que llegaron a ser muy populares en los 80,
ofrecen sustanciales ventajas sobre los mtodos tradicionales y tambin son
de utilidad prctica en mltiples aplicaciones. Sin embargo, un problema prc-
tico importante es que requieren un alto nivel de conocimiento y habilida-
des estadsticas y economtricas (especialmente en la interpretacin de los
Introduccin
:
resultados), y definitivamente mucho mayor que en el caso de los modelos agre-
gados. Adems, se ha exagerado la diferencia entre los modelos de primera
y segunda generacin. Por ejemplo, los modelos desagregados fueron inicial-
mente promocionados como radicalmente diferentes a los mtodos clsicos,
una revolucin en este campo del conocimiento. Sin embargo, bastante ms
tarde qued claro que era ms adecuado considerarlos una evolucin desde un
punto de vista de modelizacin (vase Williams y Ortzar, 1982b). De hecho,
en muchos casos, existe una equivalencia completa en la forma de pronosticar
(Daly, 1982a).
La diferencia esencial est en el tratamiento de la descripcin del compor-
tamiento, en particular durante el proceso de desarrollo del modelo; en muchos
casos, el enfoque desagregado es claramente superior al conjunto de compor-
tamientos individuales por zonas y estratos predefinidos de la poblacin.
Los intentos de clarificar el tema de en qu circunstancias sera preferible
utilizar un enfoque agregado o desagregado, han llegado a la conclusin de que
no existe un enfoque ms adecuado para todas las situaciones planteadas (vase
Daly y Ortzar, 1990). Estos intentos tambin han concluido que se requiere
una serie de directrices para ayudar a los profesionales desesperados a elegir
la herramienta de modelizacin ms apropiada para un contexto determinado.
En este libro se ha intentado dar respuesta a esta cuestin.
1.4.3. Datos de corte transversal y series temporales
Hasta finales de los 80 la gran mayora de los estudios de planificacin de
transporte dependan de informacin acerca de los patrones de viaje obteni-
dos a partir de una muestra representativa de individuos tomada en un nico
momento fijo en el tiempo (seccin transversal). De hecho, el uso del enfoque
de muestreo mostr las diferencias entre las dos generaciones de modelos
anteriormente descritos.
Una hiptesis fundamental del enfoque de seccin transversal es que se
puede encontrar una medida de la respuesta a variaciones incrementales sim-
plemente calculando las derivadas de una funcin de demanda respecto a las
variables de poltica de inters. Ello hace explcita la hiptesis de que una
relacin causa-efecto realista puede deducirse de los parmetros de un mode-
lo estimado con observaciones correspondientes a un determinado momento
temporal. Esto sera razonable siempre que hubiese suficientes personas que
cambiasen sus elecciones, por ejemplo, respecto a destinos o modo, en ambas

direcciones y si, adems, no existiesen variaciones debidas al hbito o los
efectos de desfases temporales.
Sin embargo, la hiptesis de seccin transversal tiene dos desventajas
potencialmente serias. En primer lugar, una muestra representativa puede
corres ponder a una historia particular de cambios en los valores de ciertas
variables clave que influyen en la eleccin. Por ejemplo, cambios en el tiem-
po, en el modo o en la localizacin, pueden haber sido provocados por una
serie de estmulos diferentes (precio del combustible, cambios en el ciclo de
vida, etc.) y el grado en el que el sistema puede ser considerado en desequilibrio
(p. ej., debido a la inercia) va a depender de ellos. El problema es que se puede
demostrar (vase el Captulo 7) que la respuesta de grupos con exactamente
las mismas caractersticas actuales, pero que han pasado por un proceso de
cambios diferente, puede ser totalmente distinta. En segundo lugar, los datos
correspondientes a un solo perodo temporal, normalmente no permiten dis-
criminar entre formulaciones alternativas de un modelo, ni siquiera si stas
derivan de hiptesis tericas completamente diferentes. Siempre es posible
encontrar parmetros que produzcan el mejor ajuste a los datos del ao base
incluso si el modelo tiene severos problemas de especificacin; el problema es,
por supuesto, que estos parmetros no garantizan buenas propiedades de res-
puesta ante situaciones futuras. Como se vio en la seccin 1.4.1, el hecho de que
un modelo reproduzca bien la situacin del ao base no es una condicin de
validacin suficiente.
Por lo tanto, en general, cuando se utilizan datos de seccin transversal no
es posible distinguir entre la amplia variedad de fuentes posibles de disper-
sin presentes en un conjunto de datos (es decir, dispersin de preferencias,
efectos de hbito, restricciones, etc.). Un progreso real en la comprensin y
valoracin de la efectividad de un modelo predictivo slo puede obtenerse si
existe informacin disponible sobre respuestas en el tiempo. Desde un punto
de vista terico, tambin es deseable disear un marco apropiado de anlisis
que permita el eventual rechazo de hiptesis relacionadas con la respuesta a
cambios. Mientras que esto no se logre, seguirn existiendo dudas sobre la
validez de los estudios realizados con datos de seccin transversal.
La discusin anterior ha llevado a que muchas personas consideren que para
construir modelos predictivos ms fiables, siempre que sea posible deberan
usarse datos longitudinales o series temporales. Este tipo de datos, por defini-
cin, incorpora informacin sobre la respuesta del sistema frente a variaciones
en la situacin actual. Por lo tanto, en principio puede proveer los instrumentos
Introduccin
necesarios para testear directamente y quizs tambin refutar hiptesis relativas

a la respuesta a cambios.
Los datos longitudinales pueden tomar la forma de paneles o, ms sen-
cillamente, de informacin antes y despus. Desgraciadamente, los modelos
construidos a partir de este tipo de datos tambin presentan serios problemas
tcnicos; de hecho, hasta finales de los 90 el progreso en este campo haba sido
bastante limitado. En los Captulos 3 y 7 se discutirn algunos de los temas
relacionados con la recogida y uso de este tipo de informacin.
1.4.4. Preferencias Reveladas y Declaradas
Puede ser bastante complicado desarrollar modelos aceptables y robustos
si el analista no puede disear experimentos que permitan observar el com-
portamiento del sistema bajo un amplio rango de condiciones. En el sector
transporte las experimentaciones de este tipo no son ni prcticas ni viables y el
analista, como el astrnomo, se encuentra obligado a hacer observaciones sobre
situaciones y elecciones que no puede controlar. Hasta mediados de los 80 era
casi axiomtico que la modelizacin de la demanda de transporte se basara en
informacin acerca de elecciones y decisiones observadas, es decir, de datos
de preferencias reveladas. Dentro de este enfoque, la evaluacin de proyectos
requiere que la poltica de intervencin sea expresada en trminos de varia-
ciones en los atributos que se consideran influyentes en los comportamientos
actuales. Sin embargo, tiene limitaciones prcticas bsicamente asociadas a los
costes de la muestra y a la dificultad de distinguir los efectos de atributos que
no sean fciles de observar, por ejemplo, aquellos relacionados con conceptos
como calidad o conveniencia. Otro problema prctico tradicional ha sido cmo
tratar alternativas nuevas, dnde se requiere pronosticar el comportamiento
de una instalacin que no est disponible en la actualidad y qu puede ser
radicalmente diferente de las existentes.
Las tcnicas de preferencias/intenciones declaradas, provenientes del
campo de los estudios de mercado surgieron a finales de los 70 como un ins-
trumento para realizar experimentos con elecciones relacionadas con sistemas
de transporte, y por tanto para resolver algunos de los problemas anteriormente
descritos. Las tcnicas de preferencias declaradas basan la estimacin de la
demanda en un anlisis de las respuestas a elecciones hipotticas; stas na-
turalmente, pueden comprender una gama de atributos y condiciones mayor
que las del sistema real. Sin embargo, estas tcnicas se desacreditaron en sus

comienzos porque no se saba cmo descontar el excesivo entusiasmo de ciertos
encuestados; por ejemplo, ni siquiera la mitad de los individuos que declaraban
que tomaran un curso de accin determinado, realmente lo hacan cuando
eventualmente tenan la oportunidad.
Esta situacin tard una dcada en cambiar pero, a finales de los 80, los
mtodos de preferencias declaradas llegaron a ser percibidos por muchos como
una oportunidad real de solucionar las dificultades anteriormente mencionadas.
Adems, se ha encontrado que, en ciertos casos, los mtodos y datos de pre-
ferencias declaradas y reveladas se pueden utilizar de forma complementaria,
evidenciando y combinando las ventajas de ambos enfoques. En particular, se
considera que ofrecen una herramienta invaluable para ayudar a la modelizacin
de alternativas completamente nuevas. En el Captulo 3 se examinan los aspec-
tos relativos a la recogida de datos en los mtodos de preferencias declaradas,
y en el captulo 8 se examinan cuestiones referentes a su modelizacin.
1.5. ESTRUCTURA DEL MODELO CLSICO DE TRANSPORTE
Aos de experimentacin y desarrollo han dado como resultado la definicin de
una estructura general de modelizacin denominada modelo clsico de trans-
porte. Esta estructura es, en efecto, el resultado de la prctica en los 60, pero
ha permanecido relativamente inalterada a pesar de las importantes mejoras
experimentadas en las tcnicas de modelizacin durante los ltimos 40 aos.
La forma general del modelo puede verse en la figura 1.6. El enfoque
comienza considerando una zonificacin y un sistema de redes as como la re-
cogida y codificacin de datos de planificacin, calibracin y validacin. Estos
datos deberan incluir informacin para el ao base sobre la poblacin de dife-
rentes tipos en cada zona del estudio as como niveles de actividad econmica,
incluyendo empleo, espacio dedicado a la actividad comercial, instalaciones de
educacin y recreativas. A continuacin estos datos se utilizan como variables
independientes de la funcin de demanda, para estimar modelos que reproduz-
can el nmero total de viajes atrados y generados (variable dependiente) por
cada zona del rea de estudio (generacin de viajes). El paso siguiente es asig-
nar estos viajes a diferentes destinos, en otras palabras, su distribucin en el
espacio, dando lugar a una matriz de viajes origen-destino (O-D). La etapa si-
guiente consiste en modelizar la eleccin del modo, y esto tiene como resultado
el reparto o distribucin modal, es decir, la asignacin de los viajes de la matriz
O-D segn los diferentes modos de transporte. Finalmente, la ltima etapa del
Introduccin
o
modelo clsico consiste en la asignacin de los viajes en cada modo a su red
correspondiente: tpicamente de transporte pblico o de transporte privado.
El modelo clsico se presenta como una secuencia de cuatro etapas o sub-
modelos: generacin de viajes, distribucin, reparto modal y asignacin. Actual-
mente se reconoce que las decisiones de viaje no se toman realmente siguiendo
este tipo de secuencia; una visin contempornea es que el posicionamiento de
cada submodelo depende de la forma de la funcin de utilidad asumida para
explicar todas estas elecciones de viaje (vase Williams, 1977). Ms an, se
critica que el modelo de cuatro etapas concentra la atencin en slo un espectro
limitado de las decisiones que pueden adoptar los usuarios. La tendencia actual
requiere analizar una gama ms amplia de respuestas a los problemas y pro-
yectos de transporte. Por ejemplo, ante una situacin de congestin creciente,
un viajero puede responder con una serie de cambios simples en:
El recorrido seguido, para evitar la congestin o aprovechar nuevos enlaces;
esto incluye la eleccin de aparcamiento o una combinacin de servicios en
el caso de transporte pblico.
Zonificacin Datos aos base
Generacin
Ao base Futuro
Base de datos:
i
t
e
r
a
c
i
o
n
e
s
Distribucin
Reparto modal
Asignacin a la red
Evaluacin
Datos futuros
de Planicacin
Figura 1.6. El modelo clsico de transporte de cuatro etapas.
;
El modo utilizado para llegar al destino.
La hora de salida para evitar los momentos ms congestionados.
El destino del viaje hacia una zona menos congestionada.
La frecuencia de los viajes, hacindolos otro da, o quizs combinndolos
con otras actividades.
Adems, a ms largo plazo pueden tener lugar otras respuestas ms com-
plejas, por ejemplo, cambio de lugar de empleo, de localizacin residencial, de
reas comerciales, etc.; todos estos aspectos son sensibles, al menos en parte,
a cambios en la accesibilidad del sistema de transporte.
A pesar de estos comentarios, el modelo secuencial de cuatro etapas cons-
tituye un punto de referencia respecto a mtodos alternativos. Por ejemplo,
algunos de los enfoques actuales intentan tratar de forma simultnea la elec-
cin de frecuencia de viaje (viajes por semana), destino y modo de viaje en un
modelo nico que colapsa estas tres etapas. Otros enfoques ponen el nfasis
en el papel de las actividades familiares y en las elecciones de viaje que ellas
originan; conceptos como circuitos, presupuestos de tiempo y dinero se utilizan
en este contexto para modelizar las decisiones y restricciones de viaje. Estas
estrategias de modelizacin son ms difciles de plantear en trminos de los
cuatro submodelos o decisiones anteriormente descritas. Hasta el momento,
estos nuevos enfoques han jugado un papel ms bien de investigacin y su
uso operativo parece an lejano. Sin embargo, estos modelos basados en las
actividades permiten una mejor comprensin del comportamiento respecto
a viajes y probablemente en el futuro mejoren los enfoques de modelizacin
ms convencionales.
La secuencia generacin-distribucin-eleccin modal-asignacin es la ms
comn pero no es la nica posible. Por ejemplo, algunos estudios en el pasa-
do han situado la eleccin modal antes que la distribucin e inmediatamente
despus de (o junto con) la generacin de viajes. Esto permite dar un mayor
nfasis a las variables decisionales que dependen de la unidad que genera el
viaje, quizs el hogar. Sin embargo, situar la eleccin modal antes de que se
conozca la distribucin dificulta la inclusin en el modelo de los atributos del
viaje y del modo y le resta relevancia en trminos de anlisis de polticas al
modelo de reparto modal. Quizs un mejor enfoque sera tratar simultnea mente
la distribucin y eleccin del modo, tal y como se discute en el Captulo 6.
Obsrvese tambin que el modelo clsico considera a la generacin de viajes
como inelstica, es decir, es independiente del nivel de servicio proporcionado
por el sistema de transporte. Probablemente, ello no es demasiado realista pero
Introduccin
8
solamente en los ltimos aos se han desarrollado tcnicas que pueden tener
en cuenta estos efectos de forma sistemtica.
Una vez calibrado y validado el modelo segn las condiciones del ao
base es cuando puede ser aplicado a uno o ms horizontes de planifica-
cin. Para hacer esto se deben plantear escenarios y planes que describan
las caractersticas relevantes del sistema de transporte y las variables de pla-
nificacin en situaciones futuras. La elaboracin de escenarios realistas y
consistentes no es tarea fcil, ya que es muy sencillo caer en la trampa de cons-
truir alternativas futuras que no sean financieramente factibles ni realistas
en cuanto al probable desarrollo de los usos del suelo y de las actividades en
la zona de estudio. A pesar de estas dificultades, establecer escenarios es an
ms un arte que una tcnica y requiere mucha experiencia ingenieril com-
binada con un slido juicio poltico; desgraciadamente, stos son recursos
escasos que no suelen encontrarse al mismo tiempo en los equipos de plani-
ficacin.
Una vez definidos un conjunto de escenarios y planes realistas para su
verificacin, se activa nuevamente la misma secuencia de modelos para simu-
lar sus prestaciones. A continuacin se realiza una comparacin entre los cos-
tes y beneficios de los diferentes proyectos bajo diferentes escenarios, con el
objetivo final de elegir el programa de inversin ms rentable y la poltica de
transporte ms adecuada que satisfaga la demanda por desplazamientos en la
zona de estudio.
Una cuestin importante en el modelo clsico de cuatro etapas es la ne-
cesidad de verificar la utilizacin consistente de las variables que influyen
sobre la demanda. Por ejemplo, al final de la fase de asignacin de trfico se
obtendrn nuevos niveles de flujo y, por lo tanto, nuevos tiempos de viaje que,
probablemente, no sean los mismos tiempos de viaje supuestos al estimar la
distribucin de viajes y eleccin de modo. Por ello parecera necesario volver a
ejecutar los modelos de distribucin y eleccin modal basndose en los nuevos
tiempos de viaje deducidos de la asignacin, recalcular las nuevas matrices
modales y utilizarlas para la aplicacin, tambin de nuevo, del modelo de
asignacin y as sucesivamente. Desafortunadamente, en general este proceso
iterativo ingenioso, no conduce a un conjunto estable de modelos de distri-
bucin, eleccin modal y asignacin con tiempos de viaje consistentes. En el
Captulo 11 se tratar este problema en detalle; su particular importancia est
en el riesgo de elegir un plan equivocado dependiendo solamente del nmero
de iteraciones que se est dispuesto a realizar.
,
1.6. PLANIFICACIN CONTINUA DEL TRANSPORTE
Por s mismos los modelos de planificacin de transporte no solucionan los
problemas del transporte. Para que sean tiles deben ser utilizados dentro de
un proceso decisorio adaptado al leal estilo de toma de decisiones elegido. El
modelo clsico de transporte fue desarrollado originalmente como un enfoque
normativo idealizado para la toma de decisiones. Su papel en la planificacin
del transporte puede ser descrito como una contribucin a las fases clave de un
proceso decisional de tipo racional, como puede verse en la figura 1.7:
1. Formulacin del problema. Un problema puede definirse como una dis-
crepancia entre lo que se espera y la realidad percibida. La definicin
formal de un problema de transporte requiere fijar objetivos, estndares
y restricciones. Los primeros reflejan los valores implcitos en el proceso
decisional, es decir, la definicin de un estado ideal pero posible de conse-
guir en una situacin futura. Los estndares sirven para confrontar, en un
Formulacin del problema
Test del modelo y Solucin
Implementacin de la solucin
Evaluacin de soluciones y recomendacin de la mejor
Recoleccin de datos
Construccin analtica
del modelo y calibracin
Generacin
de soluciones
a testear
Previsin de
las variables de
planifcacin
Figura 1.7. Un marco para la toma de decisiones racional utilizando modelos.
Introduccin
oo
momento dado, si se estn alcanzando las prestaciones mnimas a diferentes
niveles de inters. Por ejemplo, el hecho de que muchas intersecciones
semaforizadas en una ciudad operen a un grado de saturacin del 90% es
una indicacin de red sobrecargada. Las restricciones pueden ser de muchos
tipos, financieras, geogrficas, temporales, tcnicas, o simplemente que
existan algunas reas o tipos de edificios que deberan ser salvaguardados
en los nuevos proyectos.
2. Recogida de datos sobre la situacin actual del sistema para apoyar el
desarrollo del modelo analtico. Evidentemente, la recogida de datos no
es independiente del desarrollo del modelo, ya que ste define el tipo de
datos necesarios: la recogida de los datos y el desarrollo del modelo estn
estrechamente relacionados.
3. Construccin de un modelo analtico del sistema de inters. Las herra-
mientas proporcionadas en este libro pueden ser utilizadas para construir
modelos de transporte que incluyan procesos para la demanda y para las
prestaciones del sistema desde un punto de vista tctico y estratgico. Por
lo general, el objetivo consiste en seleccionar el enfoque de modelizacin
ms simple que permita elegir entre diferentes proyectos de forma consis-
tente. La construccin de un modelo analtico implica su especificacin, su
estimacin o calibracin de parmetros y la validacin de sus prestaciones
con datos no utilizados durante su calibracin.
4. Generacin de soluciones para ser verificadas. Esto puede lograrse de
varias formas, desde aprovechar la experiencia y creatividad de los pla-
nificadores de transporte y grupos interesados, hasta la construccin de
modelos de diseo a gran escala con la ayuda de tcnicas de optimizacin,
por ejemplo. Ello puede implicar la introduccin de mtodos de minimiza-
cin de oferta y costes, que quedan fuera del alcance de este libro.
Para verificar las soluciones provenientes de los proyectos propuestos en el 5.
epgrafe anterior, es necesario predecir los valores futuros de las varia-
bles de planificacin, las cuales han de utilizarse como entradas o inputs
del modelo. Ello requiere la preparacin de descripciones cuantitativas
precisas o escenarios, acerca del ordenamiento futuro de la zona de inters,
normalmente utilizando predicciones que provengan de otros sectores y/o
unidades de planificacin. Este aspecto ser tratado en el Captulo 13.
6. Verificacin del modelo y de las soluciones. El rendimiento del modelo
debe ser verificado, para as confirmar su razonabilidad, bajo diferentes
escenarios de planificacin; tambin se utiliza el modelo para simular dife-
o1
rentes soluciones y estimar sus resultados en trminos de un conjunto de
indicadores idneos, coherentes con los objetivos identificados y con la
definicin del problema mencionado anteriormente.
7. Evaluacin de soluciones y recomendaciones de un plan de estrategia y/o
poltica. Esta fase considera la valoracin de estrategias de accin alterna-
tivas en trminos operativos, econmicos, financieros y sociales en base a
los indicadores obtenidos del modelo. Esto requiere una combinacin de
habilidades que van desde el anlisis econmico hasta el juicio poltico.
8. Implementacin de soluciones y bsqueda de nuevos problemas a afron-
tar. Esta fase requiere la reutilizacin del procedimiento descrito en estos
pasos comenzando de nuevo por el punto 1.
Aunque se basa en conceptos propios del enfoque de teora de decisiones
normativas, este marco de referencia puede ser utilizado tambin dentro de es-
tilos correspondientes a la teora del comportamiento, con el objetivo de formu-
lar planes generales o simplemente para generar argumentos en las licitaciones
asociadas a la toma de decisiones adoptada. Supone, de forma implcita, que
el problema puede ser especificado por completo, que las restricciones y el
espacio de soluciones pueden ser definidas y que la funcin objetivo puede ser
identificada aunque no necesariamente cuantificada completamente.
Sin embargo, uno de los principales aspectos que este libro trata de des-
tacar es que los sistemas reales de transporte no siguen las restricciones ante-
riormente descritas: a menudo es difcil definir las funciones objetivo as como
sus restricciones. Adems, si bien uno puede hacerse la ilusin de que, acotando
un problema de transporte, se puede ser capaz de resolverlo, desgraciadamente
los problemas de transporte tienen la costumbre de reaparecer en lugares dis-
tintos y bajo formas diferentes; al mismo tiempo que aumenta el conocimiento
propio del sistema de transporte se incorporan nuevos aspectos y perspecti-
vas; los cambios en los factores externos y en las variables de planificacin sa-
can de su curso a los planes muy detallados. Un proceso decisional normati-
vo bien estructurado pero fijo puede ser apto para problemas sencillos, bien
definidos y restringidos, pero difcilmente resulta apropiado para tratar los
problemas de transporte que son ms ricos, complejos, multidimensionales y
multifacticos.
Cmo se puede mejorar este enfoque general para afrontar un mundo
en permanente mutacin? Parece esencial reconocer que el futuro es mucho
ms cambiante de lo que nos haran creer nuestros modelos predictivos. Si
Introduccin
o:
ste es el caso, los planes estratgicos deberan ser revisados a intervalos de
tiempo regulares y las estrategias de decisin deberan ser apoyadas mediante
la inclusin de informacin al da, recogida regularmente, para verificar la
evolucin del proceso y corregir su curso cuando sea necesario. En este sen-
tido, los procedimientos decisionales, adaptativos o mixtos, aparecen como
ms flexibles y apropiados a las caractersticas de los problemas relacionados
con el transporte. stos reconocen la necesidad de redefinir constantemente
los problemas, escenarios y objetivos a medida que los entendemos mejor,
identificamos nuevas estrategias de solucin, respondemos a cambios polticos
y tecnolgicos y mejoramos nuestras capacidades de modelizacin mediante
entrenamiento, investigacin y experiencia.
La introduccin de una funcin de seguimiento es un aadido importante
al esquema de la figura 1.7. Un sistema de monitoreo no se restringe a la re-
cogida de datos regular; tambin debera facilitar todas las dems etapas en el
marco de toma de decisiones, tal y como se seala en la figura 1.8. El sistema
Formulacin del problema
F
u
n
c
i
n

d
e

s
e
g
u
i
m
i
e
n
t
o
Test del modelo y Solucin
Implementacin de la solucin
Evaluacin de soluciones y recomendacin de la mejor
Recoleccin de datos
Construccin analtica
del modelo y calibracin
Generacin
de soluciones
a testear
Previsin de
las variables de
planicacin
Figura 1.8. Planificacin y seguimiento con la ayuda de los modelos.
o
de seguimiento tiene dos funciones principales: en primer lugar, debera pro-
porcionar datos para identificar cundo el sistema de transporte y las variables
exgenas clave, como poblacin y crecimiento econmico, se alejan de su
comportamiento estimado. En segundo lugar, los datos recogidos deberan
ser tiles para continuar validando y mejorando el enfoque de modelizacin
utilizado en la preparacin de los planes.
Un buen sistema de seguimiento tambin debera facilitar el aprendizaje
del equipo de planificacin y proporcionar ideas acerca de cmo mejorar y
modificar los modelos. En este sentido, la ocurrencia de problemas serios en
el sistema de transporte, como, por ejemplo, huelgas de transporte pblico,
escasez temporal de combustible o grandes obras viales que temporalmente
cambien la estructura de la red y sus caractersticas, deberan constituir una
importante fuente de informacin acerca del comportamiento del sistema que
puede ser contrastado con las previsiones del modelo. Estos experimentos no
planificados, deberan permitir que los analistas verificaran y mejoraran sus
modelos. Un sistema de seguimiento encaja muy bien con la idea de un enfoque
de planificacin de transporte regular o continua. Por lo tanto, si no existe un
sistema de seguimiento, ste debera establecerse como parte de cualquier
estudio de planificacin de transporte.
El seguimiento de las prestaciones (rendimiento) de un sistema y planes
de transporte es una funcin tan importante que merece influir en la elec-
cin de los modelos de transporte a utilizar para apoyar la planificacin y la
toma de decisiones. En particular, el uso de modelos que puedan ser reutilizados
y actualizados usando datos de bajo coste y relativamente fciles de obtener,
parecen particularmente apropiados para esta tarea. No obstante, como se ver
en los captulos siguientes, estos modelos ms simples no pueden considerar
toda la riqueza de comportamiento de enfoque ms detallados. Sin embargo,
existe la posibilidad de combinar las dos tcnicas, aplicando las herramientas
con mayor resolucin a las partes ms crticas del problema y utilizando las
ms gruesas y sencillas que son ms fciles de actualizar para seguir el pro-
ceso e identificar dnde y cundo hace falta un esfuerzo de modelizacin ms
detallado. Se han hecho intentos por identificar el potencial de compromisos
de este tipo en el resto de este libro.
La adopcin de una funcin de seguimiento permite establecer un proceso
de planificacin continua que contrasta con el enfoque convencional en el que
se gastan recursos considerables durante un perodo de uno o dos aos para
realizar un estudio de transporte a gran escala. Este intenso esfuerzo puntual
Introduccin
o
puede ser seguido por un perodo mucho ms largo de esfuerzos limitados en
la planificacin y puesta al da de los planes. As, rpidamente los informes
y planes estratgicos quedan obsoletos o sencillamente se olvidan, y en la
unidad de planificacin no queda nadie capaz de activar los modelos nueva-
mente. Luego, puede que algunos aos ms tarde se emprenda un nuevo gran
esfuerzo de planificacin y modelizacin y el ciclo se repite. Este estilo de
planificacin derrocha recursos, no motiva ni el aprendizaje ni la adaptacin
como habilidades de planificacin y aliena a los analistas de los problemas
reales. Este enfoque es especialmente doloroso en pases en vas de desarrollo:
no tienen recursos que desperdiciar y los rpidos cambios socio-econmicos
que los caracterizan aceleran el proceso de obsolescencia de planes y datos.
En el Captulo 12 se plantea el uso de modelos ms sencillos y fciles de ac-
tualizar para ayudar a la implantacin de una funcin de seguimiento robusta
pero de bajo coste.
1.7. SOBRE LA TEORA VERSUS LA PRCTICA
Uno de los temas recurrentes en la prctica de la modelizacin del transporte
es la distancia y, algunos diran, desconfianza que existe entre los investiga-
dores que desarrollan las teoras detrs de los modelos y los profesionales que
los aplican en la prctica. Los profesionales a menudo hacen referencia a la
necesidad de elegir entre un conjunto de modelos tericamente slidos pero
difciles de implementar y un enfoque de modelizacin ms pragmtico que
refleje las limitaciones en cuanto a datos, tiempo y recursos disponibles para
un estudio. La sugerencia es que el mtodo pragmtico puede producir las
respuestas necesarias dentro del perodo de tiempo disponible para el estudio,
aunque se deban tomar atajos para realizarlo.
Los autores de este libro no tienen nada en contra de los enfoques pragm-
ticos siempre y cuando proporcionen las respuestas necesarias para tomar de-
cisiones correctas. No hay razn para utilizar modelos sofisticados y caros
(pero presumiblemente ms slidos desde el punto de vista terico) slo con
el objetivo de adquirir mejor prestigio dentro de la comunidad acadmica. Sin
embargo, existen varias razones para preferir un modelo tericamente robusto,
por ejemplo:
Garantiza resultados estables. Las recomendaciones que emanan de un 1.
estudio no deberan depender del nmero de iteraciones del modelo. Pres-
o
cripciones como partir siempre de los costes de flujo libre o iterar so-
lamente dos veces, no son razones suficientes para suponer un resultado
estable: la vez siguiente alguien podra sugerir hacer dos iteraciones ms o
utilizar, justificadamente, un punto de partida diferente pero ello no debera
ser suficiente para justificar un cambio en la recomendacin, a favor o en
contra, de un determinado proyecto.
Garantiza la coherencia. Hay que tener precaucin en no utilizar un modelo 2.
particular de eleccin en una parte de un sistema y otro diferente en otra
parte. A veces los modelos pragmticos no superan este test. La consis-
tencia del modelo es necesaria para superar el test de razonabilidad as
como el juicio pblico.
Proporciona confianza en las predicciones. Casi siempre es posible ajus- 3.
tar un modelo a una situacin existente. Sin embargo, hay muchos ejem-
plos de modelos con buen ajuste que no tienen demasiado sentido, quizs
porque estn basados en variables correlacionadas. En este sentido, va-
riables que estn correlacionadas hoy puede que no lo estn maana; por
ejemplo, una fuerte correlacin entre la produccin de pltanos y la tasa
de motorizacin en un pas determinado, puede desaparecer si se descubre
petrleo all. Por lo tanto, los modelos deberan apoyarse en alguna teo-
ra de comportamiento del viajero con la finalidad de poder interpretarlos
correctamente y tener alguna confianza en que seguirn siendo vlidos
en el futuro.
Permite comprender las propiedades del modelo y desarrollar mejores al- 4.
goritmos para su solucin. Cuando se est en posicin de plantear un pro-
blema en trminos de programacin matemtica o de maximizacin de la
verosimilitud, por citar dos enfoques populares para generar modelos, se dis-
pone de una variedad de herramientas tcnicas que ayudan a desarrollar
buenos algoritmos de solucin. stos han sido mejorados con el paso de los
aos por investigadores trabajando en muchos campos adems del de trans-
porte.
Facilita la comprensin de lo que se puede suponer constante y lo que se 5.
debe aceptar como variable, en un contexto particular de decisin y un
cierto nivel de anlisis. Un aspecto clave en la modelizacin econmica
es la identificacin de variables exgenas y endgenas, y aquellas que se
pueden suponer que permanecern constantes. Por ejemplo, en algunos
estudios de planificacin tctica a corto plazo, tal y como sucede en muchos
esquemas de gestin de trfico, puede ser razonable suponer una matriz
Introduccin
oo
de viajes fija. Sin embargo, esta suposicin podra no ser vlida, incluso a
corto plazo, si las polticas de inters implicasen variaciones significativas
en el precio o en la accesibilidad.
Por otra parte, los profesionales a menudo han renunciado al esfuerzo de
utilizar modelos tericamente mejores, por varias razones, entre otras:
Son demasiados complejos. Esto implica que enfoques heursticos, reglas 1.
empricas y procedimientos ad hoc son ms fciles de entender y, por lo
tanto, preferibles. ste es un argumento razonable; aqu no se propone usar
modelos del tipo caja negra sino todo lo contrario. Los resultados de
un modelo necesitan ser interpretados y esto slo puede conseguirse si
existe un nivel de comprensin razonable de las bases sobre las que el
modelo est construido. Sin ignorar la importancia del papel de la literatura
acadmica en avanzar el estado del arte, existe la necesidad de contar con
un mayor nmero de publicaciones que expliquen las bases de los modelos
sin recurrir a notaciones difciles o a conceptos oscuros para el profesional.
La mayora de los modelos no son tan complicados, aunque algunas de
las implantaciones estadsticas e informticas que se necesitan pueden ser
bastante sofisticadas. Buenas publicaciones, que tiendan a disminuir la
brecha entre profesionales y acadmicos, son una urgente necesidad.
Requieren datos que no estn disponibles o que son costosos de obtener. 2.
Esta afirmacin no siempre es correcta; muchos modelos avanzados apro-
vechan mejor los datos correspondientes a muestras pequeas de lo que lo
hacen algunos de los enfoques ms pragmticos. Las mejoras en los m-
todos de recogida de datos tambin han reducido estos costes y mejorado
la precisin de la informacin.
Es mejor trabajar con matrices reales que con modelos del comporta- 3.
miento de los usuarios. Esto equivale a decir que es mejor trabajar con
matrices de viaje fijas, incluso si hay que expandirlas al horizonte de pla-
nificacin considerado. Se ver, no obstante, que los errores de muestreo
y otros errores asociados a la recogida de datos ponen en duda la precisin
de esas matrices reales; es ms, es imposible que reaccionen frente a la
mayora de las polticas (p. ej., mejoras en la accesibilidad, nuevos servi-
cios, variaciones de precios) ni son razonables bajo condiciones futuras de
sobresaturacin en escenarios del tipo hacer lo mnimo. Solamente el
usar observaciones puede conducir a tomar decisiones obtusas, a tener
una falsa sensacin de precisin y a subestimar el potencial de cambio.
o;
Los modelos tericos no se pueden calibrar al nivel de detalle necesario 4.
para el anlisis de algunos proyectos. Esta afirmacin tiene algo de cierto,
por lo menos en algunos casos en los que las limitaciones de los datos
y el tiempo disponibles, requieren negociar el nivel de detalle requerido
si se desea utilizar un modelo mejor. Sin embargo, puede ser preferible
equivocarse de esta forma antes que trabajar con la ilusin de tener un
nivel de detalle suficiente, pero encontrarse debilitados por resultados po-
tencialmente patolgicos (previsiones con errores de signo o de sentido) o
inelsticos, producto de procedimientos ad hoc.
Es mejor utilizar el mismo modelo (o software) para la mayor parte de los 5.
problemas porque esto asegura la consistencia de los mtodos de evalua-
cin. En principio esta afirmacin es correcta, siempre que el modelo siga
siendo apropiado para estos problemas. Tiene la ventaja de ser un mtodo
consistente, fcil de usar e interpretar y con costes de formacin reducidos.
Sin embargo, esta estrategia falla cuando los problemas no son de la misma
naturaleza. Hiptesis acerca de matrices de viaje fijas o insensibles a la
eleccin del modo o a polticas de tarificacin, pueden ser razonables en
algunos casos pero difciles de aceptar en otros. El uso del mismo modelo
con las mismas hiptesis puede ser apropiado en un caso y completamente
desorientador en otro.
La importancia de estos criterios depende, naturalmente, del contexto deci-
sional y del nivel de anlisis implcito en el estudio. En este libro se recomienda
utilizar el nivel de resolucin apropiado para cada problema de inters. Los
autores consideran que, siempre que sea posible, es preferible utilizar mode-
los buenos y slidos incluso si hubiera que sacrificar cierto nivel de detalle.
Debe, por tanto, encontrarse para cada caso particular y para cada contexto
decisional, el mejor equilibrio entre coherencia terica y conveniencia prctica.
Este libro se esfuerza en proveer el material necesario para ayudar al lector
en esta eleccin.
2.
Prerrequisitos matemticos
2.1. INTRODUCCIN
E
ste libro va dirigido a profesionales y estudiantes en el campo de la
modelizacin y planificacin de transporte. Algunos de estos lectores
dispondrn de un conocimiento matemtico slido al respecto y pueden
saltarse este captulo sin prdida de continuidad. Otros lectores posee-
rn una base de conocimiento ms endeble o desearn refrescar sus ideas y
conceptos. Este captulo est dirigido a estos ltimos lectores. Todo ello bajo
la perspectiva de perfilar los requisitos previos matemticos ms importantes
necesitados para una mejor comprensin de esta obra.
Cabe destacar que los requisitos matemticos aqu expuestos no son, en
ningn modo, demasiado exigentes y que el lector puede resolver la compren-
sin de lo que sigue, con conocimientos de lgebra y clculo modestos.
Primeramente se introduce la idea del concepto de funcin as como su
notacin especial utilizada para, entre otros aspectos, poder disear e inter-
pretar dichas funciones (en coordenadas cartesianas ortogonales). Despus de
introducir el concepto de series, se trata un tema fundamental, tal cual es el
lgebra matricial; esto es particularmente importante en el transporte ya que
a menudo se trabaja con matrices de viajes, de varianza-covarianza, etc. Poste-
riormente se tratan elementos de clculo integral y diferencial. Merecen cierta
atencin las funciones logartmicas y exponenciales pues con frecuencia nos
las encontramos en los modelos de transporte. Del mismo modo, es usual tener
que analizar mximos y mnimos de funciones en el desarrollo de modelos y
en la generacin de algoritmos de solucin. Finalmente, se presentan algunos
conceptos elementales de estadstica en la ltima seccin de este captulo ya
que su tratamiento interviene tambin en una parte importante de las tcnicas
de modelizacin. A parte de ello, se introducirn otros conceptos estadsticos
en captulos posteriores, en la medida que sea necesario.
;o
Las referencias bibliogrficas a este respecto son muy abundantes tanto
para el lector informado como para lectores que necesiten una cierta puesta
a punto. Es recomendable revisar los trabajos realizados por Morley (1972),
Stone (1966) y Wilson y Kirby (1980). Por otro lado, se puede comprobar que
el futuro de la prctica de la modelizacin del transporte se basar cada vez
menos en el uso de modelos simples y rpidos e ir adoptando modelos que
tengan un fuerte soporte terico. Esta tendencia es el resultado de la necesidad
de proporcionar, en muchos casos, soluciones y consejos consistentes para los
que toman las decisiones de planificacin; estos consejos no deben depender,
por ejemplo, de un nmero arbitrariamente elegido de iteraciones o de un punto
de partida particular, ni de modelos que probablemente produciran resultados
errneos cuando se intenta pronosticar nuevas opciones. Por tanto, el rigor que
demanda la modelizacin del transporte depender del planteamiento de me-
jores representaciones matemticas y estadsticas de los problemas a analizar,
lo cual implica inevitablemente lecturas adicionales en estas reas.
2.2. LGEBRA Y FUNCIONES
2.2.1. Introduccin
El lgebra elemental consiste en construir expresiones utilizando las cuatro
operaciones bsicas de la matemtica ordinaria que relacionan letras las cua-
les representan nmeros determinados. Es til distinguir entre las variables
(generalmente denotadas por x, y, z), que representan medidas cuantitativas
y constantes o parmetros (generalmente denotados por letras como a,b,c,,
k,m,n,, o por letras del alfabeto griego). El valor de una constante se supone
que permanece invariante para una situacin particular determinada.
Variables y constantes, estn relacionadas a travs de ecuaciones como:
y = a + bx (2.1)
y si estuviramos interesados en la variable x, podemos obtenerla despejndola
de la ecuacin (2.1), as:
x = (y a) / b (2.2)
Las variables x e y en (2.1) y (2.2) estn relacionadas por el signo =.
Sin embargo, en el lgebra tambin pueden aparecer desigualdades de los
siguientes tipos:
;1
> significa mayor que
< significa menor que
significa menor o igual que
significa mayor o igual que
y que se utilizan para restringir variables, como por ejemplo:
x + 2y 5 (2.3)
Esta expresin (inecuacin), no puede ser resuelta para x e y, sin embargo,
denota que ambas variables pueden tomar slo un rango restringido de valo-
res. Por ejemplo, si se establece que sus valores han de ser enteros y positivos,
puede verse fcilmente que x no puede ser mayor que 3 y que y no puede ser
mayor que 2.
Las inecuaciones se pueden manipular de la misma forma que se hace con
las ecuaciones, es decir:
Se puede sumar a ambos lados de la inecuacin la misma cantidad y el
resultado no vara. Lo mismo sucede con la resta.
Se puede multiplicar o dividir cada lado por la misma cantidad sin variar la
inecuacin pero, si el nmero por el que est multiplicndose o dividindose
fuera negativo, la desigualdad se invertira.
Por ejemplo, si se resta 5 en ambos lados de (2.3) resulta:
x + 2y 5 < 0
que es ciertamente la misma restriccin. Sin embargo, si se multiplica por 2
a ambos lados, lo que queda es:
2x 4y 10
El lector puede verificar que esta inecuacin proporciona la misma restric-
cin y el mismo resultado que la (2.3).
El uso de letras para denotar variables slo es conveniente desde un cierto
punto de vista. Pronto aparecer la necesidad de utilizar ndices (subndices o
superndices) para definir variables adicionales, como, por ejemplo, x
1
, x
2
, x
3
,,
x
n
, que pueden ser resumidas as: x
i
, i = 1,2,,n; y carece de importancia si se
utiliza otra letra para el ndice si tiene el mismo rango numrico. Por ejemplo,
se podra definir tambin de esta manera: x
k
, k = 1,2,,n.
;:
La utilizacin de ndices facilita una muy conveniente notacin para las
sumas y productos:

x x x x x
i
i
i n
n
+ + + +
1
1
2 3
...
(2.4)
o bien:

y y y y y
j m
j
m
j
1 2 3
1
...
(2.5)
En ciertos casos no es suficiente un solo ndice, pudiendo entonces utili-
zarse dos o ms. Por ejemplo, se podran definir las seis variables siguientes,
T
11
, T
12
, T
21
, T
22
, T
31
, T
32
como T
ij
, i = 1,2,3, y j =1,2. Con variables de dos subn-
dices se pueden establecer dobles sumas o dobles productos, como en:

T T T T T T T T T
ij
j i
i i
i
+ + + + + +

1
2
1
3
1 2 11 12 21 22 31 32
1
3
( )
(2.6)
2.2.2. Funciones y grficas
Hasta aqu se ha hecho referencia a cmo estn relacionadas las variables
mediante igualdades y desigualdades; en general stas pueden denominarse
relaciones funcionales. Por otra parte, una funcin particular consiste en algn
tipo especfico de relacin entre dos o ms variables. Por ejemplo, la funcin
de poder:
y = x
n
(2.7)
en la que los valores de la variable dependiente y vienen dados por los valores
de los parmetros y n, y de los de la variable independiente x; una funcin
requiere que, para cada valor de x en algn rango, se especifique un valor
correspondiente de la variable y. A menudo no deseamos referirnos a una
funcin particular, sino slo sealar que y es algn tipo de funcin de x o
viceversa; esto puede escribirse como:
y = f (x) (2.8)
Existe un gran abanico de funciones de diferentes tipos y formas y con-
secuentemente, los lectores deben familiarizarse con ellas. Es conveniente,
;
normalmente, graficar las funciones en un sistema de coordenadas Cartesianas
(ver Figura 2.1).
Una variable dependiente puede ser una funcin de varias variables inde-
pendientes, por ejemplo:
y = f (x
1
, x
2
,, x
n
) (2.9)
pero se requieren n + 1 dimensiones para proceder a su representacin grfi-
ca (n para las variables independientes y 1 para la variable dependiente). Las
coordenadas cartesianas se pueden utilizar para tres o ms dimensiones; en
el caso de tres dimensiones, el tercer eje, en la figura 2.1, saldra del papel
hacia fuera. Ms de tres dimensiones no pueden visualizarse fsicamente, sin
embargo, su tratamiento algebraico es semejante que en el caso de una, dos o
tres dimensiones. Por ejemplo, en el caso de n = 2 la funcin puede represen-
tar una superficie que, evidentemente, se sale del plano conformado por las
dimensiones (x
1
,x
2
).
Generalmente, cualquier ecuacin puede ser representada de la forma
f(x) = 0 por ejemplo, la ecuacin lineal:
ax = b
es equivalente a la ecuacin
ax b = 0
Figura 2.1. Grficas de funciones de poder.
x
2
1
1
x
x
x
y
x
2
x
1/2
x
3
x
3
;
en que f(x) = ax b. Resolver esta ecuacin es equivalente a encontrar los
puntos en los que la curva y = f(x) intersecciona con el eje x. Estos puntos se
denominan soluciones reales o ceros de la ecuacin f(x); son, por ejemplo, los
puntos (0,x
1
) y (0,x
2
) de la figura 2.2.
Tambin puede estarse interesado en ver qu sucede con el valor de la
funcin f(x), cuando x tiende a infinito (x ). Fcilmente puede comprobarse
que las posibilidades son las siguientes:
f (x) tiende a infinito cuando x [p. ej., en la funcin f(x) = x
2
].
f (x) tiende a menos infinito cuando x [p. ej., en la funcin f(x) = x].
f (x) oscila entre ms infinito y menos infinito, cuando x [p. ej., en la
funcin f(x) = (1)
x
x
2
].
f (x) tiene lmite finito cuando x [p. ej., en la funcin f(x) = 1 + 1 / x].
x
y
x
2
x
1
y = f(x)
Figura 2.2. Soluciones reales a una funcin genrica.
Para funciones ms complejas tambin podra intentar calcularse si el lmite
de f(x) cuando x tiene un valor finito o no.
Tambin se podra estar interesado en conocer el lmite cuando x se aproxi-
ma a un valor finito. Por ejemplo, para la funcin y = f(x) = 1 / (x + 3), podra
comprobarse fcilmente que su lmite cuando x 0, es 1/3. En general si existe
un valor tal que si x resulta que f(x) , entonces la recta de ecuacin
x = es una asntota de la funcin y = f(x) (ver Figura 2.3).
;
x
y
y = f(x)
Figura 2.3. Funcin genrica con asntota en x = .

Una de las funciones ms importantes es la lnea recta (ver Figura 2.4), cuya
ecuacin general es la especificada en (2.1), toma el valor a cuando x = 0 y se
denomina normalmente intercepto de la funcin con el eje y. La constante a
se denomina pendiente de la funcin, cuyo valor fcilmente se demuestra que es:
a =
y
2
y
1
(2.10)
x
2
x
1
donde (x
1
, y
1
) y (x
2
, y
2
) son dos puntos cualesquiera de la recta (ver Figura 2.4a).
Aunque una lnea recta tiene por definicin su pendiente (gradiente) constante,
sta puede ser positiva o negativa (Figura 2.4b).
x
y
(b)
P
b
y = ax+b
x x2 x1
y
b
(a)
P
Q
y2
y1
y = ax+b
Figura 2.4. Representaciones de la recta y = ax + b con pendiente positiva (a) y
con pendiente negativa (b).
;o
Dos rectas no paralelas se cortan siempre en un punto (ver Figura 2.5) que
se calcula resolviendo el sistema de ecuaciones como en el ejemplo siguiente:
y = x + 2 (2.11a)

y = x + 4 (2.11b)
Despejando x en (2.11b) y sustituyndolo en (2.11a), resulta el punto solu-
cin de coordenadas (x = 1, y = 3).
x
2 1 0 1
1
2
2
3
3
4
4
y
y = x + 2
y = x + 4
Figura 2.5. Interseccin de dos lneas rectas.
2.2.3. Sumas de series
Una serie se define simplemente como una secuencia de nmeros
u
n
, n = 1,2,, N. En muchos casos puede ser interesante encontrar su suma:

S u u u u
N N n
n
+ + +
1 2
...
(2.12)
Una serie muy conocida es la progresin aritmtica en que cada trmino
se obtiene del anterior aadindole un nmero d.
u
n
= u
n1
+ d (2.13)
Se puede deducir fcilmente que la suma de N trminos de una progre-
sin aritmtica en la que el primer trmino es b, viene dada por la siguiente
expresin:
;;

S Nb
N N d
N
+
( ) 1
2
(2.14)
Otra serie muy comn es la denominada progresin geomtrica (2.15) en
que cada trmino se obtiene del anterior multiplicndole por un factor fijo r
(razn de la progresin geomtrica). Si el primer trmino es b, la suma finita
de N trminos viene dada por la expresin (2.16).
u
n
= ru
n1
(2.15)

S
b r
r
N
n
( ) 1
1
(2.16)
En el caso de la serie (progresin aritmtica) representada por u
n
= n, la
suma finita de N trminos es:

S
N N
N

+ ( ) 1
2
Y en el caso de una progresin geomtrica cuyos trminos vienen repre-
sentados por la expresin u
n
= x
n
, la suma finita, tambin de N trminos es:

S
x x
x
N
N
( )
( )
1
1
para x 1
Pero cuando N , la suma de la serie anterior tiende tambin a infinito.
Lo mismo sucede para la serie u
n
= n; y para la serie u
n
= x
n
si x > 1; sin embar-
go, para esta misma serie, si 0 < x < 1, su suma es finita y su expresin es:

S
x
x
N

1
2.3. LGEBRA MATRICIAL
2.3.1. Introduccin
Cualquier variable con dos subndices puede denominarse matriz. Aqu se
expresan las matrices por la notacin B = {B
ij
}, donde las variables B
ij
, tal que
;8
i = 1,2,, N; y tal que j = 1,2,, M son los elementos de la matriz B. Por tanto,
puede escribirse que:

B
j
(
,
,
,
,
\
,
(
(
(
(
B B B B
B B B B
B B B B
M
M
N N N NM
11 12 13 1
21 22 23 2
1 2 3
L
M
L
L
(2.17)
Como puede verse, la matriz B tiene N filas y M columnas; por esta ra-
zn se la denomina matriz de N M. Un vector es un caso especial e impor-
tante de matriz. Sera una matriz N 1 denominada matriz columna (otros
autores utilizan tambin las matrices fila). En aquel caso, el segundo ndice es
redundante, y su representacin matricial es {V
i
}, es decir:

V
j
(
,
,
,
,
,
,
\
,
(
(
(
(
(
(
V
V
V
V
V
i
N
1
2
3
M
(2.18)
Formalmente, una variable sin ndices, o incluso una constante, puede
considerarse como una matriz de 1 1 y se la conoce como un escalar.
Intercambiando filas (N) y columnas (M) de la matriz inicial B, se obtiene
la matriz traspuesta B
T
de B, dada por

B
T
j
(
,
,
,
,
\
,
(
(
(
(
B B B B
B B B B
B B B B
N
N
M M M NM
11 21 31 1
12 22 32 2
1 2 3
L
M
L
L
(2.19)
De la misma manera para un vector columna (N 1)su traspuesta sera
un vector fila (1 N), as:
V
T
= [V
1
,V
2
,V
3
, V
N
] (2.20)
;,
Una matriz cuadrada S es una matriz B tal que el nmero de filas es el
mismo que el de columnas (N = M); una matriz cuadrada es simtrica si
S = S
T
. Una matriz diagonal D = {D
ij
}

es aquella en la que i j D
ij
= 0
es decir, todos los elementos de la matriz son cero excepto el o los de la diago-
nal principal (i=j). La matriz unidad o Matriz Unitaria (I) es una matriz dia-
gonal cuadrada con todos los elementos = 1, es decir:

I
j
(
,
,
,
,
\
,
(
(
(
(
1 0 0
0 1 0
0 0 1
L
M
L
L
(2.21)
2.3.2. Operaciones bsicas en el lgebra Matricial
Dadas dos matrices A y B, la matriz C representar las diferentes combi-
naciones que a continuacin se van a establecer. Vase primero la suma de
matrices:
C = A + B = B + A (2.22)
Los elementos de la matriz C se definen as: C
ij
= A
ij
+ B
ij
. Por ello se re-
quiere que ambas matrices tengan la misma dimensin, as: N M. Lo mismo
sucede con la diferencia de matrices:
C = A B (2.23)
Adems, para multiplicar un escalar por una matriz, se multiplican todos
los elementos de la matriz por dicho escalar, es decir, C
ij
= kA
ij
:
C = kA (2.24)
Multiplicar dos matrices es algo ms complejo:
C = AB (2.25)
Para ello se define el elemento de la mat riz producto C
ij
como:
C
ij
=
k

A
ik
B
kj
, donde A es una matriz N M y B es otra matriz cualquiera
M L (es decir, el nmero de columnas de A es el mismo que el de filas de B).
En este caso, la matriz producto C es de dimensin N L.
8o
Es fcil de comprobar que, en general, AB no es igual a BA, es decir, el
producto de matrices no es conmutativo, como sin embargo ocurre en el lgebra
elemental. Pero ste no es el caso de la multiplicacin de dos matrices en el que
una de ellas es la matriz unitaria I. Es fcil verificar que:
IA = AI = A (2.26)
As, para definir en general el producto de cualquier nmero de matrices, el
orden siempre debe respetarse. De hecho, se especifica la pre-multiplicacin de
A por B para formar el producto BA, y la postmultiplicacin para formar AB.
Para definir la divisin es conveniente utilizar el concepto de matriz inversa.
Desafortunadamente, ello slo es posible para matrices cuadradas y no siempre.
Si la matriz inversa existe se denotar por B
-1
y es la matriz que satisface:
B
-1
B = BB
-1
= I (2.27)
En este caso la matriz B es no-singular. Se proporcionar un procedimiento
para el clculo de los elementos de la matriz inversa que, como podr com-
probarse, es bastante complicado. Es suficiente saber que bajo las condiciones
convenientes, dicha matriz existe. La divisin es entonces simplemente pre o
postmultiplicacin por B
-1
.
En este libro se utiliza la notacin matricial para representar sintticamente
los sistemas de ecuaciones as como para obtener su solucin, para lo cual se
necesita obtener la matriz inversa.
2.4. ELEMENTOS DE CLCULO
Las dos ramas principales de clculo son la diferenciacin y la integracin; su
naturaleza bsica puede identificarse intuitivamente por referencia a la funcin
y = f(x) dibujada en la figura 2.6. Considere los puntos P y Q y el segmento
por ellos definido. La diferenciacin se ocupa en el clculo de la pendiente de
una curva en un punto. Para ello, es til considerar Q prximo a P; en el lmite
el segmento PQ llega a ser la tangente a la curva en P = Q (es decir, cuando
la distancia horizontal h es 0) y por definicin su pendiente es igual a la
pendiente de la curva en ese punto.
La integracin, por otro lado, se ocupa de calcular el rea bajo una curva
considerada, tal cual es el rea sombreada en la figura 2.6; como ms adelante
puede observarse, ambos conceptos estn estrechamente relacionados.
81
2.4.1. Diferenciacin
Utilizando la ecuacin (2.10), la pendiente (gradiente) del segmento PQ en la
figura 2.6 puede escribirse como:
(x) = [ f(x
0
+ h) f(x
0
)] / h
Si el lmite de (x) cuando h 0 existe y es el mismo si h tiende a cero
desde ambos lados del punto considerado, entonces a este lmite se le denomina
derivada de la funcin y o f(x)

con respecto a x en x
o
y usualmente se escribe
como f '(x
0
) o dy / dx

en x
o
. El proceso de encontrar la derivada se denomina
diferenciacin.
Si f(x) viene dada como una funcin de x, normalmente no es difcil calcu-
lar f '(x) como otra funcin de x. La tabla 2.1 proporciona las derivadas de las
funciones ms usuales.
A partir de aqu, tambin se pueden definir las derivadas de segundo orden,
tercero y en general derivadas de orden superior (p. ej., f
0
"
(x) o d
2
x / dx
2
d
2
y / dx
2

y as sucesivamente). Por ejemplo, si se diferencia la derivada primera de la
funcin y = x
b
en la tabla 2.1, resulta:

d y
d
b b x
b
2
2
2
1
x

( )

(2.28)
x
y
y = f(x)
f(x
0
+ h)
f(x
0
)
x
0
x
0
+ h
P
Q
Figura 2.6. Gradiente en un punto y rea bajo una curva.
8:
Tabla 2.1. Derivadas ms comunes
Funcin f(x) Derivada f '(x)
K (k constante) 0
x
b
(b constante, x > 0) bx
b1
ku(x) (k constante) ku'(x)
u(x) + v(x) u'(x) + v'(x)
u(x)v(x) u'(x)v(x) + u(x)v'(x)
u[v(x)] u'[v(x)]v'(x)
2.4.2. Integracin
sta es la operacin inversa de la diferenciacin; si se conoce la pendiente de
una curva en cada punto de ella, entonces a la ecuacin de la propia curva se
la denomina integral. Por ejemplo, si g = g(x) es la ecuacin de la pendiente, la
ecuacin de la curva es:

y g x dx
x
[
( )
y este resultado depende siempre de una constante arbitraria aditiva; por ejem-
plo, si g = bx
b1
(ver Tabla 2.1), la integral indefinida de g(x) viene dada por:

y G x bx dx x C
b b
x
+
[
( )
1
(2.29)
donde C es la constante arbitraria de integracin (es decir la derivada de
x
b
+ C es bx
b1

sin importar el valor de C). El uso elemental ms prctico de
la integracin es obtener el rea bajo una curva como una integral definida,
tal y como se muestra en la figura 2.7a.

rea abcd [ ]
[ [
F x F b F a ydx f x dx
a
b
a
b
a
b
( ) ( ) ( ) ( ) (2.30)
Por ejemplo, si se toma el caso simple de una lnea recta paralela al eje x,
de ecuacin y = f(x) = h y se quiere proceder a su integracin entre los valores
a y b (ver Figura 2.7b), resulta:
F(x) = hx + C
8
y por tanto:
rea = F(b) F(a) = h(b a)
que es, de hecho, el rea del rectngulo sombreado en la figura 2.7(b).
Como ejemplo, pueden utilizarse las derivadas de la tabla 2.1 para calcular
sus integrales indefinidas; en particular, si:

u x dx U x C v x dx V x C ( ) ( ) ( ) ( ) + +
[ [
1 2
y
entonces:

u v x v x dx U v x C ( ) '( ) ( ) [ ] [ ] +
[
3
y

U x v x dx U x V x u x V x dx ( ) ( ) ( ) ( ) ( ) ( )
[ [
Evidentemente no todas las funciones, ni siquiera algunas que pueden
parecer simples, tienen integrales indefinidas que sean expresiones simples
tambin. Sin embargo, como se ver ms adelante, pueden calcularse las inte-
grales definidas de forma numrica.
x
y
y = f(x)
a
(a)
b
d
c
x
y
(b)
a
d
b
c
Figura 2.7. reas bajo curvas: (a) caso general, (b) recta paralela al eje x.
8
2.4.3. Funciones logartmicas y exponenciales
La integral de la funcin y = f(x) = 1 / x (Figura 2.8) se ha definido como el
logaritmo natural de x, o log
e
(x), donde e es la constante de Nepper. Su valor
es aproximadamente 2,7183 y corresponde a los puntos del eje x, (1,0) y (e,0)
de la figura 2.8, tal que el rea sombreada entre ellos y la curva es 1, es decir,
log
e
(e) = 1. Como en este libro slo se utilizan logaritmos naturales, se prescinde
de la notacin subndice e en lo sucesivo.
x
y
y = 1/x
1,0
0,5
0
0 0,5 1,0 1,5 2,0 3,0 2,5 e
Figura 2.8. Funcin inversa de x y constante de Nepper.
Como otras funciones logaritmo, el log (x) tiene las siguientes propiedades:
log (1) = 0
lim log (t)

t
lim log (t)

t 0
log (uv) = log (u) + log (v)
Otra funcin muy utilizada es la funcin exponencial exp (x) o e
x
, definida
como el nmero w tal que log (w) = x, y como se sabe:
e
(x + y)
= e
x
e
y
8
Por otro lado: e
log(x)
= x
Ambas funciones log (x) y exp (x) son fciles de diferenciar; por definicin:

d
dx
x
x
log ( )
1
(2.31)
Y por tanto no es difcil de demostrar que:

d
dx
x x
( ) e e (2.32)
Es decir, la funcin exp (x) permanece inalterada ante la diferenciacin.
2.4.4. Mximos y mnimos de funciones
Una de las ms importantes utilizaciones de la diferenciacin es calcular
mximos y mnimos de funciones. Considrese el ejemplo de la figura 2.9; la
funcin representada tiene un mximo en el punto (x
1
,0) y un mnimo en (x
2
,0).
Ambos puntos se caracterizan porque las pendientes (gradiente) de la curva
en esos puntos son cero; por lo tanto, para encontrarlos, es necesario resolver
la ecuacin f '(x) = 0.
Es importante destacar, sin embargo, que no todos los ceros ( f '(x) = 0)
que tuviera la funcin f(x)

son mximos o mnimos; un ejemplo de ello es el
x x
1
x
2
x
3
y
y = f(x)
Figura 2.9. Mximo, mnimo y punto de inflexin.
8o
caso de los puntos de inflexin como el (x
3
,0) de la figura 2.9. Para averiguar
si un cero de la funcin f(x) es mximo, mnimo o inflexin, hay que analizar
las derivadas segundas as:
La funcin f(x) presenta un mximo si f '(x) = 0, y adems:
f "(x) < 0 (2.33)
La funcin f(x) presenta un mnimo si f '(x) = 0, y adems:
f "(x) > 0 (2.34)
La funcin f(x) presenta un punto de inflexin si f '(x) = 0, y adems:
f "(x) = 0 (2.35)
Estos casos se ilustran en la figura 2.10 y para evitar errores puede utilizar-
se la siguiente regla nemotcnica. Imagnese la funcin como si fuera una copa
con lquido; si estuviera boca abajo, el lquido se derramara (signo menos) y
entonces se tratara de un mximo. Recprocamente si la copa estuviera boca
arriba, el lquido permanecera (signo ms) y se tratara de un mnimo.
x
(a)
P
y
x
(b)
P
+
y
x
(c)
P
+
y
Figura 2.10. Puntos estacionarios: (a) mximo, (b) mnimo, (c) punto de inflexin.
En orden a desarrollar una teora directamente dirigida hacia una caracte-
rizacin global de los ceros locales de funciones, los matemticos consideran
necesario introducir nociones complementarias sobre convexidad y concavidad.
Ambos conceptos son importantes y adems proporcionan una interpretacin
8;
geomtrica interesante de las condiciones de segundo-orden expuestas en (2.33)
a (2.35).
x
(a)
y
x
(b)
y
x
(c)
y
Figura 2.11. Funciones convexas: (a) convexa, (b) convexa, (c) no-convexa.
La figura 2.11 presenta algunos ejemplos de funciones convexas y no-
convexas. Geomtricamente, una funcin es convexa si la lnea que une dos
puntos cualesquiera de dicha funcin, no intercepta a la curva ms que en esos
dos puntos. Vase como en la figura 2.11(a), en dos dimensiones, una funcin
convexa tendra un grfico en forma semejante a la de un cuenco. Entonces,
de la misma manera, se dice que una funcin g es cncava si la funcin f = g
es convexa. Una propiedad interesante de las funciones convexas es que la
suma de dos funciones convexas tambin es convexa.
2.4.5. Funciones de varias variables
Es muy til realizar aplicaciones de la diferenciacin y del clculo integral a
este nuevo tipo de funciones con ms de una variable. Supngase que se tiene
la funcin:
y = f(x
1
,x
2
,,x
n
) (2.36)
Entonces para derivar dicha funcin respecto a una de estas variables x
i
,
se deriva normalmente respecto de ella suponiendo constantes las dems. Se
conoce con el nombre de derivada parcial de la funcin con respecto a la va-
riable considerada y se escribe as: y / x
i
. Por ejemplo, si:
y = 2x
1
+ x
2
3
x
3
88
resulta que:

o
o

y
x
1
2

o
o

y
x
x x
2
2
2
3
3

o
o

y
x
x
3
2
3
Los mximos y mnimos de una funcin (2.36) se obtendran igualando a
cero todas las derivadas parciales:

o
o

y
x
i n
i
0 1 2 = , ,..., (2.37)
que proporciona un sistema de n ecuaciones a resolver. Un caso particularmente
interesante es el de los mximos y mnimos restringidos. Imagnese que se
desea maximizar la ecuacin (2.36) sujeta a las siguientes restricciones:

r x x x b
r x x x b
r x
n
n
K
1 1 2 1
2 1 2 2
( , ,..., )
( , ,..., )
(
M
11 2
, ,..., ) x x b
n K
(2.38)
Para su resolucin pueden aplicarse los multiplicadores de Lagrange
1
,
2
,,
K
sobre cada una de las ecuaciones (2.38) y, a su vez, maximizar la
funcin Lagrangiana as definida:

L f x x x r x x x b
n k k n k
k
+ ,
]
]
( , ,... ) ( , ,..., )
1 2 1 2
i
1
k K
(2.39)
como una funcin de x
1
,x
2
,,x
n
y
1
,
2
,,
K
. Entonces se procede a resolver
los siguientes sistemas de ecuaciones:

o
o

L
x
i n
i
0 1 2 = , ,..., (2.40)
8,
y

L
= 0 k = 1,2,,K (2.41)

k
Las ecuaciones (2.41) son simplemente las restricciones (2.38) expresadas
de otra forma; el artificio de introducir los multiplicadores como las variables
adicionales permite encontrar el mximo restringido.
2.4.6. Integracin mltiple
En el caso de la integracin, puede definirse el concepto de integrales mltiples.
Por ejemplo, dada la ecuacin (2.36), se podra escribir:

V f x x x dx dx dx
n n
[ [[
L ( , ,... ) ,...,
1 2 1 2
(2.42)
con n integrales. Para comprender intuitivamente su significado, puede ser til
considerar el caso bidimensional, es decir, sea la funcin:

S f x x ( , )
1 2
(2.43)
que representa una superficie en un sistema Cartesiano tridimensional. La
integral doble sera:

V f x x dx dx
[[
( , )
1 2 1 2
(2.44)
y representa el volumen bajo esta superficie entre los lmites que se consideren,
de la misma manera que para el caso de una sola variable representara el rea
bajo la curva entre los lmites fijados.
2.4.7. Elasticidades
La elasticidad de una variable dependiente y con respecto a otra variable x
i
en
una funcin como la que representa (2.9), viene dada por la expresin:

E y x
y
x
x
y
y
y
x
x
i
i
i
i
i
( , )
o
o

o
o
(2.45)
,o
y puede interpretarse como el cambio porcentual que experimenta la variable
dependiente con respecto a un cambio porcentual dado en la variable indepen-
diente correspondiente.
En los temas economtricos, se centrar el inters, a menudo, en las elasti-
cidades de una funcin de demanda dada con respecto a los cambios en los va-
lores de algunas variables explicativas o atributos. Generalmente se distingue
entre elasticidades directas y cruzadas; las primeras se relacionan con los atri-
butos del servicio o de la mercanca bajo consideracin y las segundas, con los
atribu tos de servicios o mercancas alternativas. Por ejemplo, se afirma a menu-
do que la elasticidad de demanda de transporte pblico respecto de las tarifas
est alrededor de 0,33; esto significa que si se aumentan las tarifas un 1% se
debe esperar una disminucin relativa de la demanda en un 0,33%, es decir:

E D T
D
D
T
T
D
D
D
D
( , )
,
, ,
o
o

o

o

0 01
0 33 0 0033
2.4.8. Desarrollos en serie
Dada una funcin f(x), a veces es necesario estimar su valor en el entorno de un
punto x
0
y de sus derivadas en este punto. Para ello puede utilizarse el desarrollo
en serie de Taylor; primeramente se define el concepto de nmero factorial
(n!), el cual se aplica a nmeros enteros no negativos:

n n n n ! ( )( )...
!

1 2 3 2 1
0 1
(2.46)
La serie de Taylor se define as:

f x h f x
h
f x
h
f x
h
f x
h
( ) ( )
!
'( )
!
''( )
!
'''( )
!
0 0
0
0
1
0
2
0
3
0 1 2 3
+ + + + +L
(2.47)
y es muy til cuando h es bastante pequeo ya que pueden despreciarse los
trminos de orden superior al ser prcticamente nulos. As, simplemente po-
dra considerarse una aproximacin suficiente utilizando al menos dos o tres
trminos del desarrollo en serie de Taylor como representativos de la funcin
considerada.
,1
Un caso especial del desarrollo en serie de Taylor es cuando x
0
= 0 y se
le conoce entonces como desarrollo en serie de Maclaurin, que a partir de la
ecuacin (2.47) quedara:

f x f
h
f
h
f
h
f
h
( ) ( )
!
'( )
!
''( )
!
'''( )
!
+ + + + 0
0
0
1
0
2
0
3
0 1 2 3
L
(2.48)
Esto proporciona un mtodo de expresin de ciertas funciones como la
serie de poder e
x
, as:

e x x x
x
+ + + + 1 2 3
2 3
/ ! / ! ...
2.5. ESTADSTICA MATEMTICA ELEMENTAL
En esta seccin se proporciona slo una revisin bsica de los conceptos es-
tadsticos ms fundamentales. En el resto del libro, se supone que el lector no
slo tiene conocimiento de las distribuciones ms importantes (p. ej., la Bino-
mial, Normal, Student, Chi-cuadrado y Fisher) sino que tambin dispone de
cierto conocimiento sobre la inferencia estadstica bsica (p. ej., estimadores,
intervalos de confianza y contraste de hiptesis). Existen multitud de libros al
respecto pero en cualquier caso se recomiendan especficamente los siguientes:
Wonnacott y Wonnacott (1977) y el Captulo 7 de Wilson y Kirby (1980).
Se presentan ciertos tpicos especializados como elementos esenciales
tericos y bsicos, tales como el anlisis de regresin lineal y la estimacin de
la mxima verosimilitud, los cuales se desarrollan ms profundamente en los
captulos pertinentes (es decir 3, 4 y 8 respectivamente).
2.5.1. Probabilidades
La definicin ms intuitiva del concepto de probabilidad es que la medida de
que un cierto resultado ocurra (p. ej., obtener un seis lanzando un dado) viene
dada por el lmite de su frecuencia relativa:

P e p
n
n
i i
x
i
( ) lim
(2.49)
donde e
i
es el resultado deseado, n es el nmero de veces que se repite el ex-
perimento y n
i
el nmero de veces que ocurre e
i
. La expresin (2.49) permite
deducir ciertas propiedades bsicas de las probabilidades:
,:
0 p
i
1 (2.50)
como n
i
puede tomar valores entre 0 y n, resulta que:

p
i
i

1
(2.51)
con n
1
+ n
2
+
= n. Una visin alternativa de la probabilidad esperada de un

resultado puede expresarse en el ejemplo denominado realizar una apuesta
justa. Sea p
i
la probabilidad de ganar una apuesta (que el resultado e
i
se pro-
duzca), y por tanto sea (1-p
i
) la probabilidad de no ganarla (que el resultado
e
i
no se produzca), si la apuesta se gana, se perciben 35$ y si se pierde, deben
pagarse x$. La denominacin apuesta justa proviene del hecho de iguales
prdidas y ganancias, es decir:

35 1 p x p
i i
( )
Por lo tanto, de aqu se obtiene la probabilidad de ganar la apuesta, des-
pejando p
i
, es decir:

p
x
x
i

+35
En muchas ocasiones las probabilidades de ciertos experimentos no son
tan simples de calcular. Si se define un suceso (en ingls event), como un sub-
conjunto del conjunto de resultados de un experimento

E e e e
i
1 2
, ,...,
se puede ver que la probabilidad de un suceso es la suma de las probabilidades
de los resultados que lo componen, esto es:

P E p e E
i
i
i
( ) , e
Ejemplo 2.1: dado el suceso E: {obtener por lo menos dos caras en tres
lanzamientos de una moneda}, los resultados que se pueden dar de los ocho
posibles son cuatro: (c, c, c), (c, c, s), (c, s, c), (s, c, c), (s, s, c), (s, c, s), (c, s, s) y
(s, s, s). Como cada resultado de los ocho tiene una probabilidad de 1/8 (si las
probabilidades de conseguir caras y cruces son iguales, es decir, si la moneda
no est trucada), la probabilidad del suceso E es 1/2.
,
Para combinaciones de eventos (es decir, dos caras pero de tal forma que no
todos los lanzamientos proporcionan el mismo resultado) llega a ser necesario
trabajar con los conceptos de unin (
) e interseccin (
) representados en la
figura 2.12. El rectngulo en la figura representa el espacio del evento y A y
B son eventos dentro de l. En general, es cierto que:

P A B P A P B P A B ( ) ( ) ( ) ( ) U I + (2.52)
y si A y B son mutuamente excluyentes;

P A B P A P B ( ) ( ) ( ) U + (2.53)
A
Unin
Interseccin
B
C D
Figura 2.12. Diagrama de Venn para sucesos y probabilidades.
P(A / B) es la probabilidad de A condicionada por B y es:

P A B
P A B
P B
( / )
( )
( )
I
(2.54)
Un evento F es estadsticamente independiente de otro evento E, si y slo
si (abreviadamente se escribe iff ) la probabilidad de F condicionada por E es
igual a P(F). Por consiguiente, para los eventos independientes se tiene que:

P E F P E P F ( ) ( ) ( ) I (2.55)
que anteriormente se aplic intuitivamente al estimar la probabilidad de evento
en el ejemplo 2.1.
,
2.5.2. Variables aleatorias
Pueden ser definidas como aqullas que toman valores siguiendo una cierta
distribucin de probabilidad (ver Figura 2.13).
X = variable aleatoria
(mapeo)
x = valor
especco
de X
s = suceso
E S
X(S) R
x
S = espacio muestral R
x
= rango de la variable X
Figura 2.13. Variable aleatoria.
Ejemplo 2.2: al lanzar una moneda al espacio dos veces, se tiene que los
posibles resultados son: S = {cc, cs, sc, ss}. Si se define la variable aleatoria
X = nmero de caras, es fcil ver que slo puede tomar los tres siguientes
valores:
x(cc) = 2
x = N de caras
{
x(cs) = x(sc) = 1
x(ss) = 0
Puede verse que una ventaja importante de utilizar el concepto de variable
aleatoria es que el conjunto de los resultados (espacio muestral) se reduce a un
conjunto numrico ms pequeo y conveniente. Cabe destacar que los valores
de probabilidad de la variable aleatoria en este caso sern:
P(x = 1) = P(cs
sc) = P(cs) + P(sx) = 1 / 2

P(x = 2) = P (x = 0) = 1 / 4
Las variables aleatorias pueden ser discretas o continuas. En el primer
caso, x toma valores de un conjunto finito numerable, con probabilidades que
pertenecen a un conjunto p(x)

que satisface (2.51) y p(x
i
) 0. En el segundo
caso es necesario definir una funcin de densidad f(x), tal que:
,

f x dx
f x x
x
( )
( ) ,
[

> V
1
0
(2.56)
2.5.3. Estadstica descriptiva
Cuando se trata con datos estadsticos, la informacin puede ser proporcionada
convenientemente mediante la especificacin de ciertos aspectos importantes
en lugar de toda una distribucin de esos datos. Por ejemplo, la distribucin
de una variable aleatoria puede ser descrita con referencia al valor medio y a
su dispersin alrededor de l. La estadstica descriptiva puede utilizarse para
hacer comparaciones simples entre funciones de distribucin y/o de densidad,
sin entrar en todos los detalles. Es ms, ciertas distribuciones estndares pueden
ser completamente especificadas con slo unos pocos estadsticos.
La estadstica descriptiva ms usual intenta indicar el medio en el que se
desenvuelven las funciones de distribucin: para ello, normalmente se definen
tres medidas o momentos en torno a cero, como son:
Si 1. x es una variable aleatoria, entonces el valor esperado E(X) es la funcin
que se obtiene como promedio ponderado de los x
i
por sus probabilidades, as:

E X x p x
i i i
i
( ) ( ),
para el caso discreto

E X xf x dx
a
b
( ) ( ) ,
[
para el caso continuo (2.57)
donde f(x) se define para el rango [a,b]. El valor esperado corresponde al
concepto de media en estadstica descriptiva, y en el caso de la poblacin
total suele denotarse con la letra griega .
Una de las propiedades ms importantes del valor esperado es:

E a bX cY a bE X cE Y ( ) ( ) ( ) + + + + (2.58)
La 2. moda X* es el valor de X que maximiza p
i
(x
i
) es decir, cualquier mximo
relativo de la distribucin de frecuencias o cualquier valor de la variable
que posea una frecuencia mayor que su anterior y posterior.
La 3. mediana X
0,5
: considrese una variable discreta X, cuyas observaciones
en una tabla estadstica han sido ordenadas de menor a mayor. Se deno-
,o
mina mediana al primer valor de la variable que deja por debajo de s al
50% de las observaciones, por tanto, si n es el nmero de observaciones,
la mediana corresponder a la observacin |n / 2| + 1, donde se representa
por | | la parte entera de un nmero, es decir:
P X P X
x
X
( ) ( ) ,
,
,
0 5
1
0 5
0 5

para el caso discreto.

P x X f x dx
a
X
( ) ( ) ,
,
,
<
[
0 5
0 5
0 5
para el caso continuo (2.59)
Otro importante estadstico de una distribucin es su dispersin o anchura;
para su medicin se utilizan los siguientes estadsticos ms comunes:
La 1. varianza Var(X) de una variable aleatoria se define como:

Var X E X E X ( ) ( ) [ ]

2
(2.60)
Desarrollando la anterior expresin, resulta:

Var X E X XE X E X
E X E X E X E X E
( ) ( ) ( )
( ) ( ) ( ) ( )
+[ ]

[ ] +[ ]
2
2
2
2 2
2
2
2 (( ) X [ ]
2
(2.61)
Evidentemente la varianza no es un operador lineal:
Var (a + bX) = b
2
Var (X), es decir, sumar una constante no afecta a la
dispersin de la distribucin.
Var (aX + bY) = a
2
Var (X) + b
2
Var (Y) + 2ab Cov (X,Y), donde la co-
varianza de X e Y viene dada por:
Cov (X,Y) = E(XY) E(X)E(Y) (2.62)
donde la covarianza de dos variables aleatorias independientes es cero.
La 2. desviacin estndar se(x) es la raz cuadrada de la varianza y, en con-
traposicin a la variacin, tiene las mismas dimensiones que la variable
aleatoria X y que los momentos centrales.
El 3. coeficiente de variacin CV, que est dado por el cociente entre la des-
viacin estndar y la media, es una medida adimensional de la dispersin
de la distribucin.
3.
Datos y rol del espacio
E
ste captulo est dedicado a la problemtica de la toma de datos y su
representacin, para ser utilizados en la modelizacin de transportes.
Se consideran cuatro aspectos que son requisito previo para el resto del
libro. En primer lugar se proporciona una breve introduccin a la teora
estadstica del muestreo, que complementar en parte los conceptos elemen-
tales tratados en el apartado 2.5. A los lectores interesados se les remite a un
libro completo sobre el tema (Stopher y Meyburg, 1979) que puede consultarse
para ms detalles. En el apartado 3.2 se discute la tipologa e importancia de
los errores que pueden surgir durante la estimacin de modelos y en su uso en
modalidad predictiva; se menciona asimismo la interesante disyuntiva entre
precisin de los datos y complejidad y coste del modelo.
En el apartado 3.3 se presentan los distintos tipos de encuestas utilizados en
planificacin de transporte. Merecen un especial inters los problemas referidos
a la correccin, expansin y validacin de los datos de encuestas. Tambin se
tratarn temas relativos a la toma de datos de preferencias declaradas y lon-
gitudinales (p. ej., un panel). Finalmente en el apartado 3.4 se afrontarn los
problemas prcticos ms importantes en la representacin de redes y en el diseo
de la zonificacin de un rea de estudio. Es aqu donde realmente se deciden las
capacidades espaciales del modelo, es decir, su capacidad de tratar correcta-
mente el espacio. Representaciones pobres de la red o sistemas zonales dema-
siado gruesos, pueden invalidar los resultados del modelo terico ms atractivo.
3.1. TEORA BSICA DE MUESTREO
3.1.1. Consideraciones estadsticas
La estadstica puede definirse como la ciencia que trata sobre la recogida, an-
lisis, tratamiento e interpretacin de datos con objeto de obtener la mxima
,8
cantidad de informacin til para describir un fenmeno. Tambin puede ser
descrita como una de las disciplinas relacionadas con la toma de decisiones
bajo condiciones de incertidumbre. En este caso su objetivo sera ayudar a
determinar el nivel de incertidumbre asociado a datos medidos para contribuir
a mejorar el proceso de toma de decisiones.
Normalmente los datos consisten en una muestra de observaciones tomadas
de una cierta poblacin de inters, la cual no es econmicamente (o quizs ni
siquiera tcnicamente) susceptible de ser observada en su integridad. Estas
observaciones se realizan sobre uno o ms atributos de la poblacin (p. ej., el
ingreso) y permiten, despus, realizar inferencias sobre el valor medio de estos
atributos, a menudo llamados parmetros de la poblacin. El diseo muestral
ha de estar encaminado a asegurar que los datos que se van a obtener, ofrezcan
la mayor cantidad de informacin til sobre la poblacin de inters, al menor
coste posible. El resto del problema consiste en cmo utilizar dichos datos
(p. ej., expandir los valores de la muestra) para realizar inferencias correctas
sobre la poblacin. Se presentan entonces dos dificultades:
cmo asegurar que la muestra sea representativa; y
cmo extraer conclusiones vlidas de una muestra que satisfaga la condicin
anterior.
Ninguna de estas dificultades constituira un problema si no hubiera varia-
bilidad en la poblacin. Para resolver la segunda dificultad (extraccin de con-
clusiones vlidas) existe un procedimiento perfectamente establecido que no
presenta graves problemas si se mantienen ciertas hiptesis y condiciones.
La identificacin de una muestra representativa puede suponer una tarea ms
delicada en ciertos casos, como se ver a continuacin.
3.1.1.1. Definiciones bsicas
Muestra: se define como el conjunto de unidades que han sido especialmente
seleccionadas para representar a una poblacin ms grande con ciertos atri-
butos de inters (p. ej., altura, eleccin zonal o modal, etc.). Tres aspectos de
esta definicin tienen particular importancia. Primero: qu poblacin trata
de representar la muestra. Segundo: cul debe ser el tamao de la muestra.
Tercero: qu significa especialmente seleccionada.
Poblacin de inters: es el grupo completo sobre el que se busca informa-
cin. En muchos casos su definicin se obtiene directamente de los objetivos
,,
del estudio. La poblacin de inters se compone de elementos individuales.
Sin embargo, la muestra se selecciona habitualmente sobre la base de uni-
dades muestrales no equivalentes a los elementos individuales, ya que la
agregacin de stos ltimos se considera a menudo necesaria. Por ejemplo,
una unidad muestral utilizada con frecuencia es el hogar, mientras que los
elementos de inters son los individuos que lo componen.
Mtodo de muestreo: la mayora de los mtodos comnmente aceptados
se basan en alguna forma de muestreo aleatorio. Para ello lo fundamental
es que la seleccin de cada unidad se lleve a cabo independientemente, de
forma que cada unidad de muestreo tenga la misma probabilidad de ser
incluida en la muestra. Los mtodos ms interesantes son:
Muestreo aleatorio simple , que no es solamente el mtodo ms sencillo,
sino que tambin constituye la base del resto. Consiste en asociar a cada
unidad de la poblacin un identificador (un nmero) y despus seleccionar
estos nmeros al azar para obtener la muestra. En algunos casos pueden
necesitarse muestras demasiado grandes para asegurar informacin sufi-
ciente sobre opciones minoritarias de inters especial. Por ejemplo, puede
ocurrir que una muestra de unidades familiares tomadas al azar en un
pas en vas de desarrollo ofrezca muy poca informacin sobre hogares
con ms de un vehculo.
Muestreo aleatorio estratificado , en el cual se utiliza en primer lugar
informacin previa para subdividir la poblacin en estratos homogneos
(respecto a las variables de estratificacin), y despus se efecta un mues-
treo aleatorio simple dentro de cada estrato utilizando la misma tasa de
muestreo. El mtodo permite obtener las proporciones correctas de cada
estrato en la muestra. Esto puede ser importante cuando existen subgru-
pos de la poblacin relativamente pequeos, que pudieran no quedar bien
representados en un muestreo aleatorio simple.
Es posible tambin estratificar con respecto a ms de una variable, creando
de esta forma una matriz n-dimensional de celdas grupales. No obstante
debe tenerse especial cuidado con el nmero de celdas creado, ya que se
incrementa geomtricamente con el nmero de estratos. Un nmero exce-
sivo de celdas puede llevar a que el nmero medio de unidades muestra-
les por celda sea demasiado pequeo. Ni siquiera el muestreo estratifica-
do es de gran utilidad cuando se requiere informacin sobre opciones con
una baja probabilidad de eleccin dentro de la poblacin. En estos casos se
1oo
utiliza un tercer mtodo, denominado muestreo basado en la eleccin, que
es en realidad un subconjunto del anterior. El mtodo consiste en estrati-
ficar la poblacin en base a los resultados del proceso de eleccin. Este
mtodo es muy comn en estudios de transporte, como se ver en la sec-
cin 3.3. Una ventaja considerable es que los datos pueden ser obtenidos con
un coste mucho menor que con los otros mtodos de muestreo. Su principal
desventaja es que la muestra global as obtenida, puede no ser aleatoria y
de aqu que sea mayor el riesgo de sesgo a la hora de expandir los valores
obtenidos.
Error muestral y sesgo de muestreo: stos son los dos tipos de errores que
pueden darse al obtener una muestra; su combinacin contribuye al error
de medicin de los datos. El primer tipo de error se debe simplemente al
hecho de que se est tratando con una muestra y no con el total de la po-
blacin, y por lo tanto siempre estar presente debido a efectos aleatorios.
Este tipo de error no afecta a los valores expandidos de las medias de los
parmetros estimados, solamente afecta a la variabilidad en torno a ellas,
determinando as el grado de confianza que puede asociarse a las mismas.
Bsicamente es funcin del tamao muestral y de la variabilidad intrnseca
de los parmetros a investigar.
El sesgo muestral, por otra parte, se produce por errores cometidos bien al
definir la poblacin de inters o bien al seleccionar el mtodo de muestreo,
la tcnica de toma de datos o cualquier otra parte del proceso. Se diferencia
del error muestral en dos aspectos importantes:
Puede afectar no slo a la variabilidad en torno a la media de los parme-
tros estimados sino tambin a los valores mismos. Por ello puede ocasionar
una distorsin ms grave de los resultados de la encuesta.
Mientras que el error muestral no puede ser evitado (solamente puede
reducirse incrementando el tamao de la muestra), el sesgo puede elimi-
narse en la prctica tomando precauciones especiales durante las distintas
fases del diseo muestral y la toma de datos.
Tamao de la muestra: desafortunadamente no hay respuestas simples ni
directas para el clculo del tamao de la muestra en cada situacin. Esto
ocurre porque muchos de sus inputs son inciertos y relativamente subjeti-
vos, a pesar de que los clculos involucrados se basan en precisas frmulas
estadsticas. Por ello el analista slo puede obtener el tamao de la muestra
despus de analizar cuidadosamente el problema estudiado.
1o1
La determinacin del tamao de la muestra es un problema de compromiso,
ya que:
una muestra demasiado grande puede implicar una toma de datos y un
proceso de anlisis demasiado caros dados los objetivos del estudio y el
grado de precisin requerido, pero
una muestra demasiado pequea puede implicar resultados sujetos a un
grado de variabilidad inaceptable, reduciendo el valor de todo el ejer-
cicio.
Entre estos dos extremos se encuentra el tamao de muestra ms eficiente
(en trminos de coste) para los objetivos de un estudio concreto. A partir
de ahora se supone que dicho objetivo consiste en la estimacin de ciertos
parmetros de la poblacin mediante estadsticos calculados a partir de los
datos de la muestra. Como estos estadsticos estn sujetos al error de mues-
treo, es tambin necesario incluir una estimacin de la confianza asociada
al valor de cada uno de ellos.
3.1.1.2. Tamao de la muestra para estimar los parmetros
de la poblacin
sta depende de tres factores principales: variabilidad de los parmetros en
la poblacin estudiada, grado de exactitud requerido para cada uno de ellos y
tamao de la poblacin. Sin duda los dos primeros son los ms importantes.
Esto puede resultar sorprendente a primera vista, porque parece intuitivamente
necesario tomar muestras ms amplias en poblaciones ms grandes con el fin
de mantener el grado de exactitud de las estimaciones. Sin embargo, segn se
ver a continuacin, el tamao de la poblacin no afecta significativamente al
tamao de la muestra, excepto en el caso de poblaciones muy pequeas.
El Teorema Central del Lmite, que es la base primordial del problema de
estimacin del tamao muestral, postula que la estimacin de la media de una
muestra tiende a una distribucin Normal a medida que el tamao de la muestra
(n) aumenta. Esto se cumple para cualquier distribucin de la poblacin si n es
mayor o igual a 30. El teorema se cumple, incluso en el caso de muestras ms
pequeas, si la poblacin original tiene una distribucin similar a la Normal.
Considrese una poblacin de tamao N y una propiedad especfica que
distribuye con media y varianza
2
. El Teorema Central del Lmite indica
que la distribucin de la media (x ) de muestras sucesivas es una distribucin
1o:
Normal con media y desviacin estndar se (x ), conocida como el error
estndar de la media, y viene dada por:

se x
N n
N n
( )
( )
( )
s
2
1
(3.1)
Si slo se considera una muestra, la mejor estimacin de es x y la mejor
estimacin de
2
es S
2
(la varianza de la muestra). En este caso el error estndar
de la media puede estimarse como:

se x
N n S
Nn
( )
( )

2
(3.2)
y, segn se mencion anteriormente, es funcin de tres factores: la variabilidad
del parmetro (S
2
), el tamao de la muestra (n) y el tamao de la poblacin
(N). Sin embargo para poblaciones grandes y tamaos de muestra pequeos
(el caso ms frecuente), el factor (N n) / N es muy prximo a 1 y la ecuacin
(3.2) se reduce a:

se x
S
n
( )
(3.3)
De esta forma, por ejemplo, aumentando cuatro veces el tamao de la
muestra nicamente se reduce a la mitad el error estndar, siendo un caso
tpico de retornos decrecientes a escala. El tamao de la muestra necesaria
puede ser estimado resolviendo la ecuacin (3.2) para n. Pero normalmente
es ms sencillo realizarlo en dos pasos, primero calculando n de la ecuacin
(3.3) de la forma:

n
S
se x
'
( )
2
2
(3.4)
y despus, si es necesario, se corrige por tamao de poblacin finita mediante:

n
n
n
N
+
'
'
1
(3.5)
1o
Aunque el procedimiento descrito parece ser objetivo y relativamente
simple tiene dos inconvenientes importantes que debilitan su aplicacin: la
estimacin de la varianza de la muestra S
2
y la eleccin de un error estndar
aceptable para la media. El primero es obvio: S
2
solamente puede calcularse una
vez que se ha tomado la muestra, por lo que ha de estimarse desde otras fuentes.
El segundo problema est relacionado con el grado de confianza que se desea
asociar al uso de la media muestral como estimador de la media poblacional.
La prctica habitual no especifica un valor nico del error estndar sino un
intervalo alrededor de la media para un determinado nivel de confianza. Por
tanto se necesitan dos hiptesis para calcular un error estndar aceptable:
En primer lugar se debe elegir un nivel de confianza para el intervalo. ste
expresa cun frecuentemente el analista est dispuesto a cometer un error
al aceptar que la media muestral es una medida de la verdadera media (el
nivel de confianza tpico del 95% implica una disposicin a errar en el 5%
de los casos).
En segundo lugar es necesario especificar los lmites del intervalo de con-
fianza alrededor de la media en trminos absolutos o relativos. En este
ltimo caso, como el intervalo se expresa como una proporcin de la media,
se necesita una estimacin de la misma para calcular los valores absolutos
del intervalo. Una opcin til consiste en expresar el tamao muestral como
funcin del coeficiente de variacin esperado (CV = / ) de los datos.
Por ejemplo, si se supone una distribucin Normal y se considera un nivel
de confianza del 95%, significa que un valor mximo de 1,96 se (x ) se aceptara
para el intervalo de confianza ( 1,96

contiene el 95% de la distribucin
de probabilidad Normal). Si se especifica un error del 10% se obtiene un in-
tervalo ( 0,1)

y puede observarse que:
se (x ) = 0,1 / 1,96 = 0,051
y reemplazando este valor en (3.4) se obtiene:
n' = (S / 0,051)
2
= 384 CV
2
(3.6)
Obsrvese que si el intervalo se especifica como ( 0,05), es decir, con
la mitad de error, n se incrementara cuatro veces hasta 1.536 CV
2
.
Para completar este punto es importante enfatizar que el desarrollo ante-
rior es relativamente subjetivo. Por ejemplo, es posible asignar intervalos de
1o
confianza ms pequeos y/o niveles de confianza mayores a parmetros ms
importantes. No obstante, cada una de estas acciones producir errores estndar
aceptables ms pequeos y, en consecuencia, mayores muestras y costes. Si
se necesita estimar varios parmetros, la muestra puede ser elegida a partir de
aquel parmetro que requiera un tamao muestral mayor.
3.1.1.3. Obtencin de la muestra
El ltimo paso del proceso de muestreo es la extraccin de la muestra en s.
En algunos casos el procedimiento puede ser fcilmente automatizable, tanto
en terreno como en gabinete (en cuyo caso se debe prestar especial atencin a
que el proceso se cumpla realmente en la prctica), pero debe realizarse siem-
pre con referencia a un proceso aleatorio. Aunque los nicos procedimientos
verdaderamente aleatorios son aquellos de naturaleza fsica (p. ej., tirar un
dado o lanzar una moneda), son por lo general demasiado costosos para ser
utilizados en la seleccin de la muestra. Por esta razn normalmente se utilizan
procedimientos pseudo-aleatorios, capaces de generar fcil y rpidamente un
conjunto de nmeros aleatorios.
Ejemplo 3.1: considrese una determinada rea cuya poblacin puede cla-
sificarse en grupos segn: posesin de vehculo (con y sin coche) y tamao
familiar (hasta cuatro y ms de cuatro miembros).
Supngase que se necesitan m observaciones por celda para garantizar un
nivel de confianza del 95% en la estimacin de, por ejemplo, la tasa de viajes.
Supngase tambin que la poblacin tiene la siguiente distribucin (obtenida
de datos histricos).
Posesin de vehculo Tamao familiar % de poblacin
Con coche
4 o menos 9
Ms de 4 16
Sin coche
4 o menos 25
Ms de 4 50
En este caso hay dos formas posibles de proceder:
Obtener una muestra con 1. m observaciones por celda mediante muestreo
aleatorio. As, sera necesario seleccionar el tamao de muestra que ga-
1o
rantice este nmero de observaciones para cada celda, incluyendo la clase
con la proporcin ms pequea de la poblacin. Por tanto el tamao de
celda debera ser:

n m m 100 9 11 1 / ,
Alternativamente se puede llevar a cabo una muestra aleatoria prelimi- 2.
nar de 11,1m hogares donde nicamente se pregunte el grupo o clase al
que pertenece. Esta encuesta, de bajo presupuesto, puede utilizarse para
obtener las direcciones de m hogares incluso para el grupo menor. Como
slo se necesitan m observaciones por celda sera suficiente seleccionar
aleatoriamente una muestra estratificada de 3m hogares en los otros grupos
para ser encuestada en detalle (junto con las m ya detectadas para la celda
ms restrictiva).
Como puede observarse en el primer caso se obtiene una muestra mayor;
su coste (aproximadamente tres veces ms encuestas) debe compararse con el
coste de la encuesta preliminar.
3.1.2. Conceptualizacin del problema de muestreo
En esta parte se asumir que el objetivo final de la toma de la muestra es ca-
librar un modelo de eleccin para toda la poblacin. Siguiendo la notacin
de Lerman y Manski (1976) se denomina P y f a las caractersticas de la
poblacin y de la muestra respectivamente. Tambin se supone que ca-
da observacin muestral puede describirse en base a las dos siguientes va-
riables:
i = eleccin observada del individuo encuestado (p. ej., ha tomado un
autobs).
X = vector de caractersticas (atributos) del individuo (edad, sexo, ingre-
so, posesin de vehculo) y de las alternativas de su conjunto de eleccin
(tiempo andando, de espera y de viaje, coste).
Finalmente se supone que el proceso de eleccin subyacente en la pobla-
cin puede representarse mediante un modelo con parmetros . En este caso
la distribucin conjunta de i y X est dada por:
P(i, X / )
1oo
y la probabilidad de elegir la alternativa i entre el conjunto de opciones con
atributos X es:

P(i / X, )
Dependiendo de la forma en que se extraiga cada observacin, la muestra
tendr su propia distribucin conjunta de i y de X que puede escribirse como
f(i,X / ). En base a esta notacin el problema de muestreo puede formalizarse
como se muestra a continuacin (Lerman y Manski, 1979).
3.1.2.1. Muestreo aleatorio
En este caso la distribucin de i y X en la muestra y en la poblacin debera
ser idntica, esto es:
f(i, X / ) = P(i, X / ) (3.7)
3.1.2.2. Muestreo estratificado
En este caso la muestra no es aleatoria respecto a ciertas variables indepen-
dientes del modelo de eleccin (p. ej., una muestra con el 50% de familias de
ingreso bajo y el 50% de familias con ingreso alto es estratificada slo si se
toma una muestra aleatoria dentro de cada estrato). El proceso de muestreo
se define mediante una funcin f(X), que da la probabilidad de encontrar una
observacin con las caractersticas X. En el conjunto de la poblacin, esta
probabilidad es por supuesto P(X). La distribucin de i y X en la muestra
viene dada por:
f(i, X / ) = f(X)P(i, X / ) (3.8)
Es sencillo comprobar que una muestra aleatoria es un caso especial de
muestra estratificada en la que f(X) = P(X), ya que:
f(i, X / ) = P(X) P(i / X, ) = P(i, X / ) (3.9)
3.1.2.3. Muestreo basado en la eleccin
En este caso el procedimiento de muestreo se define mediante una funcin
f(i), que da la probabilidad de encontrar una observacin que elija la opcin i.
Ahora, la distribucin de i y X en la muestra viene dada por:
1o;
f(i, X / ) = f(i)P(X / i, ) (3.10)
Si bien la ltima probabilidad, P(X / i, ) no se haba definido, se puede
obviar a partir del teorema de Bayes que seala:
P(X / i, ) = P(i / X / )P(X) / P(i / ) (3.11)
La expresin del denominador, P(i / ) que tampoco haba sido definida,
puede obtenerse suponiendo valores discretos de X de la forma:
P(i / ) =
P i/ , P ( ) ( ) X X

X
(3.12)
Por tanto la expresin final de la probabilidad conjunta de i y X para una
muestra basada en la eleccin, es claramente ms compleja:

f i, / f i P i/ , P / P i/ , P ( ) ( ) ( ) ( ) ( ) ( ) X X X X

X
X

(3.13)
y sirve para ilustrar no solamente que el muestreo basado en la eleccin es
intuitivamente ms problemtico que los otros, sino tambin para constatar
que posee un potencial de sesgo ms alto precisamente en aquello que ms
importa: la eleccin.
De todo lo anterior se puede sealar que cada mtodo de muestreo conduce
a una distribucin diferente de elecciones y caractersticas de la muestra, y que
no hay razones a priori para esperar que un nico mtodo de estimacin de los
parmetros sea aplicable en todos los casos.
Ejemplo 3.2: supngase que para los objetivos de un estudio de transporte,
la poblacin de un rea determinada ha sido clasificada segn dos categoras de
ingreso, y que slo hay dos modos de transporte disponibles (coche y autobs)
para efectuar el viaje al trabajo. Supngase tambin que la distribucin de la
poblacin es la siguiente:
Ingreso Bajo (IB) Ingreso Alto (IA) Total
Usuario Bus 0,45 0,15 0,60
Usuario Coche 0,20 0,20 0,40
Total 0,65 0,35 1,00
1o8
Muestreo aleatorio. Est claro que si la muestra es al azar, se debera ob- 1.
tener la misma distribucin en la muestra que en la poblacin.
Muestreo estratificado. Considrese una muestra con el 75% de viajeros de 2.
Ingreso Bajo (IB) y el 25% de viajeros con Ingreso Alto (IA). De la tabla
anterior es posible calcular la probabilidad de que un viajero de ingreso
bajo utilice el autobs, as:
P (Bus/IB) =
P (IB y Bus)
=
0,45
= 0,692
P (IB y Bus) + P (IB y Coche) 0,45 + 0,2
Ahora, como la muestra estratificada tiene el 75% de individuos con in-
greso bajo, la probabilidad de encontrar un usuario de autobs de ingreso
bajo en la muestra es: 0,75 0,692 = 0,519. Procediendo anlogamente
se puede construir la siguiente tabla de probabilidades para la muestra
estratificada:
Ingreso Bajo Ingreso Alto Total
Usuarios de coche 0,519 0,107 0,626
Usuarios de autobs 0,231 0,143 0,374
Total 0,750 0,250 1,000
Muestreo basado en la eleccin. Supngase que ahora se toma una muestra 3.
del 75% de usuarios de autobs y 25% de usuarios de coche. En este caso
la probabilidad de encontrar un usuario de autobs con ingreso bajo puede
calcularse de la forma:
P (IB/Bus) =
P (IB y Bus)
=
0,45
= 0,75
P (IB y Bus) + P (IA y Bus) 0,45 + 0,15
Por tanto la probabilidad de encontrar en la muestra un viajero de ingreso
bajo que utilice el autobs es 0,75 veces 0,75, es decir 0,563. Procediendo
anlogamente, se obtiene la siguiente tabla de probabilidades:
Ingreso Bajo Ingreso Alto Total
Usuarios de coche 0,563 0,187 0,75
Usuarios de autobs 0,125 0,125 0,25
Total 0,688 0,312 1,00
1o,
Como se esperaba, cada mtodo de muestreo produce, en general, una
distribucin diferente en la muestra. La importancia del ejemplo anterior es
mayor cuando se consideran las implicaciones de utilizar las distintas muestras
obtenidas en la estimacin de modelos. Para ello es necesario, primeramente,
entender lo que hacen los programas de calibracin estndar; ellos simplemente
buscan los coeficientes del modelo (), asociados a un conjunto de variables
explicativas, que mejor repliquen las elecciones observadas en la muestra.
Para el total de la poblacin, la probabilidad de observar un conjunto de
datos determinados, se puede encontrar en forma conceptual simplemente
calculando las probabilidades de que distintos tipos de viajeros (con alternativas
y atributos dados) elijan la alternativa observada.
Por ejemplo, en la primera tabla del ejemplo 3.2 (muestreo aleatorio simple)
la probabilidad de que un viajero de ingreso alto elija coche viene dada por la
razn entre la probabilidad de tener ingreso alto y usar coche y la probabilidad
de tener ingreso alto, esto es:

0,20
= 0,572
0,15 + 0,20
Si se considera la segunda tabla (muestreo estratificado), la probabilidad
anterior es ahora:

0,143
= 0,572
0,107 + 0,143
Esto no es coincidencia. De hecho fue una de las conclusiones ms impor-
tantes obtenidas en una investigacin llevada a cabo por Lerman et al. (1976)
en Estados Unidos. En la prctica significa que se puede utilizar software
estndar para la estimacin de modelos con datos obtenidos de una muestra
estratificada.
Es tambin importante destacar que esto no ocurre para el caso de muestras
basadas en la eleccin. Para demostrarlo se calcula, a continuacin, la misma
probabilidad anterior pero utilizando informacin de la tercera tabla:

0,125
= 0,400
0,187 + 0,125
Como puede verse, el resultado es completamente diferente. Para finalizar
con este tema, es interesante mencionar que Lerman et al. (1976), propusieron
11o
un mtodo para utilizar datos de muestras basadas en eleccin en la estimacin
de modelos evitando el sesgo, a expensas nicamente de tener un conocimiento
previo de los repartos reales del mercado. Esto implica ponderar las observa-
ciones por factores calculados mediante:
P (elegir la alternativa en una muestra aleatoria)
P (elegir la alternativa en una muestra basada en la eleccin)
De esta forma, en el ejemplo anterior, el factor de ponderacin para las
observaciones de autobs debera ser:

0,45 + 0,15
= 0,8
0,563 + 0,187
y para usuarios de coche:

0,20 + 0,20
= 1,6
0,125 + 0,125
Ntese que es necesario conocer los datos basados en la eleccin para cada
alternativa. No sera posible calibrar un modelo para coche y autobs basndose
solamente en observaciones para este ltimo modo de transporte.
3.1.3. Consideraciones prcticas del muestreo
3.1.3.1. El problema de la extraccin de la muestra
El muestreo estratificado (as como el basado en la eleccin), requiere muestreo
aleatorio dentro de cada estrato. Para llevarlo a cabo es necesario, en primer
lugar, aislar al grupo de inters y esto, en la prctica, puede no ser tan sencillo.
Considrese, por ejemplo, un caso en el que la poblacin de inters est formada
por todos los viajeros potenciales de una ciudad. Si se estratifica por rea de
residencia, puede ser relativamente simple aislar la subpoblacin de residentes
dentro de la ciudad (p. ej., utilizando datos de una encuesta anterior). El pro-
blema reside en que es extremadamente difcil aislar y tomar una muestra del
resto, esto es, aquellos que viven fuera de la ciudad.
Un problema adicional es que, en ciertos casos, incluso aunque sea posible
aislar todas las subpoblaciones y conformar estratos, es difcil asegurar una
muestra aleatoria dentro de cada uno. Por ejemplo, si se est interesado en rea-
lizar una muestra basada en la eleccin de modo de los viajeros de una ciudad,
111
sera necesario entrevistar a usuarios de autobs y para ello, en primer lugar,
hay que decidir qu rutas deberan incluirse en la muestra. El problema es que
ciertas rutas podran tener proporciones de estudiantes y/o viajeros de la tercera
edad ms altas que la media, por lo que se introduciran sesgos.
3.1.3.2. Obtencin del tamao de cada subpoblacin
ste es un elemento clave y de gran importancia para determinar el nmero
de personas a muestrear posteriormente. Dada una cierta estratificacin, hay
varios mtodos disponibles para averiguar el tamao de cada subpoblacin,
tales como:
Medicin directa. Esto es posible en ciertos casos; por ejemplo, en una 1.
muestra basada en la eleccin de modo para viajes al trabajo, el nmero de
billetes de metro y autobs vendidos, y aforos de trfico en la hora punta
en un corredor de la ciudad, pueden ofrecer una medida adecuada (aun-
que imperfecta, ya que no todos los viajes durante el perodo punta son al
trabajo), del nmero de personas que eligen cada modo. Por otro lado, si
interesa una estratificacin geogrfica (p. ej., zonal), se puede utilizar el
ltimo censo para estimar el nmero de habitantes de cada zona.
Estimacin a partir de una muestra aleatoria. Si se realiza un muestreo 2.
aleatorio simple, la fraccin en la muestra correspondiente a cada estrato
es un estimador consistente de la fraccin del total correspondiente a cada
subpoblacin. Es importante sealar que el coste de este mtodo es bajo,
ya que la nica informacin registrada es la necesaria para establecer el
estrato al cual pertenece el entrevistado.
Resolucin de un sistema de ecuaciones simultneas. Supngase que se 3.
trata de estratificar por el modo elegido (coche, bus y metro) y que se co-
nocen datos sobre ciertas caractersticas de la poblacin como el ingreso
medio (I) y la tasa de motorizacin promedio (TM); entonces bastara con
realizar una pequea encuesta en cada modo para obtener el I y TM en
cada uno y plantear un sistema de ecuaciones que tenga las proporciones
de subpoblacin como incgnitas.
Finalmente, cuando se disea un muestreo, debe tenerse en cuenta la tasa
de fallo de los diferentes tipos de encuestas. El tamao de la muestra anterior-
mente discutido se corresponde con el nmero de respuestas vlidas en todo el
proceso de toma de datos. Algunos procedimientos de encuesta generan tasas
11:
de respuesta bajas (p. ej., algunas encuestas postales), pero se utilizan debido
a su menor coste.
Ejemplo 3.3: en una poblacin a estudiar, se sabe que su ingreso medio (I)
es de 33.600 $/ao y que su tasa de motorizacin media (TM) es de 0,44 co-
ches/familia. Adems se realizaron pequeas encuestas en los diferentes modos,
con los siguientes resultados:
Modo I ($ / ao) TM (coches / familia)
Vehculo privado 78.000 1,15
Autobs 14.400 0,05
Metro 38.400 0,85
Si F
i
denota la fraccin que es cada subpoblacin del total, se puede plantear
el siguiente sistema de ecuaciones:

33 600 78 000 14 400 38 400
0 44 1 15 0 05 0 85
1 2 3
1 2 3
. . . .
, , , ,
+ +
+ +
F F F
F F F
11
1 2 3
+ + F F F
cuya solucin es:

F
F
F
1
2
3
0 2451
0 6044
0 1505
,
,
,
Esto significa que si la poblacin total del rea es de 180.000 habitantes,
habra aproximadamente 44.100 usuarios de coche, 108.800 usuarios de autobs
y 27.100 de metro.
3.2. ERRORES EN LA MODELIZACIN Y EN LA PREDICCIN
Los procedimientos estadsticos normalmente utilizados en la modelizacin de
la demanda de viajes suponen no slo que se conoce a priori la especificacin
funcional correcta del modelo, sino tambin que los datos utilizados durante
11
la estimacin no contienen errores. En la prctica estas dos condiciones no son
frecuentemente respetadas. Incluso, aunque se satisficieran, las estimaciones
realizadas con los modelos estn sujetas a errores debidos a imprecisiones en
los valores supuestos para las variables explicativas en el ao horizonte.
El objetivo final de la modelizacin es, en la mayor parte de los casos, el
poder realizar previsiones (p. ej., el nmero de personas que elegiran diver-
sas opciones). Un problema importante con el que se enfrenta el diseador de
modelos es encontrar cul es la combinacin adecuada entre la complejidad
del modelo y la exactitud de los datos que se adapta mejor a la confiabilidad
requerida en la prognosis y a los recursos disponibles para el estudio. Con este
fin, es importante distinguir entre los diferentes tipos de errores, en particular
entre:
aquellos que pueden ocasionar resultados incorrectos a partir de modelos
correctos, p. ej., errores en la prediccin de las variables explicativas, errores
de transferencia y agregacin, y
aquellos que llevan a la estimacin incorrecta de los modelos, p. ej., errores
de medida, de muestreo o de especificacin.
En la siguiente seccin, se presta especial atencin a los tipos de errores
que pueden surgir y los efectos que ellos pueden causar. A continuacin se
examinar el equilibrio entre la complejidad del modelo y la exactitud de los
datos, haciendo especial nfasis en el rol que tienen los modelos simplificados
en determinados contextos.
3.2.1. Clasificacin de errores
Durante el proceso de construccin, calibracin y prognosis de modelos, pueden
producirse los siguientes tipos de errores:
3.2.1.1. Errores de medicin
stos aparecen debido a las imprecisiones inherentes al proceso de medida de
los datos en el ao base, tales como: preguntas mal planteadas en las encuestas,
respuestas mal interpretadas por el encuestador, errores de medida en las redes,
errores de codificacin y digitalizacin, etctera.
Estos errores tienden a ser ms altos en pases menos desarrollados, pero
siempre pueden reducirse mejorando las precauciones y calidad de la toma de
11
datos (p. ej., utilizacin apropiada de ordenadores como apoyo a la realizacin
de encuestas), o simplemente destinando ms recursos para controlar la calidad
de los datos. Ambas soluciones cuestan dinero.
Los errores de medicin, tal como se definen aqu, deben distinguirse de la
dificultad de definir las variables a medir. La complejidad que puede aparecer
en este tema se indica en la figura 3.1.
Idealmente, la modelizacin debe basarse en informacin percibida real-
mente por los viajeros, pero mientras que los datos registrados ofrecen alguna
aproximacin a su percepcin, su empleo introduce la dificultad de estimar lo
que los usuarios van a percibir en el futuro.
As, parece inevitable que los modelos se caractericen por tener errores
de percepcin que tienden a ser ms grandes para aquellas alternativas no
elegidas, debido a la existencia de sesgos de auto-seleccin (los atributos de la
Errores
de medicin
Valores
verdaderos
Datos
percibidos
Datos
registrados
Modo
elegido
Restricciones
Datos
ingenieriles
Errores de registro,
redondeo
y comunicacin
Errores de percepcin,
informacin y tiempo
de respuesta
Figura 3.1. Medida de los atributos y proceso de eleccin.
11
opcin elegida por el individuo son percibidos como mejores y los de la opcin
rechazada como peores de lo que ambos son en la realidad, de forma que se
refuerza la racionalidad de la eleccin efectuada).
3.2.1.2. Errores de muestreo
Estos errores aparecen porque los modelos han de estimarse a partir de un con-
junto finito de datos en lugar de la poblacin completa. Los errores de muestreo
tienden a ser inversamente proporcionales a la raz cuadrada del nmero de
observaciones (esto es, para reducirlos a la mitad es necesario cuadriplicar el
tamao de la muestra), por lo que su reduccin puede resultar muy costosa.
Daganzo (1980) ha estudiado el problema de definicin de estrategias de
muestreo ptimas para tratar de incrementar la exactitud de la estimacin.
3.2.1.3. Errores de clculo
Este tipo de error aparece porque los modelos generalmente se basan en proce-
sos iterativos para los cuales la solucin exacta, si existe, no se logra obtener,
debido a su excesivo tiempo de clculo computacional.
En general estos errores son ms pequeos en comparacin con el resto,
excepto en casos tales como asignacin en redes congestionadas y problemas
de equilibrio entre oferta y demanda en sistemas completos de modelizacin,
donde pueden llegar a ser muy grandes (ver ESTRAUS, 1989).
3.2.1.4. Errores de especificacin
Aparecen cuando el fenmeno que se est intentando modelizar no se compren-
de bien, o porque necesita ser simplificado por alguna razn, y ello se debe a
que ningn modelo puede representar la realidad de forma exacta. Un mejor
modelo, ms sofisticado, puede reducir este tipo de errores mediante una mayor
inversin en la etapa de recoleccin de datos y su procesamiento.
Dentro de este tipo, los errores ms importantes son los siguientes:
Inclusin de una variable irrelevante (p. ej., una variable que no afecte al
proceso de eleccin modelizado). Este error no producir sesgo en el modelo
(o sus estimaciones) si los parmetros aparecen de forma lineal, pero tender
a incrementar el error muestral. En un modelo no lineal, por el contrario,
puede producir sesgos (ver Tardiff, 1979).
Omisin de una variable relevante. Es quizs el error de especificacin
ms comn. Es interesante destacar que los modelos que incorporan un
11o
trmino de error aleatorio (como los que se vern en los Captulos 4 y 7)
estn diseados para acomodar este error. Sin embargo pueden surgir pro-
blemas cuando la variable excluida est correlacionada con variables del
modelo o cuando su distribucin en la poblacin relevante es diferente de
su distribucin en la muestra utilizada para la estimacin del modelo (ver
Horowitz, 1981b).
Exclusin de las variaciones en los gustos por parte de los individuos. Esto
siempre produce modelos sesgados, como se indica en el Captulo 8. Des-
afortunadamente ste es el caso de la mayora de los modelos de eleccin
ms prcticos. Notables excepciones son los modelos Probit Multinomial y
logit mixto, de los cuales se hablar tambin en el Captulo 8.
Otros errores de especificacin, en particular la utilizacin de formas funcio-
nales que no sean apropiadas, tales como funciones lineales para representar
efectos no lineales, modelos compensatorios para representar comportamien-
tos que pueden ser no compensatorios (Captulo 8) o la omisin de efectos
tales como el hbito o la inercia. En Williams y Ortzar (1982a) puede
encontrarse una discusin completa de estas formas de error.
Todos los errores de especificacin pueden reducirse, en principio, incre-
mentando la complejidad del modelo. Sin embargo el coste ocasionado por esto
no es fcil de estimar, ya que est relacionado con la operacin del modelo,
pero, puede inducir otros tipos de error que, en ocasiones son imposibles o
costosos de eliminar (p. ej., al hacer prognosis sobre un mayor nmero de varia-
bles y con un alto nivel de desagregacin). Ms an, la eliminacin de algunos
errores de especificacin puede requerir una investigacin ms profunda sobre
el comportamiento de los usuarios, por lo que debe aceptarse que ellos pueden
estar presentes en todos los modelos factibles.
3.2.1.5. Errores de transferencia
stos aparecen cuando un modelo que ha sido desarrollado en un contexto
(tiempo y/o lugar) se aplica en otro contexto diferente. Aunque se puede rea-
lizar algn ajuste para compensar dicha transferencia, en ltimo trmino se
debe tener en cuenta que el comportamiento puede ser diferente en situaciones
distintas. En el caso de transferencia espacial, los errores pueden reducirse o
eliminarse mediante una re-estimacin parcial o completa del modelo para el
nuevo contexto (aunque una re-estimacin completa implicara desechar los
ahorros sustanciales producidos por la transferencia). Sin embargo, en el caso
11;
de transferencia temporal (p. ej., prognosis), esta re-estimacin no es posible
y no queda ms que aceptar algunos errores potenciales.
3.2.1.6. Errores de agregacin
Aparecen bsicamente de la necesidad de realizar prognosis (previsiones) para
grupos de personas, mientras que la modelizacin a menudo se lleva a cabo
al nivel del individuo, con objeto de capturar mejor su comportamiento. Las
clases ms importantes de errores de agregacin son:
Agregacin de datos. En la mayor parte de los estudios prcticos, los da-
tos utilizados para definir la eleccin de viaje de los individuos se agregan
de una u otra forma. Incluso al preguntar al individuo sobre las caracte-
rsticas de sus alternativas disponibles, ste slo puede haber realizado su
eleccin modal basndose en los valores esperados de estas caractersticas.
Cuando se utilizan modelos de redes, existe agregacin en las rutas, horas de
salida, e incluso en las zonas; esto significa que los valores de las variables
explicativas as obtenidos son, en el mejor de los casos, medias para cada
grupo de usuarios, en vez de valores exactos para cada viajero individual.
Los modelos estimados con datos agregados tienen algn tipo de error de
especificacin (ver Daly y Ortzar, 1990) y su reduccin implica la reali-
zacin de mediciones bajo muchos ms tipos de circunstancias: ms zonas,
ms horas de salida, ms rutas, ms categoras socioeconmicas. Todo esto
aumenta el coste y el plazo de ejecucin e incrementa la complejidad del
modelo.
Agregacin de alternativas. Debido de nuevo a consideraciones prcticas,
puede ser inviable considerar el espectro completo de alternativas u op-
ciones disponibles para cada usuario. Incluso en casos relativamente ms
sencillos, tales como la eleccin modal, aparece algn tipo de agregacin
ya que, por ejemplo, la gran variedad de servicios que abarca una opcin
como autobs (autobuses de un piso con conductor, autobuses de dos pisos
con dos empleados, minibs, servicios express, etc.), raramente se plantean
como opciones separadas.
Agregacin del modelo. Puede ocasionar graves dificultades al analista,
excepto en el caso de modelos lineales, en los que es un problema trivial.
Cantidades agregadas tales como el flujo de trfico en arcos de la red, son
un resultado bsico de la modelizacin en la planificacin del transporte,
pero los mtodos para obtenerlas estn sujetos a errores de agregacin que
118
son a menudo imposibles de eliminar. Este problema ser examinado con
cierto detalle en los Captulos 4 y 9.
3.2.2. Compromiso entre complejidad del modelo y exactitud
de los datos
Teniendo en cuenta las dificultades expuestas anteriormente, parece razonable
considerar el problema dual de cmo optimizar la inversin necesaria para
aumentar la exactitud de los datos, a partir de un presupuesto fijo para el estudio
y un cierto nivel de complejidad del modelo, para alcanzar un nivel razonable
de confianza en la prognosis. Para abordar este problema hay que comprender
en primer lugar, la influencia que tienen los errores en las variables de entrada
sobre la exactitud de los modelos utilizados.
Sean x las variables observadas y e
x
sus errores asociados (p. ej., desviacin
tpica). Para obtener el error final derivado de la propagacin de los errores de
las variables de entrada en una funcin como la siguiente:

z f x x x
n
( , , ... , )
1 2
se puede utilizar la siguiente frmula:

e =
f
x
e +
f
x
f
x
e e
z
i
i
x
i
j i i
j
x
i i
2
2
2
o
o
j
(
,
\
,
(
o
o
o
o

=
xx j
j
r (3.14)
donde r
ij
es el coeficiente de correlacin entre x
i
y x
j
. La frmula es exacta para
funciones lineales y constituye una aproximacin razonable para otros casos.
Alonso (1968) la utiliza para postular algunas reglas simples a seguir, con
objeto de evitar grandes errores finales durante la construccin de modelos;
por ejemplo, una bastante obvia es no utilizar variables correlacionadas ya que
de esta forma el segundo trmino de la parte derecha de la ecuacin (3.14) se
reduce a cero.
Si se toman derivadas parciales de e
z
respecto a e
x
i
y se ignora el trmino
de correlacin, se obtiene:

o
o

o
o
j
(
,
\
,
(
e
e
f
x
e
e
z
x
i
i
x
i
z
2
(3.15)
11,
Mediante la utilizacin de estas tasas marginales de mejora y de una es-
timacin de los costes marginales resultantes para mejorar la exactitud de los
datos, es posible, en principio, determinar un presupuesto ptimo para mejorar
los datos. En la prctica, el problema no es de fcil resolucin, entre otras
cosas debido a la ley de rendimientos decrecientes (cada porcentaje adicional
de reduccin en el error de una variable tender a costar proporcionalmente
ms), resultando un complejo proceso iterativo. Sin embargo, de la ecuacin
(3.15) se pueden deducir dos reglas lgicas:
se debe concentrar el esfuerzo de mejora en aquellas variables que posean
un error mayor y
se debe concentrar el esfuerzo en las variables ms relevantes, es decir,
aquellas que posean un valor superior de la derivada parcial del trmino
(f / x
i
), ya que tienen un mayor efecto sobre la variable dependiente.
Ejemplo 3.4: sea el modelo z = xy + w, y las siguientes medidas de las
variables independientes:
x = 100 10; y = 50 5; w = 200 50
y suponiendo que los costes marginales de mejora de cada medida sean los
siguientes:
Coste marginal de mejora de la variable x (a 100 9) = $5,00
Coste marginal de mejora de la variable y (a 50 4) = $6,00
Coste marginal de mejora de la variable w (a 200 49) =$0,02
Aplicando la ecuacin (3.14) se obtiene:

e y e x e e
z x y w
2 2 2 2 2 2
502 500 + + .
donde e
z
= 708,87. Procediendo anlogamente, los valores de mejora de e
z
en
los casos de mejorar x, y w son respectivamente 674,54, 642,26 y 708,08.
Tambin de la ecuacin (3.15) se obtiene:

e
z
=
10y
2
= 35,2;
e
z
= 70,5;
e
z
= 0,0705
e
x
708,87 e
y
e
w
Estos tres ltimos valores son las tasas de mejora marginal correspondientes
a cada variable. Para obtener las mejoras marginales de e
z
, se deben dividir los
1:o
costes marginales de mejora de cada variable por sus tasas de mejora marginales
respectivas. Los costes marginales de perfeccionar e
z
debido a las diferentes
mejoras de las variables son los siguientes:
Mejora marginal en x = 5/35,2 = $0,142
Mejora marginal en y = 6/70,5 = $0,085
Mejora marginal en w = 0,02/0,0705 = $0,284
A partir de estos valores debera decidirse mejorar la exactitud de medicin
de la variable y si la reduccin marginal en e
z
fuera al menos de $0,085.
Se definamos la complejidad como un incremento en el nmero de variables
del modelo y/o un aumento del nmero de operaciones algebraicas con dichas
variables. Parece obvio que para reducir el error de especificacin (e
s
) se debe
aumentar la complejidad del modelo. No obstante tambin es claro que al existir
ms variables que medir y/o al haber mayores problemas para su medida, el
error de medicin de los datos (e
m
), tambin crecer.
Si el error total de modelizacin se define como
E + ( ) e e
s m
2 2
, se puede
observar que el valor mnimo de E no tiene que estar necesariamente en el punto
de mxima complejidad (es decir, mximo realismo). La figura 3.2 demuestra
grficamente no slo que ello es cierto intuitivamente, sino tambin que segn
se incrementa el valor del error de medicin, el valor ptimo nicamente puede
alcanzarse con niveles decrecientes de complejidad del modelo.
Error
E
e
m
e
s
Complejidad
Figura 3.2. Variacin del error con la complejidad.
1:1
Ejemplo 3.5: sea una situacin en la que se debe elegir entre un modelo
extremadamente simple, del cual se conoce que el error total en la prognosis
es del 30%, y un nuevo modelo que posee una especificacin perfecta (es decir
e
s
= 0), dado por:
z = x
1
x
2
x
3
x
4
x
5
donde las variables x
i
son independientes y tienen un error de medicin del 10%
(es decir, e
m
= 0,1x
i
). Para decidir qu modelo es ms conveniente, se puede
aplicar la ecuacin (3.14):

e x x x x x x x x x x x
z
2
1
2
2 3 4 5
2
2
2
1 3 4 5
2
5
2
0 01 + + + , ( ) ( ) L (( ) x x x x
e x x x x x
z
1 2 3 4
2
2
1 2 3 4 5
2
0 05 0 0
,
]
]
,
]
]
, , 55
2
z
es decir, e
z
= 0,22z o lo que es lo mismo, un error del 22%, en cuyo caso se
elegira el segundo modelo.
Es interesante mencionar que repetir los clculos anteriores en una situacin
donde los errores de medicin fuesen ms elevados, producira resultados dife-
rentes. El lector interesado puede comprobar que si se asume que las variables
x
i
slo pueden ser medidas con un error del 20%, el error total del segundo
modelo aumenta hasta el 44,5%, en cuyo caso se elegira el primer modelo
(incluso si su error total aumentara hasta el 44%).
La figura 3.3 ilustra este fenmeno, que puede resumirse de la siguiente
forma (Alonso, 1968): si los datos no son de muy buena calidad, puede ser
Error
E
E*
e
m
e
*
m
e
s
Complejidad Pases pobres Pases ricos
Figura 3.3. Influencia del error de medicin.
1::
ms conveniente realizar la prognosis con modelos ms sencillos y robustos.
Sin embargo, para aprender y entender el fenmeno, es siempre preferible
un modelo con mejor especificacin. Por otro lado y como se sabe, la mayor
parte de los modelos son utilizados para efectuar prognosis, de forma que los
valores de las variables de planeamiento x
i
no son observadas sino estimadas.
Es cierto que algunas variables de planeamiento son ms fciles de proyectar
que otras y que la desagregacin hace an ms incierta la tarea de predecir sus
valores futuros. Por tanto, al elegir un modelo para su utilizacin en la prognosis
futura, se debe dar especial preferencia a aquellos en los que las variables de
planeamiento puedan ser proyectadas con un nivel de confianza superior.
3.3. MTODOS DE RECOLECCIN DE DATOS
3.3.1. Consideraciones prcticas
La determinacin del enfoque de recoleccin de datos ms apropiado para una
situacin dada, est fuertemente influenciada por limitaciones prcticas. El dise-
o de una encuesta no es una tarea simple y requiere considerable experiencia y
habilidad. Se remite al lector al muy buen libro de Moser y Kalton (1989 y 1971)
para informacin bsica sobre temas relativos a la contratacin de encuestado-
res, entrenamiento de los mismos, diseo de cuestionarios, supervisin y control
de calidad. Tambin se puede encontrar informacin sobre procedimientos de
encuesta con aplicaciones especficas a la planificacin de transportes, en el
libro de Stopher y Meyburg (1979). A continuacin se tratarn someramente
algunas de las restricciones prcticas ms usuales en estudios de transporte.
3.3.1.1. Duracin del estudio
Obviamente tiene gran importancia ya que determina indirectamente el tiempo
y el esfuerzo que es posible dedicar a la etapa de toma de datos. Es muy im-
portante lograr un estudio bien equilibrado (en cuanto a sus distintas etapas),
evitando el problema demasiado frecuente de que la mayor parte del presu-
puesto (y tiempo) sea utilizado en la toma de datos, anlisis y validacin (ver
Boyce et al., 1970).
3.3.1.2. Horizonte del estudio
Hay dos tipos de situaciones que se pueden considerar a este respecto:
1:
Si el ao de diseo es muy cercano al ao base, como sucede en los estudios
tcticos de transporte, no existir mucho tiempo para llevar a cabo el trabajo.
Esto probablemente implicar la utilizacin de un tipo particular de herra-
mienta de anlisis, que tal vez requiera datos de algn tipo especial.
En los estudios estratgicos de transporte, por otra parte, el horizonte habi-
tual es de 20 aos o ms hacia el futuro. Aunque, en principio, esto permite
tener tiempo para la utilizacin de cualquier tipo de herramienta analtica
(con su trabajo de campo asociado), tambin significa que los errores en la
prognosis slo se conocern al cabo de 20 aos o ms. Se debe tender en-
tonces hacia la flexibilidad y la adaptacin, si se desea implantar un proceso
exitoso de seguimiento y reevaluacin.
3.3.1.3. Lmites del rea de estudio
Es importante aqu olvidarse de los lmites polticos formales (p. ej., municipio,
distrito) y centrarse en el rea de inters total. Es tambin necesario distinguir
entre rea de inters y rea de estudio definida en las bases del proyecto. La
primera es normalmente ms grande ya que se espera que el rea de estudio
se desarrolle en un perodo de unos 20 aos. La definicin del rea de estu-
dio depende tanto del tipo de polticas a examinar como de la toma de decisio-
nes prevista. Se insistir sobre este punto ms adelante.
3.3.1.4. Recursos dedicados al estudio
Es necesario conocer lo ms claramente posible y con el nivel ms profundo
de detalle, cuntas personas y de qu nivel estarn disponibles para el estudio.
Tambin hay que conocer, qu recursos informticos estarn disponibles y
qu restricciones existirn para su uso. En general, el tiempo y los recursos
disponibles deben ser acordes con la importancia de las decisiones que van a
ser tomadas a partir de los resultados del estudio. Cuanto mayor sea el coste de
una decisin equivocada, mayores deben ser los recursos que hay que dedicar
para lograr que la decisin sea tomada correctamente.
Otros tipos posibles de restricciones van desde las puramente fsicas (p. ej.,
dimensin y topografa de la localidad), hasta restricciones sociales y medioam-
bientales (p. ej., resistencia de la poblacin a responder cierto tipo de preguntas)
que necesitan tenerse en cuenta por su influencia en el diseo muestral.
Una consideracin prctica general es que los viajeros son reacios a contes-
tar otro cuestionario ms. La respuesta a encuestas consume tiempo y muchas
1:
veces puede ser considerada como una cierta intromisin de la privacidad.
Ello puede traer como consecuencia que el encuestado simplemente rehse a
contestar o bien que ofrezca respuestas simplistas pero crebles, lo que es an
peor. En muchos pases es necesario obtener permiso de las autoridades antes
de realizar cualquier encuesta que implique algn tipo de molestia a los viajeros.
3.3.2. Tipos de encuestas
Durante los sesenta y hasta la mitad de los setenta se llevaron a cabo un gran
nmero de encuestas domiciliarias origen-destino (O-D) en reas urbanas de
pases industrializados y en muchas ciudades importantes de pases en desarro-
llo, utilizando tcnicas de muestreo aleatorio simple. Este gran esfuerzo era muy
costoso, y demandaba a su vez, enormes cantidades de tiempo (un problema
en la recogida de gran cantidad de informacin es que debe dedicarse tambin
mucho tiempo y dinero a su anlisis); de hecho como ya se ha sealado, la fase
de toma de datos consume tradicionalmente una parte vital de los recursos dis-
ponibles para estos estudios dejando, en muchos casos, poco tiempo y dinero
para las tareas cruciales de preparacin y evaluacin de planes.
En muchas reas urbanas, y en particular en las grandes reas metropolita-
nas, la recoleccin de datos de viajes juega un papel destacado en este tipo de
estudios. En algunos casos estos datos son adquiridos principalmente para ser
utilizados en las previsiones y, posteriormente, en la modelizacin; mientras
en otros casos los datos son utilizados mayoritariamente para representar un
cuadro ms rico de la situacin existente.
El conocimiento de cmo se utilizarn los datos es uno de los puntos clave
en la determinacin de la metodologa de cualquier encuesta de viajes. Por
ejemplo, los modelos basados en actividades (Beckman et al., 1995) requieren,
no slo grandes cantidades de datos sobre las actividades que desarrolla la
gente sino tambin sobre la infraestructura de actividades (p. ej., el hora-
rio de apertura de los comercios). En todo caso, la utilizacin normal de los
datos de una encuesta de movilidad es proporcionar las bases para realizar
previsiones ms exactas, tpicamente mediante modelos de planificacin es-
tratgica. En esta situacin, los datos clave son los viajes entre orgenes y
destinos ms que los elementos que determinan este comportamiento, y de ah
el trmino estudios de origen-destino.
Los requisitos de una buena metodologa de encuestas son: un diseo,
muestreo y anlisis del estado del arte, coste-eficacia y fiabilidad para pre-
1:
decir en el medio y largo plazo. Tambin, dado que la mayor parte de sus usos
se relacionan con el transporte, la mejor prctica actual sugiere que el banco
de datos debera tener las siguientes caractersticas:
Los datos deben ser recolectados considerando las diferentes etapas del viaje,
asegurndose de que es posible relacionar modos especficos a diferentes
localizaciones, diferentes horarios del da y longitudes de viajes.
Han de incluirse todos los modos de viaje, incluso los no motorizados.
Los datos sobre los propsitos o motivos de los viajes deben recolectarse a
nivel altamente desagregado.
El perodo temporal de referencia debe ser lo ms amplio posible y entera-
mente cubierto, por ejemplo, 24 horas en un da, siete das en una semana y
quizs 365 das al ao (a fin de cubrir las cuatro estaciones anuales).
Los datos relevantes han de ser relativos a todos los miembros de la familia.
Los datos tienen que ser de elevada calidad y suficientemente robustos como
para poder ser utilizados a nivel disgregado (Daly y Ortzar, 1990).
Deben ser utilizados sistemas de recoleccin integrales que comprendan
tanto encuestas en hogares como datos referentes al origen-destino que pro-
vengan de otras fuentes como encuestas en cordn.
Desdichadamente, la recoleccin de datos a travs de este mtodo, que pro-
picia un alto nivel de exactitud, no es tarea simple y a menudo es obstaculizado
por la dificultad de convencer en las entrevistas a un conjunto suficientemente
amplio de individuos, a que participen en este esfuerzo. Por tanto, en funcin de
los objetivos de la modelizacin (es decir, anlisis estratgico versus estudios
detallados de planificacin tctica), e1 analista puede decidir simplificar la
carga sobre los entrevistados contentndose con adquirir informacin menos
detallada.
3.3.2.1. mbito de la encuesta
La figura 2.4 puede ser til a la hora de describir el mbito de referencia de
un estudio para capturar todos los viajes que afecten a un rea metropolitana.
Ante todo es necesario definir el rea de inters del estudio. Su lmite exterior
es conocido como cordn externo. Una vez que ste ha sido definido, el rea se
subdivide en zonas (se vern algunas reglas bsicas sobre la zonificacin en la
seccin 3.4) para disponer de una idea clara y espacialmente desagregada sobre
los orgenes y destinos de los viajes, de forma que variables como la poblacin
y el empleo puedan ser cuantificadas espacialmente.
1:o
Hogares
Viajes con origen
y destino
externo al rea
Desplazamientos
de los no-residentes
entrando y saliendo
del rea de estudio
Desplazamientos
de los residentes
Figura 3.4. Alcance y recoleccin de datos para una encuesta OD
en un rea metropolitana.
El rea fuera del cordn externo tambin debe ser subdividida en zonas
pero con un nivel de detalle ms bajo (zonas ms amplias). En el interior del
rea de estudio tambin pueden existir cordones internos y lneas pantalla (es
decir, una subdivisin ficticia que siga lmites naturales o artificiales en los
que existan pocos cruces para atravesarlos, como pueden ser un ro o una lnea
ferroviaria), cuyos objetivos sern discutidos a continuacin. No existen reglas
simples y rpidas para decidir la localizacin del cordn externo y, por ende,
qu reas deberan ser consideradas como externas al estudio; eso depende del
mbito y de los niveles de decisin adoptados para el estudio, es decir, es un
problema sumamente contextual.
De la figura 3.4 se deduce que son necesarios los siguientes datos:
Encuestas domiciliarias : deben obtenerse los desplazamientos efectuados
por todos los miembros de la familia en todos los modos de transporte, tanto
dentro del rea de estudio como entrando y saliendo de dicha rea, durante
el perodo temporal de referencia. Asimismo, esta investigacin tambin
debera incluir informacin socio-econmica (renta, posesin de coche, ta-
mao y estructura de la familia, etc.). Esta informacin es muy eficiente para
generar datos que permitan la estimacin de modelos de generacin de viajes
as como de eleccin modal; adems, los datos sobre los desplazamientos
de los hogares proporcionan buena informacin sobre la distribucin de la
longitud de los viajes en la ciudad, que es un elemento importante para
la estimacin de los modelos de distribucin de los viajes.
Encuestas de interceptacin, cordn externo : proporcionan datos relati-
vos a las personas que atraviesan los lmites del rea de estudio, en par-
1:;
ticular sobre las no domiciliadas en el rea objetivo. Estos datos tambin
pueden ser utilizados para verificar y ampliar la informacin relativa a
los viajes de la encuesta a hogares que atraviesan el rea de estudio, da-
do que la cantidad de datos recogidos (nmero de personas que respon-
den) generalmente es muy reducida incluso en una encuesta amplia. Estas
encuestas de interceptacin son muy breves y, normalmente, se realizan
en puntos a pie de calle interceptando los desplazamientos de llegada/
salida del rea de estudio, por ejemplo, a la vera del camino para con-
ductores de coches (un buen sitio para una encuesta rpida es aqul en el
que el coche ha de parase por obligacin: cruces, semforos, etc.), en me-
dios de transporte pblico o en puntos de intercambio modal (p. ej., aero-
puertos).
Encuestas de interceptacin en cordones internos y en lneas pantalla : stas
se utilizan para medir los viajes de los no-residentes y tambin para verificar,
en parte, la validez de los datos obtenidos de las encuestas domiciliarias.
Estos datos son importantes entradas para otros modelos.
Conteos de trfico y personas : los conteos proporcionan informacin de
verificacin. La integracin de esta informacin en la metodologa de en-
cuestas ser discutida ms abajo.
Otras informaciones : para construir modelos robustos capaces de realizar
eficientes previsiones, especialmente en reas metropolitanas, tambin es
importante contar con una metodologa de encuestas que permita la integra-
cin de datos, que tengan su influencia sobre el comportamiento de viajes
(Richardson et al., 1995). En esta categora se incluyen:
Inventario de datos relativos al uso del suelo, zonas residenciales (densidad
de viviendas), zonas comerciales e industriales (por tipologa de empresa),
inventario de aparcamientos, etc.; estos datos son particularmente tiles para
la estimacin de modelos de generacin de viajes.
Inventario de datos relativos a las infraestructuras y a los servicios existentes
(redes de transporte pblico y privado, tarifas, frecuencia, etc.; ubicacin
y ciclos semafricos): medicin de flujos de trfico (aforos), velocidades y
tiempos de viaje para construir curvas flujo-velocidad, lo cual no es una tarea
simple. Estos datos son esenciales tambin para la calibracin de modelos,
especialmente los modelos de distribucin y asignacin.
La informacin de encuestas especiales sobre actitudes y elasticidades de la
demanda (es decir, Preferencias Declaradas y otros mtodos).
1:8
Cada uno de estos componentes de encuesta requiere un detallado diseo
junto con una cuidadosa seleccin de la estrategia de muestreo. A continuacin
se ahondar en el diseo metodolgico completo y se proporcionarn indica-
ciones sobre las medidas necesarias para integrar los diferentes componentes
de la encuesta.
3.3.2.2. Encuestas O-D
Aunque las encuestas O-D ms complicadas y costosas son las domiciliarias,
tambin son las que ofrecen, por lo general, la posibilidad de obtener informa-
cin ms til. A veces el inters no se centra en la recogida de datos para un
sistema completo de modelos sino slo para algunas partes del mismo: el caso
ms tpico es el de eleccin modal y asignacin en estudios a corto plazo.
Un mtodo interesante, particularmente recomendable para estudios de
viajes en corredores por motivo trabajo, y que ha sido probado eficientemente
en la prctica, es la realizacin de encuestas en el lugar de trabajo (ver Dunphy
1979, Ortzar y Donoso, 1983). Este tipo de encuestas implica solicitar per-
miso a una muestra de instituciones y/o empresas en, por ejemplo, el rea
Central de Negocios (CBD) para entrevistar a una muestra de sus empleados.
En ciertos casos ha resultado muy eficiente solicitar que la muestra distribu-
ya segn el lugar de residencia del trabajador (p. ej., aquellos que viven en
un determinado corredor). Cabe destacar que, contrariamente al caso de las
encuestas aleatorias domiciliarias, los datos obtenidos por este mtodo estn
basados en la eleccin del destino; no obstante son aleatorios respecto al modo
de transporte.
Todo lo que se muestra a continuacin hace referencia principalmente a
las encuestas domiciliarias, aunque la mayor parte de los aspectos generales y
especialmente el diseo de instrumentos de medida son aplicables a cualquier
otro tipo de encuestas O-D.
Consideraciones generales. Es ampliamente reconocido que los proce-
dimientos e instrumentos de medida utilizados en la recogida de informacin
in situ tienen una influencia directa y profunda en los resultados que se des-
prenden de cualquier trabajo de toma de datos. sta es la razn por la que se
recomienda incluir el procedimiento de medicin como otro elemento a con-
siderar explcitamente en el diseo de cualquier proyecto que requiera datos
empricos para su desarrollo. Wermuth (1981), por ejemplo, realiz incluso
una categorizacin de las distintas fases involucradas en un procedimiento
1:,
de medicin. En esta parte se har referencia slo a dos de estas categoras: el
desarrollo y la utilizacin de instrumentos de medicin diseados para medir
los patrones de actividad fuera del domicilio.
Se ha mencionado anteriormente que la medicin emprica del compor-
tamiento de viajes es uno de los principales inputs en el proceso de toma de
decisiones para la planificacin de transporte urbano. De hecho, constituye la
base para la formulacin y estimacin de modelos que expliquen y predigan
actividades de viajes futuros. Por esta razn las deficiencias metodolgicas en
esta fase tienen repercusiones directas sobre las sucesivas fases del proceso de
planificacin de transporte.
Las crticas ms frecuentes que aparecen sobre las encuestas O-D domi-
ciliarias o en los lugares de trabajo son:
Las encuestas nicamente miden el comportamiento promedio (y no el real)
de los viajeros.
Solamente se puede investigar una parte de los desplazamientos de las per-
sonas.
La informacin (p. ej., respecto de los tiempos de viaje) suele ser mal esti-
mada por el entrevistado.
De hecho, se ha constatado que los resultados provenientes de encuestas
O-D tradicionales (p. ej., variables relativas a tiempos, distancias y costes de
viajes) han resultado inadecuados al compararlos con los valores medidos de
forma objetiva. Esto es, se ha detectado que las caractersticas reportadas
referentes al comportamiento respecto a viajes han tendido a diferir de for-
ma sustancial con la realidad, a pesar de que las personas que contestan las
encuestas experimentan los valores reales de estas caractersticas de nivel
de servicio dos veces al da. Tambin se ha demostrado que los sesgos tienen
naturaleza sistemtica y estn aparentemente relacionados con las actividades
del usuario respecto a cada modo de transporte. Por ejemplo, en el caso del
transporte pblico, los tiempos de acceso, espera y trasbordo (que son apa-
rentemente bastante molestos) tienden a ser severamente sobreestimados. Es
importante destacar que desde un punto de vista conceptual estos resultados
indicaran que la percepcin subjetiva hacia las variables de nivel de servicio
constituye un determinante importante en la eleccin modal (discusin de
Ortzar et al., 1983).
Un anlisis metodolgico de estas crticas conduce a dos conclusiones evi-
dentes. En primer lugar la informacin sobre los comportamientos en relacin
1o
a los viajes no debera recolectarse (preguntarse) de manera general (esto es,
en trminos de valores promedio), sino haciendo alusin a un hito temporal de
referencia concreto. En segundo lugar, no es recomendable examinar aislada-
mente las diversas actividades sino que debera considerarse el patrn de acti-
vidades completo como base para el anlisis. Por ejemplo, puede demostrarse
que preguntar por las horas de comienzo y finalizacin de un viaje produce
resultados ms precisos que preguntar sobre su duracin total (Ampt, 1981).
Este anlisis crtico ha producido dos importantes consecuencias:
Una mejora sustancial de los procedimientos de medicin asociados a las
encuestas domiciliarias y otras O-D, que ha permitido superar la mayor parte
de las deficiencias antes mencionadas (Brg y Ampt, 1982).
El desarrollo de mtodos de recoleccin alternativos o complementarios,
tales como el diario de viajes, que se discutir brevemente ms adelante.
Un proceso de adquisicin continua de datos. El enfoque contemporneo
de recoleccin de datos OD a travs de encuestas domiciliarias seala que la
informacin debe ser obtenida para cada da de la semana durante el ao com-
pleto y durante varios aos sucesivos (Richardson et al., 1995). Por otro lado
y con el objetivo de permitir la utilizacin de datos que puedan ser utilizados
a cualquier nivel de agregacin y para no depender de un sistema estndar de
zonificacin, la metodologa tambin recomienda que la informacin corres-
pondiente a orgenes y destinos sea geocodificada.
La recoleccin de datos para cada da de un determinado ao permite captu-
rar variaciones estacionales tales como la diferencia entre los das de la semana
y del fin de semana. Por lo tanto el enfoque presenta numerosas ventajas:
Permite medir las variaciones de la demanda en el tiempo y, en particular,
correlacionar estos cambios con cambios de la oferta del sistema.
Ya que los entrevistados slo informan sus datos para uno o dos das, su tarea
es ms simple y fiable, y al mismo tiempo proporciona datos con respecto
a un perodo de tiempo ms largo.
Como el estudio se extiende a lo largo de un ao se consiguen costes ope-
rativos ms bajos.
Permite un mejor control de calidad.
Por otra parte, al recomendar este nuevo enfoque, se debe tambin reco-
nocer la aparicin de algunos problemas especficos de diferentes casos, los
cuales deben ser por tanto, considerados. Por ejemplo:
11
Es necesario esperar un ao al menos, antes de que se tengan datos suficien-
tes para alcanzar los objetivos planteados en el estudio (tpicamente un mo-
delo estratgico completo).
Si se emplean encuestadores, es necesario mantenerlos motivados por un
largo perodo de tiempo.
Es pertinente desarrollar procesos de ponderacin de los datos que tengan
en cuenta las variaciones estacionales.
Es menester desarrollar mtodos especiales de ponderacin de los datos
anuales al combinar datos de encuestas continuas. Ms adelante se discutir
este tema.
Actualizacin peridica de matrices y modelos. Las matrices y los mode-
los asociados a sistemas de adquisicin continua de datos deberan ser puestos
al da peridicamente para maximizar el beneficio de contar con informacin
continua. As, aunque sea posible elaborar matrices parciales de viajes debido
a exigencias particulares, las matrices y los modelos para el rea completa de
estudio no deberan ser puestos al da ms de una vez cada 12-18 meses, en
funcin del tipo de ciudad en estudio.
Implicaciones sobre la recoleccin de datos. Puede ser que la puesta al
da peridica de modelos y matrices O-D tenga efectos sobre la recoleccin
de los datos. Por ejemplo, qu informacin es ms sensible para la puesta al
da? En este contexto, pueden existir varios elementos que merece la pena
actualizar peridicamente:
Los modelos de generacin y atraccin de viajes.
Las matrices O-D que reflejan el crecimiento diferencial de determinadas
zonas del rea de estudio.
La distribucin o reparto modal, incluyendo los modos no motorizados, que
refleja el posible impacto de diferentes polticas de transporte.
Los niveles de servicio (trfico) en diferentes puntos de la red, ya que per-
miten la identificacin de crecimientos diferenciados en las redes primarias,
secundarias, de acceso y locales.
La posesin de coche y las tendencias de crecimiento de las familias en
determinados municipios de las ciudades.
La prioridad asociada a cada uno de estos indicadores depender del tipo
de poltica de transporte considerada as como de la necesidad de hacer el
1:
seguimiento de sus efectos y de las necesidades generales de modelizacin.
Tambin depender de los valores esperados de sus tasas de variacin, de su
importancia y de los costes asociados a la adquisicin de datos para su puesta
al da, incluido el coste social de posibles molestias a los usuarios del sistema
de transporte (DICTUC, 1998).
Adems es importante destacar la conveniencia de tener en cuenta otros
tipos de modelos que, probablemente pueden ser necesarios en el futuro, como
los modelos de eleccin de la hora (del da) del viaje o los modelos dinmicos.
Por otra parte, la disponibilidad de datos adquiridos de forma continua, permite
realizar el seguimiento del comportamiento de los usuarios con respecto a po-
sibles intervenciones radicales en el sistema de transporte. Algunos ejemplos
son: las situaciones de emergencias medioambientales en las que se incrementan
las restricciones de los accesos vehiculares al centro, trabajos en los principales
viales, huelgas en el transporte, variaciones en el precio del carburante, en las
tarifas de los buses y en los costes del aparcamiento. La respuesta a tales po-
lticas (previsibles o no tanto) proporciona informacin de base acerca de los
umbrales del comportamiento de los usuarios y crea un banco de datos temporal
que debera facilitar el desarrollo de modelos ms sofisticados.
Diseo y formato del cuestionario. Desde el momento en que uno de los
objetivos del muestreo es conseguir la tasa ms alta posible de respuestas, para
minimizar el sesgo de no-respuesta, se recomienda utilizar mtodos mixtos de
recoleccin de datos es decir, encuestas de auto-llenado y entrevistas personales
(Goldenberg, 1996). En particular el sistema de auto-llenado parece ms apro-
piado en los barrios donde las personas tienen mayor costumbre de rellenar
cuestionarios (convalidndose con entrevistas personales posteriores), o donde
los hogares no puedan ser contactados sin una previa llamada de seguridad,
siendo sta la causa por la que los intentos de realizar entrevistas personales
tienen bajas tasas de respuesta. Esta combinacin aprovecha el coste-eficacia
de los formularios de auto-llenado de alta calidad y minimiza la carga de res-
puesta de los entrevistados (Richardson et al., 1995).
En trminos de formato, el orden en el que se formulan las preguntas, busca
minimizar la resistencia a responder del encuestado, por lo que las preguntas
difciles (p. ej., las relacionadas con el ingreso) son formuladas al final de la
entrevista. En cuanto a su aspecto formal, el instrumento de medicin (y cual-
quier entrevista personal) debera tratar de satisfacer los siguientes criterios:
Las preguntas deben ser simples y directas.
1
Debe minimizarse el nmero de preguntas abiertas (no precodificadas).
La informacin sobre los viajes debe incluir el motivo del viaje. Tambin es
interesante recopilar datos sobre todas las etapas del desplazamiento (p. ej.,
todos los movimientos sobre la va pblica), para asegurar que los anlisis
posteriores permitan relacionar modos especficos con localizaciones espe-
cficas, horarios del da, longitudes de desplazamiento, etctera.
A causa del crecimiento de modos diferentes al coche, la bsqueda de in-
formacin debe referirse a todos los modos de viaje, incluidos aquellos no
motorizados.
Debido a la creciente importancia de los desplazamientos independientes
por parte de los nios y de los modos no motorizados (ver punto anterior),
todas las personas de la familia deberan ser incluidas en la encuesta inclu-
yendo a los miembros que no pertenezcan a la familia, como, por ejemplo,
los trabajadores que realizan labores domsticas puertas adentro, que son
tpicas de pases en vas de desarrollo.
Para facilitar la tarea de recordar todos los desplazamientos de los encues-
tados, se recomienda utilizar un marco de recuerdo de actividades, es de-
cir, el que las personas recuerden los viajes efectuados en el contexto de
las actividades realizadas, ha demostrado que resulta ser de mucha mayor
exactitud en la medicin de los viajes (Stopher, 1998).
Como las personas tienen dificultad en recordar actividades infrecuentes
o discrecionales, aunque sean recientes, se recomienda asignar uno o ms
das de viaje a cada familia y solicitarles que registren los viajes realizados
en dichos das en los diarios de viaje; as, en los das anteriores a la rea-
lizacin de la encuesta, deberan entregarse breves diarios de viaje para
los das asignados y la informacin registrada en ellos ha de ser facilitada
al entrevistador al final de stos (o lo antes posible), en el nivel de detalle
requerido en la encuesta.
El instrumento de encuesta debe ser diseado de forma que minimice la
carga del entrevistado y que logre la mxima tasa de respuesta y, por tanto,
la mayor robustez de los datos:
En el diseo de encuestas de auto-llenado se necesita focalizar la atencin
sobre el formato completo del formulario porque ste representa el nico
contacto con los entrevistados. El formato tiene que ser claro y conciso y en
general debera guiar a los entrevistados a travs de las diferentes pregun-
tas. Los formatos generalmente deben ser diseados con el fin de animar a
1
responder a cada entrevistado sin importar si estn acostumbrados a rellenar
cuestionarios.
El valor de las entrevistas personales est en el hecho de que para los encues-
tados es fcil contestar. Por lo tanto, en este punto es clave el entrenamiento
de los entrevistadores, para que comprendan el contexto de estudio y para
asegurar que el diseo de la encuesta es simple de administrar para ellos.
Para ambos tipos de encuestas domiciliarias (entrevista personal y auto-
llenado) se recomienda que la investigacin sea dividida en dos partes: (1) iden-
tificacin y caractersticas de los individuos y de los hogares y (2) datos sobre
los viajes. Se comenta, brevemente, a continuacin, la informacin a adquirir
en cada uno de los dos puntos citados:
Caractersticas e identificacin de los individuos y de los hogares : esta
parte incluye aquellas preguntas dirigidas a clasificar a los miembros de
la familia en relacin a su posicin respecto al jefe de familia (p. ej. mujer,
hijo), y posteriormente informacin acerca del sexo, la edad, la posesin de
permiso de conducir, el nivel de estudio y la ocupacin. Al objeto de reducir
la posibilidad de clasificaciones subjetivas es importante definir un conjunto
completo de ocupaciones laborales (cuando se trata de encuestas no domi-
ciliarias stas conciernen slo a las personas entrevistadas, sin embargo las
preguntas relevantes son las mismas o similares). En esta parte tambin se
incluyen preguntas para conocer la situacin socio-econmica de los hogares,
como, por ejemplo, las caractersticas de la vivienda, la identificacin de los
vehculos del hogar (incluyendo un cdigo para identificar a sus habituales
usuarios), la posesin de la vivienda y el ingreso familiar.
Datos de viajes : esta parte de la encuesta tiene por objetivo detectar y carac-
terizar todos los viajes hechos por los miembros de la familia, identificados
en la primera parte. Un viaje se define como cualquier desplazamiento fuera
de un edificio o local con un propsito dado; pero la informacin que se
necesita considera los viajes por etapas, donde una etapa se define por un
cambio de modo (incluyendo el modo andando). Cada etapa est caracte-
rizada por una serie de atributos tales como el origen y destino (expresado
normalmente por su interseccin vial ms cercana o el cdigo postal, si se
conoce), propsito o motivo de viaje, hora de inicio y fin del viaje, modo
utilizado, coste del viaje, etctera.
Definicin del marco muestral. El mbito de las encuestas de movilidad
normalmente incluye a todos los viajeros del rea de estudio (Figura 3.4). Por
1
lo tanto, incluye no slo a los residentes sino tambin a visitantes de los hogares
y a los que pernoctan en hoteles, y otras personas que no residan en viviendas
privadas (como hospitales) as como a los viajeros que atraviesan el rea de
estudio en los das de la encuesta.
Una vez que el mbito de la investigacin ha sido definido, es necesario
determinar el marco muestral. En otras palabras, qu tipo de lista podra pro-
porcionar la informacin correspondiente a todos los residentes, visitantes
y personas que circulan a travs del rea, para as elegir una muestra de dichas
personas y de sus viajes respectivos. Aunque hay varias alternativas, el marco
muestral de hogares, si bien complejo, es normalmente el ms directo. Si existe
informacin censal actualizada y se dispone de una base de datos sobre todas
las viviendas, esto puede ser perfecto; alternativamente, podra utilizarse un
listado de direcciones del rea completa (llevada a cabo por otras razones,
por ejemplo, por una compaa de suministro de servicios o por anteriores
encuestas), a condicin de que estn al da.
Por otra parte, escoger un marco muestral para los viajes de los no-resi-
dentes es ms complicado, por lo que es recomendable que esto se haga de la
siguiente forma:
Consgase una lista de las viviendas no-privadas y seleccionar una muestra
(posiblemente estratificada por tamao o por tipo de husped o visitante).
Obtngase una lista de las estaciones de intercambio de los diferentes mo-
dos de transporte pblico que representen el probable punto de llegada y
salida del rea metropolitana (p. ej., aeropuertos, estaciones ferroviarias, es-
taciones de autobuses de largo recorrido). Idealmente ello proporcionar una
muestra de viajes, en cada punto de interceptacin, aunque en algunos casos
puede que slo sea necesario utilizar una muestra de todos los puntos.
Localcese y confrmese una lista con todos los puntos que sean cruces de
carreteras o viales en el cordn externo al rea. Entonces y tal y como en el
caso anterior, deberan incluirse todos los cruces, aunque en algunos casos
puede que tambin sea necesario muestrearlos.
Tamao de la muestra. Las encuestas sobre viajes siempre estn basadas
en algn tipo de muestreo. Sin embargo, aunque fuera posible entrevistar a
todos los viajeros sobre un servicio especfico en un da dado, sta slo sera
una muestra de los viajeros que realizan viajes en una semana dada, mes o
ao. El desafo en el diseo de muestras consiste en identificar estrategias de
muestreo y tamaos muestrales que permitan alcanzar conclusiones razonables
1o
y modelos fiables e insesgados, sin gastar excesivos recursos en la adquisicin
de los datos. A menudo existe ms de una manera de adquirir la informacin
relevante. Para algunos datos puede ser posible obtener informacin a travs
de encuestas domiciliarias y/o a travs de encuestas de interceptacin. En estas
situaciones lo mejor es utilizar el mtodo que permita obtener los datos ms
precisos al ms bajo coste (DICTUC, 1998).
Hoy en da se acepta que, seleccionar un tamao de muestra ptimo tal
que sus datos puedan ser utilizados eficazmente en todos sus usos potenciales,
es prcticamente imposible. El tamao de muestra ptimo normalmente est
restringido por su coste, y por lo tanto es necesario decidir cules son las varia-
bles ms importantes a adquirir para que dicho coste no exceda el presupuesto
disponible. Como el uso final de los datos obtenidos es servir de entrada para
los diferentes modelos y tipologas de anlisis, no es posible definir un nico
output como ms importante que otros, por ello no es posible establecer un
criterio natural de optimizacin del problema. Adems, como normalmente se
tienen mltiples usuarios y objetivos as como diferentes tipos de instrumentos
de encuesta, la tarea de optimizar el tamao muestral parece no slo imprac-
ticable sino sencillamente imposible.
Tradicionalmente se han realizado encuestas domiciliarias O-D a partir de
muestras aleatorias muy grandes. La tabla 3.1 muestra los valores que han sido
recomendados en encuestas realizadas durante ms de 20 aos (ver Bruton,
1985), pero que son raramente utilizados en la prctica.
Tabla 3.1. Tamaos muestrales recomendados en encuesta tradicionales
Poblacin del rea
Tamao de la muestra (viviendas)
Recomendado Mnimo
Menos de 50.000 1 de 5 1 de 10
50.000-150.000 1 de 8 1 de 20
150.000-300.000 1 de 10 1 de 35
300.000-500.000 1 de 15 1 de 50
500.000-1.000.000 1 de 20 1 de 70
Ms de 1.000.000 1 de 25 1 de 100
Los problemas creados por estas enormes muestras han sido empeorados
porque muchos organismos, especialmente en pases en vas de desarrollo,
1;
creen que estos tamaos son esenciales y por lo tanto requieren muestras hasta
20% ms grandes para afrontar prdidas eventuales debidas a la validacin de
los datos (ver Grate, 1988).
Los mtodos para estimar el tamao de la muestra a partir de un enfoque
estadstico ms lgico y con mayor aprovechamiento, requieren el conocimiento
de la variable a estimar, su coeficiente de variacin y la exactitud de medicin
deseada, as como el nivel de significacin asociado a la misma.
El primer requisito, aunque obvio y fundamental, ha sido ignorado muchas
veces en el pasado. La mayora de las encuestas domiciliarias O-D se han
diseado a partir de objetivos demasiado generales, tales como reproducir
los patrones de viaje del rea. Qu significa esto? Son los elementos de la
matriz O-D los que se buscan y, si ste es el caso, se desean por motivo, por
modo y hora del da, o solamente son de inters los grandes flujos de viajes
entre macrozonas?
Si se quieren obtener nicamente tasas de generacin de viajes, se puede
demostrar que muestras compuestas por unos mil individuos garantizan un
5% de tolerancia (error) y un 90% de confianza en los valores. La situacin
cambia drsticamente si se centra el inters en el nmero de viajes de cada celda
de una matriz O-D tpica (esto es con muchas zonas; obviamente el nivel de
detalle afecta). Por ejemplo, si cada celda tiene alrededor de 1.000 viajes, una
muestra del 4,3% garantiza errores de menos del 25% con un 90% de nivel de
confianza. Sin embargo, para volmenes de 20 30 viajes entre zonas, que son
muy comunes en la prctica, el mismo nivel de exactitud requerira muestras
del 100% (esto es, toda la poblacin).
El ejemplo anterior demuestra que la eleccin del tamao muestral no es
una tarea fcil. En primer lugar, es necesario que los objetivos de la encuesta
estn suficientemente claros, y en segundo lugar, se debe tomar una decisin
sobre el esfuerzo (generalmente econmico) que se va a dedicar para alcanzar
un grado de exactitud concreto en los resultados (Brg y Ampt, 1982).
El segundo elemento (coeficiente de variacin de la variable que va a ser
medida) sola ser una incgnita en el pasado, pero actualmente puede estimarse
a partir de la informacin obtenida del gran nmero de encuestas domiciliarias
O-D que se han llevado a cabo en aos recientes. Finalmente, el nivel de exac-
titud (porcentaje de error aceptado por el analista) y su nivel de confianza son
conceptos dependientes del contexto que el analista debe especificar en base
a su experiencia personal. Cualquier muestra puede llegar a ser muy grande
si el nivel de exactitud requerido es demasiado estricto. Puede decirse que,
18
en este aspecto, es donde descansa el arte de la determinacin del tamao
muestral.
Una vez que se conocen estos factores, el tamao de la muestra (n) puede
calcularse utilizando la siguiente frmula (M.E. Smith, 1979):

n
Z
E
CV
2 2
2
o
(3.16)
donde CV es el coeficiente de variacin, E es el nivel de exactitud (expresado
como proporcin) y Z
es el valor de la variable Normal estandarizada (N(0,1))

para el nivel de confianza () requerido.
Ejemplo 3.6: se desea medir el nmero de viajes por hogar de una determi-
nada rea, y se tienen datos sobre el coeficiente de variacin de esta variable
para varias localidades de los Estados Unidos, segn la siguiente tabla:
rea CV
Media para Estados Unidos (1969) 0,87
Pennsylvania (1967) 0,86
New Hampshire (1964) 1,07
Baltimore (1962) 1,05
Por conveniencia y dado que todos los valores son prximos a la unidad,
se elige CV=1. Como se ha mencionado anteriormente, la decisin a adoptar
sobre la exactitud y el nivel de confianza es la ms complicada. La ecuacin
(3.16) seala que si se escogen niveles muy estrictos, el tamao de muestra
se incrementa exponencialmente. Por otra parte, es conveniente fijar niveles
estrictos para este caso, ya que el nmero de viajes por hogar es una variable
crucial (si este nmero se estima pobremente, la exactitud de los modelos pos-
teriores podra verse gravemente afectada). En este ejemplo se elige un 0,05 de
exactitud con un nivel de confianza del 95%.
Para = 95%, el valor de Z
es de 1,645, por lo que se obtiene:

n = 1,0 (1,645)
2
/ (0,05)
2
= 1.084
es decir, sera suficiente tomar una muestra de aproximadamente 1.100 obser-
vaciones para asegurar tasas de generacin de viajes con un 5% de tolerancia,
1,
en un 95% de las ocasiones. El lector interesado puede consultar M.E. Smith
(1979) para otros ejemplos de este enfoque.
La situacin se modifica, sin embargo, cuando se intenta estimar una ma-
triz O-D. En este caso, M.E. Smith (1979) demuestra que para estimar valores
de 1.100 viajes entre parejas O-D al 90% de confianza con un error estndar
del 25%, sera necesaria una muestra del 4% de todos los viajes en un rea de
estudio dada. Esto significa que si hubiera menos de 1.100 viajes, un tamao
de muestra inferior al 4% no sera suficiente para detectarlos.
Ortzar et al., 1993, analizaron el nmero de viajes por celda de la matriz
O-D en la ciudad de Santiago, en Chile, para una agrupacin de, solamente,
34 zonas (es decir, a nivel de municipalidades) y detectaron que slo el 58% de
las celdas O-D tenan ms de 1.000 viajes. Por tanto, para estimar una matriz
O-D a nivel de municipalidad con un 25% de error y 90% de confianza en
Santiago, sera necesario postular un tamao de muestra del 4% de viajes (y
consecuentemente, el 4% de los hogares). Si se considera el efecto de la tasa
de respuesta (incluso si llega al 75%), y teniendo en cuenta que en Santiago
habra cerca de 1.240.000 hogares, eso implicara una muestra de 62.000 fa-
milias. Realmente es necesario un tamao de muestra tan grande (con lo que
implica en costes y en los niveles de eficiencia asociados) para alcanzar un
objetivo tan precario?
Claramente, la razn que subyace en la eleccin de muestras grandes es
la necesidad de conseguir matrices de viajes a nivel zonal. Tambin se ha
demostrado que es muy difcil reducir el error de medicin a un nivel acep-
table en aquellas reas que cuentan con ms de 100 zonas, en cuanto a que,
para ese nmero de zonas (ms de 100), el tamao de la muestra requerida se
aproxima al tamao de toda la poblacin (M.E. Smith, 1979). En tal caso,
si el objetivo del estudio comprende la estimacin de matrices O-D, es desea-
ble utilizar una combinacin de diferentes mtodos de muestreo, que inclu-
yan tanto encuestas domiciliarias como encuestas de interceptacin, para as
poder explotar las ventajas de uno y otro mtodo y alcanzar los objetivos del
estudio.
Estrategias de optimizacin en el diseo muestral. Para obtener un di-
seo muestral que logre una muestra de menores dimensiones, es necesario
proponer las estrategias que estimen, por ejemplo, las tasas de generacin de
viajes de acuerdo a estatus socioeconmicos. Un enfoque consiste en utili-
zar una heurstica de muestreo multi-etapa, que pueda producir resultados
mejores que el mtodo clsico propuesto por M.E. Smith (1979), aunque ello
1o
requiera un esfuerzo mayor por parte del analista y no garantice una solucin
nica (DICTUC, 1998). La heurstica se inicia ordenando las clases socio-
demogrficas en relacin al grado en el que stas se encuentran representadas
en la poblacin. A continuacin, a las zonas del rea de estudio se les asigna
una clase en base al grupo socio-econmico que presente la frecuencia ms
alta en su interior. Sucesivamente se selecciona una muestra aleatoria de zonas
para cada tipologa socioeconmica (es decir, del orden del 1% de todos los
hogares). Las restantes zonas se clasifican en orden de prioridad y entre ellas se
eligen las necesarias para llenar la diferencia entre la muestra ya seleccionada
y el mnimo requerido por cada nueva clase. El procedimiento se repite hasta
que todas las clases alcancen la mnima dimensin requerida (ms o menos
unas 30 50 observaciones).
Este procedimiento fue aplicado en Santiago para el sistema de 264 zo-
nas definido en la encuesta O-D de 1991 (Ortzar et al., 1993) y para una
estratificacin de 14 clases en base al ingreso (renta) y a la posesin de coche.
El resultado final fue que una muestra de 1.312 hogares localizados en slo
15 zonas garantizaba un mnimo de 30 observaciones por clase. Sin embargo,
en ciertas zonas, en particular en las que contenan a personas de ingreso alto,
esta solucin implic tamaos muestrales no muy razonables (p. ej. cerca del
20% de la poblacin de la zona). Se hall finalmente una solucin mejor resol-
viendo el siguiente problema de optimizacin (Ampt et al., 1998):

Minimizar

o q
j ij
j zonas i clases e e

s.a.

0 s s
>
e
o o
o q
j
j ij i
j zonas
donde
j
es la proporcin de hogares a entrevistar en la zona j, un lmite ra-
zonable (p. ej. un mximo del 5%),
ij
es el nmero de hogares de la clase i en
la zona j y
i
es la mnima dimensin aceptable de la muestra para cada clase i
(es decir, 30 50 observaciones).
Utilizando la misma informacin del caso anterior, se encontr que el
problema podra haber sido resuelto ptimamente generando una muestra de
slo 482 familias. An ms interesante, para una estratificacin en 26 clases
(es decir aadiendo el tamao del hogar como variable para estratificar), se
11
concluy que un tamao ptimo de muestra de 1.372 hogares, garantizara un
mnimo de 30 observaciones por cada clase especfica, adquiriendo los datos
nicamente en 17 de las 264 zonas.
Sin embargo, al no aplicar ningn lmite para , algunos valores de se
aproximaron de nuevo al valor del 20% de la poblacin zonal. As aplicando la
restriccin de que fuera menor que 5%, se consigui finalmente una muestra
de 1.683 familias en slo 27 zonas. Un aspecto a destacar es que este mtodo
permite segmentaciones diferentes a las socioeconmicas hasta el momento
consideradas. De ah que tambin sea posible identificar diferencias espacia-
les en trminos de rea fsica (p. ej., distancia desde el centro de la ciudad) o
de acceso a la red de transporte pblico y, por tanto, incrementar el nmero de
clases consideradas en la optimizacin (DICTUC, 1998).
En fin, cabe destacar que el diseo de la muestra puede ser tambin me-
jorado permitiendo diferentes tasas de respuesta para diferentes grupos. En
lnea con el principio de esta exposicin, es posible estimar el nmero de
hogares necesarios para una muestra gruesa (
i
) de forma que se consiga un
nmero mnimo establecido de respuestas para cada clase; as se garantiza
tambin que el diseo produzca datos de generacin de viajes de calidad an
ms elevada.
Tamao muestral para encuestas continuas. Un desafo final consiste
en planificar una estrategia de muestreo para encuestas continuas, es decir,
a lo largo de varios hitos temporales. En el supuesto de que fuera necesaria
una muestra de 15.000 familias en el primer ao para satisfacer las exigencias
iniciales de modelizacin en un rea metropolitana, una encuesta continua
probablemente tendra una estructura como la siguiente:
1 ao 2 ao 3 ao 4 ao 5 ao
15.000 5.000 5.000 5.000 5.000
Este mtodo requiere muestras ms pequeas despus del primer ao, lo
cual ofrece diferentes ventajas:
La posibilidad de disponer de un equipo bien entrenado y ms reducido para
el trabajo en terreno, y tambin de procesos administrativos ms sencillos
que probablemente garanticen la obtencin de datos de calidad muy alta con
mnimo esfuerzo en los aos subsecuentes.
1:
Las autoridades pueden acordar un programa de financiacin (en el primer
ao) para los cuatro aos restantes, reduciendo as los riesgos de no poder
conseguir fondos, por ejemplo, durante el cuarto ao.
Por otro lado, para asegurar que los datos sean utilizables en cada ao, este
enfoque requiere el desarrollo de un sistema anual de ponderacin e integra-
cin de los datos que sea robusto y de simple manejo. Es necesario asegurar
que todos los datos al final del ao 2 sean representativos del ao 2, que todos
los datos referidos al final del ao 3 sean representativos de dicho ao y as
sucesivamente. Dicho procedimiento proporciona una representacin actuali-
zada del comportamiento de los usuarios (viajes) en la modelizacin y para el
cumplimiento de otros objetivos. En ciudades en fase de expansin (donde se
perciben cambios rpidos, por ejemplo, en la posesin de coche y en la expan-
sin y distribucin de usos del suelo), este mtodo permite una capacidad de
modelizacin mucho ms esmerada en comparacin a metodologas anteriores.
Adems, tambin proporciona una muestra de tamao ms amplia y eficiente
para utilizar en aos posteriores (un tamao de encuesta similar a la del primer
ao), haciendo posible as responder de manera ms detallada a la demanda.
Asimismo, en el supuesto de que estos datos fueran utilizados para otros fines
(adems del de modelizado), el mtodo de adquisicin de los mismos anual-
mente proporcionara toda una serie de informaciones fundamentales en forma
de series temporales. Vanse estos ejemplos que constatan la oportunidad de
realizar encuestas continuas a lo largo del tiempo:
Cambios en el patrn de viajes (por modo), correlacionados con modifica-
ciones en los niveles de posesin de coche y en su distribucin, en los niveles
de polucin o en la ordenacin territorial.
Cambios en la eleccin del modo relacionados con modificaciones en la
ordenacin de la oferta, por ejemplo, mejoras en los recorridos peatonales
o expansin de la red de servicios colectivos.
La integracin y combinacin de los datos del segundo ao y posteriores
con los del primer ao debe realizarse a los siguientes cuatro niveles: hogares,
vehculos, personas y viajes. En este sentido es importante considerar tres
aspectos:
Una esmerada seleccin de la muestra y altas tasas de respuesta para ase-
gurar que las 15.000 familias del primer ao sean representativas de la
1
ciudad; posteriormente se deberan aplicar procedimientos de ponderacin
y expansin como se indica ms adelante.
Asegurar que las 5.000 familias en el segundo ao sean representativas de
la ciudad (tanto espacialmente como sobre los otros parmetros utilizados
en el primer ao para seleccionar la muestra); para ello es necesario aplicar
nuevamente procedimientos de ponderacin.
Al final del segundo ao la base de datos constar de 20.000 familias, pero
slo contendr los datos originales (en bruto) y los factores de ponderacin.
En ciudades de menor dimensin donde haya pocas variaciones estructura-
les y de tamao, puede que no sea necesario utilizar una estrategia de muestreo
tan compleja, si bien, de ello depender la posterior utilizacin de los datos.
Por ejemplo, podra ser apropiada una muestra de datos igual para cada ao,
en un perodo de cinco aos.
3.3.2.3. Otros tipos importantes de encuestas
Encuestas a la vera del camino. Este tipo de encuestas proporciona infor-
macin til sobre viajes que no son registrados en las encuestas domiciliarias
(p. ej., viajes que atraviesan el rea de estudio en una encuesta cordn). A
menudo estas encuestas constituyen un mejor mtodo para estimar matrices de
viaje que las encuestas domiciliarias, ya que es posible disponer de muestras
mayores. Los datos obtenidos son tambin tiles para la validacin y expansin
de la informacin basada en el domicilio.
En las encuestas en la va pblica se entrevista a una muestra de conducto-
res y pasajeros de vehculos (coches, transporte pblico, camiones) que cruzan
la estacin de encuesta, con un nmero limitado de preguntas; stas incluyen al
menos el origen y destino del viaje y el motivo del mismo. Es deseable obtener
tambin otras informaciones adicionales tal y como son la edad, el sexo y el
nivel de ingresos, aunque normalmente no se consultan debido a las limita-
ciones de tiempo. No obstante, si los encuestadores tienen experiencia y han
sido bien entrenados pueden aadir fcilmente algunos de estos datos a partir
de una simple observacin del vehculo y sus ocupantes (con las dificultades
obvias en el caso de transporte pblico).
La realizacin de estas encuestas requiere mucha organizacin y plani-
ficacin para evitar retrasos innecesarios, garantizar la seguridad y lograr
resultados de calidad. La identificacin de los mejores lugares, coordinacin con
la polica, disposicin de sealizacin y supervisin son elementos importan-
1
tes para la adecuada realizacin de estas encuestas. A continuacin se in-
dican algunas consideraciones en torno al tamao muestral y al nivel de exac-
titud:
Ejemplo 3.7: considrese un punto de control que es cruzado por N coches
y se desea extraer una muestra de n vehculos a encuestar. Se asume tambin
que de estos n vehculos, X
1
viajan entre un par origen-destino O-D
1
. Como
X
1
tiene una distribucin hipergeomtrica H(N, N
1
, n) donde N
1
es el nmero
total de viajeros entre el par O-D
1
, puede demostrarse que su valor esperado o
esperanza matemtica y su varianza vienen dados por:
E(X
1
) = np con p = N
1
/ N
V(X
1
) = np(1 p)(1 n / N)
Utilizando una aproximacin a la Normal (basada en el teorema central
del lmite), se obtiene la distribucin de X
1
as:

X N np np p n N
l
~ ( , ( )( / )) 1 1
y un estimador de p es:

p
X
n
Por tanto:

p N p
p p n N
n
~ ,
( )( / ) 1 1 j
(
,
\
,
(
y un intervalo de confianza aproximado 100(1 )% para p viene dado por:

p z
p p n N
n
p z
p p n N
n

+

,
,
,
]
]
]
]
( )( / )
,
( )( / ) 1 1 1 1

donde z es el valor de la variable Normal estandarizada para el nivel de con-
fianza requerido (1,96 para el 95%). Usualmente se requiere que el error ab-
soluto e asociado a p no exceda de un valor preestablecido (normalmente 0,1),
es decir:
1

E z
p p n N
n
e

s
( )( / ) 1 1
Manipulando algebraicamente esta expresin se obtiene:

n
p p n N
e z
>
( )( / )
( / )
1 1
2
o lo que es equivalente:

n
p p
e
z
p p
N
>

j
(
,
\
,
(
+

( )
( )
1
1
2
(3.17)
Puede observarse que dados los valores de N, e y z, el valor p = 0,5 produce
el nmero ms alto (ms conservador) de n en la ecuacin (3.17). Tomando este
valor y considerando e = 0,1 (un error mximo del 10%) y z = 1,96 se obtienen
los valores de la tabla 3.2
Tabla 3.2. Variacin del tamao de la muestra con el flujo observado.
N (viajeros/perodo) n (viajeros/perodo) 100n/N (%)
100 49 49,0
200 65 32,5
300 73 24,3
500 81 16,2
700 85 12,1
900 87 9,7
1.100 89 8,1
Ejemplo 3.8: el anlisis de datos histricos durante la realizacin del trabajo
previo de preparacin de una encuesta en la va pblica (carretera), ha revelado
que los flujos que atraviesan la estacin de encuesta varan enormemente du-
rante el da. Teniendo en cuenta este hecho, se consider demasiado complejo
intentar aplicar la estrategia de la tabla 3.2 en campo. Para ello se desarroll
la siguiente tabla simplificada:
1o
Flujo horario estimado (viajeros/perodo) Tamao de la muestra (%)
ms de 900 10,0 (1 de 10)
700 a 899 12,5 (1 de 8)
500 a 699 16,6 (1 de 6)
300 a 499 25,0 (1 de 4)
200 a 299 33,3 (1 de 3)
1 a 199 50,0 (1 de 2)
El trabajo de campo requiere parar aleatoriamente al nmero corres-
pondiente de vehculos, encuestando a todos los pasajeros y preguntando el
origen, destino y motivo del viaje. En el caso de viajes en transporte p-
blico, dadas las dificultades prcticas de inmovilizar los vehculos durante el
tiempo necesario para entrevistar a los viajeros, se realiza la encuesta a bordo
de los vehculos. Para este trabajo es necesario definir tramos de carretera en
vez de estaciones de encuesta y tener en cuenta que el nmero de encuesta-
dores depende de los factores de ocupacin observados en el tramo. Incluso
este mtodo puede ser difcil de aplicar si los vehculos estn cercanos a su
capacidad.
Encuestas cordn. Este tipo de encuestas ofrece informacin til sobre
viajes externos-externos y externos-internos. Su objetivo es determinar el
nmero de viajes que abandonan y/o cruzan el rea delimitada por el cor-
dn, contribuyendo de esta manera a completar la informacin obtenida
en las encuestas domiciliarias. La encuesta ms importante se lleva a cabo en
el cordn externo, aunque tambin es posible realizar encuestas en cordo-
nes internos. Para reducir las demoras, a veces la realizacin de estas encues-
tas implica detener a una muestra de vehculos que pasan por una estacin
de control (normalmente con ayuda de la polica), entregando a los ocupan-
tes de dichos vehculos un pequeo cuestionario para ser devuelto por correo.
En algunos estudios holandeses se ha tomado una muestra de nmeros de ma-
trculas en las estaciones de control de forma que los cuestionarios se envan
a las direcciones correspondientes obtenidas del gobierno. En estos casos,
uno de los problemas principales es el conocido sesgo que tienen las encues-
tas devueltas por correo; ste se debe a que normalmente se devuelven me-
nos del 50% de los cuestionarios repartidos, quedando demostrado que el
tipo de persona que los devuelve es diferente al que no lo hace (ver Brg
1;
y Meyburg, 1980). sta es la razn por la que en muchos pases se limita
el nmero de preguntas (ocupacin del vehculo, motivo, origen, destino y
modos disponibles) en encuestas a pie de calle, logrando mejorar las tasas de
respuesta.
Encuestas en lneas pantalla. Las lneas pantalla dividen el rea de estudio
en grandes zonas naturales (p. ej., ambos lados de un ro o de una autopista),
con pocos puntos de cruce entre ellas. El procedimiento es anlogo al de las
encuestas cordn y los datos se utilizan tambin para complementar y validar
la informacin proveniente de las encuestas domiciliarias y cordn (ver Figu-
ra 3.5). Se ha de prestar atencin al intentar corregir los datos de la encuesta
domiciliaria de esta forma, ya que puede ser difcil establecer comparaciones
sin introducir sesgo.
V
i
a
j
e
s

d
e

u
n

l
a
d
o

a

o
t
r
o
d
e

l
a

l
n
e
a

p
a
n
t
a
l
l
a
Hora del da
Datos lnea
pantalla
Datos encuesta O-D
(incluyendo encuesta
a vehculos de carga)
Figura 3.5. Verificacin de consistencia de datos de la encuesta
domiciliaria O-D.
Encuestas de diario de viajes. Son un tipo especial de encuestas domici-
liarias a travs de las cuales se obtiene informacin similar a la de las encuestas
O-D, pero con mayor detalle. Sin embargo, parece difcil imaginar un detalle
superior al del enfoque actual de diseo de encuestas contemporneas, por lo
que podra darse el caso de que finalmente este tipo de encuestas desaparezca.
De hecho, slo si la carga al entrevistado no permite que el analista recopile
los datos de la forma recomendada aqu, el diario de viajes puede ser la nica
salida en muchos estudios.
El diario de viajes debe ser aplicado por separado a cada uno de los miem-
bros de la familia encuestada que viaje durante el tiempo de realizacin del
18
estudio. Cada persona debe llevar y cumplimentar su diario de viajes durante el
da, y por esta razn este instrumento de medicin ha de cumplir los siguientes
objetivos de diseo:
Facilidad de transporte. Se requiere un formato pequeo que permita trans-
portarlo en el bolsillo o en bolsas de mano.
Facilidad de comprensin por el usuario. Por ello es necesario idear una for-
ma de solape de sus pginas para tener las instrucciones permanentemente
a la vista (ver Ortzar y Hutt, 1988).
Facilidad de cumplimentacin. Como es normal en cuestionarios de auto-
llenado, se deben ofrecer opciones precodificadas en todos los casos en
que sea posible, con objeto de minimizar la necesidad de incorporar texto
escrito.
Un diario de viajes se plantea normalmente con dos objetivos: contribuir
al proceso general de correccin de la encuesta O-D, como se ver en la sec-
cin 3.3.3, y obtener un banco de datos apto para la estimacin de modelos
desagregados de eleccin modal. Este mtodo de toma de datos implica los
siguientes pasos:
Una primera visita a cada hogar de la muestra (que debera seleccionarse
teniendo especial cuidado en evitar aquellos hogares ya contactados para la
encuesta O-D), con objeto de presentar y explicar los diarios, y para recoger
los mismos datos socioeconmicos que en el caso de la encuesta O-D. Las
personas entrevistadas han de ser brevemente entrenadas en el uso del diario,
pidindoles que completen con todo detalle los viajes del da siguiente. A
cada viajero se le entrega ms de un diario si se desea que el ejercicio sea
repetido durante la semana (ver Brg y Ampt, 1982).
Debe realizarse una segunda visita al da siguiente del ltimo para el que
se solicitaron datos (24 horas ms tarde de la primera visita en el caso de
diarios de un solo da), con objeto de recoger los formularios completamente
rellenados por cada viajero. Es bastante comn que sea necesario prestar
ayuda para completar los diarios en esta visita.
Los diarios de viaje se procesan en dos fases: durante la primera, se registra
nicamente la informacin socioeconmica y las tasas de viaje por motivo, ya
que stos son los datos necesarios para el proceso de correccin de la encuesta
O-D. En una segunda fase se consideran los datos de cada viaje y se incorporan
medidas muy precisas de las variables de nivel de servicio para la alternati-
1,
va de viaje elegida e indicada en el diario y para el resto de alternativas del
conjunto de elecciones de cada individuo. Segn se ver en el Captulo 8, los
datos se presentan de esta forma para la estimacin de modelos desagregados
de eleccin.
3.3.3. Correccin, expansin y validacin de los datos
de encuestas O-D
En cualquier tipo de encuesta sobre viajes, especialmente en las O-D, es nece-
sario corregir y ponderar de una forma u otra, los datos obtenidos (Armoogum
et al., 1997). En este epgrafe se tratarn los mtodos ms adecuados para
corregir, expandir y validar los datos de encuestas O-D obtenidos con la me-
todologa anteriormente descrita.
3.3.3.1. Correccin de los datos
La necesidad de corregir los datos provenientes de la encuesta O-D, con el
fin de alcanzar resultados que no sean solamente representativos del total de
poblacin, sino tambin fiables y vlidos, se ha discutido en detalle (ver Brg y
Erl, 1982; Wermuth, 1981). Hoy en da se acepta que no es conveniente efectuar
una expansin simple de la muestra, aunque durante muchos aos ste fue el
mtodo ms usual en la prctica. Brg y Ampt (1982) identifican las siguientes
etapas de correccin.
Correccin por tamao del hogar y por caractersticas sociodemo-
grficas. Para efectuar las correcciones que garanticen que la distribucin del
tamao de los hogares y de la edad y sexo de los datos de la muestra representan
a toda la poblacin (basada en datos de las listas censales), es necesario utilizar
un enfoque iterativo ya que mtodos muy simples no garantizan resultados
vlidos (Deville et al., 1993). En este caso, un buen enfoque consiste en utilizar
el mtodo bi-proporcional (que se estudia en detalle en el epgrafe 5.6.1), ya
que garantiza la convergencia en pocas iteraciones. Adems, tiene la ventaja
potencial de que su aplicacin no requiere recalcular posteriormente factores
de expansin para la muestra.
Este mtodo resulta particularmente apropiado cuando la fecha del ltimo
censo realizado est cercana a la fecha de realizacin de la encuesta O-D; sin
embargo no es idneo si la encuesta se realiza mucho tiempo despus (aos)
del ltimo censo, ya que la poblacin urbana puede cambiar, y muy rpida-
1o
mente en los pases en desarrollo. En este ltimo caso sera necesario calcular
la proporcin de hogares en cada grupo y los factores de expansin de forma
ms tradicional (Ortzar et al., 1993).
El mtodo bi-proporcional no garantiza que cada valor de la celda sea
idntico en el censo y en la encuesta O-D, ya que en cualquier matriz existe
un grado de indeterminacin relevante (es decir, muchas combinaciones de
valores de las celdas de una matriz pueden dar origen a los mismos totales
de filas y columnas). En particular, y dada su naturaleza multiplicativa cuan-
do se utiliza este mtodo, una celda (o sea, un elemento de la matriz de via-
jes) que contenga un cero siempre mantendr el valor cero. Por otro lado,
algunas estructuras particulares de matrices (que contengan ceros en algu-
nas celdas clave), pueden llevar a la no convergencia del mtodo (ver epgra-
fe 5.6.1).
Para evitar sesgos en la correccin bi-proporcional ya que, por un lado,
se est corrigiendo en base al tamao del hogar (nmero de personas) y, por
otro, segn caractersticas individuales (sexo y edad), se recomienda defi-
nir categoras bi-unvocas evitando clases que comprendan, por ejemplo, de
dos a cuatro personas, o seis o ms personas. No obstante, es fcil imagi-
nar situaciones en las que podra ser necesario reagrupar una determinada
categora porque de lo contrario no estara representada en la muestra para
una determinada zona. En este caso es conveniente averiguar si es posible
agrupar zonas que sean semejantes antes que hacer correcciones a tal nivel de
desagregacin.
Correcciones adicionales en las encuestas domiciliarias. Adems de las
correcciones por tamao del hogar y caractersticas socio-demogrficas, hay
otros dos procedimientos de correccin segn se trate de entrevistas personales
o encuestas de autollenado (Richardson et al., 1995).
Correcciones por informacin no reportada. Este problema se ocasiona
cuando ciertos elementos de la encuesta no han sido respondidos (es decir,
hay tems sin respuesta). En encuestas de auto-llenado, esto puede ser resuelto
encuestando a una muestra de validacin usando entrevistas personales y luego
ponderando la informacin adecuadamente (Richardson et al., 1995). Dado
que se asume que los entrevistadores estn bien entrenados y supervisados,
este tipo de correccin no debera realizarse cuando se trata de encuestas con
entrevista personal, pero incluso en estos casos, puede que no se obtenga res-
puesta a datos difciles de obtener, como el ingreso.
11
Si no es posible obtener la informacin de O-D siguiendo las reglas men-
cionadas anteriormente (es decir, viajes por etapas en un da predefinido y
siguiendo un marco recordatorio de actividades), puede existir una subestima-
cin de los viajes no habituales. En estos casos puede ser importante verificar
el nmero de viajes por propsito, obtenido en la encuesta O-D, con aquellos
obtenidos mediante diarios de viajes, donde se debera haber conseguido in-
formacin ms detallada acerca de cada viaje y especialmente acerca de los
viajes no habituales. Un mtodo de correccin propuesto por Ortzar y Hutt
(1988) considera los siguientes pasos:
Dividir los hogares en categoras (definidas, p. ej., por ingreso, motorizacin
y tamao familiar). El nmero total de categoras est limitado por la condi-
cin de que cada una debe al menos poseer 30 observaciones en la encuesta
del diario de viajes, para asegurar que la tasa de viajes media tenga una
distribucin Normal.
Calcular el nmero medio de viajes por motivo (y su varianza) para cada
categora, tanto para la encuesta O-D como para los datos del diario de
viajes. Denominando a las medias como X
y X
b
y a las varianzas como S

y S
b

respectivamente, calcular la diferencia D = X
X
b
.
La diferencia mnima detectable (d) entre las medias de una cierta variable
X en dos muestras con tamaos N
y N
b
para una probabilidad del 80% de
que su diferencia real (D) sea significativa al 95% de confianza, viene dada
por la expresin (Skelton, 1982):

d
S
N
S
N
a
a
b
b
+
j
(
,
\
,
(
2 8
1 2
,
/
Si D > d, la diferencia es significativa. Por ello si la tasa media de viajes en
esa categora es ms pequea en la encuesta O-D que en el diario de viajes,
tiene que aplicarse un factor para igualarla a la tasa media de viajes de los
diarios. Si ocurre lo contrario, no se efecta ninguna correccin (es decir,
el factor es igual a la unidad).
Si D d la diferencia no es significativa y, por tanto, no se realiza correc-
cin.
En el caso del ingreso u otros tems sin respuesta, los estudios de valida-
cin pueden proveer mayor informacin acerca de los que no han contestado;
por lo tanto, si hubiera datos de validacin disponibles, se podran conseguir
1:
modelos ms flexibles. Sin embargo, se ha argumentado que no es posible
modelizar los errores de no-respuesta en tems separadamente de los errores
de comportamiento, por lo que diferentes modelos de no-respuesta pueden
ser obtenidos utilizando los mismos datos cuando se modelizan diferentes
contextos de eleccin (Ortzar y Garrido, 2001). Para el caso de no respuesta
de una unidad (p. ej., individuo) es incluso preferible imputar una observa-
cin completa en lugar de reponderarla (ver discusin sobre mtodos de impu-
tacin ms adelante).
Correccin por no-respuesta. Se refiere a situaciones en las que una fami-
lia o un individuo no contestan, es decir no devuelven la ficha de la encuesta
o rechazan verbalmente o por carta el contestar a la encuesta. Ello puede ser
atribuido a diferentes causas, y es importante diferenciar entre no-respuestas
autnticas o prdidas (p. ej., viviendas vacas) y rechazos (en los que las per-
sonas pudieran efectuar viajes pero no contestan). En el caso de entrevistas
personales es recomendable que la correccin est basada en el nmero de
visitas necesarias para conseguir una respuesta, ya que se ha demostrado que
sta cuestin est asociada con fuertes diferencias en el comportamiento de
viaje. En encuestas de auto-llenado, en cambio, la correccin puede estar basada
en el nmero de recordatorios necesarios para generar una respuesta del hogar
(Richardson et al., 1995).
Ponderacin para integrar encuestas continuas. La ponderacin para
integrar encuestas continuas se requiere para unificar cada hito/oleada tempo-
ral de la encuesta; en este caso es recomendable proceder as (Ampt et al.,
1998):
La ponderacin por hogar debe ser realizada para cada variable importan-
te (escogidas previamente). En la tabla 3.3 se muestra, a ttulo de ejemplo,
el caso del tamao de la familia, pero podra hacerse de forma semejante
para las variables posesin del coche o ingreso familiar.
La ponderacin por vehculo se efecta de modo anlogo. Una variable de
particular importancia es la edad del vehculo, ya que sin una correcta pon-
deracin dara la impresin de que el parque vehicular no envejece.
La ponderacin de las personas debera incluir, por ejemplo, factores como
el ingreso y el nivel de educacin.
La ponderacin de los viajes incluye el nmero de viajes y el modo, segn
el mismo procedimiento general de ponderacin anteriormente descrito.
1
Tabla 3.3. Procedimiento de ponderacin integrada
Valores ponderados para los aos 1 y 2
Tamao del hogar
1 2 3 4 5 Total
Ao 1
2.000
13,33%
3.000
20,00%
4.000
26,67%
5.000
33,33%
1.000
6,67%
15.000
Ao 2
850
17,00%
1.200
24,00%
1.000
20,00%
1.500
30,00%
450
9,00%
5.000
Ao 3
2.850
14,29%
4.200
21,00%
5.000
25,00%
5.600
32,50%
1.450
7,25%
20.000
Valores de reponderacin para el ao 1
1 2 3 4 5
Ao 1
17,00/13,33
1.275
1.200 0,750 0,900 1.350
Procedimiento de ponderacin
1 2 3 4 5 Total
Ao 1 2.550 3.600 3.000 4.500 1.350 15.000
Ao 2 850 1.200 1.000 1.500 450 5.000
Ao 3
3.400
17%
4.800
24%
4.000
20%
6.000
30%
1.805
9%
20.000
Mtodos de imputacin. Existen varios mtodos de imputacin en el esta-
do del arte (una interesante discusin sobre este tema puede verse en Armoo-
gum y Madre, 1998). Sin embargo, estos mtodos no conservan la varianza
de la variable a imputar (p. ej., el ingreso), y por tanto, cuando la variable que
contiene imputaciones es incluida en un modelo, pueden conducir a estimacio-
nes inconsistentes. Por esta razn, algunos investigadores consideran que en
algunos casos imputar valores incrementa el error, es decir, simplemente los
datos se transforman en valores improvisados. Por tanto se aconseja registrar
los cambios producidos tras imputar valores y, si es posible, evaluar sus efectos.
Para solucionar ste y otros problemas, estudios recientes sugieren realizar
imputaciones mltiples y luego combinar los estimadores de los modelos re-
sultantes en cada caso para as conseguir valores consistentes que tengan en
cuenta los errores asociados al proceso de imputacin (Brownstone, 1998).
1
3.3.3.2. Expansin de la muestra
Una vez que los datos han sido corregidos, es necesario expandirlos para re-
presentar a la poblacin total. Para efectuar esta expansin, se definen factores
para cada zona de estudio como el ratio entre el nmero total de direcciones
en la zona (A) y el nmero de direcciones obtenido como muestra final. No
obstante, es habitual que los datos de A estn desfasados, ocasionando pro-
blemas en el trabajo de campo. La siguiente expresin es totalmente general
en este sentido:

F
A A C CD B B
B C D
i

+

( / ) /
donde F
i
es el factor de expansin para la zona i, A es el nmero de direccio-
nes de la poblacin total en la lista original, B es el nmero de direcciones
seleccionado como la muestra original, C es el nmero de direcciones de la
muestra que no fueron elegibles en la prctica (p. ej., casas demolidas, edificios
no residenciales), y D es el nmero de direcciones de la muestra donde no se
obtuvo respuesta. Como se puede ver, si A fuera perfecto (es decir C = 0), el
factor sera simplemente A / (B D) , como se defini anteriormente. Por otra
parte si D = 0, puede comprobarse que la frmula considera sustraer de A la
proporcin de casos no elegibles, con objeto de evitar sesgos en F
i
.
3.3.3.3. Validacin de resultados
Los datos obtenidos de las encuestas O-D se someten normalmente a tres proce-
sos de validacin. El primero de ellos consiste simplemente en comprobaciones
en campo de la coherencia y completitud de los datos. A esta comprobacin
sigue normalmente la codificacin y grabacin de los datos en gabinete. El
segundo proceso es una comprobacin por ordenador de los rangos vlidos
para la mayor parte de las variables y, en general, de la consistencia interna de
los datos. Una vez que se han completado ambos procesos, se supone que los
datos no tienen errores obvios.
En el estado del arte en estudios de movilidad, puede observarse que la
validacin ms importante de los datos se hace con los datos mismos de la en-
cuesta y no con datos secundarios como los conteos de trfico sobre lneas
pantalla y cordn. La razn es que cada mtodo posee sus propias y particulares
distorsiones, las cuales pueden engendrar confusin en el proceso de validacin.
Por ejemplo, comparaciones groseras, como el nmero de desplazamientos que
1
atraviesan una seccin de cordn o el nmero de desplazamientos por modo, a
menudo proporcionan comparaciones de escaso significado.
Las tcnicas de encuestas actuales minimizan estos problemas, pero a pe-
sar de ello siempre es recomendable utilizar datos independientes para cotejar
las cifras procedentes de todos los componentes de una encuesta O-D a nivel
metropolitano. La comparacin objetiva de estas cifras, teniendo en cuenta
que cada mtodo de encuesta tiene sus puntos fuertes y dbiles, hace posible
localizar potenciales sesgos y adoptar los pasos adecuados para corregirlos.
Adems, si se deben ajustar matrices es esencial reservar datos independientes
para validar los resultados finales. Todo esto requiere buen juicio y experiencia
porque, si no se presta la debida atencin, es fcil realizar correcciones a las
matrices O-D que no se corresponden con la realidad.
3.3.4. Encuestas de Preferencias Declaradas
La discusin previa ha sido desarrollada bajo la hiptesis implcita de que
cualquier dato sobre eleccin corresponda a informacin de Preferencias Re-
veladas (PR); esto quiere decir, datos sobre elecciones reales u observadas
realizadas por los individuos.
Es importante destacar que raramente se pueden observar realmente las
elecciones. Normalmente se obtienen datos de lo que los individuos sealan
que hacen, o ms frecuentemente, que hicieron el da anterior. En trminos
de entender el comportamiento de viaje, los datos de PR tienen varias limi-
taciones:
Las observaciones de elecciones reales pueden no tener la suficiente va-
riabilidad para construir buenos modelos de evaluacin y prediccin. Por
ejemplo, atributos tales como el tiempo de viaje y la tarifa pueden estar tan
correlacionados en la muestra que puede ser difcil separar sus efectos en
la estimacin de modelos y por ende para la prognosis.
El comportamiento observado puede estar dominado por algunos factores
haciendo muy difcil detectar la importancia relativa de otras variables. ste
es un problema particular con variables cualitativas secundarias tales como
informacin sobre servicios de transporte pblico, seguridad, confort; pero
estos atributos cuestan dinero e interesara saber cmo son valorados por
los usuarios antes de asignarles recursos.
Las dificultades asociadas para conseguir respuestas a actuaciones que sean
totalmente nuevas, por ejemplo, la introduccin de un nuevo modo (como
1o
vehculos sin conductor), o un sistema nuevo de cobro y recaudacin (p. ej.,
peaje electrnico).
Estas limitaciones podran solventarse si fuera posible llevar a cabo experi-
mentos reales controlados dentro de las ciudades o en los sistemas de transporte.
Las oportunidades para ello son muy limitadas. Las encuestas de Preferencias
Declaradas (PD) ofrecen una aproximacin a los mismos, siendo un tipo de cua-
si-experimento basado en situaciones hipotticas establecidas por el investigador
y por tanto, constituyen una aproximacin de un experimento controlado.
Lo que distingue fundamentalmente a las encuestas PR y PD es que en
este ltimo caso se pregunta a los individuos sobre lo que ellos elegiran (o
cmo jerarquizaran o puntuaran ciertas opciones) en una o ms situaciones
hipotticas. El grado de artificialidad de estas situaciones puede variar de
acuerdo con las necesidades y el rigor del ejercicio:
El contexto de la decisin puede ser hipottico o real, en otras palabras, se
puede pedir al encuestado que considere las circunstancias de su viaje actual
o de uno que pudiera realizar en el futuro.
Las alternativas ofrecidas son a menudo hipotticas, aunque alguna de ellas
puede ser la realmente existente; por ejemplo, el modo utilizado por el en-
trevistado incluyendo todos sus atributos.
La respuesta obtenida de cada individuo puede tomar la forma de elecciones
o nicamente de preferencias expresadas de diferentes formas.
Un problema bsico con la toma de datos PD es cunto se puede confiar
en que los individuos hagan realmente lo que declararon que haran cuando se
presente la situacin (p. ej., despus de la introduccin de una nueva alternativa).
Las experiencias de los aos setenta no fueron muy buenas en este sentido, en
cuanto a que se comprob (ver Ortzar, 1980a) que en muchos estudios existan
grandes diferencias entre los valores de eleccin estimados y los reales (p. ej.,
slo la mitad de los individuos realizaban lo que haban manifestado). La si-
tuacin mejor considerablemente en los aos ochenta y recientemente se han
conseguido ajustes muy cercanos a la realidad con modelos estimados utilizan-
do datos PD (Louviere, 1988a). Este cambio se debe a que los mtodos de toma
de datos PD han mejorado enormemente y actualmente son muy exigentes no
slo en trminos de experiencia en el diseo de encuestas, sino tambin en los
requisitos de personal de campo bien entrenado y procedimientos de control de
calidad. Una buena gua prctica se encuentra en Pearmain et al. (1991).
1;
Las principales caractersticas de una buena encuesta de PD pueden re-
sumirse as:
Se basa en la obtencin de declaraciones de los encuestados sobre cmo 1.
reaccionaran ante diferentes alternativas hipotticas de viaje.
Cada alternativa se presenta como un paquete de diferentes atributos 2.
tales como tiempo de viaje, tarifa, frecuencia, regularidad, etctera.
El investigador construye estas alternativas hipotticas de forma que se 3.
pueda estimar el efecto individual de cada atributo. Esto se logra utilizando
tcnicas de diseo experimental, que ayudan a extraer los valores de los
parmetros de forma ms eficiente.
El investigador tiene que asegurarse de que las alternativas hipotticas pre- 4.
sentadas sean comprensibles para los encuestados, parezcan realistas y
plausibles y estn relacionadas con su nivel de experiencia real.
Los encuestados declaran sus preferencias hacia cada alternativa, 5. orde-
nndolas segn su atractivo, puntundolas en una escala que indique la
fuerza de la preferencia, o simplemente eligiendo la opcin preferida entre
dos o ms alternativas.
Las respuestas de los individuos son analizadas para obtener medidas cuan- 6.
titativas de la importancia relativa de cada atributo. En muchos casos se
pueden estimar modelos de eleccin como parte de este anlisis, como
se discute en el Captulo 8.
La figura 3.6 muestra un ejemplo de presentacin de alternativas PD para
servicios de autobs. Cada alternativa se describe en una tarjeta en funcin
de sus atributos: frecuencia, tiempo a bordo, tarifa y trasbordo. El encuestado
debe ordenar estas tarjetas de la mejor a la peor alternativa, colocndolas una
tras otra en ese orden.
El poder de un ejercicio PD se basa en la libertad que se tiene para disear
cuasi-experimentos que cumplan los requerimientos de una amplia variedad
de necesidades de investigacin. Este poder debe ser balanceado con la nece-
sidad de asegurar que las respuestas dadas por los individuos sean realistas,
esto es, tan prximas como sea posible a lo que hubieran respondido si estas
opciones hipotticas realmente hubieran existido en la prctica. Este balance
debe lograrse en diferentes etapas de los ejercicios de PD:
Identificacin de los atributos clave de cada alternativa y construccin de a)
los paquetes que conforman las opciones de eleccin. Todos los atribu-
18
tos esenciales deben estar presentes y las opciones deben ser plausibles y
realistas.
Disear la forma en que se presentan las opciones de eleccin a los en- b)
cuestados y de qu forma stos pueden expresar sus preferencias. La pre-
sentacin de las alternativas debe ser de fcil comprensin y situarse en el
contexto de la experiencia y las restricciones del encuestado.
Desarrollo de una estrategia de muestreo que asegure un conjunto de datos c)
rico y representativo.
Realizacin apropiada de la encuesta, incluyendo supervisin y procedi- d)
mientos de aseguramiento de la calidad de los resultados.
Utilizacin de tcnicas adecuadas de estimacin de modelos, preferible- e)
mente combinando datos PR y PD y teniendo bien presente el modo en el
que los modelos o ponderaciones resultantes sern utilizadas como soporte
a la toma de decisiones.
3.3.4.1. Atributos y alternativas
Un experimento de preferencias declaradas tiene como uno de sus elementos
principales la construccin de un conjunto de alternativas u opciones hipotticas
(aunque realistas), que pueden ser definidas como alternativas tecnolgicamente
factibles (viables). stas se definen tomando como base los factores que influ-
yen con ms fuerza en el problema de eleccin en el estudio. El diseo de estas
alternativas tecnolgicamente factibles requiere cuatro tareas diferenciadas:
Tarifa Trasbordo Tiempo en bus Tiempo andando
70 p Ninguno 15 mins 10 mins
70 p 1 Cambio 15 mins 8 mins
Figura 3.6. Ejemplo de un ejercicio de jerarquizacin en PD.
1,
(a) identificacin del conjunto de elecciones (qu opciones van a ser incluidas:
ferrocarril o coche, o diferentes tipos de servicio dentro de un mismo modo);
(b) seleccin de los atributos a incluir en cada opcin; (c) seleccin de la unidad
de medida de cada atributo y (d) especificacin del nmero y magnitud de los
niveles de cada atributo.
El conjunto de alternativas se obtiene normalmente a partir de los objetivos a)
del estudio. Sin embargo no se debe omitir ninguna alternativa realista que
el usuario pudiera considerar en la prctica. Por ejemplo, en un estudio
sobre respuesta potencial de conductores de vehculo privado a nuevas ini-
ciativas de Tarificacin Vial, puede no ser suficiente considerar solamente
modos alternativos de viaje. Los cambios en la hora de salida del viaje o
hacia destinos alternativos (para evitar cobros), pueden ser respuestas a
considerar. Ignorar estas alternativas coloca al entrevistado en un contexto
menos realista.
El conjunto y naturaleza de los atributos debe tambin elegirse de forma b)
que se aseguren respuestas realistas. Deben estar presentes los atributos
ms importantes y ellos han de ser suficientes para describir las alternativas
tecnolgicamente factibles. En esta fase debe tenerse especial cuidado a la
hora de establecer las diferentes combinaciones de atributos; por ejemplo,
una alternativa de alta calidad, con frecuencia elevada y de bajo coste
puede ser ignorada por poco realista, reduciendo as el valor de todo el
ejercicio. Al mismo tiempo conviene cuidar que el nmero de atributos
no sea excesivo (en general no ms de cuatro) dado que, como expone
Carson et al. (1994) puede que los entrevistados simplifiquen sus eleccio-
nes de forma lexicogrfica (focalizando la atencin sobre un nmero infe-
rior de atributos) o bien que sencillamente respondan al azar (Saelensminde,
1999). Con el fin de asegurar que se incluyen los atributos adecuados y
que las opciones se describen de una forma sencilla, es conveniente llevar
a cabo un pequeo nmero de reuniones de grupo focal con una muestra
representativa de individuos. Un moderador con experiencia se encargar
de asegurar que se discutan y registren todas las cuestiones relevantes
referidas a la percepcin de las alternativas, identificacin de los atributos
ms importantes y la forma en la que stos se perciben por parte de los
sujetos, as como los elementos principales que establecen el contexto del
ejercicio. Las reuniones de grupo focal son costosas y, en muchos casos, el
investigador estar tentado a evitarlas en la conviccin de que ya posee una
buena comprensin del problema y del contexto. En este caso, es esencial
1oo
realizar una encuesta piloto controlada cuidadosamente, mediante la cual
se pueda estudiar cualquier aspecto relativo a la descripcin de atributos
y alternativas.
La eleccin de las unidades de medida para la mayor parte de los atributos c)
es relativamente directa. No obstante, hay algunas situaciones que pueden
necesitar consideraciones adicionales, en particular en el caso de atributos
cualitativos como la comodidad o la regularidad. Por ejemplo, la re-
gularidad en el tiempo de viaje puede presentarse como una distribucin
de tiempos de viaje en diferentes das laborables de la semana, o como la
probabilidad de retraso en un tiempo determinado.
Con respecto del nmero de niveles que cada atributo puede tener, es im- d)
portante recordar que Wittink et al. (1982) han encontrado que las variables
con un nmero mayor de niveles pueden ser percibidas por los entrevistados
como ms importantes.
3.3.4.2. Diseo experimental
El diseo de las alternativas y su presentacin se articula, en esencia, en tres
fases: (a) seleccin de los niveles de los atributos y de las combinaciones que
constituyen cada alternativa (diseo experimental); (b) diseo de la presentacin
de estas alternativas (presentacin de los estmulos) y (c) especificacin de las
respuestas que se van a obtener de los encuestados. A continuacin se discute
la primera de estas fases.
Un diseo experimental ortogonal asegura que las combinaciones de
atributos presentadas varan independientemente unas de otras. La ventaja
de ello es que el efecto de cada atributo sobre las respuestas es ms fcil de
identificar.
El nmero de atributos (a) y el nmero de niveles que cada uno puede to-
mar (n), determinan un diseo factorial (n
a
). Existen tablas (ver, p. ej., Kocur
et al., 1982), que proporcionan el nmero de opciones hipotticas necesarias
para probar la mayora de los diseos de inters y garantizan la ortogona-
lidad.
El diseo distingue aquellos casos que solamente consideran efectos prin-
cipales y aquellos que permiten el tratamiento de interacciones (es decir, cuan-
do los efectos de dos variables no son aditivos, y se comportan como produc-
to de las dos variables, ver Figura 3.7). Un problema de las interacciones
es que requieren la construccin de un nmero superior de alternativas; por
esta razn se utilizan frecuentemente diseos factoriales fraccionados, en los
1o1
que se supone que algunos o todos los productos de las variables son despre-
ciables.
Ejemplo 3.9: sea el siguiente diseo experimental (Pearmain et al., 1991)
para tres atributos de un servicio de autobuses (tarifa, frecuencia y tiempo
de viaje), cada uno de ellos con dos niveles posibles (alto y bajo). Un diseo
factorial completo necesitara 2
3
= 8 opciones que se describen en trminos
cualitativos y numricos (la ltima representa una notacin estndar para el
diseo experimental) en la tabla 3.4.
P
r
o
b
a
b
i
l
i
d
a
d

d
e

e
l
e
g
i
r

b
u
s
(a) tarifa 20 50
12
3
Frecuencia (buses/hr)
P
r
o
b
a
b
i
l
i
d
a
d

d
e

e
l
e
g
i
r

b
u
s
(b) tarifa 30
12
3
50
Figura 3.7. Presencia y ausencia de interaccin entre atributos: (a) sin interaccin,
(b) con interaccin.
Para situar este diseo experimental en un contexto apropiado para el
encuestado, se debe averiguar en primer lugar los niveles experimentados
actualmente; supngase, por ejemplo, que la persona utiliza un servicio que
tiene un tiempo de viaje de 25 minutos, una frecuencia de 30 minutos y una
tarifa de 0,50. El objetivo del estudio es investigar la aceptacin de una me-
jora del servicio, y analizar cunto se puede aumentar la tarifa si se incorpora
dicha mejora.
El diseo experimental puede traducirse en trminos de alternativas co-
mo se ilustra en la tabla 3.5. Destacar que en este punto se debe decidir cmo
transformar los niveles Alto y Bajo o Rpido y Lento en descripciones
relevantes y plausibles para el encuestado. Adems, el rango de las variacio-
nes en los niveles de los atributos debe ser lo suficientemente amplio como
1o:
para obtener variaciones detectables en las preferencias declaradas, pero al
mismo tiempo no tan grandes como para comprometer la credibilidad de la
alternativa.
ste es un diseo factorial completo, donde el analista es capaz de recoger
todos los efectos directos y de interaccin. Sin embargo, si interesa tambin el
efecto producido por la reduccin del nivel de servicio, podra resultar nece-
sario aumentar (de dos a tres), el nmero de niveles del tiempo de viaje y de la
frecuencia, aumentando as el nmero de alternativas hasta 3
2
2
1
= 18 aunque
un nmero tan elevado de opciones puede provocar fatiga en el encuestado y
reducir por tanto el valor de sus respuestas.
Tabla 3.4. Diseo experimental para tres atributos con dos niveles cada
uno
Atributos
Alternativas Tarifa Tiempo de viaje Frecuencia
1 Baja Rpido Poco frecuente
2 Baja Rpido Frecuente
3 Baja Lento Poco frecuente
4 Baja Lento Frecuente
5 Alta Rpido Poco frecuente
6 Alta Rpido Frecuente
7 Alta Lento Poco frecuente
8 Alta Lento Frecuente
Representacin numrica: 1= pobre, 1= bueno
Alternativas Atributo 1 Atributo 2 Atributo 3
1 1 1 1
2 1 1 1
3 1 1 1
4 1 1 1
5 1 1 1
6 1 1 1
7 1 1 1
8 1 1 1
1o
Tabla 3.5. Presentacin de alternativas de Transporte Pblico
Alternativas Tarifa () Tiempo de viaje (min) Frecuencia (buses/hora)
1 0,50 18 2
2 0,50 18 4
3 0,50 25 2
4 0,50 25 4
5 0,80 18 2
6 0,80 18 4
7 0,80 25 2
8 0,80 25 4
Los diseos factoriales fraccionados permiten reducir el nmero de al-
ternativas a costa de perder uno o ms efectos de interaccin. En Pearmain
et al. (1991) se incluyen algunas directrices sobre cmo reducir el nmero y
complejidad de las opciones, teniendo en cuenta los objetivos del estudio y las
restricciones de tiempo y alcance de los instrumentos de encuesta.
Un elemento clave en la construccin de un diseo factorial es, de hecho, su
complejidad. La experiencia demuestra que las personas responden ms veraz-
mente cuando se les pide considerar cambios simultneos de hasta tres factores
nicamente (Huber y Hanson, 1986). Es esperable que la complejidad asociada
a responder la encuesta tenga influencia sobre la cantidad de errores en los
datos; a este propsito, los pre-tests, el control de la encuesta, el monitoreo de
la entrevista y las sucesivas sntesis postoperativas, pueden detectar problemas
generales, e incluso se pueden incorporar test en el instrumento de medicin
para identificar aquellos individuos con menor comprensin del ejercicio. En
este sentido parecen particularmente apropiados procedimientos interactivos de
encuesta, ya que permiten detectar estos problemas e, inmediatamente, reali-
zar una comprobacin ms detallada o proporcionar instrucciones adicionales.
Ejemplo 3.10: sea un diseo con cinco atributos, dos de ellos con dos niveles
de variacin y el resto con tres niveles (esto es, un diseo 2
2
3
2
). Dependiendo
del nmero de interacciones que se desee investigar, el nmero de opciones a
presentar variara de la siguiente forma:
108 si fuera necesario considerar todos los efectos (diseo factorial com-
pleto).
1o
81 para considerar los efectos principales y todas las interacciones entre
pares de atributos, ignorando efectos de orden superior.
27 para considerar los efectos principales y las interacciones entre un atributo
y el resto de los atributos.
16 si no se consideran interacciones.
Una vez que se ha decidido el diseo factorial, se construyen las alterna-
tivas tecnolgicamente factibles (que, por supuesto, pueden ser hipotticas),
y finalmente se llevan a cabo el experimento y la recogida de informacin.
Fowkes y Wardman (1988) entregan una serie de recomendaciones prcticas
para la variacin deseable de los niveles de los atributos. Su experiencia indica
que puede ser beneficioso sacrificar la pureza del diseo experimental (p. ej.,
perder la ortogonalidad completa) si se gana en realismo. Adems, ellos y otros
colegas han sugerido recientemente que en ciertos casos (es decir, cuando se
desea estimar relaciones entre parmetros como el valor del tiempo), puede ser
preferible un diseo en el que los propsitos y los atributos estn explcitamente
correlacionados (Watson et al., 1996).
Para optimizar la eficiencia de un diseo PD es necesario poner atencin
en qu condiciones cambiaran las elecciones; por ejemplo, si existe algn
compromiso entre dos o ms atributos, ste debera verificarse en el punto en
el cual las valoraciones relativas de dos alternativas vuelven indiferente al
usuario. Estas valoraciones, definidas por Fowkes (2000) como valores l-
mite (boundary values), son tiles para averiguar si el diseo cubre un rango
suficiente de valoracin de los atributos.
Ejemplo 3.11: considrese slo dos atributos, coste (C) y tiempo (t), que
asumen valores diferentes en dos (o ms) alternativas y una funcin de utilidad
compensatoria (se estudiar en el Captulo 7), definida como la suma ponderada
de los atributos:
V
i
=
t
t
i
+
c
C
i
Entonces, si se comparan las alternativas 1 y 2 (p. ej., bus y tren) se tiene
que:

V V t t C C
t c 1 2 1 2 1 2
+ u u ( ) ( )
El punto de indiferencia entre las dos opciones se obtiene a partir de que
V
1
= V
2
y por tanto:
1o

u
u
t
c
C C
t t
( )
( )
1 2
2 1
donde la relacin
t
/
c
es el valor lmite del atributo tiempo expresado en
trminos de coste, es decir es el valor del tiempo (vase la seccin 13.4). Por
ejemplo, en ausencia de efectos aleatorios, un individuo cuyo valor del tiempo
sea mayor que
t
/
c
preferira la alternativa con un coste ms alto, y viceversa;
vase el ejemplo en Fowkes (2000). En el caso de que se aada otra variable,
por ejemplo, el tiempo de espera, el analista puede, de modo anlogo, obtener
el valor del tiempo de espera, y si se representan en un grfico los valores del
tiempo de viaje y del tiempo de espera en consonancia con los datos de las
situaciones PD que se presentan a los entrevistados se obtiene un mapa (o
diagrama de rayos), de valores lmite que permite verificar si el diseo reali-
zado cubre un rango adecuado de valores. El concepto de diagrama de rayos
es ahora generalmente utilizado por la mayora de los expertos de PD ms
reconocidos (Bates, 1998).
Pearmain y Swanson (1990) han experimentado con el uso de diseos adapta-
dos para las encuestas PD utilizando ordenadores porttiles. An ms, la utili-
zacin de software avanzado les permite modificar el experimento a partir de
las respuestas obtenidas por el individuo. Otro enfoque del mismo problema ha
sido investigado por Holden et al. (1992). Los resultados sugieren que hay una
cierta ganancia en construir diseos PD a la medida de cada entrevistado, aun-
que en este caso se necesita poner cierta atencin en no perder las propiedades
deseables de la muestra y el diseo general. En efecto, Bradley y Daly (2000)
critican la utilizacin de diseos adaptativos ya que pueden producir sesgos.
Es de destacar que esto es totalmente diferente a la tcnica de utilizar diseos
fijos a la medida de cada usuario (es decir, no adaptativo) que es un mtodo su-
mamente recomendado en cuanto a que permite obtener un ejercicio PD mucho
ms realista; sin embargo, se debe resaltar que ambos enfoques son mucho ms
fciles de llevar a cabo en la prctica utilizando un ordenador porttil. Se remite
al lector a los tres artculos indicados en estos prrafos para ms detalles.
Sea cual sea el enfoque adoptado para el diseo experimental en una en-
cuesta PD, es muy importante probar el instrumento de encuesta antes de
aplicarlo a gran escala. Para ello se llevan a cabo los siguientes pasos:
Utilizar datos simulados para confirmar que el diseo permite recuperar
todos los parmetros del modelo esperado.
1oo
Realizar pre-test del instrumento de encuesta utilizando una pequea mues-
tra estratificada que permita tener en cuenta la opinin del mayor nmero
posible de sectores de inters en la poblacin.
Evaluar los resultados de esta encuesta piloto en trminos de la calidad del
instrumento de encuesta y de calidad intuitiva de las respuestas obtenidas
segn estratos de la poblacin. Corregir el instrumento antes de su utili-
zacin.
Obviamente la encuesta piloto sirve tambin para comprobar aspectos rela-
cionados con la organizacin operacional, administrativa y control de calidad
del ejercicio.
3.3.4.3. Presentacin de las alternativas
Para garantizar respuestas realistas por parte de los entrevistados es muy im-
portante que los atributos de las alternativas sean presentados de modo parecido
a como son percibidos por los viajeros. Ello puede requerir, por ejemplo, la
utilizacin de material grfico de alta calidad para transmitir cmo se vera el
material rodante de un nuevo servicio que se fuera a investigar con PD. El in-
vestigador debe tener cuidado de evitar cualquier sesgo implcito en el material
ilustrativo utilizado. En este sentido las ilustraciones grficas son preferibles a
las fotografas debido al mayor control que se tiene sobre los detalles incluidos
en las mismas.
Ejemplo 3.12: en un estudio sobre la importancia de la frecuencia en la
demanda por viajes interurbanos (Steer y Willumsen, 1983), se pudo compro-
bar que aunque diferentes personas perciben la frecuencia de forma distinta,
casi nadie se plante esta variable en trminos de trenes por hora o por da.
Por lo tanto, la primera parte de la entrevista se utiliz para conocer cmo era
percibida la frecuencia por cada viajero, por ejemplo:
Tom el ltimo tren que me deja en Newcastle antes de las 11 a.m.; fue el
tren de las 7:50 desde Kings Cross, o bien
Me limit a llegar a la estacin donde descubr que el siguiente tren a
Newcastle iba a salir en 15 minutos.
El entrevistador posteriormente transform los diferentes atributos de
frecuencia del diseo experimental en trminos equivalentes; por ejemplo,
Para llegar a Newcastle antes de las 11 a.m. debe coger el tren de las 7:30,
1o;
en la opcin de baja frecuencia, o coger el tren de las 8:00, en la opcin
de frecuencia alta. Alternativamente el prximo tren a Newcastle saldr
dentro de 30 minutos o saldr en 10 minutos, para cada opcin. Se invit
posteriormente a cada viajero a que eligiera entre las alternativas descritas en
trminos que le fueran familiares, aumentando as el realismo y la relevancia
del proceso de eleccin.
3.3.4.4. Identificacin de las preferencias
El siguiente tema en la construccin de una encuesta de PD se refiere a la forma
en que se pide a los encuestados que expresen sus preferencias por cada opcin
presentada. Como se ha mencionado anteriormente, hay tres formas principales
de recoger informacin sobre preferencias de las alternativas: pidiendo a los
encuestados que las ordenen por orden de preferencia, que las valoren o pun-
ten sobre una escala arbitraria o que elijan una de ellas, en un experimento de
eleccin. Otros enfoques, como, por ejemplo, destinar un presupuesto limitado
a usos alternativos, han sido utilizados con mucha menor frecuencia.
Jerarquizar la respuesta. En este mtodo se presentan al encuestado todas a)
las opciones a la vez, para que las ordene de acuerdo a su preferencia; esto
implica, la creacin asimismo, de una jerarqua de valores de utilidad. El
principal atractivo de este mtodo es que todas las opciones se presen-
tan juntas, pero ello tambin limita el nmero de alternativas que pueden
considerarse sin fatigar al encuestado. Adems el investigador tiene que
ser consciente de que los datos obtenidos por este mtodo representan
juicios de los individuos, que no tienen que, necesariamente, corresponder
al tipo de elecciones que ellos enfrentan en la vida real.
Las tcnicas de puntuacin han sido utilizadas durante muchos aos por b)
los profesionales de investigacin de mercados. En este caso se pide a los
encuestados que expresen su grado de preferencia por cada alternativa uti-
lizando una escala arbitraria, a menudo entre 1 y 10, con descripciones
especficas de los nmeros principales; por ejemplo, 1 = fuerte desagrado,
5 = indiferencia y 10 = fuerte preferencia. Las respuestas pueden tra-
tarse posteriormente utilizando operaciones aritmticas normales (clculo
de medias, ratios, etc.). Sin embargo, se ha demostrado que las respuestas
no son independientes de las escalas utilizadas y de las descripciones aso-
ciadas en las mismas. No hay evidencia, por tanto, de que las preferencias
individuales puedan ser eficientemente obtenidas y convertidas en escalas
1o8
de este tipo. No obstante, la base de estas tcnicas puede utilizarse para
mejorar los experimentos de eleccin que se presentan en el apartado (c).
En este caso, el encuestado expresa su grado de preferencia entre dos
alternativas, tpicamente en una escala de cinco puntos: con seguridad
elegira la alternativa A, probablemente elegira la alternativa A, no
puedo elegir, probablemente elegira la alternativa B y con seguridad
elegira la alternativa B.
Los experimentos de eleccin consisten en que el encuestado seleccione c)
una opcin entre un par (eleccin binaria) o entre un grupo de ellas. En
su forma ms pura, el individuo nicamente elige su alternativa prefe-
rida, expresando as la eleccin en trminos anlogos a los de las encuestas
de preferencias reveladas. En su forma extendida, el encuestado declara
sus preferencias sobre una escala como la sealada en el apartado anterior.
Para aumentar el realismo se puede incluir la opcin ninguna de las an-
teriores, para no forzar la seleccin de una alternativa menos mala, pero
an inaceptable para el usuario.
3.3.4.5. Nada es importante
Es recomendable agregar una opcin nula al diseo experimental (tambin
conocida como non-purchase option). La razn es que si se presentan dos
o ms opciones a un individuo y todas ellas resultan inaceptables y no se le
proporciona la oportunidad de rechazo total, es posible que esto active un me-
canismo secundario de toma de decisiones que podra sesgar los resultados
del experimento. Este importante problema ha sido ignorado muy a menudo
en la prctica.
Ejemplo 3.13: Olsen y Swait (1998) estudiaron la veracidad de las siguientes
proposiciones en el caso de la compra de un producto cuya venta estaba sujeta
a estrictos requisitos previos (p. ej., zumo de naranja concentrado del que se
espera que muchos de los potenciales consumidores lo demanden sin azcar):
Si la opcin o alternativa no-compra ( non-purchase option [NPO]) no estu-
viera presente en el experimento, las ponderaciones de los atributos diferiran
de aquellos observados respecto de si una NPO se presenta como alternativa
en el experimento.
Si una NPO estuviera incluida en el diseo experimental, el analista podra
identificar ms estructuras no-lineales de preferencias que si las NPO no
estuvieran presentes en dicho diseo.
1o,
Modelos basados en los datos sin NPO podran tener baja capacidad pre-
dictiva respecto de aquellos en los que s se hubiera incluido la NPO; en
cambio, modelos basados en datos que incluyan una NPO presentarn una
buena capacidad predictiva en cualquier escenario.
Olsen y Swait (1998) utilizaron un diseo experimental con tres alter-
nativas, dos niveles de calidad de naranjas, dos niveles de dulzura, dos tipos
de envasado (solo o en lotes de cuatro) y dos niveles de precio por unidad.
Agregaron tambin una alternativa barata (con el nombre del supermercado)
que consista en un jugo endulzado hecho con naranjas de baja calidad. Ellos
plantearon un diseo factorial que les permiti estimar los efectos principales
y las interacciones entre pares de atributos.
Se tomaron muestras de igual tamao (70 individuos) a las que se pre-
sentaron 16 situaciones involucrando tres opciones en los diseos con y sin
NPO. Tambin se pregunt si los consumidores vetaran la compra de un pro-
ducto si uno de sus atributos tuviera un nivel inaceptable. Al final se encontr
que los parmetros de los modelos estimados no slo difirieron en magnitud
sino que, como se esperaba, el modelo con NPO present efectos no-lineales
(interaccin) significativos. Estos resultados fueron confirmados por un an-
lisis de las respuestas a propsito de vetar un producto dependiendo de sus
caractersticas (el 63% de la muestra consideraba que el jugo endulzado era
inaceptable; el 57% consideraba inaceptable el requisito de comprar paquetes
de cuatro unidades). La tabla 3.6 muestra el porcentaje de error en las pre-
dicciones para cada grupo de datos utilizando los parmetros estimados con
el otro grupo. No hay ninguna duda de que las hiptesis iniciales de Olsen y
Swait fueron confirmadas; as que puede concluirse que nada, de hecho, es
importante.
Tabla 3.6. Errores cruzados de prediccin en productos de mercado
Alternativas
Error de prediccin (%)
Con NPO sin NPO Sin NPO con NPO
1 3,8 24,8
2 1,9 21,6
3 2,8 37,9
NPO 47,8
1;o
3.3.4.6. Estrategia de muestreo
Al igual que en otros trabajos de toma de datos, durante el diseo de un expe-
rimento PD son muy importantes conceptos tales como la composicin de la
muestra y su tamao. Un requerimiento bsico, comn con los estudios PR,
es la obtencin de una muestra suficientemente grande y representativa. Por
otra parte, los estudios PD son estadsticamente eficientes, en el sentido de que
cada encuestado no produce una nica observacin sino varias en el mismo
contexto de eleccin. Por tanto las muestras son habitualmente ms peque-
as que en estudios comparables de PR (Bradley, 1988). Originalmente se pen-
s que unas 30 entrevistas por cada segmento eran suficientes. Sin embargo,
se ha comprobado que es ms apropiado realizar unas 75-100 encuestas por
segmento (ver Pearmain y Swanson, 1990; Bradley y Kroes, 1990; y Swanson
et al., 1992).
Parte de la dificultad se debe a la naturaleza de la informacin recogida
de las encuestas PD. El hecho de que cada entrevista pueda producir 10 o ms
respuestas sobre el mismo nmero de situaciones hipotticas de eleccin, ofre-
ce informacin sobre las variaciones en las respuestas de cada individuo. Sin
embargo, para obtener un modelo representativo, se deben incorporar tanto las
variaciones entre individuos, como las producidas por un mismo individuo,
y esto slo se puede lograr con una muestra adecuadamente dimensionada y
representativa.
El problema de representatividad de la muestra puede complicarse en el
contexto de experimentos de PD, precisamente debido a la flexibilidad adi-
cional que se obtiene con el mtodo (el analista puede controlar el contexto).
Por ejemplo, si se entrevista a un conjunto de individuos de un cierto tipo bien
definido (usuarios frecuentes de un servicio dado), sobre la mejora de servicio
en el mismo modo, se puede asegurar ms fcilmente que el contexto de la
encuesta sea conocido para los encuestados (las alternativas planteadas son
todas tecnolgicamente viables). Sin embargo, un modelo estimado con estos
datos ofrecer escasa fiabilidad sobre el comportamiento de otros grupos,
como, por ejemplo, nuevos usuarios que podran ser atrados por estas mejoras
del servicio.
Para estimar la demanda futura es necesario encuestar a muchos tipos de
individuos a fin de obtener resultados representativos. Si el mtodo es aleatorio,
se pueden necesitar grandes muestras para alcanzar un nmero adecuado de
observaciones sobre elecciones minoritarias. Ya se ha mencionado que en los
estudios PR el muestreo basado en la eleccin resulta un mtodo no muy cos-
1;1
toso para estos casos; esto es an ms interesante ya que aplicando una simple
correccin durante la estimacin de modelos se logra evitar el sesgo estadstico,
segn se ver en el Captulo 8. En datos PD, sin embargo, las muestras basadas
en la eleccin pueden introducir un sesgo adicional debido a la forma en que
diferentes tipos de individuos perciben o interpretan el contexto de eleccin
(ver Bradley, 1988).
3.3.4.7. Realismo y complejidad
Un elemento fundamental para el xito de las encuestas PD es el grado de rea-
lismo obtenido en las respuestas. Se han desarrollado ciertas reglas a seguir,
descritas por autores como Pearmain et al. (1991). En particular, es necesario
salvaguardar la realidad en el contexto del ejercicio, as como en las alternati-
vas de eleccin que se presentan y en las respuestas que son permitidas. Ello
puede lograrse de diversas formas:
Focalizando la atencin sobre un comportamiento especfico en lugar de
sobre el comportamiento general. Por ejemplo, debe preguntarse a los en-
cuestados cmo responderan ante una alternativa en una ocasin concreta,
no en un contexto amplio. Cuanto ms abstractas sean las preguntas, menos
fiables sern las respuestas.
Utilizando un contexto realista de eleccin, p. ej., uno en el que los encues-
tados hayan tenido una experiencia reciente.
Manteniendo las restricciones de eleccin necesarias para que el contexto sea
realista. Ello implica normalmente preguntar a los encuestados por sus pre-
ferencias respecto a un viaje muy reciente, sin eliminar ninguna de sus res-
tricciones. Por ejemplo, Si hoy usted prefiriera utilizar su coche para visitar
al dentista por la tarde despus del trabajo, por favor conserve esta restriccin
en sus elecciones. La eliminacin de estas restricciones puede provocar
respuestas irrealmente elsticas.
Utilizando niveles existentes (percibidos) de los atributos para que las alter-
nativas se construyan alrededor de la experiencia existente.
Utilizando la percepcin de los entrevistados para definir las posibles limi-
taciones de los valores de los atributos en el ejercicio. Por ejemplo, si se trata
de mejoras en los servicios de ferrocarril, no presentar opciones en las que
la estacin est ms cerca de los domicilios que en la realidad.
Asegurando que se incluyan en la presentacin todos los atributos relevantes.
Ello es especialmente importante si se desea desarrollar modelos de elec-
1;:
cin de viaje y no solamente medir la importancia relativa de los diferentes
atributos.
Planteando el experimento de eleccin de forma simple, sin sobrecargar
cognitivamente al encuestado. Hay que recordar que en la prctica se toman
decisiones muy complejas, pero que esto se hace en un perodo de tiem-
po muy largo, durante el cual se adquiere experiencia sobre las alterna-
tivas existentes a la velocidad de cada cual hasta, finalmente, seleccionar
la mejor. En un ejercicio PD estas elecciones se comprimen en un pero-
do de tiempo muy corto y por tanto, deben ser simplificadas conveniente-
mente.
Permitiendo a los encuestados optar por una respuesta fuera del conjunto de
alternativas experimentales. Por ejemplo, en un ejercicio de eleccin modal
si todas las opciones son muy poco atractivas el encuestado puede decidir
cambiar el destino, el tiempo de viaje o incluso no efectuar el viaje. Por ello
es necesario dejar una alternativa del tipo har otra cosa. Si se trata de
una encuesta realizada por ordenador, se puede programar el acceso a otro
ejercicio en el que se investiguen precisamente estas opciones.
Asegurando que todas las opciones se definan claramente y sin ambige-
dades. Esto es muy difcil en el caso de atributos cualitativos como la segu-
ridad o el confort. As, no es recomendable describir alternativas escasa
o mejorada, ya que estas palabras son muy vagas e inducen diferentes
interpretaciones por parte de los encuestados. Es preferible describir qu
medidas o caractersticas estn asociadas a mejorar la seguridad o el confort
(circuitos cerrados de televisin en todas las estaciones, personal de seguri-
dad presente en todo momento, aire acondicionado en todos los vagones
como en los trenes interurbanos).
3.3.4.8. Utilizacin de ordenadores en encuestas PD
En la actualidad es frecuente el uso de ordenadores para la realizacin de di-
versos tipos de encuestas, incluyendo las de PD. La utilizacin de ordenado-
res presenta ventajas muy significativas respecto a los mtodos de papel y
bolgrafo, pero tiene algunas limitaciones dada la tecnologa actual, que dis-
cutiremos en primer lugar.
En el caso de encuestas de PD es ms probable la utilizacin de ordenadores
porttiles, preferiblemente de tamao pequeo. Sus principales limitaciones
han sido la duracin de las bateras y su peso, aunque los equipos modernos
prcticamente han resuelto estos problemas. Por otro lado, los ordenadores
1;
porttiles actuales poseen un tamao de pantalla suficiente con color de alta
resolucin, apto para presentar la cantidad de informacin necesaria a un precio
razonable. Sin embargo, ni siquiera los programas grficos a base de ventanas
desplegables ms modernos, pueden proporcionar la facilidad de manejo de
tarjetas impresas. Por ello no existen ventajas en la utilizacin de ordenadores
para la mayora de los ejercicios PD que utilizan jerarquizacin.
Por otra parte, la pantalla de ordenador est perfectamente adecuada para
el tratamiento de elecciones entre pares de alternativas en su forma pura y
generalizada (escalamiento). Tambin se pueden presentar no slo los atributos
que varan en el experimento PD, sino tambin otras caractersticas que per-
manezcan fijas, tales como el destino, las horas o cualquier otra informacin
que pueda ser relevante o til para el encuestado.
Sin embargo, lo que hace ms atractivas a las entrevistas realizadas con
el ordenador es la adaptacin del experimento al individuo. La mayor parte de
las encuestas PD incluyen un cuestionario en el que se recoge la informacin
sobre el individuo y sobre un viaje reciente (o una compra), informacin que
es utilizada para, posteriormente, construir el experimento. Este cuestionario
puede reproducirse en pantalla con ventajas adicionales de validacin automti-
ca de entradas y asignacin de rutas tambin automticamente (ver Figura 3.8).
A partir de un diseo especfico el ordenador puede generar las encuestas PD
apropiadas a las circunstancias de cada individuo. Adicionalmente pueden in-
corporarse comprobaciones lgicas y los rangos vlidos de las respuestas, ven-
tanas de ayuda o de informacin complementaria (p. ej., horarios de servicios)
y as mejorar la calidad de la entrevista.
La utilizacin de ordenadores para encuestas PD hace posible el diseo de
encuestas mucho ms complejas que las planteadas manualmente, aunque esta
complejidad no sea aparente para el encuestado, ni siquiera para el encuestador.
Por otra parte, el uso de un buen software permite la aleatoriedad del orden
en el que aparecen las opciones presentadas a cada individuo, eliminando de
esta forma una fuente adicional de sesgo en las respuestas.
Adems, como todas las respuestas se graban directamente en el disco duro
del ordenador, no existen costes adicionales ni errores de grabacin de datos,
y la informacin est disponible inmediatamente para su tratamiento.
Ciertos paquetes de software ofrecen excelentes prestaciones para el diseo
y la codificacin de entrevistas muy complejas con un mnimo conocimiento
de informtica. Entre los ms conocidos se encuentran ALASTAIR (Steer Da-
vies Gleave), MINT (Hague Consulting Group) y ACA (Sawtooth Software).
1;
Un ejemplo del tipo de pantallas generadas por estos paquetes se incluye en la
figura 3.9. En resumen las ventajas prcticas de las entrevistas PD realizadas
con ordenador son:
formato consistente para todas las entrevistas y encuestados;
derivacin o bifurcacin de la pregunta automtica, solicitud de datos y
validacin de respuestas automtica;
codificacin y almacenamiento de datos automtica;
facilidad de adaptacin del ejercicio PD a cada individuo;
reduccin del tiempo de encuesta, ya que el encuestador no tiene que calcular
y preparar las opciones por escrito;
reduccin de costes de entrenamiento y formacin de los encuestadores;
secuencia aleatoria de las preguntas para reducir sesgos.
Por el contrario, existen costes iniciales de inversin en hardware, software,
seguros y necesidad de contar con algunos servicios complementarios en campo
(discos, lotes de bateras de repuesto, mdems, asistencia tcnica a los encues-
tadores y supervisores, etctera).
Cunto tiempo fue caminando desde
el lugar de aparcamiento hasta su destino?
Cunto tiempo tendr
su vehculo aparcado?
5 minutos
8 horas 0 m
1 libra 89 peniques
35,00
Cunto paga por un galn de gasolina?
(Presione F1 para /litro)
Cuntas millas por galn considera
consume su vehculo?
(Presione F1 para obtener km/litro)
Si no hubiera podido realizar este viaje
con su coche, qu hubiera hecho usted?
Entrevistas a travs de ordenador por Steer Davies Gleave
Acompaado por alguien
Bus
Tren
Taxi
A pie
Bicicleta
Viajar de otra forma
No viajar
Figura 3.8. Ejemplo de cuestionario presentado por ordenador.
1;
3.3.4.9. Consideraciones sobre la calidad en encuestas de PD
Las tcnicas de Preferencias Declaradas han demostrado ser un instrumento
muy potente en la bsqueda y desarrollo de modelos, tanto en el mbito del
transporte como en otros sectores. Su valor depende de la aplicacin adecuada
de las lneas y directrices presentadas y explicadas en las pginas anteriores. En
particular, reducir la artificialidad del diseo de la encuesta al mnimo reque-
rido constituye un elemento clave en la consecucin de buenos resultados.
Cuanto ms interesado est el analista en predecir el comportamiento fu-
turo, ms importante es asegurarse de que el contexto de decisin sea concreto
(un viaje real, no hipottico) y de que el universo de respuestas corresponda
al comportamiento.
Uno de los riesgos de las tcnicas PD es que es relativamente fcil tomar
atajos o reducir la rigurosidad del ejercicio con el fin de reducir costes. Por
ejemplo, se puede permitir que el contexto de la decisin sea menos especfico
o ms genrico. El muestreo es as ms sencillo, el cuestionario ms simple
Figura 3.9. Ejemplo de pantallas de un ejercicio PD de eleccin
del programa ALISTAIR.
Opcin 1
CONDUCIENDO COCHE
Tiempo de conduccin: 40 min
6 minutos para aparcar en un parking
Coste de aparcamiento : 3,40
Coste de combustible: 1,90/galn
Unos 5 minutos andando hacia
su destino
Salida a: 08:09
Llegada a: 09:00
Opcin 2
VIAJANDO EN AUTOBS
Tiempo de conduccin: 50 min
Hay Autobuses cada 5 minutos
Coste: 1,40 ida + vuelta
Un trasbordo entre buses
Unos 5 minutos andando hacia
su destino
Salida a: 08:00
Llegada a: 09:00
Qu opcin elegira usted?
Denitivamente
Opcin 1
Denitivamente
Opcin 2
Posiblemente
Opcin 1
No puedo
decir
Ninguno
de ellas
Posiblemente
Opcin 2
1;o
y, no sorprendentemente, los modelos resultantes bastante crebles, ya que re-
flejan un comportamiento ideal, en vez de uno sujeto a restricciones. El va-
lor de los indicadores de bondad de ajuste en encuestas PD depende entera-
mente de la calidad y realismo del experimento. El problema es que los defectos
de los modelos obtenidos mediante estudios ms baratos solamente pueden
detectarse con el paso del tiempo.
Lo mismo sucede tambin con las tcnicas de anlisis que se desarrollan
en el Captulo 8. Un anlisis de calidad requiere a menudo la combinacin de
datos PR y PD para asegurar que los modelos resultantes estn bien anclados
(escalados) a las restricciones y al ruido del comportamiento real.
Las encuestas PD pueden ser una forma eficiente de refinar y mejorar las
herramientas de modelizacin, pero el forzar un coste bajo a expensas de la
calidad y de la rigurosidad del anlisis, conduce probablemente a resultados
decepcionantes y a un apoyo pobre a las decisiones.
3.3.5. Toma de datos longitudinales
La mayor parte de las discusiones realizadas hasta ahora han sido desarrolla-
das bajo la hiptesis implcita de que los datos son de tipo corte transversal
(fotografa de un momento temporal dado). No obstante, segn se seal en
el Captulo 1, los investigadores del comportamiento de viajeros se han con-
vencido paulatinamente de que los modelos empricos de corte transversal
(cross-section) no son capaces de detectar la inter-temporalidad de la mayora
de las elecciones de viaje.
En este apartado se proporciona una breve introduccin a los mtodos de
toma de datos longitudinales y de series temporales, as como a los problemas
que presentan. En primer lugar se definen los distintos mtodos, para concen-
trarse posteriormente en el enfoque aparentemente preferido: los datos de panel.
En el Captulo 8 se mencionan los problemas adicionales de la modelizacin
de elecciones discretas para este caso.
Finalmente se examinar la evidencia existente sobre los costes aproxima-
dos de un ejercicio de toma de datos de panel en comparacin con el enfoque
ms tradicional de corte transversal.
3.3.5.1. Definiciones bsicas
Encuestas de corte transversal repetidas. En este caso se realizan medidas 1.
similares en muestras de una poblacin equivalente en distintos instantes
1;;
de tiempo, sin asegurar que un mismo encuestado se incluya en ms de
una pasada de toma de datos. Este tipo de encuestas produce una serie
de fotografas de la poblacin en diferentes momentos temporales. No
obstante, la realizacin de inferencias sobre la poblacin utilizando modelos
longitudinales puede sufrir algn sesgo si se utilizan este tipo de datos, y
puede ser preferible tratar las observaciones como si fueran obtenidas de
una nica encuesta de corte transversal (Duncan et al., 1987).
Encuesta panel. En este caso se realizan medidas similares, a veces deno- 2.
minadas oleadas, en la misma muestra en diferentes momentos temporales.
Existen varios tipos de encuestas panel, como se seala a continuacin.
Encuesta de panel rotatorio. Es una encuesta panel en la que algunos ele- 3.
mentos se conservan en el panel slo durante una parte de su duracin.
Encuesta de panel combinado. Es una combinacin de encuesta panel y 4.
de panel rotatorio.
Estudio de cohortes. Es una encuesta panel basada en elementos que pro- 5.
vienen de subgrupos de la poblacin que han compartido una experiencia
similar (p. ej., nacer en un ao determinado).
Es importante distinguir entre encuesta y datos longitudinales. Los ltimos
consisten en mediciones peridicas de ciertas variables de inters. Aunque en
principio es posible obtener datos de panel de una encuesta de seccin temporal,
normalmente se reconoce que para conseguir datos confiables en el tiempo es
mejor realizar un diseo de encuesta panel antes que encuestas con preguntas
retrospectivas.
3.3.5.2. Muestra representativa
Los diseos de panel son frecuentemente criticados porque pueden ser poco
representativos de la poblacin inicial ya que, necesariamente, sus muestras
envejecen. Sin embargo, esto es estrictamente cierto slo en diseos de estudios
de cohortes que se inician con una muestra no representativa. Por ejemplo, si
la muestra consiste en personas nacidas el mismo ao, los individuos que se
agreguen a la poblacin bien por nacimiento o inmigracin, no estarn bien
representados en el diseo.
En general, el diseo de un panel debe intentar conservar una muestra
representativa de la poblacin en el tiempo. Por tanto no slo debe solucionar
los problemas de nacimiento, inmigracin o entrada de individuos por otros
medios, sino tambin ser capaz de tratar la incorporacin de familias enteras
1;8
en la poblacin (personas que dejan la casa de sus padres, parejas que se di-
vorcian). Es necesario definir un procedimiento que mantenga una muestra
representativa que permita que familias e individuos se incorporen a la mues-
tra con probabilidades conocidas, pero esto no es una tarea sencilla (para ms
detalles ver Duncan et al., 1987).
3.3.5.3. Fuentes de error en datos de panel
Un diseo de panel puede aadir (o quitar, si no se realiza con cuidado) calidad
a los datos. Aunque generalmente est reconocido que contactos y entrevistas
repetidas permiten alcanzar una mejor calidad de los datos, los paneles se
caracterizan por una mayor tasa de no-respuesta con respecto de los mtodos
de corte transversal, y corren el riesgo de introducir contaminaciones como
se ver a continuacin.
Efectos sobre los errores de respuesta. Los entrevistados en las encuestas
panel tienen contacto reiterado con los encuestadores y sus cuestionarios. Esto
puede mejorar la calidad de los datos obtenidos por las siguientes razones:
La entrevista repetida en el tiempo reduce el tiempo transcurrido entre el
fenmeno investigado y la propia entrevista, tendiendo as a mejorar la
calidad de la informacin recordada.
El contacto repetido incrementa la probabilidad de que el encuestado en-
tienda ms claramente el objetivo del estudio. Adems las personas pueden
verse ms motivadas para realizar el trabajo solicitado y producir respuestas
ms precisas.
La calidad de los datos tiende a mejorar en las oleadas ms tardas de un
panel, probablemente por el aprendizaje de los encuestados, de los encues-
tadores o de ambos.
Problemas relacionados con la no-respuesta. Bajo el concepto genrico
de no-respuesta se incluyen varios conceptos importantes que tienen dos orge-
nes bsicos: la prdida de una unidad completa de informacin y/o la prdida
de un dato especfico dentro de la unidad. Hensher (1987) discute en detalle la
forma de verificar y corregir este tipo de error.
Los problemas de no-respuesta asociados con la oleada inicial de un panel,
no son diferentes a los de las encuestas de corte transversal, de forma que muy
poco se puede hacer para corregir sus posibles efectos. Por el contrario, se
tiene mucha informacin sobre la no-respuesta en oleadas sucesivas, de forma
1;,
que dicha informacin puede ser utilizada para determinar sus principales ca-
ractersticas, permitiendo que la no-respuesta sea modelizada como parte del
comportamiento ms general de inters (ver Kitamura y Bovy, 1987).
Los diseos habituales de paneles a gran escala dedican una ingente can-
tidad de esfuerzo en preocuparse de los encuestados. Esto implica instruir a
los encuestadores sobre cmo contactar repetidas veces con los individuos as
como enviar cartas incentivadoras especialmente diseadas para reducir las
fuentes de resistencia de los encuestados.
Contaminacin de respuestas. Existe evidencia de que las respuestas
obtenidas en la oleada inicial de estudios de panel pueden diferir de las de
oleadas sucesivas. Por esta razn en algunos estudios de panel las entrevistas
iniciales no se utilizan con propsito comparativo. Una cuestin crucial es
saber si la pertenencia al panel afecta al comportamiento en s mismo o slo
a la informacin recogida. No existe ninguna prueba definitiva al respecto,
pero parece que depende del tipo de comportamiento medido. Por ejemplo,
Traugott y Katosh (1979) observaron que los participantes en un panel sobre
comportamiento de los electores, incrementaron sus votos (es decir, cambiaron
su comportamiento) segn fue pasando el tiempo. Esto se debi en parte a una
mayor conciencia del proceso poltico y en parte a que los individuos menos
motivados polticamente tendan a abandonar el panel.
3.3.5.4. Costes relativos de las encuestas longitudinales
No es posible preguntar acerca de los costes de los estudios longitudinales
sin hacer referencia a los costes de los mtodos alternativos existentes. Una
comparacin obvia es entre una encuesta de corte transversal, con preguntas
sobre un perodo anterior, y un panel con dos oleadas. Sin embargo, si el estudio
longitudinal est diseado para mantener representativa su muestra cada ao y
si se dedican recursos suficientes a la misma, puede servir tambin como una
fuente anual de datos representativos de corte transversal y de esta forma podra
compararse con una serie de estas encuestas en lugar de solamente con una.
Duncan et al. (1987) han realizado algunos clculos aproximados al respecto,
estableciendo que en el primer caso la encuesta longitudinal costara entre un 20
y un 25% ms que la encuesta de corte transversal con preguntas retrospectivas.
Pero en el segundo caso, los costes de campo de las sucesivas oleadas del estudio
de corte transversal seran de un 30 a un 70% ms caros que oleadas adicionales
de una encuesta panel, dependiendo de la duracin de la entrevista.
18o
Hay otros costes, en el caso del panel, producidos por la necesidad de
contactar y persuadir a los encuestados y por la necesidad de muestrear nue-
vamente en cada nuevo estudio de corte transversal. Finalmente, existen otros
costes de procesamiento de datos asociados con los paneles, pero stos deben
ser contrastados frente a la mayor oportunidad de comprobar inconsistencias,
analizar el efecto de la no-respuesta, etctera.
3.4. REDES Y SISTEMAS DE ZONIFICACIN
Una de las primeras y ms importantes decisiones a las que tiene que enfren-
tarse el profesional de la modelizacin de transporte es el nivel de detalle
(resolucin) que se va a adoptar en el estudio. Este problema tiene varias di-
mensiones: esquemas de redes y servicios a considerar, tipo de variables de
comportamiento que se incluirn, tratamiento del tiempo, etc. Este epgrafe
concentra su atencin en establecer consideraciones de diseo relativas a dos
de estas decisiones: la definicin de la zonificacin y de la red.
En estos dos casos, al igual que en otros aspectos fundamentales de la mo-
delizacin de transporte, la opcin finalmente elegida refleja un compromiso
entre dos objetivos en conflicto: la exactitud y el coste. Se puede alcanzar una
gran exactitud utilizando una zonificacin ms detallada y un sistema de redes
ms preciso. En el lmite, esto implicara reconocer cada hogar de cada uno de
los individuos, su localizacin, distancia a los puntos de acceso a las redes, etc.
Con una muestra suficientemente grande (tasa del 100% durante varios das), se
podra lograr una representacin muy precisa del sistema actual. Sin embargo
el problema de estabilidad temporal debilita esta visin de la exactitud, ya que
se necesitara predecir, con el mismo nivel de detalle, los cambios a nivel de
cada hogar individual que afectaran a la demanda de transporte. Esta tarea
es imposible e innecesaria. Cuando se realizan prognosis es posible admitir
menores niveles de detalle no slo por motivos econmicos, sino por el nivel
de exactitud requerido (ver el comentario al respecto en el apartado 3.2).
3.4.1. Diseo de la zonificacin
La zonificacin se utiliza para agregar hogares individuales y edificios en
porciones tratables del territorio para los objetivos de la modelizacin. Las
dos dimensiones principales de una zonificacin son el nmero de zonas y
su tamao y, evidentemente, ambas estn relacionadas. Cuanto mayor sea el
181
nmero de zonas, obviamente ms pequeas debern ser para cubrir la mis-
ma rea de estudio. En el pasado ha sido una prctica comn desarrollar un
sistema de zonificacin especfico para cada estudio y para cada contexto de
decisin. Esto es claramente despilfarrador si se realizan distintos estudios en
reas cercanas. Adems, la introduccin de sistemas zonales diferentes hace
difcil la utilizacin de datos de estudios previos y las comparaciones de mo-
delos en el tiempo.
La primera decisin al establecer un sistema de zonificacin es distinguir
el rea de estudio como tal del resto del mundo. Existen algunas ideas que
pueden facilitar esta eleccin:
Al elegir el rea de estudio se debe considerar el contexto de decisin, la
red de transporte que debe ser modelizada y la naturaleza de los viajes
que interesan, es decir, si son obligatorios u opcionales, de corta o larga
distancia, etctera.
Para estudios estratgicos se debera definir el rea de estudio de forma que
la mayora de los viajes tenga su origen y destino dentro de ella. Sin embar-
go, esto puede no ser posible en el anlisis de problemas de transporte en
pequeas reas urbanas donde la mayora de los viaje de inters atraviesan
el rea e interesa considerar la posibilidad de establecer una circunvalacin
(by-pass).
Problemas similares surgen en estudios de gestin de trfico en reas loca-
les, donde los flujos de trfico tambin tienen su origen o destino, o ambos,
fuera del rea de inters. En estos casos es interesante saber si es posible
modelizar los cambios que experimentaran estos viajes como consecuencia
de nuevas intervenciones en la red.
El rea de estudio tendra que ser algo mayor que el rea concreta de inte-
rs y debe comprender todos los proyectos de transporte que hayan de ser
considerados. Debe permitir el cambio de rutas, cambios en el destino, etc.,
ya que interesa modelizar sus efectos en el rea de estudio.
La regin externa al rea de estudio se divide normalmente en un cierto
nmero de zonas externas. En algunos casos puede ser suficiente considerar
cada zona exterior como representante de una parte del resto del mundo en
una direccin particular. Las fronteras de estas diferentes partes del resto del
mundo podran representar reas naturales conectadas mediante arcos de
transporte por los que circulen flujos que alimentan el rea de estudio. En otros
casos, puede ser ventajoso considerar zonas externas de tamao creciente con
18:
la distancia al rea del anlisis. Esta consideracin puede facilitar el anlisis de
los impactos sobre diferentes tipos de viajes (corta y larga distancia).
Dicha rea tambin debe dividirse en zonas internas ms pequeas. Su
nmero depender del compromiso entre una serie de criterios que se sealan
ms adelante. Por ejemplo, para el anlisis y organizacin de redes de gestin
de trfico se requerir generalmente zonas ms pequeas, representando in-
cluso aparcamientos de vehculos o los principales generadores/atractores de
viajes. Por otra parte, en el caso de estudios estratgicos, se necesitan diseos
zonales mucho ms amplios. Por ejemplo, en estudios estratgicos de Londres
se han usado zonificaciones muy finas con unas 1.000 zonas (para 7,2 millones
de habitantes) y varios niveles de agregacin de las mismas hasta 50 zonas (a
nivel de municipio). En la tabla 3.7 se presentan ejemplos de los nmeros de
zonas elegidos en diversos estudios.
Tabla 3.7. Nmero tpico de zonas en varios estudios
Localidad Poblacin N de zonas Comentarios zonificacin
Londres (1972) 7,2 millones
2.252 Subzonas a nivel detallado
~1.000 Zonas normales
~230 Distritos
52 Municipios
Isla de Montreal (1980) 2,0 millones 1.260 Zonas finas
Ottawa (1978) 0,5 millones ~120 Zonas normales
Santiago (1986) 4,5 millones ~260 Estudios estratgico
Washington (1973) 2,5 millones
1.075 Zonas normales
134 Nivel distrito
West Yorkshire(1977) 1,4 millones
~1.500 Zonas finas
463 Zonas gruesas
Bogot (2000) 6,1 millones 637 Zonas normales
Marsella (2001) 1,5 millones 562 Zonas normales
Las zonas se representan en los modelos de ordenador, como si todos sus
atributos y propiedades estuvieran concentrados en un nico punto denomi-
nado centroide de zona. Este punto se puede considerar flotando en el espacio
18
y no en una localizacin fsica sobre un mapa. Los centroides se conectan a la
red mediante los conectores de centroide que representan los costes medios
(distancia, tiempo) para incorporarse al sistema de transportes modelizado que
tienen los viajes con origen o destino en esa zona. Casi tan importante como
el coste asociado a cada conector es el nodo de la red al que se conecta. Estos
nodos deben estar prximos a los puntos naturales de acceso/salida de la zona.
El papel de los centroides y conectores en la modelizacin debe contribuir a la
definicin de los lmites de zonas.
A continuacin se incluye un sencillo listado de criterios de zonificacin
que han sido recopilados a partir de la experiencia adquirida en varios es-
tudios:
El tamao de las zonas debe ser tal que el error de agregacin causado por 1.
la hiptesis de que todas las actividades se concentran en el centroide, no
sea muy grande. Puede ser conveniente comenzar con un sistema con zonas
muy pequeas, ya que stas pueden agregarse de varias formas dependiendo
de la naturaleza de los proyectos que vayan a ser evaluados.
El sistema de zonificacin debe ser compatible con otras divisiones admi- 2.
nistrativas, particularmente las zonas censales. Este criterio es probable-
mente el fundamental y el resto slo ha de seguirse si no conduce a incon-
sistencias con el censo.
Es necesario que las zonas sean lo ms homogneas posibles en su compo- 3.
sicin de usos del suelo y/o poblacin. Las secciones censales con claras di-
ferencias al respecto (p. ej., sectores residenciales con niveles de ingreso
diferentes) no deben agregarse, ni aunque sean pequeas.
Es importante que los lmites de zonas sean compatibles con los cordones y 4.
las lneas-pantalla, as como con los lmites de zonificaciones preexistentes.
Se ha demostrado en la prctica que se debe evitar el uso de vas o calles
principales como lmites de zonas, ya que incrementa considerablemente
la dificultad de asignar viajes a zonas, cuando stos se originan o acaban
en la frontera entre las mismas.
La forma de las zonas debe permitir una identificacin sencilla de los co- 5.
nectores de centroides. Esto es particularmente importante para la estima-
cin sucesiva de caractersticas intrazonales. Una zona debe representar
el rea natural de cobertura de las redes de transporte y su(s) conector(es)
debe(n) ser identificado(s) de forma que representen los costes principales
de acceso a la red.
18
Las zonas no tienen porqu ser de tamao similar. Si acaso pueden ser de 6.
dimensiones semejantes en unidades de tiempo de viaje, lo que implica la
generacin de zonas ms pequeas en reas ms congestionadas.
Algunas veces puede ser ventajoso desarrollar un sistema de zonas jerr-
quico, como el empleado en los Estudios de Transporte de Londres (LTS), en
el que las subzonas se agregan en zonas mayores, que a su vez se agregan
en distritos, municipios y finalmente sectores. Esto facilita un anlisis al nivel
de detalle adecuado para diferentes tipos de decisiones. Los sistemas de zo-
nificacin jerrquica pueden plantearse con un esquema de numeracin zonal
adecuado, en el que el primer dgito indica el sector, el segundo el municipio,
el tercero el distrito y as sucesivamente.
3.4.2. Representacin de redes
La red de transporte trata de representar la parte de la oferta dentro del proceso
de modelizacin, es decir, lo que el sistema de transporte ofrece para satisfacer
las necesidades de desplazamiento de los viajeros en el rea de estudio. La
descripcin de una red de transporte en un modelo de ordenador puede rea-
lizarse con diferentes niveles de detalle y requiere simplificar su estructura,
sus propiedades o atributos y la relacin entre dichos atributos y los flujos de
trfico. Para una introduccin sobre aspectos relacionados con representacin
de redes, consultar Lamb y Havers (1970).
3.4.2.1. Detalles de la red
La red de transporte puede representarse con diferentes niveles de agregacin
dentro de un modelo. En un extremo estn los modelos sin ningn arco que se
basan en representaciones continuas de la oferta de transporte (Smeed, 1968).
Con estos modelos se puede obtener, por ejemplo, una ecuacin continua de
la capacidad media de trfico por unidad de rea en vez de por elementos
discretos o arcos. En un nivel de desagregacin ligeramente mayor, se puede
considerar una calle o va individual, pero suponiendo caractersticas como la
curva flujo-velocidad tomada de un rea mucho ms amplia; ver, por ejemplo,
Wardrop (1968).
La prctica normal, sin embargo, es modelizar la red como un grafo dirigi-
do u orientado, es decir un sistema de nodos y arcos conectados (ver Larson y
Odoni, 1981). La mayor parte de los nodos representa intersecciones, mientras
que los arcos representan tramos de calles o vas homogneas entre intersec-
18
ciones. Los arcos se caracterizan por varios atributos como, por ejemplo, longi-
tud, velocidad, nmero de carriles, etc., y son habitualmente unidireccionales.
Incluso si se especifica durante la entrada de datos un nico arco de doble
direccin, por simplicidad, ste se convierte luego, internamente en dos arcos
unidireccionales. Un subconjunto de nodos se asocia a los centroides de zonas y
un subconjunto de los arcos a los conectores de los centroides. En la figura 3.10
se presenta una configuracin tpica de este tipo.
Un problema con este enfoque es que la conectividad de un nodo a cada arco
que llega a l no tiene coste alguno, pero en la prctica algunos movimientos
de giro en intersecciones pueden ser ms difciles de realizar que otros, incluso
pueden estar prohibidos. Para representar mejor estas caractersticas de la red
real, es posible penalizar y/o prohibir movimientos de giro. Esto puede hacerse
manualmente desagregando la interseccin y asignando arcos separados (llama-
dos a veces arcos ficticios) a cada movimiento de giro y asociando costes dife-
rente a cada uno. Algunos programas comerciales son capaces de llevar a cabo
esta desagregacin de forma semiautomtica, siguiendo instrucciones simples
proporcionadas por el usuario sobre los movimientos penalizados o prohibidos.
El nivel de desagregacin puede incrementarse posteriormente si se utilizan
modelos detallados de simulacin de trfico (nivel micro de planificacin).
En estos casos se utilizan arcos adicionales en intersecciones complejas para
tener en cuenta el funcionamiento de los carriles reservados, seales de ceda
el paso, etctera.
Las redes son a veces subconjuntos de sistemas ms amplios y por tanto
pueden ser delimitadas por un cordn que defina los accesos, o puntos del
cordn, donde la red de inters est conectada con el resto del mundo. Estos
puntos se denominan en ocasiones puertas (gateways) y se pueden utilizar
arcos ficticios para conectarlos con las zonas exteriores.
Una decisin fundamental en la preparacin de una red es determinar los
niveles de jerarqua viaria que han de incluirse. Si se incluyen ms calles, mejor
ser la representacin de la realidad, pero de nuevo aparecer el problema de los
costes del estudio frente al realismo, lo cual puede conducir al modelizador a
prescindir de algunos arcos. Adems, no tiene mucho sentido incluir un nmero
elevado de vas en la red para despus realizar hiptesis ms generales sobre
giros y demoras en las intersecciones. Tampoco es muy razonable utilizar una
red muy detallada junto con un sistema de zonificacin menos preciso, ya que
los errores de agregacin espacial (en trminos de conexin de centroides a
la red) reducen el valor de todo el proceso. Esto es especialmente importante
18o
Figura 3.10. Red de carreteras codificada con arcos y nodos.
1
16
41
15
16
17
14
19
9
23
18
20
21
22
8
2
3
24
25
7
27
20
28
29
37
36
35
39
11
10
34
4
30
6
31
32
38
12
11
33
13
40
17
5
Centroide
Nodo
Vial de enlace
Lmite de Zona
Conector
LEYENDA
18;
en el caso de redes de transporte pblico, como se ver en el Captulo 11. Lo
que ms importa es que la eleccin de rutas y flujos sea lo ms realista posible
dentro de las limitaciones del estudio.
Jansen y Bovy (1982) investigaron la influencia de la definicin y detalle
de las redes sobre el realismo de la asignacin de flujos en la red. La principal
conclusin de su estudio es que se obtienen errores ms grandes en los niveles
jerrquicos ms bajos de la red viaria. Por tanto se debe incluir en la red al
menos un nivel por debajo de los arcos de inters. Por ejemplo, en un estu-
dio de vas de tipo A (carreteras nacionales), se ha de incluir las vas de tipo
B (carreteras secundarias).
En el caso de redes de transporte pblico se requiere un nivel de detalle
adicional. El modelizador debe especificar la estructura de redes que corres-
ponda a los servicios de transporte pblico ofrecidos. stos se codifican como
una secuencia de nodos sobre los cuales transita el servicio (autobs, ferroca-
rril), en donde normalmente cada nodo representa una parada o estacin. Las
intersecciones sin paradas de autobs pueden, por tanto, excluirse de las redes
de transporte pblico. Adems se necesita aadir a las redes dos tipos de arcos
adicionales: los arcos a pie, que representan la o las partes del viaje realizadas
andando, y los arcos que modelizan los costes adicionales asociados con el
trasbordo de uno a otro servicio.
3.4.2.2. Propiedades de los arcos
El nivel de detalle asociado a los atributos de los arcos depende del nivel general
de resolucin de la red y del tipo de modelo utilizado. En el nivel mnimo de
anlisis se requieren los siguientes datos referentes al arco:
Longitud.
Velocidad de recorrido, bien como velocidad a flujo libre o bien como un
valor observado para una determinada intensidad de trfico.
Capacidad del arco, habitualmente en unidades equivalentes de vehculos
de pasajeros (PCU) por hora.
Adems se debe asociar una relacin coste-flujo a cada arco, como se se-
ala ms adelante. En algunos casos se emplean modelos ms elaborados para
representar las demoras al flujo de trfico, pero stos requieren informacin
adicional sobre los arcos, por ejemplo:
Tipo de va (autova, va principal, calle local).
188
Anchura de calzada, nmero de carriles o ambos.
Indicaciones sobre la presencia o ausencia de carriles bus o prohibiciones
para el uso de determinados vehculos (p. ej., camiones).
Giros prohibidos o giros que se realizan slo cuando existe espacio dispo-
nible en el trfico opuesto.
Tipo de interseccin y detalles de la misma, incluyendo regulacin semaf-
rica.
Capacidad de almacenamiento de colas y su existencia al comienzo de una
determinada fase semafrica y/o perodo de modelizacin.
Algunas investigaciones han identificado como importantes para los con-
ductores otros atributos de rutas, como peajes, sealizacin y consumo de com-
bustible; ver, por ejemplo, Outram y Thompson (1978) y Wootton et al. (1981).
Estudios holandeses han demostrado que el tiempo y la distancia (ponderados)
explican solamente el 70% de las rutas realmente utilizadas. La categora de
la va (autopista, carretera tipo A, tipo B), la calidad escnica, los semforos
y la capacidad contribuyen a explicar la utilizacin de rutas adicionales. A
medida que progrese la comprensin de la influencia de estos atributos en la
eleccin de ruta, se podrn desarrollar modelos de asignacin ms realistas.
La contrapartida a este avance ser la necesidad de incluir otras caractersticas
de las vas, tales como su calidad escnica, nmero de intersecciones de cada
tipo, etctera.
3.4.2.3. Costes de las redes
La mayor parte de las tcnicas actuales de asignacin suponen que, en la elec-
cin de ruta, los conductores tratan de minimizar una combinacin lineal de
tiempo y distancia, denominada a veces coste generalizado. Esta hiptesis es
simplista, ya que existen muchas diferencias no slo en la percepcin del tiem-
po, sino tambin en su importancia relativa comparada con otras caractersticas
de las rutas. Sin embargo, la gran mayora de los modelos de redes utilizados
hoy en da trabajan nicamente con distancia y tiempo de viaje.
Deben distinguirse dos casos cuando se modeliza el tiempo o el coste de via-
je como una funcin del flujo existente. El primero es cuando se puede suponer
que las demoras en un arco dependen slo del flujo del arco; ste es el caso tpico
de arcos de gran longitud alejados de intersecciones, y por tanto, es el empleado
en la mayor parte de los modelos de asignacin interurbanos hasta hoy. El segun-
do caso se puede encontrar en reas urbanas, en las que el tiempo o coste de viaje
18,
en un arco depende de forma importante del flujo en otros arcos, por ejemplo,
para trfico no prioritario en una interseccin de tipo ceda el paso o glorieta.
La introduccin de formulaciones muy generales para la relacin flujo-
demora no es complicada hasta llegar al siguiente paso: el equilibrio entre la
oferta y la demanda. Aqu, el tratamiento matemtico del primer caso (denomi-
nado corrientemente como el caso de funcin de costes separable) es ms simple
que el del segundo. Sin embargo existen actualmente tcnicas matemticas
adecuadas para resolver el equilibrio de la demanda y la oferta en modelos en
los que el coste o tiempo de viaje en arcos depende del flujo en varios arcos; es
decir, en los casos en los que el efecto de cada flujo no puede ser separado. En el
Captulo 11 se incluye una amplia discusin sobre las relaciones coste-flujo.
EJERCICIOS
3.1. Se requiere estimar la poblacin de una determinada rea para el ao
2000, pero nicamente se tiene disponible informacin censal fiable para los
aos 1970 y 1980, de la forma:
P
70
= 240 5 y P
80
= 250 2
Para estimar la poblacin futura se dispone del siguiente modelo:
P
n
= P
b
t
d
donde P
n
es la poblacin en el ao horizonte n, P
b
es la poblacin en el ao base
b, t es la tasa de crecimiento de la poblacin y d = (n b) / 10, es el nmero de
dcadas para extrapolar el crecimiento.
Supngase que los datos de ambos censos son independientes y que el
modelo no posee ningn error de especificacin. Se pide:
Encontrar el nivel de exactitud con el que es posible estimar la poblacin a)
para el ao 2000.
Se ofrece informacin sobre el censo de 1990, pero se advierte que su nivel b)
de exactitud es menor que el de los dos censos previos:
P
90
= 265 8
Averige si es conveniente la utilizacin de este valor.
Repetir el anlisis suponiendo que el error de especificacin del modelo c)
es proporcional a d, y que puede estimarse como 12d%.
1,o
3.2. Sea el siguiente modelo de reparto modal entre dos zonas i y j (se
omite el ndice zonal para simplificar la notacin):

P t
t
t t t t
1
1
1 2 2 1
1
1
1
1
( / )
exp( )
exp( ) exp( ) exp( ( ))
A

+

+
u
u
u u u ++ A
A
A
+ A
exp( )
( / )
exp( )
exp( )
u
u
u
u
t
P t P
t
t
2 1
1
1
donde t
k
es el tiempo de viaje total en el modo k, y un parmetro a estimar.
Durante el desarrollo de un estudio, se calcularon los tiempos de viaje
como la media de cinco medidas (observaciones) para cada modo, a un coste
de $ 1,0 por observacin, obtenindose los siguientes valores:
t
1
= 12 2 min
t
2
= 18 3 min
Si el valor estimado para a) es de 0,1, calcular un intervalo de confianza
para P
1
.
Supngase que se est dispuesto a pagar $3 por cada unidad porcentual b)
de reduccin en el error de P
1
. Encontrar si sera conveniente realizar
10 observaciones adicionales en cada modo, en cuyo caso se tendran los
siguientes valores de t
k
:
t
1
= 12 1 min
t
2
= 17,5 1,5 min
3.3. Considrese un rea urbana en la que 100.000 personas viajan al
trabajo. Sea la siguiente informacin sobre las mismas:
Informacin general: 1.
Modo Nmero medio de coches por hogar Ingreso familiar (1.000 $ / ao)
Coche 2,40 120
Metro 1,60 60
Autobs 0,20 10
Total 0,55 25
1,1
Distribucin de la poblacin: 2.
Ingreso familiar (1.000 $ / ao)
Coches por hogar
0 1 2+ Total
Bajo (< 25) 63,6 15,9 0,0 79,5
Medio (25-75) 6,4 3,7 2,4 12,5
Alto (> 75) 0,0 2,4 5,6 8,0
Total 70,0 22,0 8,0 100,0
Se requiere recolectar informacin para una muestra de viajeros con el
fin de estimar un conjunto de modelos (con un mximo de 8 parmetros),
que garantice un error de especificacin despreciable si se cuenta con al me-
nos 50 observaciones por parmetro. Tambin se sabe que si se toma una
muestra aleatoria al 20% de los viajeros, el error ser despreciable y no habr
sesgos.
El problema es elegir el mtodo de muestreo ms conveniente (aleatorio
puro, estratificado o basado en la eleccin), y para ello se posee tambin la
siguiente informacin:
Coste horario de un encuestador $ 2 por hora
Coste de procesamiento de cuestionarios $ 0,3 por formulario
Tiempo necesario para clasificar a un encuestado 4 minutos
Tiempo necesario para completar una entrevista 10 minutos
Tambin se dispone de la siguiente tabla que contiene informacin sobre
los tamaos de muestra recomendados para el caso de muestreo basado en
eleccin:
Tamao de la subpoblacin % a ser entrevistado
< 10.000 25
10.000-15.000 20
15.000-30.000 15
30.000-60.000 10
> 60.000 5
1,:
3.4. Los resultados de muestras obtenidas de una cierta poblacin, tanto
de forma estratificada (basada en el ingreso I), como basada en la eleccin,
son los siguientes:
Muestra estratificada
Modo Ingreso bajo Ingreso medio Ingreso alto
Coche 3,33 18,00 20,00
Autobs 33,34 7,20 4,00
Metro 3,33 4,80 6,00
Total 40,00 30,00 30,00
Muestra basada en la eleccin
Modo Ingreso bajo Ingreso medio Ingreso alto Total
Coche 6,67 20,00 13,33 40,00
Autobs 17,24 2,07 0,69 20,00
Metro 16,67 13,33 10,00 40,00
Si se sabe que las proporciones de la poblacin segn ingreso son del 65, a)
25 y 15% para los niveles de ingreso bajo, medio y alto respectivamente,
se solicita construir una tabla equivalente para el caso de una muestra
aleatoria. Es posible validar su respuesta?
Calcular los factores de ponderacin que se necesitaran aplicar a las ob- b)
servaciones en el caso de muestreo basado en la eleccin para estimar un
modelo de eleccin entre coche, autobs y metro utilizando software usual
(es decir, el desarrollado para muestras aleatorias).
4.
Modelos de generacin de viajes
ste es el primero de varios captulos que tratan de los modelos de de-

manda agregados o de primera generacin. Tal y como se ha visto en el
Captulo 1, en el modelo de transporte la fase de generacin de viajes
tiene por objetivo predecir el nmero total de viajes generados (O
i
) y
atrados (D
j
) por cada zona del rea de estudio. Generalmente esto se ha visto
como el problema de contestar una pregunta como cuntos viajes origina
cada zona? Sin embargo, el tema tambin se ha visto en ciertas ocasiones
como un problema de eleccin de la frecuencia de los viajes, por ejemplo,
cuntos viajes, con diferentes propsitos, realizar un cierto tipo de persona
durante una semana promedio? En este ltimo caso el problema generalmente
es afrontado utilizando los modelos de eleccin discreta, tal y como se ver en
los Captulos del 7 al 9, y el planteamiento es: cul es la probabilidad de que
un cierto tipo de persona realice cero, uno, dos o ms viajes con este motivo
de viaje en una semana?
En este Captulo la atencin se centrar en el primer enfoque (esto es,
predecir los totales O
i
y D
j
, a partir de datos sobre los atributos socioeconmi-
cos de los hogares); ste ha sido el mtodo ms utilizado en la prctica hasta
fines de los 90. Los lectores interesados en temas de eleccin discreta pueden
consultar Ben Akiva y Lerman (1985) y obviamente los Captulos del 7 al 9
de este libro.
En la primera parte del captulo se definirn algunos conceptos bsicos y
se examinarn algunos factores que influyen en la generacin y la atraccin
de viajes, as como, posteriormente, se revisarn los principales enfoques de
modelizacin comenzando por la simple tcnica del Factor de Crecimiento. A
continuacin, y avanzando hacia un enfoque de modelizacin ms sofisticado,
se presenta una razonable revisin de los modelos de Regresin Lineal, que
complementa adecuadamente los temas estadsticos presentados previamente
en los Captulos 2 y 3.
1,
Posteriormente se estudiarn los modelos de generacin de viajes por
regresin linea1 tanto a nivel zonal como del hogar, haciendo particular re-
ferencia al problema de no linealidad que a menudo se presenta en estos ca-
sos. Se tratar asimismo y por primera vez, el problema de agregacin de
datos (es decir, determinar los viajes totales por zona) que, en este caso espe-
cfico, tiene una solucin muy simple precisamente debido a la forma lineal
del modelo. A continuacin sern analizados los Modelos de Clasificacin
Cruzada (cross-classifcation), considerando no slo la especificacin cl-
sica del anlisis por categoras, sino tambin enfoques ms contemporneos
incluyendo los modelos de anlisis de categoras a nivel de personas. A con-
tinuacin se examinar la relacin existente entre generacin de viajes y ac-
cesibilidad, incluyendo adems una breve discusin sobre los modelos de
frecuencia de viajes. El captulo se cierra, por un lado, con una breve discu-
sin sobre la previsin de las variables explicativas de los modelos y por
otro, con los problemas de estabilidad y puesta al da de los parmetros de
generacin de viajes.
4.1. INTRODUCCIN
4.1.1. Definiciones bsicas
Viaje: representa un desplazamiento en una sola direccin de un punto de
origen a un punto de destino (McLeod y Hanks, 1986). Generalmente existir
inters por todos los desplazamientos efectuados en vehculo, aunque muchas
veces se consideran tambin los viajes efectuados a pie, ms largos que un
cierto umbral definido para cada estudio (p. ej., 300 metros o tres calles).
Finalmente, con frecuencia se ignoran en el anlisis los viajes efectuados
por nios de edad inferior a los cinco aos.
Viajes basados en el Hogar (HB): son aquellos que tienen un extremo en
el hogar de la persona que efecta el viaje, independientemente de si ste
es el origen o el destino del viaje.
Viajes No basados en el Hogar (NHB): son los viajes en los que ni el origen
ni el destino del viaje es el hogar.
Producciones de viajes: se definen como el extremo hogar en un viaje HB,
o el origen de un viaje NHB (vase la figura 4.1).
Atraccin de viaje: se define como el extremo no-hogar en un viaje HB o
el destino de un viaje NHB (vase la figura 4.1).
(cross-classifcation)
1,
Casa Trabajo
Trabajo Comercio
Produccin
Produccin
Atraccin
Atraccin
Produccin
Atraccin
Atraccin
Produccin
Figura 4.1. Produccin y atraccin de viajes.
Generacin de viajes: se entiende como el nmero total de viajes, sean HB
sean NHB, generados por los hogares (familias) de cierta zona. ste es el
valor que proporcionan la mayor parte de los modelos, y por ende resta
el problema de asignar los viajes NHB a otras zonas como producciones
de viaje.
Durante los aos 80 se aadieron otros trminos al diccionario de modelos
de transporte, tales como tours y cadenas de viajes, que encajan mejor con la
idea de que la demanda de transporte es derivada y depende fuertemente de
la demanda por realizar determinadas actividades, aunque en la prctica han
sido utilizados predominantemente por los modelizadores de eleccin discreta
(vase Daly et al., 1983).
4.1.2. Clasificacin de viajes
4.1.2.1. Por propsito del viaje
Est demostrado que en la prctica se consiguen mejores modelos de generacin
si se modelizan separadamente los viajes por motivo o propsito. En el caso de
viajes HB, se utilizan generalmente las siguientes cinco categoras:
Viajes al trabajo.
Viajes de estudio (al colegio o universidad).
Viajes de compras.
Viajes sociales y recreacionales.
Viajes por otros motivos.
Los dos primeros generalmente se denominan viajes obligados, mientras
que todos los dems se llaman viajes discrecionales (u opcionales). En par-
ticular, la ltima categora encierra todos los viajes efectuados por motivos
1,o
menos rutinarios como, por ejemplo: salud, trmites burocrticos (viajes para
conseguir un pasaporte o un certificado), acompaar a una persona, etc. Los
viajes NHB, en cambio, generalmente no se subdividen en categoras ya que
slo representan el 15-20% del total de los viajes.
4.1.2.2. Segn la hora del da
Los desplazamientos, usualmente, se clasifican en viajes efectuados en el pero-
do de hora punta o fuera de punta, ya que la proporcin de viajes, con diferentes
motivos, vara enormemente segn la hora del da.
En la tabla 4.1 se sintetizan los datos de la encuesta Origen-Destino reali-
zada en el Gran Santiago en 1977 (DICTUC, 1978); el perodo punta maana
(el perodo punta tarde se asume a veces como su imagen especular) ocurri-
ra entre las 7:00 y las 9:00, y el perodo representativo fuera de punta fue
tomado entre las 10:00 y las 12:00.
Ante todo, hay que destacar que, mientras la mayor parte (87,18%) de los
viajes en la hora punta de la maana son obligatorios, es decir, realizados por
trabajo o estudio, no sucede lo mismo en el perodo fuera de punta. En segundo
lugar llama la atencin la gran proporcin de viajes por motivos burocrticos en
ambos perodos, que es tpica de pases en desarrollo. Tambin hay que resaltar
los viajes de regreso a casa que representan el 41,65% de los viajes totales en
el perodo fuera de punta, pero indudablemente tienen otro propsito.
Tabla 4.1. Ejemplo de clasificacin de viajes
Propsito
Punta AM (7:00-9:00) Fuera de Punta (10:00-12:00)
N % N %
Trabajo 465.683 52,12 39.787 12,68
Estudio 313.275 35,06 15.567 4,96
Compras 13.738 1,54 35.611 11,35
Actividades sociales 7.064 0,79 16.938 5,40
Salud 14.354 1,60 8.596 2,74
Trmites 34.735 3,89 57.592 18,35
Acompaamiento 18.702 2,09 6.716 2,14
Otros 1.736 0,19 2.262 0,73
Regresando al hogar 24.392 2,72 130.689 41,65
1,;
El no haber consignado el motivo por el cual la gente sali de casa, que es
obviamente ms importante que saber que se trataba de un viaje de regreso,
constituye un problema originado por una clasificacin errada o quizs una
falta de previsin en la fase de codificacin. De hecho, fue necesario recodificar
estos datos con el fin de tener informacin adecuada para modelizar la gene-
racin de viajes (vase Hall et al., 1987). Este tipo de problemas solan ocurrir
antes de que el concepto de producciones y atracciones de viajes reemplazara
al concepto de orgenes y destinos, que no hacan referencia explcita a la ca-
pacidad generadora de las actividades basadas y no basadas en el hogar.
4.1.2.3. Por tipo de persona
sta es otra clasificacin importante ya que las caractersticas socio-econmicas
influyen fuertemente en el comportamiento de viaje de los individuos. Nor-
malmente se utilizan las siguientes categoras:
Nivel de renta (p. ej., en la encuesta OD realizada en Santiago de Chile se
consideraron nueve categoras).
Posesin de coche (se utilizan generalmente tres estratos: 0, 1 y 2 o ms
coches).
Tamao y estructura del hogar (la mayor parte de los estudios britnicos
utilizan seis estratos).
Es importante resaltar que el nmero total de estratos puede aumentar
rpidamente (en el ejemplo comentado son 9 3 6 = 162), y esto puede
tener fuertes implicaciones en trminos de la cantidad de datos necesarios
y la calibracin y utilizacin de los modelos. Por esta razn, a menudo son
necesarios compromisos, adaptaciones y agregaciones (vase la discusin en
Daly y Ortzar, 1990).
4.1.3. Factores que afectan a la generacin de viajes
En la modelizacin de la generacin de viajes generalmente interesan no slo
los viajes realizados por las personas sino tambin los viajes de mercancas.
Por ello es por lo que normalmente se utilizan modelos para cuatro grupos
principales (es decir, personas y mercancas, producciones y atracciones). A
continuacin, se analizan brevemente algunos factores particularmente impor-
tantes a la luz de la experiencia adquirida en estudios reales. No se tratar aqu
1,8
la modelizacin de la generacin de viajes de mercancas, quedando postergada
su discusin hasta el Captulo 13.
4.1.3.1. Producciones de viajes de personas
Los siguientes factores se han considerado en muchos estudios prcticos:
Renta.
Posesin de coche.
Tamao del hogar.
Estructura del hogar.
Valor del suelo.
Densidad residencial.
Accesibilidad.
Los cuatro primeros factores (ingreso, posesin de coche, estructura y
tamao del hogar) han sido incluidos en numerosos estudios sobre generacin
de viajes a nivel de hogares, mientras que el valor del suelo y la densidad re-
sidencial son tpicos de estudios a nivel zonal. En cambio el ltimo factor, la
accesibilidad, raramente ha sido utilizado en estudios de generacin de viajes,
aunque no han faltado diferentes tentativas de incluirlo. La razn es que dicho
factor ofrece la posibilidad de que la generacin de viajes pueda ser elstica
respecto a variaciones en el sistema de transporte. Se volver sobre este tema
en el apartado 4.3.
4.1.3.2. Atracciones de viajes de personas
Los factores ms utilizados para describir la atraccin de viajes de personas
son la superficie cubierta disponible para la industria, el comercio y otros
servicios. Otro factor generalmente utilizado es el nmero de empleos en cada
zona, aunque ciertos estudios tambin han intentado incorporar alguna medida
de accesibilidad. Sin embargo, es importante destacar que en este caso no se
han realizado demasiados avances.
4.1.3.3. Producciones y atracciones de viajes de mercancas
Las producciones y atracciones de viajes de mercancas generalmente s-
lo constituyen una pequea parte de los viajes en el caso de las naciones
industrializadas llegan a lo sumo al 20% del total de los viajes realizados
en un rea determinada pero pueden ser relevantes en trminos de contri-
1,,
bucin a la congestin. En este caso, algunas variables importantes son las
siguientes:
Nmero de empleados.
Nmero de ventas.
Superficie cubierta de las empresas.
Superficie total de las empresas.
Hasta donde alcanza el conocimiento de los autores, ni la accesibilidad ni
el tipo de empresa han sido considerados como variables explicativas en los
estudios de transporte; en particular es curioso que el tipo de empresa no haya
sido tenido en cuenta dado que parece lgico que productos diferentes tengan
exigencias de transporte diferentes.
4.1.4. Mtodo del factor de crecimiento
Desde principios de los aos 50 se han propuesto numerosas tcnicas para
modelizar la generacin de viajes. La mayor parte de los mtodos intentan
predecir el nmero de viajes producidos (o atrados) por los hogares o por las
diferentes zonas, como una funcin (generalmente lineal) que debe ser defi-
nida en base a los datos disponibles. Antes de efectuar cualquier comparacin
entre los resultados conseguidos en reas o en hitos temporales diferentes, es
importante aclarar los siguientes aspectos:
qu viajes tienen que ser considerados? (p. ej., slo los viajes en coche y
aquellos a pie de longitud superior a 300 metros);
cul es la edad mnima a considerar en el anlisis? (p. ej., superior a cinco
aos);
A continuacin se ilustrar brevemente una tcnica que puede ser aplicada
para predecir el nmero de viajes futuros efectuados por cada una de las cuatro
categoras citadas anteriormente. Su ecuacin de base es la siguiente:
T
i
= F
i
t
i
(4.1)
donde T
i
y t
i
son, respectivamente el nmero de viajes futuros y actuales gene-
rados por la zona i, y F
i
es el correspondiente factor de crecimiento.
El nico problema de este mtodo es la estimacin de F
i
; el resto es trivial.
Normalmente este factor de crecimiento est ligado a variables como la pobla-
:oo
cin (P), la renta o ingreso (I) y la posesin de coche o Tasa de Motorizacin
(C) segn una funcin del tipo:

F
f P I C
f P I C
i
i
d
i
d
i
d
i
c
i
c
i
c
( , , )
( , , )

(4.2)
Donde f puede ser incluso una funcin multiplicativa sin parmetros, mien-
tras que los superndices d y c representan el ao de la prognosis y el actual
respectivamente.
Ejemplo 4.1: considrese una zona en la que hay 250 hogares que poseen
coche y 250 que no lo poseen. Supngase que se conoce el nmero medio de
desplazamientos generados en un da por cada uno de los dos grupos siguientes:
Hogares que poseen coche generan: 6,0 viajes/da
Hogares que no poseen coche generan: 2,5 viajes/da
Con esto es fcil deducir que el nmero de viajes generado al da actual-
mente est dado por:
t
i
= 250 2,5 + 250 6,0 = 2.125 viajes/da
Supngase, adems, que en el futuro todas las familias tendrn un coche, y
que el ingreso y la poblacin permanecen constantes (hiptesis prudente a falta
de otros datos). En este caso, podra calcularse el factor de crecimiento as:
F
i
= C
i
d
/ C
i
c
= 1 / 0,5 = 2
y aplicando la ecuacin (4.1), se puede estimar el nmero de desplazamientos
futuros as:
T
i
= 2 2.125 = 4.250 viajes/da
Como se ha podido observar el mtodo es bastante simple, pero, como se
demostrar, tambin es bastante pobre. En efecto, si se recurriera a la infor-
macin existente sobre las tasas de viaje y se supone que stas se mantienen
constantes (que es la hiptesis central que subyace detrs del mtodo de prog-
nosis ms popular, como se ver ms adelante), es posible estimar el nmero
de viajes como:
T
i
= 500 6 = 3.000 viajes/da
:o1
lo cual significa que el mtodo del factor de crecimiento sobrevalorara el
nmero total de desplazamientos generados en cerca del 42%. Esto constituye
un problema serio ya que la generacin de viajes representa la primera fase del
proceso de modelizacin y los errores cometidos en sta se propagan a lo largo
de todo el proceso y pueden invalidar el trabajo de las etapas siguientes.
Por este motivo, en la prctica el mtodo del factor de crecimiento es ge-
neralmente utilizado slo para predecir el nmero futuro de viajes externos al
rea, en cuanto que se trata de un nmero de viajes limitado (dado que el error
que se comete no es demasiado grande), y adems porque no existen mtodos
fciles para predecir tales desplazamientos.
En los prximos prrafos se discutirn otros mtodos (mejores) que, en
lnea con el principio de este captulo, pueden ser tambin utilizados para pre-
decir tanto la produccin como la atraccin de viajes, ya sea de personas o de
mercancas. A pesar de ello, en el anlisis siguiente se har explcita referencia
solamente al caso de producciones de viajes de personas, por cuanto representa
no slo el sector donde hay mayor nmero de experiencias prcticas, sino tam-
bin aquel en el que se han conseguido resultados ms interesantes.
4.2. ANLISIS DE REGRESIN
En la siguiente seccin se proporciona una breve introduccin a la Regresin
Lineal. El lector que est familiarizado con este tema puede pasar directamente
a la seccin 4.2.2.
4.2.1. Modelo de regresin lineal
4.2.1.1. Introduccin
Considrese un experimento que se repite varias veces Y = {Y
i
} para un valor
dado de X fijo. Si dicho experimento no es determinstico, se pueden observar
diferentes valores de Y
i
para cada valor de X
i
.
Sea f
i
(Y|X) la distribucin de probabilidad de Y
i
para un valor dado X
i
;
se dispone, en general, de una funcin diferente f
i
para cada valor de X tal y
como se muestra en la figura 4.2. Sin embargo, el caso completamente general
as planteado es prcticamente intratable, por ello es necesario realizar ciertas
hiptesis simplificatorias respecto a la poblacin para que dicho experimento
pueda ser modelizado. Dichas hiptesis son las siguientes:
:o:
Las distribuciones de probabilidad 1. f
i
(Y|X) tienen la misma varianza
2
para
todos los valores de X.
Las medias 2.
i
= E(Y
i
) estn en una lnea recta conocida como recta de
regresin verdadera, la cual viene dada por:
E(Y
i
) = a + bX
i
(4.3)
donde los parmetros de la poblacin a y b que definen dicha lnea, deben
ser estimados a partir de datos muestreados.
Las variables aleatorias 3. Y son estadsticamente independientes; esto sig-
nifica, por ejemplo, que un valor grande de Y
1
no tiende a hacer que Y
2

sea
grande.
Estas tres hiptesis simplificatorias se conocen como hiptesis dbiles
(vase, p. ej., Wonnacott y Wonnacott, 1977) y pueden escribirse ms conci-
samente como:
Las variables aleatorias Y
i
, son estadsticamente independientes con media
a + bX
i
y varianza
2
.
Si se introducen estos cambios en la figura 4.2, resulta la figura 4.3.
A veces es conveniente describir la desviacin de Y
i
de su valor esperado
como el error o trmino de perturbacin e
i
, de forma que el modelo tambin
puede escribirse como:
Y
i
= a + bX
i
+ e
i
(4.4)
Figura 4.2. Distribucin general de Y dado X.
f (X/Y)
Y
x x
3
1
x
2
x
1
:o
Hasta aqu no se ha realizado an ninguna hiptesis sobre la distribucin
de Y (ni de e, que es idntica excepto que sus medias son distintas), que tiene
una varianza finita. Sin embargo se necesitarn ms tarde para derivar algunos
tests formales para el modelo. El trmino del error est usualmente compuesto
de errores de medicin y especificacin (se remite al lector a la discusin en
Captulo 3).
4.2.1.2. Estimacin de los parmetros a y b
La figura 4.4 puede considerarse el grfico fundamental de la regresin lineal.
En ella se representa mediante trazos discontinuos la lnea de la regresin
E(Y) = a + bX

que es evidentemente desconocida por el analista, y debe ser
estimada a partir de los datos Y y X de la muestra. En trazo continuo se repre-
senta la lnea de la regresin estimada = +
bX y, como es obvio, esta lnea

no tiene por qu coincidir con la anterior a menos que el analista sea sumamente
afortunado (l nunca lo sabr). En general, lo ms que se puede esperar es que
los parmetros estimados estn suficientemente prximos a los de la recta de
regresin verdadera.
Es importante distinguir entre los errores e
i
, que no son conocidos y que
corresponden a la recta de regresin verdadera, y las diferencias,
i
entre los
observados (Y
i
) y los valores ajustados (
i
), que son un elemento crucial del
mtodo de ajuste de recta ms atractivo: la estimacin por mnimos cuadrados.
Si se define una nueva variable x = X
i
X
, donde X

es la media de X, es
fcil mostrar que la recta de regresin anterior mantiene su pendiente (b y
b
respectivamente) pero obviamente cambia su intercepto (a y respectivamente)
Figura 4.3. Distribucin de Y considerada en la RL.
f (X/Y)
E(Y) = a +bX
(regresin verdadera)
Y
x x
3
1
x
2
x
1
:o
en los nuevos ejes coordenados (Y, x). Este cambio es conveniente porque la
nueva variable x tiene la siguiente propiedad importante:
i
x
i
= 0.
Entonces el mejor estimador de resulta ser:
=

Y
(4.5)
lo cual implica que la recta de regresin estimada pasa por el centro de grave-
dad (X
,

Y

) de la muestra de n observaciones; el mejor estimador de
b es, por
su parte:

b

xY
x
i i
i
i
i
2
(4.6)
Estos estimadores tienen las siguientes propiedades interesantes:

E() = a

2
Var () =
n

E(
b) = b

2
Var (
b) =
i

x
i
2

Adems, la frmula para la varianza de
b tiene implicaciones muy in-

teresantes en lo que se refiere al diseo experimental. Por ejemplo, si los X
estn muy juntos (como sucede en la figura 4.5a), sus desviaciones respecto
a la media X

sern muy pequeas y consecuentemente la suma de los x
i
ser
Figura 4.4. Rectas de RL verdadera y estimada.
f (X/Y)
E(Y) = a +bX
(regresin verdadera)
= +
bX
(regresin estimada)
Y
Y
1
Y
2
Y
3
x x
3
x
2
x
1
e1
e2
e3
:o
pequea; por esta razn, la varianza de
b ser grande y en consecuencia
b
ser un estimador inestable o poco fiable. En el caso contrario (Figura 4.5b),
aunque los errores son del mismo tamao que los sealados previamente,
b
ser un estimador fiable.
4.2.1.3. Test de hiptesis para
b
Para llevar a cabo los correspondientes tests de hiptesis se necesita conocer
la distribucin de
b, pero para ello se exige aadir otra nueva hiptesis deno-

minada hiptesis fuerte, que corresponde a la suposicin de que las variables
Y distribuyen Normal. As, como
b es una combinacin lineal de los Y

i
, resulta
que tambin distribuye Normal N(b,
2
/
i
x
i
2
). Esto significa que se puede es-
tandarizar haciendo el siguiente cambio de variable:

z
b b
x
i
i
o / ( )
2
(4.7)
Tambin es interesante destacar que z
2
es una forma cuadrtica y que
distribuye
2
con un grado de libertad. Sin embargo no se conoce
2
(varianza
de Y con respecto a la recta de regresin verdadera). Un estimador natural de
2
es la varianza residual s
2
alrededor de la recta estimada, dada por:

s
Y Y
n
i i
i 2
2
2
( )
Figura 4.5. Influencia del diseo del experimento en el ajuste.

= +
bX
E(Y) = a + bX E(Y) = a + bX
= +
bX
Y Y
x x (a) (b)
:oo
Se divide por (n-2) para obtener un estimador insesgado de
2
porque se
han empleado dos grados de libertad en calcular y
b que son los parmetros

que definen la recta Y
'
i
(vase Wonnacott y Wonnacott, 1977).
Sin embargo, al sustituir
2
por s
2
en (4.7) resulta que el
b estandarizado
deja de distribuir Normal para distribuir segn una distribucin t de Student
con (n 2) grados de libertad:

t
b b
s x
i
i
/ ( )
2

(4.8)
Al denominador de (4.8) se le conoce usualmente como error estndar de
b y se representa como s
b
. Entonces dicha expresin queda: t = (
b b) / s
b
.
Test-t de hiptesis para
b: la tpica hiptesis nula aqu es H

0
: b = 0. En-
tonces la expresin (4.8) se reduce a:
t =
b / s
b
(4.9)
y este valor necesita ser comparado con el valor crtico del estadstico t de
Student para un nivel de significacin dado y los correspondientes grados
de libertad. Un problema es que la hiptesis alternativa H
1
puede implicar un
test unilateral (b > 0) o bilateral (b 0); esto slo se puede determinar exami-
nando el fenmeno analizado.
Ejemplo 4.2: supngase que para estudiar el efecto del ingreso (I) en el
nmero de viajes de los hogares que no poseen coche (T) se utiliza la siguiente
expresin:
T =a + bI
Como en teora se puede concluir a priori que si hay influencia, sta debe
ser positiva (es decir, mayor ingreso siempre significa ms viajes) en este caso
se debe testear (docimar) H
0
contra la hiptesis alternativa unilateral H
1
: b > 0.
Si H
0
es cierto, el valor t de la ecuacin (4.9) se compara con el valor t
;d
, donde
d es el nmero apropiado de grados de libertad y la hiptesis nula se rechaza
si t > t
;d
(ver Figura 4.6).
Supngase ahora que se estuviera considerando incorporar una variable
cuyos efectos no se sabe si son positivos o negativos (p. ej., nmero de traba-
jadoras, en que no se sabe si stas van a producir ms o menos viajes que sus
:o;
colegas los trabajadores varones); en este caso la hiptesis nula debera ser
bilateral H
1
: b 0, y se rechazara H
0
si 0 no estuviese incluido en el intervalo
de confianza de b.
Test F para el modelo completo: la figura 4.7a muestra el conjunto de
valores (,
b) para los cuales se aceptaran hiptesis nulas individuales como

las anteriores. Si interesara una dcima de hiptesis que permitiese verificar
si ambos estimadores son iguales a ciertos valores preconcebidos, como, por
ejemplo:

a
b
*
*
j
(
,
\
,
(

j
(
,
\
,
(
0
0
se podra tener una regin como la representada en la figura 4.7b, es decir, acep-
tar que cada parmetro sea cero individualmente no necesariamente significa
que se acepta que ambos, simultneamente, sean iguales a cero. Tpicamente,
la regin conjunta va a ser menor que la interseccin de las regiones para cada
parmetro por separado.
Ahora bien, para realizar el test sobre los dos parmetros es necesario co-
nocer la distribucin conjunta de ambos estimadores. En este caso, como sus
distribuciones marginales son Normal, la distribucin conjunta de ambos pa-
rmetros es la Normal bivariada. La distribucin F de Fischer se utiliza en este
caso para testear la hiptesis nula H
0
: (a,b) = (0,0) lo cual puede realizarse a tra-
vs de paquetes de software comerciales mediante la siguiente expresin para F:

F na x b x
i
i
+
j
(
,
\
,
(
2 2 2 2
2 /
Figura 4.6. Regin de rechazo para b con = 5%.

f (t)
t
0,05,d
Regin de rechazo
(1-) = 0,95
0
Probabilidad 5%
t =
b / S
b
:o8
La hiptesis H
0
se acepta si F F
(2,n 2). Desafortunadamente este

test no es muy poderoso (es decir, se rechaza casi siempre), sin embargo pue-
den construirse tests con hiptesis nulas ms interesantes, como, por ejemplo,
H
0
: (a,b) = (Y
,0).
4.2.1.4. Coeficiente de determinacin R
2
La figura 4.8 muestra la recta de regresin proveniente de la estimacin del
conjunto de puntos en ella representados. Si no se conocieran los valores de x,
la mejor prediccin de Y
i
sera Y
. Sin embargo, para cada valor x

i
, el error de
este mtodo puede ser grande (Y
i
Y
), es decir la desviacin de Y
i
respecto
de la media.
Ahora bien, si se conoce x
i
y se ha calculado la regresin de Y
i
con x
i
, se
puede predecir el valor de
i
a partir de la recta de regresin. Esto reduce bas-
tante el error ya que gran parte de la desviacin anterior queda explicada por
la regresin; as, se cumple que la desviacin total puede descomponerse en
desviacin explicada y no explicada (ver Figura 4.8).
De dicha figura se tiene que:
(Y
i
Y
) = (
i
Y
) + (Y
i

i
) i
Figura 4.7. Regin de aceptacin para la hiptesis nula: (a) cada parmetro
individualmente; (b) ambos parmetros simultneamente.
Conjunto de valores (,
b)
para el cual se aceptan las
hiptesis H
0
individualmente
H
0
Regin de aceptacin
H
0

R
e
g
i
n

d
e

a
c
e
p
t
a
c
i
{
{
(a)
H
0
Regin de
aceptacin para el
modelo completo
(b)
:o,
Desviacin total = desviacin explicada + desviacin no explicada.
Si se eleva al cuadrado la expresin anterior y se suma para i resulta
que:

( ) ( ) ( ) Y Y Y Y Y Y
i
i
i
i
i i
i
+

2 2
2

(4.10)
Variacin total = variacin explicada ms variacin no explicada.
Entonces, como (

Y
i
Y
) =
bx
i
es fcil ver que la variacin explicada es una
funcin del coeficiente de regresin estimado
b. El proceso de descomponer
la variacin total en las dos variaciones expuestas se conoce como anlisis de
varianza de la regresin, o ANOVA (hay que destacar que varianza es igual
a variacin dividida por los grados de libertad).
El coeficiente de determinacin se define como porcentaje de la variacin
total que es explicada por la regresin, as:

R
Y Y
Y Y
i
i
2
2
2
( )
( )

(4.11)
El mximo valor de R
2
es 1 (explicacin perfecta) y el valor mnimo es
0 (no explica nada); los valores intermedios pueden ser interpretados como
el porcentaje de la variacin total explicado por la regresin. Este ndi-
ce es exactamente igual al cuadrado de la correlacin muestral R, la cual
mide el grado de asociacin entre X e Y (vase Wonnacott y Wonnacott,
1977).
Figura 4.8. Desviacin explicada y no explicada.
= +
bx
Y
o x
i
x
Y
i
i
- Y
Y
i
-
i
Desviacin no explicada
por la regresin
Desviacin explicada
por la regresin
Y

:1o
4.2.1.5. Regresin mltiple
La regresin mltiple es una extensin de lo expuesto en la seccin anterior
para el caso de ms variables explicativas y, obviamente, ms regresores (pa-
rmetros
b). Las ecuaciones que resuelven el problema son similares aunque

ms complejas, pero aparecen algunos problemas nuevos que son importantes,
como los que se exponen a continuacin:
Multicolineariedad. Este fenmeno ocurre cuando hay una relacin lineal 1.
entre las variables explicativas; en este caso las ecuaciones para los regre-
sores
b no son independientes y no pueden resolverse de forma nica.

Cuntos regresores se deben incluir? Para tomar una decisin al respecto 2.
se deben tener en cuenta los siguientes factores:
Existen razones tericas fuertes para incluir una variable dada o es
importante para las polticas probar con el modelo?
Es significativa la variable (es decir, es H
0
rechazada en el test-t) y el
signo del coeficiente estimado es consistente con la teora o la intuicin?
Ante la duda, una manera de resolver la situacin es quitar la variable del
modelo y re-estimar la regresin para, as, ver el efecto de su extraccin
sobre el resto de los coeficientes; si dicho efecto no es demasiado impor-
tante, se ha logrado eliminar una variable en dicho modelo de regresin
por parsimonia (el modelo es ms simple, de forma que el resto de los
parmetros pueden estimarse con ms precisin). Los paquetes de software
comerciales proporcionan un procedimiento automtico para resolver
este problema; sin embargo, esto puede inducir algunos inconvenientes
como los que se comentan ms adelante. Se volver sobre esta cuestin en
la seccin 8.3 (Tabla 8.1) cuando se trate el tema de los modelos de eleccin
discreta y sus problemas de especificacin.
Coeficiente de determinacin. Tiene la misma forma que la presentada en 3.
la ecuacin (4.11). Sin embargo, en este caso la inclusin de otros regresores
aumenta siempre el coeficiente R
2
; para resolver esta dificultad se utiliza
el coeficiente R
2
corregido, que se define as:

R R k n n n k
2 2
1 1 1 ,
]
]
[ ] / ( ) ( ) / ( )

(4.12)
donde n representa el tamao de la muestra y k es el nmero de regreso-
res
b.
:11
En la modelizacin de la generacin de viajes, el mtodo de la regresin
mltiple se ha utilizado en el caso de datos agregados (zonal) y en el de datos
desagregados (hogar e individuos). En el caso de las producciones de viajes,
la primera lnea de trabajo ha sido prcticamente abandonada, pero an es el
mtodo ms importante para la modelizacin de las atracciones de viaje.
4.2.2. Regresin zonal mltiple
La regresin zonal mltiple consiste en encontrar una relacin lineal entre
el nmero de viajes producidos o atrados por cada zona y el valor medio de
algunas caractersticas socioeconmicas de los hogares que residen en cada
una de ellas. Algunas consideraciones interesantes son las siguientes:
Los modelos zonales slo pueden explicar la variacin en el comporta- 1.
miento de viaje entre zonas. Por este motivo slo pueden proveer resultados
vlidos si las variaciones interzonales reflejan adecuadamente las razones
reales que estn detrs de la variabilidad de los viajes. Para que esto ocurra
es necesario no slo que las zonas tengan una composicin socioeconmica
homognea, sino tambin que representen el espectro ms amplio posible
de condiciones. Desafortunadamente, un problema importante es que las
principales variaciones en los datos relativos a los viajes de las personas
se obtienen a nivel intrazonal.
Papel del intercepto en los modelos de regresin. Aunque en general no es 2.
de esperar que la recta de regresin pase por el origen es muy frecuente
conseguir valores del intercepto bastante grandes (en relacin al producto
del valor medio de las variables por sus respectivos coeficientes). Si esto
sucede, la ecuacin de la recta de regresin puede ser rechazada; y si, por
el contrario, el intercepto no es significativamente distinto de cero, puede
ser til re-estimar dicha recta de regresin, forzndola a pasar por el origen.
Zonas nulas. Es posible que ciertas zonas no ofrezcan informacin acerca 3.
de algunas variables dependientes (p. ej., en las zonas no residenciales
podran no existir desplazamientos tipo HB). En este caso, las zonas nulas
deben ser excluidas del anlisis; en efecto, aunque su inclusin no debera
influir de modo significativo en el valor de los coeficientes estimados (en
cuanto que la ecuacin debera pasar por el origen), el incremento arbitrario
del nmero de zonas que no proporcionan datos tiles tiende a producir
estadsticas que sobrevaloran la precisin de la regresin estimada.
:1:
Valores totales 4. versus a valores medios. Cuando el analista formula el
modelo, puede elegir si utilizar variables agregadas o totales, como por
ejemplo, el nmero total de desplazamientos y el nmero total de coches
por zona, o bien valores medios para cada zona, como el nmero de via-
jes por hogar y de coches por familia en cada zona. En el primer caso el
modelo de regresin lineal admite la siguiente forma:

Y X X X E
i i i k ki i
+ + + + + u u u u
0 1 1 2 2
L
mientras que el modelo con valores medios adquiere la forma:

y x x x e
i i i k ki i
+ + + + + u u u u
0 1 1 2 2
L
donde y
i
= Y
i
/ H
i
; x
i
= X
i
/ H
i
; e
i
=E
i
/ H
i
; y H
i
es el nmero de hogares en
la zona i.
Ambas ecuaciones son idnticas, en el sentido de que intentan explicar la
variabilidad del comportamiento de viaje entre zonas, y en los dos casos los
parmetros tienen el mismo significado. La nica y fundamental diferencia
est ligada a la distribucin del trmino de error, en cuanto a que es obvio que
la condicin de variancia constante del modelo no puede ser cierta en ambos
casos, a menos que H
i
fuera el mismo para todas las zonas i.
Dado que las variables agregadas reflejan directamente el tamao de la
zona, su utilizacin debera implicar que la magnitud del error depende, efec-
tivamente, de dicho tamao; los resultados prcticos evidencian la presencia
de esta heterocedasticidad (variabilidad de la variancia). La utilizacin de
multiplicadores como, por ejemplo, 1 / H
i
, permiten que el modelo sea indepen-
diente del tamao de la zona y, por tanto, reducir dicha heterocedasticidad. En
esta misma lnea, las variables agregadas tienden a tener una intercorrelacin
ms alta (es decir, multicolinearidad). No obstante, los modelos con variables
agregadas a menudo producen valores de R
2
ms altos, pero esto es slo un
efecto espreo ya que, obviamente, la dimensin de las zonas ayuda a explicar
el nmero total de viajes (vase Douglas y Lewis, 1970). Lo que ciertamente se
debe evitar es mezclar variables agregadas y medias en un solo modelo.
Para finalizar esta cuestin, es importante recordar que aunque se utili-
cen valores medios, las regresiones zonales siempre estn influenciadas por
la naturaleza y la dimensin de las zonas, debido al problema de agregacin
espacial. En efecto, tal y como se muestra en la tabla 4.2, construida con datos
:1
correspondientes a Perth (Douglas y Lewis, 1970), la variabilidad interzonal
disminuye al aumentar el tamao de la zona.
Tabla 4.2. Variaciones interzonales en las producciones de viajes perso-
nales para dos diferentes sistemas de zonificacin
Sistema de zonificacin
Valor medio de viajes por hogar
y por zona
Varianza interzonal
75 zonas pequeas 8,13 5,85
23 zonas grandes 7,96 1,11
4.2.3. Regresin a nivel de hogares
Aunque las variaciones intrazonales pueden ser reducidas disminuyendo el
tamao de las zonas, sobre todo si son homogneas, esto implica un aumento
en el nmero de las zonas, lo cual tiene dos consecuencias:
Modelos ms caros en trminos de recoleccin de los datos, calibracin y
utilizacin.
Errores de muestreo mayores, que se suponen inexistentes en los modelos
de regresin lineal mltiple.
Por estas razones parece lgico utilizar modelos que sean independientes
de los lmites zonales. A principios de los aos 70 se pensaba que la unidad
de anlisis ms apropiada era el hogar (y no el individuo), en cuanto a que,
en un modelo individual, la serie de interacciones interpersonales presentes
dentro de un hogar (p. ej., la disponibilidad del coche, es decir, quin lo uti-
liza), no puede ser incorporada ni siquiera implcitamente. Esto se discute en
el apartado 4.3.3.
En una aplicacin basada en el hogar, cada familia es tomada como un
vector de datos de entrada al modelo, a fin de incorporar toda la gama de va-
riabilidad observada respecto de las caractersticas de la familia y de sus viajes.
La calibracin, como en el caso de los modelos zonales, es un proceso que va
paso a paso (stepwise) testeando, iterativamente, cada una de las variables hasta
que se obtenga el mejor modelo (en trminos de ciertos procesos estadsticos
sinpticos para un nivel dado de confianza).
Es necesario, sin embargo, poner atencin en la utilizacin de los pro-
cedimientos automticos paso a paso disponibles en paquetes de software
:1
especializado, puesto que puede ocurrir que algunas variables, mucho ms
fciles de calcular en las previsiones, queden fuera de dicho software porque
predicen ligeramente peor que otras que son incluidas por el procedimiento
automtico.
Ejemplo 4.3: se consideran las siguientes variables: viajes por hogar (Y),
nmero de trabajadores (X
1
) y nmero de coches (X
2
). La tabla 4.3 ilustra los
resultados de los pasos sucesivos de un modelo utilizando la tcnica paso a
paso; la ltima lnea tambin muestra (entre parntesis) los valores del test-t
(t = b / s
b
). Para muestras de tamao grande, el nmero apropiado de grados
de libertad (n 2) resulta suficientemente grande para poder confrontar los
valores del test-t con el valor crtico de 1,645 para un nivel de significacin del
95% con un test de una sola cola (en este caso se sabe que la hiptesis nula es
unilateral, ya que Y debera crecer al crecer tanto X
1
como X
2
).
Tabla 4.3. Ejemplo de regresin paso a paso
Paso Ecuacin R
2
1 Y = 2,36X
1
0,203
2 Y = 1,80X
1
+ 1,31X
2
0,325
3
Y = 0,91 + 1,44X
1
+ 1,07X
2
(3,7) (8,2) (4,2)
0,384
Se aprecia que, a pesar del bajo valor del R
2
, el tercer modelo es el mejor,
de hecho el intercepto, igual a 0,91, no es grande (si se compara, p. ej., con
1,44 veces el nmero de trabajadores) y los coeficientes de la regresin son
significativamente diferentes de cero (H
0
se rechaza en todos los casos). El
modelo probablemente podra mejorarse si se incluyesen otras variables.
Se puede obtener un indicador de la bondad de estos modelos confrontando
los viajes observados promedio con los modelizados para algunas estratifica-
ciones de la muestra (vase la tabla 4.4). Ciertamente utilizar esta tcnica es
mejor que comparar los valores totales en cuanto que, en esta ltima situacin,
podran compensarse los errores no permitiendo detectar, por tanto, la corres-
pondiente distorsin.
Tal como se muestra en la tabla 4.4, la mayor parte de las celdas presenta
una aproximacin razonable (es decir, errores inferiores al 30%). Si se presen-
:1
tasen errores superiores, sera necesario ajustar los parmetros del modelo,
aunque esto no es una tarea fcil pues no hay reglas claras sobre cmo proceder,
y los resultados dependen fuertemente del contexto de aplicacin.
4.2.4. El problema de la no-linealidad
Tal como se ha visto anteriormente, el modelo de regresin lineal supone que
cada variable independiente ejerce una influencia lineal sobre la variable de-
pendiente. Desafortunadamente la no-linealidad no es fcil de detectar, ya que
relaciones aparentemente lineales pueden terminar siendo no lineales si se
permite la incorporacin de otras variables al modelo. En este caso, puede
ser til la utilizacin de grficos multivariados. Por ejemplo, en la figura 4.9,
se ilustran datos para hogares estratificados en grupos de acuerdo a la tasa de
motorizacin (posesin de coche) y al nmero de trabajadores y puede verse
Tabla 4.4. Comparacin de viajes domiciliarios (observados/estimados)
Nmero de trabajadores por hogar
Nmero de coches 0 1 2 3 o ms
0 0,9/0,9 2,1/2,4 3,4/3,8 5,3/5,6
1 3,2/2,0 3,5/3,4 3,7/4,9 8,5/6,7
2 o ms 4,1/4,6 4,7/6,0 8,5/7,8
1 coche
1 trabajador
Personas en el hogar
1
1
2
2
3
3
4
4
5
5 6
V
i
a
j
e
s

p
o
r

h
o
g
a
r

(
H
B
)
0 coche
1 trabajador
Figura 4.9. Ejemplo de no-linealidad.
:1o
que el comportamiento de los viajes no es lineal con respecto a la variable
tamao familiar.
Es importante sealar que hay clases de variables (p. ej., las cualitativas),
que presentan normalmente un comportamiento no lineal (tipo de vivienda,
ocupacin del jefe de la familia, edad, sexo, etc.). En general hay dos mtodos
para incorporar las variables no lineales en el modelo:
Transformar las variables de modo que se linealice su efecto (p. ej., tomar 1.
el logaritmo o elevar a la potencia). Desafortunadamente la seleccin de
la transformacin ms adecuada no es un ejercicio fcil o arbitrario y
re quiere gran atencin; si se es acucioso, puede requerir tambin mucho
tiempo y esfuerzo.
Utilizar variables dummy. La variable independiente se divide en intervalos 2.
discretos y cada uno de ellos se trata separadamente dentro del modelo.
Operando de este modo no es necesario asumir que la variable tenga un
efecto lineal, en cuanto a que cada parte de la variable es considerada
separadamente en trminos de efectos sobre el comportamiento de viaje.
Por ejemplo, en el caso de posesin de coche, se pueden establecer deter-
minados intervalos discretos como, por ejemplo, 0 coches, 1 coche, 2 o
ms coches por hogar. Dado que cada hogar de la muestra slo pertenece
a un intervalo, la correspondiente variable dummy asume el valor 1 en la
correspondiente clase y 0 en las otras. Es fcil ver que slo (n 1) variables
dummy son necesarias para representar n intervalos.
Ejemplo 4.4: considrese el modelo del ejemplo 4.3 en el que se asume que
la variable X
2
sea sustituida por las siguientes variables dummy:
Z
1
= 1 para hogares con un coche y 0 en otros casos;
Z
2
= 1 para hogares con dos o ms coches y 0 en otros casos.
Es fcil ver que las familias u hogares que no poseen ningn coche corres-
ponden a la situacin en la que Z
1
y Z
2
son nulos. En este caso, el tercer modelo
de la tabla 4.3 resultara ser ahora el siguiente:
Y = 0,84 + 1,41X
1
+ 0,75Z
1
+ 3,14Z
2
R
2
= 0,387
(3,6) (8,1) (3,2) (3,5)
Aunque el valor de R
2
no hubiera sido mejor que el del tercer modelo de la
tabla 4.3, este nuevo modelo habra sido preferible ya que el efecto no lineal de
:1;
X
2
(o de Z
1
y Z
2
) es ciertamente evidente y no se puede ignorar. Obviamente si
los coeficientes de las dos variables dummy hubieran resultado, por ejemplo,
iguales a 1 y 2, y no hubiera en la muestra ms de dos coches por hogar, el
comportamiento sera lineal. Este modelo se representa grficamente en la
figura 4.10.
Regresin 1 coche
Regresin 0 coche
Regresin
2 o ms coches
Empleados por hogar (X
1
)
2
1
1
4
3
2
6
5
3
8
7
4
10
9
5 6
V
i
a
j
e
s

p
o
r

h
o
g
a
r

(
H
B
)
Figura 4.10. Modelo de regresin con variables dummy.
Observando la figura cabe preguntarse si no sera preferible estimar regre-
siones separadas para cada grupo, ya que as no se obliga a que cada una de
las rectas tenga la misma pendiente (representada por el coeficiente de X
1
). La
respuesta generalmente es negativa, a menos que se disponga de una razonable
cantidad de datos para cada una de las clases. La clave de la cuestin es que
el modelo con variables dummy utiliza todos los datos, mientras que regresio-
nes separadas emplearan slo una parte de la muestra y esto normalmente es
desfavorable. Adems, tambin es interesante recordar que la utilizacin de
variables dummy frecuentemente reduce los problemas de multicolinearidad
en los datos (vase Douglas y Lewis, 1971).
4.2.5. Clculo de los totales zonales
En el caso de los modelos de regresin zonal, el clculo de los totales zonales
no representa un problema puesto que el modelo est estimado a ese nivel. Los
modelos basados en hogares, en cambio, requieren una fase de agregacin para
pasar del nivel hogar a la estimacin de viajes totales por zona. No obstante,
:18
dado que los modelos son lineales, esta operacin es fcilmente solucionable
sustituyendo en cada variable independiente del modelo, el respectivo valor
medio que tiene sta para la zona, y luego multiplicando por el nmero de
hogares en cada zona. Es importante resaltar, sin embargo, que en el caso
de modelos no lineales la fase de agregacin puede resultar extremadamente
compleja, tal como ser expuesto en el Captulo 9.
Por ejemplo, para el tercer modelo de la tabla 4.3 se tendra:

T H X X
i i i i
(0,91 + 1,44 + 1,07 )
1 2
donde T
i
representa el nmero total de viajes HB en la zona i, H
i
el nmero
total de hogares en la misma zona y X
ji
el valor medio de la variable X
j
, para
la misma zona.
Por otro lado, cuando se utilizan variables dummy es necesario conocer
el nmero de familias pertenecientes a cada clase en cada zona; as, para el
modelo presentado en el ejemplo 4.4 resultara:

T H X H H
i i i i i
(0,84 + 1,41 ) + 0,75 + 3,14
1 1 2
donde H
ji
representa el nmero de familias pertenecientes a la clase j en la zona
i. Esta ltima expresin permite observar otra ventaja asociada a la utilizacin
de variables dummy con respecto de la estimacin de regresiones separadas.
Como se aprecia, para agregar los modelos en el ltimo caso hara falta estimar
el nmero medio de trabajadores por familia (X
1
) para cada grupo de tasa de
motorizacin en cada zona y ello puede resultar bastante complicado.
4.2.6. Ajuste entre generaciones y atracciones
Es bastante fcil darse cuenta de que los modelos ilustrados anteriormente no
garantizan automticamente que, para cualquier zona, el nmero total de viajes
generados (los orgenes O
i
) sea igual al nmero de viajes atrados (los destinos
D
j
); no se garantiza, por tanto, que la siguiente relacin se verifique:

O D
i j
j i

(4.13)
El problema es que esta ecuacin es implcitamente requerida por el siguien-
te submodelo (distribucin de viajes) en la estructura del modelo de demanda.
No es posible, en efecto, obtener una matriz de distribucin de viajes en la que
:1,
el nmero total de viajes (T) obtenido al sumar todas las filas sea diferente del
obtenido al sumar todas las columnas (vase el Captulo 5).
La solucin a este problema es pragmtica y se basa en el hecho de que
los modelos de generacin son mucho mejores, en todos los sentidos, que
los correspondientes modelos de atraccin. Esto se debe a que los primeros
son modelos basados en el hogar bastante sofisticados que utilizan tradicio-
nalmente buenas variables explicativas. Sin embargo, para la atraccin de los
viajes en el mejor de los casos se dispone de modelos estimados utilizando
datos a nivel zonal. Por este motivo, en la prctica normalmente se considera
que el nmero total de viajes que resulta de la suma de todos los orgenes O
i

representa el valor correcto del total de los viajes T. Por ende, los destinos deben
ser multiplicados por un factor f, que asegure que la suma de las atracciones
sea igual a T. Su valor es:

f
T
D
j
j
(4.14)
4.3. ANLISIS POR CATEGORA O CROSS-CLASSIFICATION
4.3.1. El modelo clsico
Hasta fines de los 60 la mayora de los estudios de planificacin de transportes
en EE.UU. desarrollaron ecuaciones de generacin de viajes basadas en anli-
sis de regresin lineal, especialmente en el caso de producciones de viajes de
personas. En efecto, el modelo de regresin fue seleccionado como el mtodo
central de la gua para el anlisis de generacin de viajes de la Federal Highway
Administration (FHWA, 1967).
A finales de la dcada de los 60 apareci otro mtodo alternativo para la
modelizacin de la generacin de los viajes, que se convirti rpidamente en
el mtodo preferido en el Reino Unido. Fue conocido con el nombre de An-
lisis por Categora en Gran Bretaa (Wootton and Pick, 1967) y en EE.UU.
recibi el nombre de Anlisis de Clasificacin Cruzada. Este enfoque sigui
el mismo proceso de desarrollo del modelo de regresin lineal, en el sentido
de que primeramente se desarrollaron procedimientos a nivel zonal y slo
posteriormente se ha utilizado informacin a nivel del hogar.
::o
El mtodo consiste en estimar la respuesta (p. ej., el nmero de viajes
producidos por cada hogar por un motivo dado) como una funcin de los
atributos del hogar, y se basa en la hiptesis de que las tasas de generacin de
viajes son relativamente estables en el tiempo para determinadas categoras
de hogares. Estas tasas se determinan empricamente y para esto generalmente
se necesita contar con una gran cantidad de datos; de hecho un elemento crtico
en el procedimiento es el nmero de hogares en cada grupo. Aunque el m-
todo fue diseado originariamente para utilizar los datos del censo britnico,
un problema serio es la necesidad de estimar el nmero de hogares en cada
categora a futuro.
4.3.1.2. Definicin de las variables y especificacin del modelo
Sea t
p
(h) el nmero promedio de viajes realizados por miembros de un hogar
de tipo h con motivo p (en un cierto perodo de tiempo). Los tipos de hogares
son definidos en base a la estratificacin seleccionada; por ejemplo, una cla-
sificacin basada en m categoras relativas al tamao del hogar y n categoras
relativas a clases de tasa de motorizacin determinar m n tipos h de hogar.
Para calcular las tasas correspondientes a cada celda, el mtodo estndar
consiste en asociar los hogares, en los datos de calibracin, a cada una de las
celdas y calcular, en cada caso, el nmero de desplazamientos observados
T
p
(h) por motivo. La tasa de viajes t
p
(h) es, por tanto, igual a la razn entre el
nmero total de desplazamientos en la celda h para cada motivo y el nmero
de hogares H (h) en aquella celda. En trminos matemticos resulta:

t h T h H h
p p
( ) ( ) / ( )

(4.15)
El arte del mtodo consiste en elegir las categoras de forma que la
desviacin estndar de la distribucin de frecuencias, representada en la figu-
ra 4.11, sea mnima. El mtodo presenta, en principio, las siguientes ventajas:
Las clases son independientes del tamao de las zonas del rea de estudio. 1.
No se hace ninguna suposicin, 2. a priori, sobre la forma funcional de las
relaciones (es decir, la funcin no tiene por qu ser montona y, an me-
nos, lineal).
Las relaciones pueden tener forma diferente de clase a clase (de hecho, el 3.
efecto de una modificacin en el tamao del hogar puede ser diferente en
funcin del nmero de coches que posea la familia).
::1
t
p
(h)
Figura 4.11. Distribucin de tasas de viajes por tipologa de hogar.
Sin embargo y al igual que los mtodos de clasificacin cruzada tradicio-
nales, presenta tambin varias desventajas:
El modelo no permite la extrapolacin ms all de los estratos calibrados, 1.
aunque las clases externas pueden ser dejadas abiertas (es decir, se puede
tener una clase del tipo: familias con dos o ms coches y cinco o ms
domiciliados).
No hay tcnicas estadsticas de bondad de ajuste del modelo; por lo tanto, 2.
slo se puede medir la cercana agregada a los datos de calibracin.
Se requiere una muestra muy grande; de lo contrario, los valores de las 3.
celdas varan en fiabilidad a causa de la diferencia en el nmero de hoga-
res disponibles para la calibracin en cada una. Por ejemplo, en el estudio
de uso de suelo y transporte de Monmouthshire (vase Douglas y Lewis,
1971), se obtuvo una distribucin como la indicada en la tabla 4.5, para
108 categoras (seis niveles de renta, tres niveles de posesin de coche y
seis niveles de estructura del hogar), para una muestra de 4.000 hogares.
Una regla generalmente aceptada es que para estimar valores medios con-
fiables se requiere al menos 50 observaciones por celda. As, en la muestra
Tabla 4.5. Distribucin de frecuencia de los hogares
N de categoras
21 69 9 7 2
N de hogares en la encuesta 0 1-49 50-99 100-199 200+
:::
de 4.000 hogares, este criterio fue satisfecho slo en 18 de las 108 celdas
consideradas. La utilizacin de muestras estratificadas puede garantizar
una mejor distribucin de la muestra entre las diferentes categoras; sin
embargo, ello da lugar a un aumento de los costes de muestreo.
No hay un modo eficiente para elegir las variables de clasificacin o para 4.
elegir la mejor clasificacin de cada variable; la minimizacin de las des-
viaciones estndares, sugerida en la figura 4.11, requiere de un laborioso
procedimiento iterativo de prueba y error, que puede ser considerado
inviable en estudios reales.
Es difcil predecir el nmero de hogares en cada categora a futuro. 5.
4.3.1.3. Aplicacin del modelo a nivel agregado
Sea n el tipo de persona (p. ej., con o sin coche), sea a
i
(h) el nmero de hogares
de tipo h en la zona i, y sea H
n
(h) el conjunto de hogares de tipo h en el que
viven las personas de tipo n, las producciones de viajes personales tipo n en la
zona i, (O
i
n
) vienen dadas por:

O a h t h
i
np
i
p
h H
n
h
( ) ( )
( )

(4.16)
Para verificar cmo trabaja el modelo, se pueden comparar los valores
modelizados (O
i
np
) con los valores observados en la muestra de calibracin.
Los posibles errores, inevitables, se deben a la utilizacin de valores medios
para t
p
(h); pero, debera esperarse que una mejor estratificacin produjese
errores menores (en el sentido de minimizar la desviacin estndar de la fi-
gura 4.11.)
Existen diversas maneras de definir las categoras de hogares. El estudio
original del mtodo en el Reino Unido (Wootton y Pick, 1967) utiliz 108 ca-
tegoras de la siguiente forma: seis niveles de ingreso, tres niveles de posesin
de coche (0, 1 y 2 o ms coches por hogar) y seis grupos de estructura familiar,
como se ilustra en la tabla 4.6.
El problema ms complicado es cmo predecir el nmero de familias, a
futuro, en cada categora. El mtodo ms comnmente utilizado (vase Wilson,
1974) parte por definir y estimar distribuciones de probabilidad del ingreso
(I), de la tasa de motorizacin (C) y de la estructura familiar (S) con los datos
de calibracin para, posteriormente, construir una funcin de distribucin de
probabilidad conjunta de pertenecer al tipo de hogar h = (I,C,S). Entonces, si
::
(h) = (I,C,S) es la funcin de distribucin conjunta, el nmero de hogares
a
i
(h) de la zona i que pertenecen a la clase h viene dado por:
a
i
(h) = H
i
(h) (4.17)
donde H
i
representa el nmero total de hogares en la zona. Este modelo de esti-
macin de los hogares puede ser parcialmente testeado, ejecutndolo con datos
relativos al ao de base utilizados para la calibracin. Es posible contrastar
el total de viajes estimados con la ecuacin (4.16), pero utilizando los valores
simulados para a
i
(h), con los valores observados.
En esta fase se evidencia otra desventaja posterior del mtodo:
En el caso de que fuera necesario incrementar el nmero de variables de 6.
la estratificacin, habra que aumentar enormemente el tamao de la
muestra. Por ejemplo, si a la aplicacin original, discutida lneas atrs,
se sumara otra variable dividida en tres niveles (p. ej., la posesin de
motocicletas en un modelo para una ciudad en Asia), el nmero de ca-
tegoras aumentara de 108 a 324 (recurdese la discusin relativa a la
tabla 4.5).
4.3.2. Mejoras al modelo clsico
4.3.2.1. Anlisis de Clasificacin Mltiple (ACM)
El anlisis de clasificacin mltiple es un mtodo alternativo para definir las
clases y testear los resultados del Anlisis por Categoras y proporciona un
procedimiento estadstico potente para la seleccin y clasificacin de las varia-
bles, que permite superar muchas de las desventajas anteriores. A continuacin
Tabla 4.6. Ejemplo de agrupamiento de la estructura familiar
Grupo N de empleados Otros adultos
1 0 1
2 0 2 o +
3 1 1 o
4 1 2 o +
5 2 o + 1 o
6 2 o + 2 o +
::
se especifica una sntesis del mtodo, en tanto que para una descripcin ms
detallada se recomienda consultar Stopher y McDonald (1983).
Considrese un modelo con una variable dependiente continua (como la tasa
de viajes) y dos variables independientes discretas, como el tamao del hogar
y la tasa de motorizacin. La media de la variable independiente se puede esti-
mar tanto para la muestra completa de hogares como para cada fila y columna
de la matriz de clasificacin cruzada. A su vez, stas ltimas medias pueden
expresarse como desviaciones de la media global. Observando los signos de
las desviaciones, se pueden estimar valores de la variable dependiente para
cada celda de la matriz, aadiendo a la media global las desviaciones de sus
respectivas filas y columnas correspondientes a la citada celda. De este modo,
es posible compensar los problemas resultantes de tener pocas observaciones
en algunas celdas, como suele suceder.
Ejemplo 4.5: en la tabla 4.7 aparecen los datos recogidos en un rea de
estudio y clasificados segn tres niveles de posesin de coche y cuatro niveles
de tamao de hogar. Dicha tabla representa el nmero de hogares observado
en cada celda (categora) y la media del nmero de viajes por hogar calculada
por fila, columna y total.
Tabla 4.7. Nmero de hogares por celda y tasas medias de viaje
Tamao hogar 0 coches 1 coche
2 o +
coches
Total
Tasa
media
de viajes
1 persona 28 21 0 49 0,47
2 3 personas 150 201 93 444 1,28
4 personas 61 90 75 226 1,86
5 personas 37 142 90 269 1,90
Total 276 454 258 988
Tasa media de viajes 0,73 1,53 2,44 1,54
Como puede apreciarse, el rango de valores va desde 0 (ya que es poco
probable encontrar hogares con una persona y ms de un coche) a 201. Aun-
que en este ejemplo se haya realizado una clasificacin cruzada para slo dos
variables hay, en todo caso, cuatro celdas con un nmero de observaciones
::
inferior al nmero mnimo convencional requerido (50) para estimar valores
fiables de la media y de la varianza de las tasas de viaje.
Para poder estimar el valor medio de la tasa de desplazamientos (tasas
promedio de viaje) para cada celda, incluyendo aquellas sin observaciones en
la muestra, se procede de la siguiente manera: por ejemplo, para el caso de 0
coches, se calcula la desviacin (de la media global) como 0,73 1,54 = 0,81;
para el caso de un coche, 1,53 1,54 = 0,01 y para dos o ms coches resulta
2,44 1,54 = 0,90. Procediendo de modo anlogo para los grupos de tamao
familiar, se obtienen las siguientes desviaciones: 1,07, 0,26, 0,32 y 0,36. Si
las variables no estn correlacionadas es posible elaborar una tabla completa
de las tasas de viaje a partir de estos valores; as, la tasa de viajes para ho-
gares con una persona y un coche sera 1,54 1,07 0,01 = 0,46 viajes. Sin
embargo, en el caso de un hogar, una persona y ningn coche, la tasa resulta
ser negativa (0,34 = 1,54 1,07 0,81); como no tiene significado fsico una
tasa de viajes menor que cero, sta se fuerza a cero. La tabla 4.8 ilustra los
resultados de las tasas de viaje incluyendo las desviaciones correspondientes
a filas y columnas.
Tabla 4.8. Tasas de viaje calculadas por clasificacin mltiple
Tamao hogar
Tasa de motorizacin
Desviaciones
0 coches 1 coche 2 o + coches
1 persona 0,00 0,46 1,37 1,07
2 3 personas 0,46 1,27 2,18 0,26
4 personas 1,05 1,85 2,76 0,32
5 personas 1,09 1,89 2,80 0,36
Desviaciones 0,81 0,01 0,90
A diferencia de los modelos clsicos de clasificacin cruzada, en este caso
no slo se calculan las desviaciones por hogar en la celda correspondiente, es
decir, una persona-un coche, sino que por cada clase de posesin de coche se
calculan las desviaciones con respecto de todos los tamaos del hogar y vice-
versa. Por tanto, si hay interacciones, las desviaciones deberan ajustarse para
tomar en cuenta sus efectos. Ello se puede lograr tomando una media pondera-
da para cada una de las medias de cada grupo de una variable independiente
con respecto de las clases de las otras variables independientes, en lugar de una
::o
media simple (lo cual sera, en efecto, equivalente a asumir que la variacin
entre los datos de un grupo fuera aleatoria). Si hay interacciones, estas medias
ponderadas tendern, en general, a disminuir el tamao de los ajustes respecto
a la media global. Sin embargo, an en ese caso las medias de las celdas de una
clasificacin mltiple estarn basadas en medias estimadas para todos los datos
disponibles, y no slo en los datos correspondientes a la celda en cuestin.
Los ndices de bondad de ajuste ms importantes asociados al ACM son
(Stopher y McDonald, 1983):
Un estadstico F para evaluar el esquema completo de clasificacin mltiple
(recordar la discusin en el apartado 4.2).
Un estadstico de razn de correlacin para evaluar la contribucin de cada
variable de clasificacin (ver Stopher, 1975) y
Un ndice R
2
para el modelo completo de clasificacin cruzada.
Estas medidas le permiten al analista comparar diferentes esquemas de
clasificacin y evaluar su ajuste a los datos del ao de base.
Aparte de las ventajas estadsticas, es importante recalcar que los valores
de las celdas ya no dependen solamente del tamao de la muestra para cada
categora, sino que se basan en la media global derivada a partir de la muestra
completa y en dos o ms medias de clase que se derivan de los datos para
cada clase relevante a la celda en cuestin.
Ejemplo 4.6: en la tabla 4.9 se presenta un conjunto de tasas de viaje para
los mismos datos anteriores, pero calculadas de acuerdo al mtodo estndar
de Anlisis por Categoras (esto es, utilizando medias individuales para cada
celda). Al comparar estos valores con los de la tabla 4.8 se llega a dos conclu-
siones interesantes. En primer lugar, el mtodo ACM permite estimar tasas de
viajes aun para celdas que estn vacas. En segundo lugar, algunas tendencias
contra-intuitivas de la tabla 4.9 (p. ej., la disminucin de las tasas de viaje para
hogares con menos de dos coches al aumentar el tamao familiar de 4 a 5 o
ms personas) desaparecen en la tabla 4.8; hay que resaltar tambin que estos
efectos, al menos en uno de los casos, podran deberse al tamao, demasiado
pequeo, de la muestra.
En caso de existir interacciones entre las variables de estratificacin, se
puede utilizar una versin corregida del ACM (Stophen y McDonald, 1983).
sta simplemente consiste en calcular las tasas medias para cada nivel de tasa
de motorizacin y tamao del hogar (e ingreso, si la estratificacin lo considera),
::;
ponderando por la proporcin de hogares (o individuos) a ese nivel (indepen-
dientemente de los niveles de las restantes variables de estratificacin), y luego
hacer los clculos normales del ACM para estimar las tasas de viaje por celda.
Esto permite tomar en cuenta las interacciones, ya que los promedios ponde-
rados disminuyen el tamao de la desviacin con respecto a la media global.
Ortzar et al. (1998) usaron este mtodo en un estudio sobre la estabilidad de
las tasas de generacin de viajes en Santiago, Chile, para clases formadas por
el cruce de ingreso (cinco niveles), tasa de motorizacin (tres niveles) y tama-
o familiar (tres niveles); se encontr que los resultados eran efectivamente
superiores a los del ACM normal.
4.3.2.2. Anlisis de regresin estratificado
En ciertas ocasiones, el mtodo ms adecuado para modelizar la generacin de
viajes puede ser una mezcla de clasificacin cruzada y anlisis de regresin.
Por ejemplo, en un rea en el que la distribucin del ingreso sea muy desigual,
es posible que sea importante medir el impacto diferencial de determinadas
polticas en los diferentes estratos de ingreso; de esta forma, puede ser necesa-
rio modelizar la demanda de transporte para cada grupo de ingreso de forma
separada a travs del proceso completo. Si adems, en el rea est creciendo de
forma importante la tasa de motorizacin y, como usualmente, no queda claro
cun correlacionadas estn ambas variables, puede ser til postular modelos
de regresin basados en variables que describan el tamao y conformacin de
los distintos hogares, para una estratificacin basada en las dos variables anteriores.
Ejemplo 4.7: la tabla 4.10 presenta las 13 categoras de ingreso y tasa de
motorizacin (C
i
) definidas en el Estudio Estratgico de Transporte del Gran
Tabla 4.9. Tasas de viaje para el mismo estudio calculadas mediante an-
lisis por categoras
Tamao hogar
Tasa de motorizacin
0 coches 1 coche 2 o + coches
1 persona 0,12 0,94
2 3 personas 0,60 1,38 2,16
4 personas 1,14 1,74 2,60
5 personas 1,02 1,69 2,60
tomar en cuenta
::8
Santiago (ESTRAUS, 1989) y el nmero de hogares en cada una, de acuerdo
a la encuesta origen-destino (EOD) de 1977 (DICTUC, 1978). Como se puede
observar, la mayor parte de los datos se corresponden con hogares sin coche
e ingreso bajo. Tambin se ve que las categoras 7 y 10 tienen menos datos;
ste es, desafortunadamente, un problema bastante comn de este enfoque (de
hecho, las 13 categoras incluyen bastantes agregaciones).
Las variables independientes utilizadas en este anlisis, despus de haber
excluido las utilizadas para estratificar, incluyeron variables relativas a la fase
del ciclo de vida del hogar, aspecto que ser discutido en el apartado 4.4. Una
extensa bsqueda de la mejor especificacin dio como resultado que las varia-
bles de regresin ms significativas eran el nmero de trabajadores (divididos
en cuatro categoras, de acuerdo a ingreso y tipo de ocupacin), de estudiantes
y de residentes.
Los modelos de regresin lineal estimados con estas variables para cada una
de las 13 categoras resultaron satisfactorios en trminos de signos, interceptos
pequeos, niveles de significacin razonables y valores de R
2
(p. ej., entre 0,401
para la categora 4 y 0,682 para la categora 7; ver Hall et al., 1987).
4.3.3. Enfoque basado en categoras de personas
sta es una alternativa interesante a los modelos basados en el hogar, que fue
propuesta originariamente por Supernak (1979) y que ofrece las siguientes
ventajas (Supernak et al., 1983):
Tabla 4.10. Nmero de hogares en cada estrato en la muestra de Santiago,
1977
Ingreso hogar
(US$/mes)
Tasa de motorizacin del hogar
Totales
0 coches 1 coche 2 o +
< 125 6.564 (C
1
) 215 (C
2
) 6.779
125-250 4.464 (C
3
) 627 (C
4
) 5.091
250-500 1.532 (C
5
) 716 (C
6
) 87 (C
7
) 2.334
500-750 305 (C
8
) 436 (C
9
) 118 (C
10
) 859
> 750 169 (C
11
) 380 (C
l2
) 301 (C
13
) 790
Total 12.974 2.373 506 15.853
::,
Un modelo de generacin de viajes a nivel de personas es compatible con 1.
otros componentes del sistema clsico de modelizacin de la demanda de
transporte, que se basa en viajeros en lugar de en hogares.
Admite un esquema de clasificacin cruzada que utiliza todas las variables 2.
importantes y permite un nmero manejable de clases; ello permite, a su
vez, predecir la representacin de clases ms fcilmente.
El tamao de la muestra requerido para desarrollar un modelo por cate- 3.
goras de personas puede ser varias veces ms pequeo que el requerido
para estimar un modelo basado en categoras de hogares.
En un modelo por categoras de personas, los cambios demogrficos pueden 4.
considerarse ms fcilmente, pues ciertas variables demogrficas funda-
mentales en modelizacin (como la edad) son virtualmente imposibles de
definir a nivel de hogar.
Las categoras de personas son ms fciles de predecir que las categoras 5.
de hogar, ya que en este ltimo caso se requieren previsiones sobre la
formacin del hogar y sobre su tamao; estas cuestiones se evitan total-
mente en el caso de categoras de personas. En general, la mayor parte de
los viajes es realizado por personas mayores de 18 aos; esta poblacin es
ms fcil de predecir a 15 20 aos vista, ya que slo se necesitan tasas
de migracin y de supervivencia para hacerlo.
La mayor limitacin que puede tener un modelo por categoras de personas
se relaciona precisamente con la razn principal de por qu, al final de los
aos sesenta, se eligieron los modelos basados en el hogar para reemplazar
a los modelos de generacin zonal; sta fue la dificultad de introducir, en un
modelo basado en categoras de personas, los efectos de interacciones en el
hogar as como costes y presupuestos monetarios. Sin embargo, Supernak et al.
(1983) defienden que no est claro cun importantes son estas consideraciones
y cuestionan su incorporacin eficaz incluso en los modelos de generacin de
viajes basados en el hogar; de hecho, la discusin en las secciones 4.2.3 y 4.3.1
deja claro que esto debe tratarse de forma implcita solamente.
4.3.3.2. Definicin de variables y especificacin del modelo
Sean t
j
la tasa de viajes, es decir, el nmero de viajes realizados por un individuo
(promedio) de la categora j durante un cierto perodo de tiempo y t
jp
la tasa
de viajes por motivo p, T
i
el nmero total de viajes realizados por los habitan-
tes de la zona i (todas las categoras juntas), N
i
el nmero de habitantes de la
s es realizado p
:o
zona i y
ji
el porcentaje de habitantes de la zona i que pertenece a la catego-
ra j. Por lo tanto, se puede escribir la siguiente relacin bsica:

T N t
i i ji j
j

o

(4.18)
Como en otros mtodos, los viajes se dividen en basados (HB) y no basa-
dos (NHB) en el hogar, y tambin pueden ser divididos en funcin del prop-
sito (p) del viaje, lo cual puede ser aplicado tanto a viajes HB como a viajes
NHB.
El modelo se desarrolla segn las siguientes fases:
Consideracin de varias variables que se espera sean importantes para ex- 1.
plicar las diferencias en la movilidad de las personas. Asimismo, definicin
de categoras de personas plausibles utilizando estas variables.
Anlisis preliminar de tasas de viajes en orden a encontrar qu variables 2.
tienen menor poder explicativo y pueden excluirse del modelo. Esto se
realiza comparando las tasas de viaje de categoras que slo se diferencien
por la variable analizada y testeando si sus diferencias son estadsticamente
significativas.
Realizar un detallado anlisis de las caractersticas del viaje para encontrar 3.
variables que definan categoras similares. Deben ser excluidas aquellas
variables que no proporcionen una explicacin sustancial de la varianza de
los datos y tambin aquellas que dupliquen la explicacin proporcionada
por otras variables mejores (es decir, ms fcil de predecir o ms apropiadas
para anlisis de polticas). El ejercicio se realiza bajo la restriccin de que
el nmero final de categoras no debe exceder de cierto mximo prctico
(p. ej., 15 clases).
Para este anlisis se pueden utilizar los siguientes indicadores: coefi-
ciente de correlacin (R
jk
), pendiente (m
jk
) e intercepto (a
jk
) de la regresin
t
jp
= a
jk
+ m
jk
t
kp
. Las categoras j y k pueden ser tratadas de forma similar
si los citados ndices satisfacen las siguientes condiciones (Supernak et al.,
1983):
R
jk
> 0,900
0,75 < m
jk
< 1,25 (4.19)
a
jk
< 0,10
:1
4.3.3.3. Aplicacin del modelo a nivel agregado
Las producciones de viajes zonales a nivel del hogar se obtienen directa-
mente a partir de la ecuacin (4.18), o si se desea se puede hacer del mismo
modo de forma ms desagregada incluyendo los propsitos de viaje. Sin em-
bargo, la estimacin de atracciones de viaje en general y las producciones
NHB a nivel zonal no son tan sencillas, ya que requieren el desarrollo de
mtodos ad hoc muy dependientes del tipo de informacin disponible para
cada aplicacin (vase Supernak, 1979 para un ejemplo desarrollado en Po-
lonia).
4.3.4. Generacin de viajes y accesibilidad
Tal como se indic en el Captulo 1, la especificacin clsica del modelo de
planificacin de transporte urbano (cuatro etapas), sigue un proceso iterativo
entre la fase de distribucin de viajes y la asignacin, dejando inalterada la
fase de generacin/atraccin. Una desventaja importante de este proceso, vlida
tambin en el caso de los mtodos modernos que intentan resolver de forma
apropiada el complejo equilibrio entre oferta y demanda (vase el Captulo 11),
es que supone implcitamente que los cambios en la red no afectan a la cantidad
de viajes producidos y atrados. Esto significa, por ejemplo, que la extensin de
una lnea de metro hasta una localidad no servida anteriormente no originara
un nmero mayor de viajes entre esta zona y las restantes. Aunque esta hiptesis
podra mantenerse en el caso de viajes obligados, posiblemente no podra en
el caso de viajes discrecionales. Por ejemplo, considrese el caso de viajes de
compra y una nueva lnea de Metro que conecte una zona de bajos ingresos
con el mercado central de la ciudad, que tiene precios ms competitivos que
los de sus tiendas locales.
Para resolver este problema, los tcnicos en modelizacin han intentado
incorporar una medida de la accesibilidad (es decir, una medida de la facilidad
o dificultad de realizar desplazamientos desde/hacia cada zona) dentro de las
ecuaciones de generacin de viajes. El objetivo es reemplazar O
i
n
= f(H
i
n
) por
O
i
n
= f(H
i
n
, A
i
n
) donde H
i
n
representa las caractersticas de los hogares y A
i
n
es
una medida de la accesibilidad por tipo de persona.
Las medidas de accesibilidad tpicas tienen la siguiente forma general:

A f E C
i
n
j
n
ij
j
( , )
::
donde E
j
n
representa una medida de la atraccin de la zona j y C
ij
el coste
generalizado de viaje entre las zonas i y j. Una expresin analtica tpica de la
accesibilidad es la siguiente:

A E C
i
n
j
n
ij
j

exp( ) |
donde

es un parmetro de calibracin que deriva del modelo gravitacional,
como se ver en el Captulo 5.
Desafortunadamente, este procedimiento raramente ha producido los re-
sultados esperados en el caso de modelos agregados, ya que los parmetros
estimados de la variable de accesibilidad han resultado no significativos o de
signo equivocado. Este tema ha sido, durante muchos aos, de gran inters y
est ligado claramente a dos interesantes problemas an no resueltos: la mo-
delizacin dinmica y la modelizacin con datos longitudinales en lugar de
datos de seccin transversal (Captulo 1). Ortzar et al. (2000b), realizan una
interesante discusin del problema, y ofrecen un ejemplo de lo que se puede
ganar utilizando, en este contexto, datos de preferencias declaradas.
Un trabajo desarrollado en el Reino Unido sobre los efectos del trfico indu-
cido en la evaluacin de infraestructura vial troncal (Department of Transport,
1997) proporcion un nuevo impulso a los modelos elsticos de generacin
de viajes. Este trabajo condujo al estudio de mtodos de generacin de via-
jes que fueran sensibles a variaciones en la accesibilidad, ya que se recono-
ci que los mtodos clsicos no eran adecuados en este sentido. Daly (1977)
propone un marco de trabajo basado en tres componentes para la generacin
de viajes:
En su contexto familiar, el individuo estructura sus actividades en el corres-
pondiente perodo de modelizacin, por ejemplo, un da. Evidentemente las
actividades realizadas fuera de casa son las nicas que generan viajes.
Las actividades fuera de casa se organizan en estancias ( soujorns), de-
finidas como la permanencia en una localizacin especfica, donde cada
una de ellas tiene un objetivo primario (y posiblemente, a la vez, objetivos
secundarios tambin en la misma localizacin).
Se formula un plan de viaje que relacione las correspondientes estancias,
en particular para decidir cules requieren ser visitadas por tour HB (dos
o ms viajes) y cules pueden ser enlazadas con otras estancias a travs de
viajes NHB.
:
A partir de estas tres componentes parece razonable ver la posibilidad
de modelizar el nmero de estancias generadas por un hogar o por una
persona y luego subdividir estas estancias en tours HB y viajes NHB. Un
aspecto prctico de modelizacin que se deriva inmediatamente de ese marco
es que las variables dependientes (es decir, el nmero de tours y/o de viajes o
alternativamente el nmero de estancias que pueden ser realizadas), necesa-
riamente ser un nmero entero: 0, 1, 2, 3, etc. Adems, puede esperarse que
la decisin de efectuar o no efectuar el viaje (es decir, entre 0 y 1), se tome so-
bre una base diferente de la decisin de hacer ms de un viaje (la primera,
en efecto, concierne a la decisin de realizar o no cierta actividad, la segunda, en
cambio, concierne a cmo organizar el tiempo y el lugar, dado que va a existir
algn grado de participacin). Otro punto a tener en cuenta en este proceso
es que para asegurarse de que todas las actividades sean consideradas, es
necesario incluir los viajes realizados en todos los modos; as la no inclusin
de viajes cortos o de viajes en modos no motorizados reducira la calidad del
modelo. Todo esto es pues coherente con el tema de recoleccin de datos O-D
tratado en el Captulo 3.
Las variables que deben ser incluidas en el modelo son las mismas que las
de los mtodos clsicos tratados anteriormente, aunque es de esperar que la
accesibilidad pueda incorporarse. Sin embargo puede existir una influencia
negativa cruzada entre las accesibilidades HB y NHB; por ejemplo, si pueden
realizarse fcilmente viajes HB, como en ciudades pequeas, entonces habr
una menor necesidad de hacer viajes NHB.
La previsin del nmero de estancias debe ser hecha para cada uno de los
motivos de viaje (es de destacar que pueden variar las variables que influyen en
cada tipo de viaje). Primeramente se deberan modelizar los viajes por motivos
obligados y posteriormente los viajes por otros motivos, que evidentemente
dependern de las decisiones tomadas sobre los viajes obligados. De modo
anlogo, debe ser explcitamente modelizada la eleccin entre satisfacer una
necesidad de viaje a travs de un tour HB o un viaje NHB como desviacin de
un tour anteriormente planificado (Algers et al., 1995), aunque tambin pue-
den ser aceptables modelos independientes como simplificacin. Por ltimo,
aunque sea posible construir modelos de frecuencia de viajes para describir el
comportamiento de un hogar completo (p. ej., considerando todas las interac-
ciones que pueden ser relevantes para el nmero de viajes realizados), en la
prctica, dada la naturaleza de los datos disponibles, resulta mucho ms simple
desarrollar modelos a nivel individual.
:
Modelo Logit de eleccin de frecuencias. Daly (1997) analiza diferentes
modelos concluyendo que el ms adecuado es el que tiene una forma tipo
logit (vase el Captulo 7) y que predice el nmero total de viajes calculando
primeramente la probabilidad de que cada individuo decida hacer un viaje y
despus multiplicando tal probabilidad por el nmero relativo de individuos
pertenecientes a la categora correspondiente. El mtodo se puede extender
al caso de varios individuos que efectan ms de un viaje, como se muestra
ms adelante.
Si V es la utilidad de realizar un viaje (asumiendo, sin prdida de genera-
lidad, que la utilidad de no viajar es cero), la probabilidad de hacer ese viaje
viene dada por:

P
V
1
1
1
+ exp( )
en que V generalmente se especifica como una funcin lineal de parmetros
desconocidos :

V X
k k
k
u
donde X son datos medidos como el ingreso, la posesin de coche, el tamao
del hogar y la accesibilidad, la cual debe ser introducida en el modelo de
forma consistente con la teora de maximizacin de la utilidad (que es la teo-
ra que sustenta al modelo logit). Por esta razn, la mejor forma de intro-
ducir la accesibilidad es utilizar un resultado popularizado por Ben Akiva
y Lerman (1979), que indica que la forma correcta de la accesibilidad es el
logsum del modelo de eleccin del destino (o del modo); adems, tal y como
se tratar en la seccin 7.4, ya que en este caso se tiene una estructura logit
jerrquica, el parmetro que multiplica la variable logsum de accesibilidad
debe estar comprendido entre 0 y 1. Si esta condicin no se cumple, las previ-
siones del modelo pueden ser inconsistentes con el sentido comn (Williams
y Senior, 1977).
El modelo logit representa, para cada individuo, la eleccin de efectuar o
no efectuar un viaje, y por tanto resulta particularmente apto para tratar datos
desagregados. Tambin puede ser utilizado con datos agregados, pero en este
caso la probabilidad P representa un porcentaje ms que una probabilidad.
Utilizando datos desagregados se tiene una mayor posibilidad de encontrar
:
relaciones significativas entre la accesibilidad y el nmero de viajes, ya que
estos datos preservan la cuanta mxima de variancia. Para modelizar frecuen-
cias de viaje superiores a uno, Daly (1997) propone utilizar una estructura
jerrquica que represente un nmero indefinido de elecciones, tal y como se
expone en la figura 4.12.
Cada nivel jerrquico representa la eleccin entre efectuar el siguiente
viaje o bien detenerse en el nmero de viajes realizado (de aqu el nombre de
modelo stop-go). Dado que existen fuertes posibilidades de diferente com-
portamiento entre la eleccin 0/1+ y las restantes elecciones, se ha encontrado
preferible modelizar la primera eleccin utilizando un modelo separado. Sin
embargo, como a menudo se dispone de pocos datos relativos a viajes mltiples,
tambin es necesario modelizar las restantes elecciones con un nico modelo
stop-go (es decir, que predice la misma probabilidad de detenerse en cada
nivel de la jerarqua).
0
1
2
1 +
2 +
3 +
etc.
Figura 4.12. Modelo de generacin de viajes del tipo stop-go.
La aplicacin de este sistema de modelizacin es bastante fcil. Si la pro-
babilidad de viajar es p (del modelo 0/1+) y la probabilidad de elegir la op-
cin go para cada nivel subsecuente es q (calculado siempre por el modelo
stop-go), el nmero esperado de viajes viene dado sencillamente por:
t = p / (1 q)
:o
El mtodo ha sido aplicado en numerosos estudios en Europa (Daly, 1977),
habindose obtenido coeficientes para la variable de accesibilidad que varan
entre 0,07 y 0,33 para diversos motivos de viaje.
4.4. PREVISIN DE VARIABLES EN EL ANLISIS DE GENERACIN DE VIAJES
La eleccin de las variables a utilizar para predecir las tasas de viaje genera-
das por los hogares siempre ha preocupado a los planificadores de transporte;
tpicamente estas variables corresponden al nmero de hogares, su tamao
y/o estructura, el nmero de vehculos que poseen (tasa de motorizacin) y el
ingreso (renta). Sin embargo, el inters por este tema aument a principios de
la dcada de los 80 con el inicio de investigaciones que tuvieron como objetivo
enriquecer los modelos de generacin de viajes con teoras y mtodos toma-
dos de las ciencias sociales que estudian el comportamiento. Las principales
hiptesis detrs de este trabajo fueron que las condiciones sociales en las que
el individuo vive deberan tener estrecha relacin con las oportunidades y los
vnculos que se le presentan cuando afronta la eleccin de las actividades a
realizar; estas ltimas a su vez, pueden llevar, a diferentes comportamientos de
viaje. Por ejemplo, est claro que si una persona vive sola, para poder satisfacer
sus necesidades de viaje no necesita coordinar e intercambiar actividades con
otras personas. En cambio, una pareja con hijos pequeos en edad preescolar
generalmente tendr menor libertad en las elecciones que efecte, con res-
pecto de una pareja sin hijos o con hijos adultos, ya que stos solicitan menos
atenciones. Las personas ancianas o jubiladas que vivan con adultos jvenes
realizarn, probablemente, ms actividades fuera de casa que una pareja de
ancianos que vive sola o con personas de la misma edad.
A nivel del hogar la situacin es bastante parecida: por ejemplo, los hogares
compuestos por personas que no tienen parentesco entre ellas, tendern a tener
esquemas de actividad con menor influencia sobre otros miembros del hogar
(lo que normalmente traer consigo un nmero mayor de viajes); en el caso de
parentesco entre los miembros del hogar, la influencia es obviamente mayor
(a igualdad de dimensin y otras caractersticas del hogar). Ello es debido a la
mayor coordinacin entre los diferentes miembros del hogar y al hecho de que
los esquemas de actividad incluyen un mayor nmero de actividades ligadas
al domicilio.
Una forma de introducir estos conceptos en la modelizacin de la genera-
cin de viajes es definir un conjunto de familias tipo que, efectivamente, cap-
:;
turen estas diferencias de comportamiento y luego aadir esta medida a las
ecuaciones que predicen el comportamiento de los hogares. Un enfoque posible
considera la estructura de edad de los hogares y su estilo de vida. Este enfoque
es consistente con la idea de que viajar es una demanda derivada y que el com-
portamiento respecto a viajes es parte de un proceso ms amplio de asignacin
de tiempo y dinero a diversas actividades en diferentes localizaciones. Por
ejemplo, el concepto de estilo de vida puede ser hecho operativo en trminos
de asignacin de varias cantidades de tiempo a los diferentes propsitos (ac-
tividades), ya sea en el domicilio o fuera de l, donde viajar slo es parte de
esta asignacin de tiempos (vase Allaman et al., 1982). Pudiera parecer que la
asignacin del tiempo por parte de los individuos vara sistemticamente entre
los diferentes segmentos de la poblacin, en funcin de la edad, sexo, estado
civil y hasta la raza; esto puede deberse a que diferentes estructuras familiares
imponen diferentes exigencias a sus miembros.
Entonces, se puede testear empricamente un conjunto de hiptesis respecto
de si las principales fases en el ciclo de vida son coherentes con cambios im-
portantes en las asignaciones de tiempo. Por ejemplo, las fases pueden ser:
la llegada de hijos en edad preescolar;
el perodo en el que el hijo ms joven alcanza la edad escolar;
el perodo en el que un joven deja la familia para ir a vivir solo, con otros
adultos jvenes o contrae matrimonio;
el perodo en el que todos los hijos de una pareja, todava no jubilada, dejan
la casa;
el perodo en el que todos los miembros del hogar alcanzan la edad de la
jubilacin.
Normalmente es muy interesante contrastar hogares pertenecientes a un
cierto estadio de vida con hogares pertenecientes al estadio inmediatamente
precedente.
Los conceptos de estilo de vida y estadio del ciclo de vida de una familia
son importantes bajo dos puntos de vista: primeramente, en cuanto a que iden-
tifican grupos estables (basados en la edad o en el sexo), con diferente organi-
zacin de actividades y consecuentemente diferentes demandas de viaje y, en
segundo lugar, porque permiten observar variaciones sistemticas que pueden
estar basadas en variaciones demogrficas (p. ej., cambios en la estructura de
la edad, en el estado civil o laboral). Ya desde el inicio de los aos 80 se ha
prestado una atencin creciente a las numerosas tendencias demogrficas signi-
:8
ficativas en trminos de comportamientos de viaje (vase Spielgerg et al., 1981).
Una de las tendencias ms significativas para la previsin del comportamiento
de viajes es el cambio en la razn entre hogares y poblacin, especialmente en
las naciones industrializadas. Aunque la tasa de crecimiento de la poblacin ha
ido disminuyendo constante pero establemente desde la dcada de los 80, la tasa
de formacin de hogares aumenta en ciertos casos. Ello es debido, entre otros
motivos, al aumento del nmero de hogares compuestos solamente por una sola
persona (entre otros, los solteros). Por ende, las metodologas de previsin de
viajes en las que se asume implcitamente que el porcentaje de familias en la
poblacin es estable, como a menudo ocurre, pueden verse afectadas por este
cambio estructural en la composicin demogrfica de la sociedad.
Otra tendencia que ha sido discutida en mltiples ocasiones es el envejeci-
miento global de la poblacin (tambin en este caso sobre todo en las naciones
industrializadas). Esto es importante ya que la mayor edad tiende a ser asociada
con una disminucin de la movilidad y con cambios en el estilo de vida. Es
interesante apreciar, sin embargo, que diferencias en la generacin de viajes
en funcin de la edad pueden, en parte, reflejar lo que se denomina efecto de
cohorte. Esto significa que las personas ancianas pueden viajar menos, sen-
cillamente porque siempre han viajado poco y no precisamente por causa de
su edad. Sin embargo, este efecto quizs sea ms grande para la poblacin a
partir de los 65 aos, y la disminucin en las tasas de generacin de viajes en
otros grupos probablemente refleja un verdadero descenso en la propensin
a viajar.
Por fin, una ulterior tendencia que tambin merece ser mencionada, es el
crecimiento de la proporcin de mujeres que trabajan. Su importancia en trmi-
nos de la planificacin del transporte y la previsin de la demanda proviene de
dos efectos: el primero es sencillamente el efecto directo por estar empleadas,
que influye intensamente en la asignacin del tiempo y consecuentemente en
el comportamiento de viajes. El segundo efecto es ms sutil y concierne a de-
terminados cambios en los roles dentro del hogar y su impacto sobre el estilo
de vida, sobre todo en el caso de parejas con hijos.
Para concluir esta seccin es interesante mencionar que las ideas tratadas
anteriormente conducen a proponer la incorporacin de variables relativas a
la estructura familiar en la modelizacin de la generacin de viajes. Esta pro-
puesta ha sido probada con datos reales (Allaman et al., 1982), en cuyo caso
las categoras de estructura familiar se basaron en la edad, sexo, estado civil y
apellido de cada miembro del hogar. Estas variables permitieron determinar la
:,
presencia o ausencia de dependientes dentro del hogar (personas que aunque
no sean de la familia viven con ella), del nmero y del tipo de adultos presentes
y de la relacin entre sus miembros. Sin embargo, aunque Allaman et al. (1982),
hayan afirmado que los modelos que utilizando estas variables representaron
una mejora considerable con respecto de las prcticas tradicionales, pruebas
posteriores con diferentes datos realizadas por McDonald y Stopher (1983),
han conducido a su rechazo.
Esto no se bas slo en evidencia estadstica sino tambin en la sensibilidad
respecto a polticas (es decir, no est claro cmo utilizar la estructura familiar
como variable de poltica) y en la facilidad de previsin (en el sentido de que
la previsin a nivel zonal resulta ser muy problemtica, en particular cuando
se quieren conseguir distribuciones de los hogares por categoras de estructura
familiar). McDonald y Stopher (1983) sostienen que bajo estos puntos de vista
debera preferirse la utilizacin de una variable relativa a la tipologa del hogar
que, indudablemente, resultar ms fcil de utilizar por parte de las agencias
de planificacin de las autoridades locales.
4.5. ESTABILIDAD Y ACTUALIZACIN DE LOS PARMETROS DE GENERACIN
DE VIAJES
4.5.1. Estabilidad en el tiempo
Por lo general, los modelos de transporte se desarrollan para ayudar en la
formu lacin y evaluacin de planes y proyectos relacionados con el transporte.
Aunque en muchas ocasiones se han empleado estadsticas descriptivas para
examinar las tendencias de viaje, la mayora de los avances han empleado
datos de seccin transversal para expresar la cantidad de viajes en trminos
de factores explicativos; stos tienen que ser tanto plausibles como fciles de
pronosticar para que el modelo sea sensible a la poltica del ao de diseo.
Una suposicin clave (a menudo, implcita) de este enfoque es que los parme-
tros del modelo se mantendrn constantes (o estables) entre el ao base y el
ao del diseo.
Diversos estudios han examinado esta suposicin en el contexto de ge-
neracin de viajes, encontrndose, por lo general, que no se puede rechazar
cuando los viajes en todos los modos se consideren en conjunto (vase Kannel y
Heathington, 1973; Smith y Cleveland, 1976), ni siquiera en el caso de modelos
zonales bastante simples (aunque de todas formas stos no se recomiendan por
:o
razones como las que se discuten en el epgrafe 4.2.2; vase Downes y Gyenes,
1976). Sin embargo, anlisis ms recientes han obtenido resultados diferentes.
Por ejemplo, Hall et al. (1987) compararon las tasas de viaje observadas y los
coeficientes de regresin de modelos calibrados con datos de hogares, recogidos
en Santiago en 1977 y 1986, y encontraron importantes diferencias. Copley y
Lowe (1981) observaron que aunque las tasas de viaje en autobs para ciertos
tipos de categoras de hogar parecan bastante estables con el paso del tiempo,
las tasas de viajes realizados en coche particular parecan muy susceptibles
a cambios en el precio real del combustible. Ello tiene las siguientes implica-
ciones potenciales:
Si existe una correlacin negativa entre las tasas de viajes realizados en 1.
coche y los precios del combustible, entonces la suposicin normal de ta-
sas de viaje constantes en un perodo de crecimiento constante en los
precios de la gasolina podra provocar una importante sobre-provisin
de carreteras e infraestructuras asociadas. Por otra parte, sin embargo,
si los precios disminuyeran en trminos reales, la suposicin de tasas de
viaje constantes llevara a una sub-previsin (lo cual es precisamente lo
que ocurri en el Reino Unido y otros pases industrializados a finales de
los aos 80).
Adems, el balance entre las inversiones futuras en instalaciones para 2.
el transporte pblico y privado puede juzgarse de forma incorrecta si se
basa en la suposicin de que las tasas de viaje son constantes con el paso
del tiempo.
Claramente, para el anlisis de polticas a desarrollar es fundamental calcu-
lar correctamente el efecto que tienen los precios del combustible sobre las tasas
de viaje (y sobre cualquier otro efecto longitudinal similar). Desafortunada-
mente, este problema no se puede abordar solamente con las series de datos de
seccin transversal usualmente disponibles para estudios de transporte.
4.5.2. Estabilidad geogrfica
Queda claro pues que es complicado analizar la estabilidad temporal porque se
requieren datos de calidad similar para dos momentos diferentes en el tiempo
en la misma zona. Por lo tanto, en muchas ocasiones puede ser ms fcil exa-
minar la estabilidad geogrfica (o transferibilidad), ya que quizs sea posible
disponer de datos pertenecientes a dos reas diferentes (p. ej., si dos entidades,
:1
localizadas en diferentes reas deciden llevar a cabo un estudio conjunto). La
transferibilidad geogrfica debera contemplarse como un importante atributo
de cualquier modelo de demanda de viajes, por las siguientes razones:
podra sugerir la existencia de ciertas regularidades repetibles en el com- 1.
portamiento de viajes que podran incluirse y reflejarse en el modelo;
indicara una mayor probabilidad de que tambin exista estabilidad tem- 2.
poral; esto, tal y como se ha visto, es esencial para cualquier modelo de
previsin;
podra permitir una reduccin sustancial en la necesidad de costosas en- 3.
cuestas de transporte a gran escala en diferentes zonas metropolitanas
(vase la discusin en el Captulo 9).
Est claro que no se pueden transferir todas las caractersticas del viaje
entre diferentes zonas o ciudades; por ejemplo, la duracin media de un viaje al
trabajo claramente depende de su contexto, es decir, debera ser en funcin del
tamao y la forma del rea y de las distribuciones de los lugares de trabajo y de
las zonas residenciales. Sin embargo, la transferibilidad de las tasas de viaje no
debera verse como poco realista; los viajes reflejan las necesidades que tienen
los individuos de participar en diversas actividades fuera del hogar, y si las
tasas de viaje estn relacionadas con grupos homogneos de personas, se puede
esperar que permanezcan estables y sean geogrficamente transferibles.
La transferibilidad de los modelos de generacin de viaje (normalmente
tasas de viaje en un marco de anlisis por categoras a nivel del hogar) ha
sido analizada pocas veces, y normalmente produce resultados poco satis-
factorios (vase Caldwell y Demetski, 1980; Daor, 1981); los pocos casos con
xito slo han tenido en cuenta algunos de los viajes, por ejemplo, los viajes
realizados en coche (vase Ashley, 1978). Por otra parte, Supernak (1979, 1981)
ha sealado la exitosa transferibilidad de un modelo de generacin de viajes
por categoras de personas, para las condiciones especficas de Polonia y Es-
tados Unidos.
Ms recientemente, Rose y Koppelman (1984) han examinado la trans-
feribilidad de un modelo de generacin de viajes de eleccin discreta, que
permite el ajuste de las constantes modales utilizando datos locales. Una de
sus conclusiones es que la similaridad del contexto parece ser un determinante
importante dentro de la transferibilidad del modelo; advierten asimismo, ya
que sus resultados demostraron una variabilidad considerable, que se debe
::
ser extremadamente cuidadoso a fin de asegurar que el modelo transferido se
pueda utilizar en el nuevo contexto.
4.5.3. Actualizacin bayesiana de parmetros de generacin
Supngase que se desea estimar un modelo de generacin de viajes y no
se dispone de fondos para realizar una encuesta O-D; una solucin posible
(pero inadecuada) es utilizar directamente modelos que se hayan calibrado
para otras reas relativamente similares. Sin embargo, sera altamente desea-
ble modificarlos, a fin de que reflejaran las condiciones locales de forma ms
exacta.
Esto se puede hacer utilizando tcnicas bayesianas que permiten actualizar
los parmetros del modelo original a partir de informacin sobre una pequea
muestra en el contexto de aplicacin. La actualizacin de Bayes considera una
distribucin a priori (la de los parmetros que se van a actualizar), informacin
nueva (a obtener de la pequea muestra) y una distribucin a posteriori, que
corresponde a la informacin actualizada sobre los parmetros del modelo en
el nuevo contexto. Las tcnicas de actualizacin son muy importantes en el
marco de la planificacin continua y de hecho se pueden encontrar en varias
partes de este libro.
Por ejemplo, considrese el problema de actualizar las tasas de generacin
de viajes por categoras; siguiendo a Mahmassani y Sinha (1981) se utilizar
la notacin expuesta en la tabla 4.11.
Tabla 4.11. Notacin para la actualizacin bayesiana de la generacin de
viajes
Variable Informacin a priori Informacin a posteriori
Tasa promedio de viajes t
1
t
2
N de observaciones n
1
n
2
Varianza de las tasas de viaje S
1
2
S
s
2
La tasa promedio de viajes de una determinada categora (o celda) es,
obviamente, la media de una muestra de tasas de viajes en hogares. Indepen-
dientemente de la distribucin estadstica de las tasas en hogares, la distribucin
muestral de la media (tasa promedio de viajes) para una celda determinada
:
puede considerarse Normal, en base al Teorema Central del Lmite, si la celda
tiene al menos 30 observaciones. As la distribucin a priori de la tasa prome-
dio de una celda en el modelo original (informacin a priori) es N(t
1
, S
1
2
/ n
1
),
ya que t
1
y S
1
2
/ n
1
son estimadores insesgados de su media y varianza. Para la
muestra pequea ocurre algo similar, lo que implica una distribucin Normal
con parmetros t
s
y S
s
2
/ n
s
.
El teorema de Bayes dice que si las distribuciones a priori y de la muestra
son Normales, con varianzas conocidas, la distribucin a posteriori (actuali-
zada) de las tasas promedio de viajes es tambin Normal, con los siguientes
parmetros:

t t t
s
s
s
s 2
1
2
1
2 2
1
2
1
2 2
1
1 1
1
1 1
+
,
,
,
,
,
]
]
]
]
]
]
+
+
,
,
,
,
,
]
]
]
]
]
]
o
o o
o
o o

(4.20)

o
o o
2
2
1
2 2
1
1 1
+
s

(4.21)
y sustituyendo por los valores conocidos de S
2
y n, queda:

t
n S t n S t
n S n S
s s s
s s
2
1
2
1 1
2
1
2
1
2
+
+

(4.22)

o
2
2
2
1
2
1
2
1
2
+
S S
n S n S
s
s s

(4.23)
Es importante subrayar que esta distribucin no es la de las tasas indivi-
duales de cada hogar en la celda en cuestin, sino la del promedio de las tasas
de dicha celda. De hecho, no se conoce la distribucin de las tasas individuales,
exceptuando que tienen la misma media t
2
.
Ejemplo 4.8: la siguiente tabla muestra la media de las tasas de viaje, su
variancia y el nmero de observaciones para dos categoras de hogares, obte-
nidas de un estudio realizado hace 10 aos:
:
Categoras de hogares
Variable (datos a priori) 1 2
N viajes al da 8 5
N de observaciones 65 300
Varianza de las tasas de viaje 64 15
Varianza de las medias de viaje 0,98 0,05
Se supone que estos valores podran estar ligeramente obsoletos para su
uso directo hoy, pero no hay suficientes fondos como para realizar una nueva
encuesta a gran escala. Por ello se ha realizado un pequeo muestreo estrati-
ficado, cuyos valores se presentan en la tabla siguiente:
Variable (nuevos datos) 1 2
N viajes al da 12 6
N de observaciones 30 30
Varianza de las tasas de viaje 144 36
Varianza de las medias de viaje 4,80 1,2
El lector puede verificar que aplicando las ecuaciones (4.22) y (4.23) se pue-
den estimar las siguientes tasas de viaje y sus correspondientes varianzas:
Variable (nuevos datos) 1 2
Tasas de viaje (viajes/da) 8,68 5,04
Varianza 0,82 0,05
EJERCICIOS
4.1. Se considera una zona con las siguientes caractersticas:
Tipo de hogar N Ingresos ($/mes) Habitantes Viajes/da
0 coches 180 4.000 4 6
1 coche 80 18.000 4 8
2 o + coches 40 50.000 6 11
:
Como consecuencia de una disminucin en los impuestos de importacin
y un incremento de los ingresos reales del 30%, se espera que en los prximos
cinco aos el 50% de las familias actualmente sin coche adquiera uno. Se desea
estimar cuntos viajes generara la zona en este caso; verifique que el mtodo
utilizado sea realmente el mejor disponible.
4.2. Considrense los siguientes modelos de atraccin, estimados utili-
zando un paquete de software estndar (los test-t vienen entre parntesis);
Y = 123,2 + 0,89X
1
R
2
= 0,900
(5,2) (7,3)
Y = 40,1 + 0,14X
2
+ 0,61X
3
+ 0,25X
4
R
2
= 0,925
(6,4) (1,9) (2,4) (1,8)
Y = 1,7 + 2,57X
1
1,78X
4
R
2
= 0,996
(0,6) (9,9) (9,3)
en los que Y son los viajes zonales atrados por motivo trabajo, X
1
es el nmero
total de empleos en la zona, X
2
el nmero de empleos en el sector industrial en
dicha zona, X
3
el nmero de empleos en el sector comercial tambin en la zona
en cuestin y X
4
el nmero de empleos en el sector servicios. Elegir el modelo
ms apropiado y justificar tal eleccin.
4.3. Se consideran los siguientes dos modelos de generacin de viajes para
la hora punta de maana por motivo trabajo, estimados utilizando regresin
lineal a nivel del hogar:
y = 0,50 + 2,0x
1
+ 1,5x
2
R
2
= 0,589
(2,5) (6,9) (5,6)
y = 0,01 + 2,3x
1
+ 1,1Z
1
+ 4,1Z
2
R
2
= 0,601
(0,9) (4,6) (1,9) (3,4)
donde y son los viajes por hogar realizados por motivo trabajo en la hora punta de
la maana, x
1
es el nmero de trabajadores por hogar, x
2
el nmero de coches por
hogar, Z
1
es un variable dummy que toma el valor 1 si el hogar posee un coche y
Z
2
es otra variable dummy que toma el valor 1 si el hogar posee dos o ms coches.
Elegir uno de los dos modelos expuestos, justificando su eleccin. a)
Representar grficamente ambos modelos utilizando un sistema apropiado b)
de ejes.
:o
Si en una zona hay 1.000 hogares (con una media de dos trabajadores c)
por hogar), de los que el 50% no tiene coche, el 35% slo posee un coche y
el resto dos coches exactamente, estimar el nmero total de viajes gene-
rados por la zona, O
i
, con ambos modelos. Discutir los resultados obte-
nidos.
4.4. La siguiente tabla presenta los datos recogidos en una encuesta O-D
realizada hace diez aos, en tres zonas determinadas:
Zona Residentes/hogar Trabajadores/hogar Ingreso medio Poblacin
I 2,0 1,0 50.000 20.000
II 3,0 2,0 70.000 60.000
III 2,5 2,0 100.000 100.000
Utilizando estos datos, hace diez aos se estimaron dos modelos de ge-
neracin a nivel de hogar. El primero fue un modelo de regresin lineal dado
por la siguiente ecuacin:

y = 0,2 + 0,5x
1
+ 1,1Z
1
R
2
= 0,78
donde y son los viajes por hogar realizados en la hora punta; x
1
es el nmero
de trabajadores por hogar y Z
1
es una variable dummy que toma el valor 1 para
los hogares con ingresos altos (> 70.000) y 0 en los otros casos.
El segundo fue un modelo del tipo Anlisis por Categoras basado en dos
clases de ingreso (alto y bajo) y en dos niveles de estructura de hogar (1 o
menos, 2 o ms trabajadores por hogar). Las tasas de viaje estimadas fueron
las siguientes:
Estructura familiar
Ingreso
Alto Bajo
1 o menos 0,8 1,0
2 o ms 1,2 2,3
El total de viajes generados en la hora punta por las tres zonas es, respec-
tivamente:
:;
Zona Viajes HP
I 8.200
II 24.300
III 92.500
y asimismo se estim que las caractersticas de las zonas (ingreso, nmero
de hogares y estructura familiar) han permanecido estables. Indicar cul es el
mejor modelo y justificar la respuesta.
5.
Modelos de distribucin zonal
E
n el captulo anterior se ha estudiado cmo pueden ser utilizados los
modelos de generacin de viajes para estimar el nmero total de despla-
zamientos realizados por cada una de las zonas (generacin) y atrados
tambin por cada una de las zonas (atraccin) en las que se haya dividido
un rea geogrfica determinada. Las generaciones y atracciones zonales pro-
porcionan una idea de la cantidad de viajes en dicha rea, pero son insuficientes
en general para modelizar el fenmeno de la movilidad o para decidir sobre
polticas de intervencin. Es evidentemente necesario pues disponer de una
perspectiva ms completa del esquema de los viajes, del origen y del destino
de los desplazamientos, de los modos de transporte elegidos y, como se ver
en el Captulo 10, de los recorridos utilizados.
A lo largo de los aos se han propuesto numerosos mtodos para simular
la distribucin de viajes entre varios destinos. Algunos son muy simples y slo
son aplicables a corto plazo, es decir, en estudios tcticos donde no se prev
que se produzcan, por ejemplo, variaciones relevantes en la accesibilidad de la
red. Otros mtodos, en cambio, responden mejor a las variaciones en los costes
de la red y por tanto son aptos para casos de estudios estratgicos a medio
y/o largo plazo o tambin para estudios tcticos que comportan importantes
cambios en los costes de transporte.
Antes de estudiar los modelos de distribucin se establecen algunas de-
finiciones y notaciones que van a ser utilizadas en este captulo, entre ellos,
el concepto de coste generalizado de transporte. El epgrafe 5.2 aborda los
mtodos que se basan solamente en la Tasa de Crecimiento de los desplaza-
mientos (viajes) en origen y/o en destino, los cuales son aptos para extrapolar
tendencias en el corto plazo. En el epgrafe 5.3 se estudiar una familia de
modelos denominados sintticos: el ms conocido es el Modelo Gravitacional.
En el epgrafe 5.4 se estudia una aproximacin a la generacin de los modelos,
en particular el formalismo de la Maximizacin de la Entropa. Un aspecto
:o
importante en la utilizacin de los modelos sintticos es su calibracin, la cual
consiste en fijar sus parmetros de modo tal que la estructura de viajes relativa
al ao base est bien representada en el modelo; esta parte ser estudiada en el
epgrafe 5.5, mientras que el 5.6 presenta una variante al sistema de calibracin
del modelo de gravedad, el cual permite conseguir formas ms generales del
modelo. Por fin, el captulo concluye con algunas consideraciones prcticas
sobre la modelizacin de la distribucin zonal.
5.1. DEFINICIONES Y NOTACIONES
Es tradicional representar la estructura de viajes en un rea de estudio a travs
de la matriz de viajes. Esencialmente es una matriz bidimensional en la que
las filas y las columnas representan cada una de las zonas del rea de estudio,
incluidas las zonas externas, tal como se muestra en la tabla 5.1.
Tabla 5.1. Estructura general de una matriz de viajes bi-dimensionales
Orgenes
Destinos
j Tij
1 2 3

j

z
1 T
11
T
12
T
13
T
1j
T
1z
O
1
2 T
21
T
22
T
23
T
2j
T
2z
O
2
3 T
31
T
32
T
33
T
3j
T
3z
O
3
i T
i1
T
i2
T
i3
T
ij
T
iz
O
i
z T
z1
T
z2
T
z3
T
zj
T
zz
O
z
i
T
ij D
1
D
2
D
3
D
j
D
z i
T
ij
= T
Las celdas de cada una de las filas i contienen los viajes con origen en la
zona i y destino en las zonas de las columnas correspondientes. La diagonal
principal corresponde a los viajes intrazonales, mientras que T
ij
representa el
nmero de viajes entre el origen i y el destino j; O
i
el nmero total de viajes con
origen en la zona i, y D
j
es el nmero total de viajes atrados por la zona j.
En lo que sigue se utilizarn las letras minsculas t
ij
, o
i
y d
j
para representar
datos tomados de la correspondiente muestra o valores de otros estudios.
:1
En mayscula se representa el objetivo o bien los valores que se quieren
modelizar para el correspondiente perodo de anlisis.
La matriz anterior puede desagregarse en varias matrices, por ejemplo,
segn tipo o clase de individuos (n) y/o modo (k), motivo, hora del da Por
tanto:
T
ij
kn
son los viajes de i a j en el modo k realizados por los individuos de
tipo n.
O
i
kn

son los viajes generados por la zona i en el modo k por los individuos
de tipo n, etctera.
A efectos de simplicidad en la exposicin se omitirn los ndices de los
sumatorios (tanto inferiores como superiores) quedando, por tanto, implcitos.
Por ejemplo:

T T
ij
n
ij
kn
k

T T y t t
ij
ij
ij
ij

En algunos casos puede ser interesante considerar la proporcin de viajes
que utilizan un modo en particular as como el coste de viaje entre dos pun-
tos:
p
ij
k
es la proporcin de viajes entre i y j en el modo k.
c
ij
k
es el coste del viaje para ir de i a j en el modo k.
La suma de los viajes por cada una de las filas debera ser igual al nmero
total de viajes generados por la zona a la que se refiere dicha fila; anlogamente
la suma de los viajes por cada columna debera corresponder al nmero de
viajes atrado por la zona a la que se refiere la columna. Es decir:

T O
ij i
j

(5.1a)

T D
ij j
i

(5.1b)
El modelo tiene que satisfacer ambas condiciones; en este caso dicho mo-
delo es doblemente acotado. En cambio, en algunos casos slo se dispone de
::
informacin sobre una de las dos restricciones, por ejemplo, si se conocen todos
los O
i
el modelo se denomina simplemente acotado a orgenes. Por tanto, el
modelo podr estar acotado a orgenes (generacin) o a destinos (atraccin),
segn se cuente con los O
i
o los D
j
respectivamente.
Por cuanto se refiere al coste de viaje, ste puede ser expresado en tr-
minos de distancia, tiempo o unidades monetarias. A menudo resulta conve-
niente utilizar lo que se denomina coste generalizado de transporte (viaje),
que representa una medida en la que se combinan todos los atributos prin-
cipales que estn asociados a la desutilidad del viaje. El coste generalizado
es tpicamente una funcin lineal de los atributos del viaje ponderada por
coeficientes que representan la importancia relativa de los atributos tal como
son percibidos por el viajero. Una posible representacin del coste genera-
lizado para el modo k (el sub-ndice k se omitir por sencillez de notacin),
sera:

C a t a t a t a t a F a
ij ij
v
ij
w
ij
t
nij ij
+ + + + +
1 2 3 4 5 6

j
+

(5.2)
donde:
t
ij
v
es el tiempo de viaje a bordo del vehculo para ir de i a j;
t
ij
w
es el tiempo andando hacia y desde la parada (o estacionamiento);
t
ij
t
es el tiempo de espera en la parada (o bsqueda de lugar para aparcar);
t
nij
es el tiempo de transbordo, si existe;
F
ij
es la tarifa para ir de i a j (o el coste monetario de usar el automvil);

j
es un coste terminal (usualmente coste de aparcar), asociado al viaje
de i a j;
es una penalidad modal, es decir un parmetro que representa los restan-
tes atributos no incluidos en el coste generalizado de viaje, por ejemplo, la
seguridad, el confort, etctera.
a
1

a
6
son las ponderaciones asociadas a cada elemento del coste; dichas
ponderaciones tienen su correspondiente dimensin apropiada para conver-
tir cada atributo en la misma unidad, por ejemplo, monetaria o tiempo.
Si el coste generalizado se expresa en unidades monetarias (a
5
= 1), enton-
ces a
1
se interpreta a veces como el valor del tiempo (o ms precisamente el
valor del tiempo a bordo del vehculo), en cuanto que su unidad es dinero/tiem-
po. En este caso a
2
y a
3
representan el valor del tiempo a pie y el del tiempo de
:
espera respectivamente, el cual se percibe, en muchos casos prcticos, como
dos o tres veces el valor de a
1
. Si el coste generalizado se expresase en trminos
monetarios, a
5
normalmente se fijara igual a uno.
El coste generalizado de viaje, tal como se expuso anteriormente, representa
una interesante interrelacin entre la desutilidad subjetiva y objetiva del viaje;
con ello se desea representar la desutilidad del viaje tal y como es percibida
por el usuario que se desplaza, y en este caso el valor del tiempo debera
ser el valor subjetivo (percibido) en lugar del objetivo, basado en el valor de
los recursos consumidos. Sin embargo, los coeficientes a
1

a
6
a menudo se
definen externamente al proceso de modelizacin, siendo a veces precisados
por el gobierno, el cual presupone para dichos parmetros su estabilidad y su
transmisibilidad, cuestin que de momento es, con las limitaciones oportunas,
respaldada por la evidencia.
Ya que el coste generalizado puede ser medido en trminos monetarios o
en unidades de tiempo, resulta bastante fcil pasar de una unidad a otra. Por
ejemplo, si el coste generalizado es medido en unidades de tiempo, a
1
sera
igual a 1, a
2
y a
3
estaran entre 2 y 3, mientras a
5

a
6
representaran algo as
como la duracin del dinero.
Medir el coste generalizado en unidades de tiempo proporciona bastantes
ventajas tericas y prcticas. Por ejemplo, considrese el efecto del incremento
del nivel de ingresos con respecto al tiempo; este efecto hace crecer el valor del
tiempo y consecuentemente tambin crecen los costes generalizados haciendo,
aparentemente, el mismo destino ms caro. Si, al revs, los costes generaliza-
dos se miden en unidades de tiempo, al crecimiento de los niveles de ingresos
debera corresponder una reduccin del coste para alcanzar el mismo destino,
lo cual parece intuitivamente ms aceptable.
Un modelo de distribucin trata de estimar el nmero de viajes en cada
celda de la matriz, en base a cierta disponibilidad de informacin. Asimismo,
se han propuesto diferentes modelos de distribucin para diferentes tipos de
problemas y condiciones. A continuacin, se analizan, en primer lugar, los mo-
delos que se utilizan fundamentalmente para actualizar las matrices de viajes
o para prever matrices futuras, en cuyo caso, la nica informacin disponible
es el porcentaje de viajes futuros o tambin el factor de crecimiento relativo.
Posteriormente sern analizados modelos ms generales y en particular la fa-
milia de los modelos gravitacionales. Por ltimo, ser explorada la posibilidad
de desarrollar modelos de distribucin o reparto modal a partir de principios
similares.
:
5.2. MTODOS DE FACTOR DE CRECIMIENTO
Considrese la situacin en que se conoce una matriz de viajes de base t,
obtenida, por ejemplo, de algn estudio anterior o estimada a partir de una
encuesta reciente, y se pretende estimar la matriz correspondiente al ao de
diseo (p. ej., dentro de 10 aos). Puede ser que se disponga de informacin
acerca del crecimiento esperado en este perodo de 10 aos para toda el rea,
o bien, alternativamente, puede ser que se disponga de informacin acerca del
crecimiento esperado del nmero de viajes generados o atrados por cada zona.
Dependiendo de estas informaciones, es posible utilizar distintos mtodos de
factor de crecimiento para estimar los viajes futuros.
5.2.1. Factor de crecimiento uniforme
En el caso en que la nica informacin disponible sea un porcentaje general
del crecimiento de viajes relativos al rea de estudio, entonces la nica posibi-
lidad es que se aplique este porcentaje a todas las celdas de la matriz:
T
ij
= t
ij
para cada par i, j (5.3)
Obviamente = T/t, es la relacin entre el nmero de viajes totales futuros
e iniciales. Este mtodo supone que toda el rea va a crecer de forma uniforme.
Es, aun dentro de esta clase simple, muy aproximado y poco realista.
Ejemplo 5.1: considrese la matriz 4 4 del ao base de la tabla 5.2. Si
se espera que el factor de crecimiento del trfico en el rea de estudio sea, en
los prximos tres aos, del 20%, entonces la nueva matriz se obtendr senci-
llamente multiplicando los valores de todas las celdas por 1,2 tal como queda
reflejado en la tabla 5.3.
Tabla 5.2. Matriz de viajes para el ao base
1 2 3 4
j
1 5 50 100 200 355
2 50 5 100 300 455
3 50 100 5 100 255
4 100 200 250 20 570
i 205 355 455 620 1.635
:
Tabla 5.3. Matriz futura estimada de viajes con = 1,20
1 2 3 4
j
1 6 60 120 240 426
2 60 6 120 360 546
3 60 120 6 120 306
4 120 240 300 24 684
i 246 426 546 744 1.962
La hiptesis en la que se basa el mtodo del factor de crecimiento uniforme
generalmente es irreal, excepto quizs en el caso de previsiones a cortsimo pla-
zo (uno o dos aos). En la mayor parte de los casos, en efecto, es normal espe-
rarse que exista un crecimiento diferencial en muchas partes del rea de estudio.
5.2.2. Factor de crecimiento simplemente acotado
Supngase que se dispone de informacin sobre el crecimiento esperado de
viajes originado por cada zona, por ejemplo, de los viajes por motivo de com-
pras. En este caso es posible aplicar, a las correspondientes filas de la matriz,
un factor de crecimiento especfico para cada origen
i
.
La misma aproximacin puede realizarse en el caso de que haya informa-
cin disponible sobre los viajes atrados por cada zona; en este caso el factor
de crecimiento especfico para cada destino
j
ha de ser aplicado a las corres-
pondientes columnas. En trminos matemticos sera:
T
ij
=
i
t
ij
para factores especficos a orgenes (5.4)
T
ij
=
j
t
ij
para factores especficos a destinos (5.5)
Ejemplo 5.2: considrese la siguiente versin modificada de la tabla 5.2, en
la que se dispone tambin de los viajes predichos para cada uno de los orgenes.
Tabla 5.4. Matriz de viajes con crecimiento acotado a orgenes
1 2 3 4
j O
i
1 5 50 100 200 355 400
2 50 5 100 300 455 460
3 50 100 5 100 255 400
4 100 200 250 20 570 702
i 205 355 455 620 1.635 1.962
:o
El nmero de viajes para cada par O-D (cada celda), se puede determinar
rpidamente multiplicando cada fila por la relacin entre el total de los viajes
generados previstos O
i
y el total de viajes relativos al ao base (
j
). El resul-
tado se presenta en la tabla 5.5.
Tabla 5.5. Matriz de viajes expandida con el crecimiento acotado
a orgenes
1 2 3 4
j O
i
1 5,6 56,3 112,7 225,4 400 400
2 50,5 5,1 101,1 303,3 460 460
3 78,4 156,9 7,8 156,9 400 400
4 123,2 246,3 307,9 24,6 702 702
i 257,7 464,6 529,5 701,2 1.962 1.962
5.2.3. Factor de crecimiento doblemente acotado
Un problema interesante surge cuando se cuenta con informacin acerca del
nmero de viajes que sern generados y atrados en el futuro por cada zona.
En este caso se dispone de diferentes factores de crecimiento para los viajes
generados y atrados por cada zona y consecuentemente, dos conjuntos de
factores de crecimiento para dicha zona; sean
i
y
j
los factores de crecimiento
para los orgenes y para los destinos respectivamente, la aplicacin de un factor
de crecimiento medio, por ejemplo, F
ij
= 0,5(
i
+
j
), no sera una buena idea
ya que no quedaran satisfechas las dos condiciones relativas a los totales por
fila y por columna.
Histricamente han sido propuestos muchos mtodos iterativos que per-
miten conseguir una matriz de viajes que satisface ambas acotaciones (totales
por fila y por columna) o, lo que es el mismo, ambos conjuntos de factores de
crecimiento.
Todos estos mtodos comportan el clculo de un conjunto intermedio de
coeficientes de correccin que tienen que ser aplicados posteriormente de for-
ma apropiada a las celdas de cada fila y columna. Despus de haber aplicado
estas correcciones, por ejemplo, a cada fila, es necesario calcular la suma de
las celdas para cada una de las columnas y confrontar esta suma con los valores
totales previstos. Si las diferencias son significativas, se procede al clculo y
a la aplicacin de nuevos factores de correccin.
:;
El ms conocido entre todos estos mtodos es el de Furness (1965), que
introdujo factores de balanceo A
i
y B
j
como se muestra a continuacin:
T
ij
= t
ij
j
A
i
B
j
(5.6)
o, anlogamente, incorporando los porcentajes de crecimiento en dos nuevas
variables a
i
y b
j
, queda:
T
ij
= t
ij
a
i
b
j
(5.7)
con a
i
=
i
A
i
y b
j
=
j
B
j
Los factores a
i
y b
j
se calculan a fin de satisfacer las restricciones de orgenes
y destinos. Para esto se requiere el siguiente proceso iterativo:
Hganse todos los 1. b
j
= 1 y encuntrense los a
i
tal que queden satisfechas las
correspondientes restricciones a orgenes (generaciones).
Con los ltimos valores de 2. a
i
encuntrense los b
j
, de forma que la matriz
satisfaga la restriccin de destinos (atracciones).
Manteniendo los 3. b
j
fijos, encuntrense los a
i
y reptanse los pasos 2 y 3 hasta
la convergencia.
Este mtodo proporciona, en pocas iteraciones, soluciones que se alejan
ms o menos del 3-5% del valor de los viajes previstos en las acotaciones a
origen (generacin) y a destino (atraccin), considerndose que es un buen
resultado y que no merece la pena imponer que las acotaciones tengan un nivel
de afinacin superior.
Este mtodo se denomina usualmente algoritmo bi-proporcional a causa
del tipo de correcciones utilizadas. Hay que destacar que este problema no se
limita solamente al campo de los transportes, ya que estas tcnicas de solucin
han sido inventadas, entre otros, por Kruithof (1937) para el trfico telef-
nico y por Bacharach (1970) para la puesta al da de las matrices input-output
en economa. El mejor tratamiento de las propiedades matemticas de estos
mtodos parece ser el debido a Bregman (vase Lamond y Stewart, 1981).
Como podr verse ms adelante, este mtodo es un caso especial de los
modelos de maximizacin de la entropa de tipo gravitacional cuando no se
considera el efecto de la distancia o separacin entre zonas. En todo caso,
el mtodo de Furness trata de producir el nmero mnimo de correcciones
necesarias a la matriz de base t para satisfacer las restricciones relativas a los
totales generados y atrados futuros. La condicin ms importante para que el
:8
mtodo converja, es que los factores de crecimiento produzcan valores objetivo
T
i
y T
j
, tal que:

t
i
i
ij
j
j
j
ij
i
t t T

I

(5.8)
Imponer esta condicin puede requerir la correccin de las estimaciones
de los totales producidas por los modelos de generacin de los viajes.
Ejemplo 5.3: en la tabla 5.6 se presenta un problema de factor de creci-
miento doblemente acotado, mientras que en la siguiente tabla 5.7 se ilustra su
solucin, despus de tres iteraciones sobre filas y columnas (tres conjuntos de
correcciones para todas las filas y tres para todas las columnas).
Tabla 5.6. Problema de expansin de la matriz doblemente acotada
1 2 3 4
j Objetivo O
i
1 5 50 100 200 355 400
2 50 5 100 300 455 460
3 50 100 5 100 255 400
4 100 200 250 20 570 702
i 205 355 455 620 1.635
Objetivo D
j
260 400 500 802 1.962
Tabla 5.7. Solucin al problema de expansin de la matriz doblemente
acotada
1 2 3 4
j Objetivo O
i
1 5,25 44,12 98,24 254,25 401,85 400
2 45,30 3,81 84,78 329,11 462,99 460
3 77,04 129,50 7,21 186,58 400,34 400
4 132,41 222,57 309,77 32,07 696,82 702
i 260,00 400,00 500,00 802,00 1.962
Objetivo D
j
260 400 500 802 1.962
Destacar que esta matriz estimada presenta un nivel de afinacin ms que
suficiente para este tipo de problemas; en efecto, slo se aleja del 1% de los
totales de los viajes previstos.
:,
5.2.4. Ventajas y limitaciones de los mtodos del factor
de crecimiento
Los mtodos del factor de crecimiento son simples de comprender y utilizan
directamente las matrices de los viajes observados y las previsiones de creci-
miento de los totales de generacin y atraccin. Estas tcnicas tratan de mante-
ner, lo ms inalteradas posibles, las relaciones de la matriz observada de forma
consistente con las informaciones disponibles sobre las tasas de crecimiento.
Esta ventaja, sin embargo, tambin representa una limitacin, en cuanto que
estas tcnicas resultan razonables slo para horizontes de planificacin a corto
plazo o donde no se esperan grandes cambios en los costes de viaje.
Los mtodos del factor de crecimiento requieren la misma base de datos
que los mtodos sintticos, es decir, una matriz de viajes observada (obtenida
mediante muestreo), cuya obtencin es bastante cara. Adems, dependen fuer-
temente de la confiabilidad de la matriz de viajes relativa al ao base.
Tal como se ha podido ver, los valores de las celdas individuales no tienen
nunca una exactitud muy elevada y, por tanto, las matrices resultantes no son
mucho ms fiables que las de la muestra u observadas. Adems, los eventuales
errores relativos del ao base pueden quedar amplificados en las siguientes
aplicaciones de los factores de correccin.
Ms an, los datos no-observados de la matriz relativa al ao base, no
quedan modificados en la matriz futura. Por tanto, estos mtodos no pueden
ser utilizados para rellenar celdas vacas de las matrices de viajes observadas
parcialmente.
Una limitacin ulterior es que estos mtodos no tienen en consideracin
variaciones en el coste de viaje debido a determinadas mejoras en la red (o a
una nueva situacin como, por ejemplo, congestin).
En definitiva, su empleo se debe limitar al anlisis de polticas de interven-
cin que no prevean la introduccin de nuevos modos de viajes, nuevos arcos
de la red, nuevas zonas o nuevas polticas de tarificacin.
5.3. MODELOS SINTTICOS O GRAVITACIONALES
5.3.1. Modelo de distribucin gravitacional
Para poder prever la estructura de los viajes cuando se realizan importantes
cambios en la red, se ha desarrollado otro tipo de modelos de distribucin basa-
:oo
dos en la hiptesis del comportamiento de grupos de viajeros y en la influencia
que ejercen sobre ellos factores externos como, por ejemplo, el nmero total
de viajes realizados y la distancia recorrida.
Entre estos modelos el ms conocido es el gravitacional, originariamente
derivado por la analoga de la ley de la gravedad de Newton. Estos mode-
los estiman el nmero de viajes en cada celda de la matriz sin utilizar direc-
tamente la estructura de viajes observada y, por ello, a menudo se denominan
tambin modelos sintticos en contraposicin a los modelos de factor de cre-
cimiento.
Probablemente la primera utilizacin rigurosa de un modelo gravitacional
se debe a Casey (1955), el cual sugiri esta aproximacin para sintetizar los
viajes realizados por compras y sus reas de captacin entre ciudades de una
regin. En su formulacin ms simple el modelo presenta la siguiente forma
funcional:

T
PP
d
ij
i j
ij

(5.9)
donde P
i
y P
j
son la poblacin de las ciudades origen y destino de los viajes, d
ij

es la distancia entre i y j y un factor de proporcionalidad.
Esta formulacin pronto se consider una analoga demasiado simplista
de la ley de la gravedad de tal forma que la siguiente mejora fue la utiliza-
cin de los totales de las generaciones y atracciones (O
i
y D
j
) en lugar de las
poblaciones, incorporndose adems un parmetro n de calibracin como po-
tencia de d
ij
. Este nuevo parmetro no tiene por qu ser un nmero entero y
de hecho, numerosos estudios han estimado valores comprendidos entre 0,6
y 3,5. Posteriormente el modelo se generaliz considerando que el efecto de la
distancia o separacin poda ser modelizado ms eficientemente mediante
la utilizacin de una funcin (a precisar) decreciente con la distancia o con el
coste de viaje entre las zonas. El modelo result por tanto, as:
T
ij
= O
i
D
j
f(c
ij
) (5.10)
f(c
ij
)

es una funcin generalizada del coste de viaje que contiene uno o varios
parmetros a calibrar y que, generalmente, es llamada funcin de resistencia
al viaje o funcin de friccin, en cuanto que representa la impedancia o resis-
tencia a desplazarse cuando aumenta la distancia, el tiempo o el coste del viaje.
Las versiones ms populares de la funcin de resistencia al viaje son:
:o1
f(c
ij
) = exp(c
ij
) Funcin exponencial (5.11)
f(c
ij
) = c
ij
n
Funcin potencial (5.12)
f(c
ij
) = c
ij
n
exp(c
ij
) Funcin combinada (5.13)
La forma general de estas funciones, para diferentes valores de sus par-
metros se presenta en la figura 5.1.
5.3.2. Modelos gravitacionales simple y doblemente acotados
Al objeto de asegurar que las restricciones 5.1 se cumplan, es necesario reem-
plazar el factor individual de proporcionalidad por dos factores de balanceo
A
i
y B
j
, tal como se seal en el modelo de Furness.
El modelo gravitacional adopta entonces la siguiente expresin:
T
ij
= A
i
O
i
B
j
D
j
f(c
ij
) (5.14)
Coste del viaje (min)
c
-2
exp (1,0 c)
exp (0,01 c)
exp (0,3 c)
c
0,5
exp (0,1 c)
f(c
ij
)
Leyenda:
0
0
10
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
30 50 20 40 60 70
Figura 5.1. Tipos de funciones de friccin.
Anlogamente se pueden incluir O
i
y D
j
en los dos factores de balanceo
quedando el modelo de la siguiente manera:
T
ij
= a
i
b
j
f(c
ij
) (5.15)
Las expresiones (5.14) y (5.15) representan la versin clsica del modelo
gravitacional doblemente acotado. Las versiones simplemente acotadas, ya sea a
:o:
orgenes o a destinos, pueden ser derivadas haciendo al conjunto de factores de
balanceo B
j
o A
i
igual a uno respectivamente. En el caso de un modelo acotado
a orgenes sera B
j
= 1, con lo que:

A
D f c
i
j ij
j
1
( )

(5.16)
En un modelo doblemente acotado, en cambio, los valores de los factores
de balanceo son:

A
B D f c
i
j j ij
j
1
( )

(5.17)

B
AO f c
j
i i ij
i
1
( )

(5.18)
Los factores de balanceo son, pues, interdependientes; eso significa que
para calcular un conjunto de factores se necesita utilizar los valores del otro
conjunto y viceversa. Por ello es necesario realizar iteraciones anlogas a las
de Furness que, en la prctica, producen buenos resultados. Entonces, dado un
conjunto de valores para la funcin de friccin (o impedancia o de resistencia
al viaje) f(c
ij
), el proceso debe iniciarse haciendo todos los B
j
= 1 y calculando
los valores de A
i
mediante (5.17). A continuacin, con estos valores hay que
reestimar de nuevo los B
j
y repetir estos pasos hasta que el proceso converja.
En una versin ms general de la funcin de friccin se pueden incluir
valores empricos que dependen slo del coste generalizado de viaje. Los cos-
tes de viaje pueden agregarse, por tanto, en un nmero pequeo (10 15) de
intervalos de coste, indicados con el superndice m y la funcin de friccin
asume entonces la forma:

f c F
ij
m
ij
m
m
( )
d

(5.19)
donde F
m
representa el valor medio del coste para el intervalo m, mientras que
ij
m
es igual a 1 si el coste de viaje entre i y j pertenece al intervalo m e igual a
0 en otro caso.
:o
Las formulaciones (5.11) y (5.12) tienen solamente un parmetro a calibrar.
La formulacin (5.13) tiene dos ( y n), mientras la formulacin (5.19) tiene
varios parmetros, tantos como intervalos. Dichos parmetros tienen que ser
estimados de forma que los resultados que se consigan reproduzcan, lo ms
fielmente posible, la distribucin de longitudes (costes) de los viajes (DLV o,
en ingls, Trip Length Distribution, TLD) observados. Ms adelante se apor-
tar la justificacin terica correspondiente al respecto, aunque por ahora es
suficiente resear que cuanto mayor es el nmero de los parmetros ms fcil
es conseguir una buena adaptacin a la distribucin de la longitud de los viajes
muestreados.
Se ha podido observar que, para reas urbanas y en el caso de viajes mo-
torizados, la distribucin de la longitud de los viajes tiene una forma como la
indicada en la figura 5.2. en la que puede verse que el nmero de viajes cortos
motorizados es pequeo, aumentando sobre todo para viajes de mediana lon-
gitud y volviendo a disminuir paulatinamente al aumentar la distancia (tiempo
o coste) de recorrido.
Longitud de los viajes (minutos)
N

d
e

v
i
a
j
e
s
0 10 30 50 90 20 40 80 60 100 70 120
Figura 5.2. Distribucin usual de la longitud de viajes en reas urbanas.
La funcin exponencial negativa y la funcin de potencia reproducen bas-
tante bien la segunda parte de la curva pero no la primera, correspondiente a
los viajes cortos. Por ello, normalmente, se utiliza una formulacin combinada
que sea capaz de reproducir ambas partes de la distribucin de longitudes de
viaje (DLV). La mayor flexibilidad de la formulacin por intervalos de coste
permite una adaptacin an mejor, aunque tal aproximacin requiere la hip-
:o
tesis de que la DLV sea constante en el futuro, lo cual es anlogo a suponer que
sea el mismo para el ao base y para los aos de prognosis.
Merece la pena apreciar que gran parte del valor del modelo gravitacional
reside en la funcin de impedancia o friccin al viaje; y ello es cierto tanto
desde el punto de vista de la representacin de la matriz observada como desde
el punto de vista de su capacidad de modelizar los impactos de polticas de
transporte y de uso del suelo.
5.4. MAXIMIZACIN DE LA ENTROPA
5.4.1. Entropa y generacin del modelo
En este epgrafe se presenta el concepto de maximizacin de la entropa que
ha sido aplicado a la generacin de numerosos modelos, incluido el modelo
gravitacional, modelos por compras y modelos de localizacin. Este enfoque
tiene partidarios y detractores, pero generalmente se reconoce como una de
las contribuciones importantes a la mejora de la modelizacin en el sector del
transporte. Hay diferentes formas de presentar esta metodologa; aqu se ha
elegido un modo intuitivo en lugar de establecer una formulacin matemti-
camente estricta. Para una presentacin ms rigurosa as como para el anlisis
de referencias bibliogrficas y para otras aproximaciones al respecto, vase
Wilson (1974).
Considrese un sistema constituido por un nmero elevado de elementos
distintos. Su descripcin total requiere una completa especificacin de sus
micro-estados, en cuanto que cada estado es distinto y separable. Por ello,
sera necesario, por ejemplo, identificar a cada individuo que efecta un viaje
junto con su origen, destino, modo de transporte utilizado, tiempo de viaje, et-
ctera.
Sin embargo, para la mayor parte de los objetivos prcticos puede ser sufi-
ciente trabajar sobre una base ms agregada pero no tan completa denominada
especificacin meso-estado; siguiendo el ejemplo anterior, un meso-estado
puede precisar sencillamente el nmero de viajes entre cada origen y cada
destino. En general, existen muchas descripciones que pueden catalogarse como
meso-estado y tambin muchos micro-estados del sistema pueden corresponder
al mismo meso-estado: si John Smith y Pedro Prez viven en la misma zona
e intercambian su destino, engendran dos micro-estados diferentes pero el
meso-estado no vara.
:o
Tambin existe un nivel de agregacin superior, definido como macro-
estado, relativo, por ejemplo, al nmero total de viajes en determinados arcos
o al nmero total de viajes generados y atrados por cada zona. Para conseguir
datos fiables de un viaje, a menudo es ms fcil observar el fenmeno desde
este nivel ms alto de agregacin. En efecto, la mayor parte de las informa-
ciones actuales sobre los sistemas es justamente a este nivel. Anlogamente,
las estimaciones relativas a situaciones futuras se limitan, generalmente, a
descripciones de macro-estados a causa de la incertidumbre asociada a la
previsin en niveles ms desagregados: por ejemplo, es ms fcil prever la
poblacin por zonas que el nmero de familias pertenecientes a una categora
particular que residen en cada zona.
La base del mtodo consiste en aceptar que, a menos que se cuente con in-
formaciones contrarias, todos los micro-estados consistentes con nuestra infor-
macin de estados ms agregados (meso o macro-estados) tienen igual probabi-
lidad de ocurrir. De hecho, es una hiptesis bastante razonable si se considera
que no se conocen ni los meso ni los micro-estados. Como lo que interesa es
la descripcin de meso-estados del sistema (una matriz O/D en este caso) se
deberan identificar aquellos ms probables, dadas las restricciones del meso-
estado considerado (restricciones de orgenes, destinos o ambas en modelos
de distribucin). Se puede comprobar que, segn Wilson (1970), el nmero de
micro-estados W{T
ij
} asociado al meso-estado T
ij
viene dado por:

W T
T
T
ij
ij
ij

j
!
!

(5.20)
Por tanto, el meso-estado ms probable sera aquel que tuviera un mayor
nmero de micro-estados asociados. Dado que todos los micro-estados son
equiprobables, la matriz ms probable es la que maximiza W. Por convenien-
cia, aplicando una transformada montona creciente (por ejemplo, logaritmo)
a la funcin W, maximizar W es lo mismo que maximizar log W ya que ambas
funciones presentan los mismos mximos. Se tiene pues que:

log log
!
!
log ! log ! W
T
T
T T
ij
ij
ij
ij

j

(5.21)

Teniendo en cuenta la frmula de Stirling (log X! = X log X X) y susti-
tuyendo, queda:
:oo

log log ! ( log ) W T T T T
ij ij ij
ij

(5.22)
Dado que el trmino log T! es constante, puede ser omitido en la maxi-
mizacin. La parte restante de la ecuacin es lo que generalmente se define
como funcin de entropa:

log ' ( log ) W T T T
ij ij ij
ij

(5.23)
La maximizacin de log W', sometida a las restricciones correspondientes
al conocimiento que se posee del estado macro, permite generar modelos para
la estimacin del estado meso ms probable que, en este caso, corresponde
a la estimacin ms probable de la matriz T.
La clave de este mtodo de generacin del modelo, por tanto, es que repre-
senta adecuadamente la descripcin idnea de los estados micro, meso y macro,
junto con las restricciones del macro-nivel que tienen que ser satisfechas para
la solucin del problema de optimizacin.
En algunos casos, se puede disponer de informaciones adicionales acerca
de determinados valores a priori (o precedentes) de los meso-estados, como por
ejemplo, disponer de una matriz t de viajes antigua. En este caso el problema
se puede reformular utilizando estas nuevas informaciones, quedando as la
funcin objetivo:

log '' ( log / ) W T T t T t
ij ij ij ij ij
ij
+

(5.24)
sta es una funcin interesante en la cual cada elemento de la suma toma
el valor cero para T
ij
= t
ij
, de otro modo dicha funcin es un valor positivo que
crece al aumentar la diferencia entre T y t. Por tanto log W" representa una
buena medida de la diferencia entre T y t. Se propone al lector que demues-
tre que:

=

log '' ,
( )
W
T t
t
ij ij
ij ij
0 5
2

(5.25)
donde la parte derecha de la expresin representa otra buena medida de la
diferencia entre los meso-estados a priori y los meso-estados estimados. Se
:o;
pueden generar los modelos minimizando log W" sometido a las restricciones
que reflejan el conocimiento acerca de los macro estados.
El modelo resultante es aquel que tiene los meso ms prximos (en el
sentido de la ecuacin (5.24) o ms o menos de la (5.25)) a los meso-estados a
priori y que adems satisface las restricciones del macro-estado.
5.4.2. Generacin del modelo gravitacional
Teniendo en cuenta las definiciones de micro, meso y macro-estados tratadas
anteriormente, el problema ahora se convierte en maximizar log W' sometido
a las siguientes restricciones correspondientes a los meso-estados:

O T
i ij
j

0

(5.26a)

D T
j ij
i

0

(5.26b)
Estas dos restricciones reflejan las informaciones disponibles acerca de
las generaciones y las atracciones en las zonas del rea de estudio, ya que se
tiene inters en que a los valores de las matrices que puedan ser interpretados
como viajes, se les aada la siguiente restriccin:
T
ij
0 (5.27)
El problema de maximizacin con dichas restricciones se puede resolver
aplicando el Lagrangiano, as:

L W O T D T
i
i
i ij
j
j
j
j ij
i
+

log '
' ''
o o

(5.28)
Derivando parcialmente respecto a T
ij
e igualando a cero se obtiene:

L
T
T
ij
ij i j
log
' ''
0

(5.29)
y por tanto:

T
ij i j i j
exp( ) exp( ) exp( )
' '' ' ''
o o o o
:o8
Los valores de los multiplicadores de Lagrange se pueden obtener fcil-
mente realizando un simple cambio de variable:
A
i
O
i
= exp(
i
') y B
j
D
j
= exp(
j
")
resultando:
T
ij
= A
i
O
i
B
j
D
j
(5.30)
Por otra parte, la utilizacin de log W" como funcin objetivo genera el
siguiente modelo:
T
ij
= A
i
O
i
B
j
D
j
t
ij
(5.31)
que, obviamente, representa el modelo bsico de Furness. La versin que resulta
de la ecuacin (5.30) corresponde al caso en el que no se dispone de informa-
ciones a priori, es decir en el que t
ij
=1. Estos dos modelos son muy parecidos
al modelo gravitacional, pero sin embargo no le representan. Lo que falta real-
mente es el trmino relativo a la funcin de impedancia. Su introduccin re-
quiere una restriccin adicional:

T C C
ij ij
ij

donde C representa el coste total de los viajes del sistema (p. ej., en unidades
de coste generalizado) el cual es desconocido. Esta restriccin evidentemente
tambin puede reescribirse as:

C T c
ij ij
ij

0

(5.32)
Por lo tanto maximizando log W' sujeto a (5.26), (5.27) y (5.32) y utilizan-
do la misma tcnica de optimizacin se puede plantear el siguiente Lagran-
giano:
L W O T D T C T c
i
i
i ij
j
j
j
j ij
i
ij ij
+
+

log '
' ''
o o |
iij

(5.33)

Calculando, de nuevo, las derivadas parciales con respecto a T
ij
e igualn-
dolas a cero queda:
:o,

o
o

L
T
T c
ij
ij i j ij
log
' ''
o o | 0

(5.34)
y entonces:

T c c
ij i j ij i j ij
exp( ) exp( ) exp( ) exp( )
' '' ' ''
o o | o o |

(5.35)

y efectuando el mismo cambio de variables realizado anteriormente, queda:
T
ij
= A
i
O
i
B
j
D
j
exp(c
ij
) (5.36)
que representa el clsico modelo gravitacional. Los valores de los factores de
balanceo resultan, entonces, ser:

A
B D c
B
AO c
i
j j ij
j
j
i i ij
i

1 1
exp( ) exp( ) | |
y
Si no se tuviera en cuenta una de las dos restricciones (5.26a) o (5.26b) se
obtendra el modelo gravitacional simplemente acotado.
El valor de est ligado a satisfacer la ecuacin (5.32). En general C slo
puede ser estimado y, por tanto, queda como un parmetro a calibrar de forma
que el modelo se adapte a la especificidad del rea de estudio, dado que los
valores de no son fcilmente trasladables de un rea a otra. Una primera y
til estimacin del valor de consiste en relacionarla con los valores medios
de coste de viaje; en efecto suele tomarse a veces como el inverso del coste
medio de viaje.
Pueden utilizarse asimismo, diferentes funciones de restricciones de coste
que, por ejemplo, transforman la ecuacin (5.32) en la (5.37):

C T c
ij ij
ij
' log
0

(5.37)
con lo que el modelo toma la siguiente forma:

T AOB D c AOB D c
ij i i j j ij i i j j ij

exp( ' log )
'
|
|

(5.38)
que es propiamente el modelo gravitacional con una funcin de friccin igual
a la funcin potencial descrita anteriormente.
:;o
El lector puede comprobar que la utilizacin de las restricciones (5.32) y
(5.37) proporciona un modelo gravitacional con una funcin de friccin com-
binada. Una posterior e interesante aproximacin consiste en descomponer
la restriccin (5.32) en varios grupos o intervalos de coste de viaje (indicado,
como se vio anteriormente, con el sper-ndice m) as:

C T c
m
ij ij ij
m
ij

o 0

para cada m (5.39)
Por tanto maximizando la ecuacin (5.23) sometida a las restricciones (5.26),
(5.27) y (5.39) proporciona el siguiente modelo:

T AOB D F a b F
ij i i j j
m
ij
m
m
i j
m
ij
m
m

o o
(5.40)
que obviamente representa el modelo gravitacional con una funcin de fric-
cin en base a intervalos de coste. Este modelo presenta algunas propiedades
interesantes que sern discutidas en el epgrafe 5.6.
5.4.3. Propiedades del modelo gravitacional
Tal y como se ha observado, la maximizacin de la entropa representa aproxi-
maciones bastante flexibles a la generacin de modelos en general y de dis-
tribucin en particular, formulando el problema en base a una programacin
matemtica como la ya indicada. Dicha base matemtica se fundamenta en
la maximizacin de una funcin de entropa sometida a ciertas restricciones
lineales que representan las informaciones de que se dispone acerca del sis-
tema. La utilizacin de este formalismo presenta varias ventajas, entre otras,
las siguientes:
Proporciona un modo riguroso para especificar las propiedades matemti- 1.
cas del modelo que de dicho formalismo se deriva. Por ejemplo, se puede
comprobar que la funcin objetivo siempre es convexa y que si las restric-
ciones utilizadas, como la (5.26) y la (5.27) tienen un espacio de soluciones
factibles, el problema de optimizacin tiene una solucin nica aunque el
conjunto de parmetros A
i
y B
j
no sea nico.
La utilizacin de una base de programacin matemtica facilita la utiliza- 2.
cin de un conjunto de instrumentos de resolucin estndar, adems del
anlisis de la eficiencia de algoritmos alternativos.
:;1
La base terica utilizada para generar el modelo ayuda a una mejor inter- 3.
pretacin de sus soluciones; se ha observado que el modelo gravitacional
puede ser generado por analoga con el mundo de la fsica (consideraciones
acerca de la maximizacin de la entropa). Dichas consideraciones estn
ligadas estrechamente a la teora de la informacin (tratamiento terico de
datos), a las medidas del error y a la mxima verosimilitud en estadstica.
Estos tres elementos proporcionan modos alternativos de generar la misma
forma matemtica del modelo gravitacional. Aunque su estructura funcio-
nal sea la misma, cada base terica proporciona diferentes interpretaciones
tanto para el problema planteado como para la solucin encontrada. Cada
una de ellas puede resultar ms o menos apropiada segn sus circunstancias
especficas. Se volver sobre este problema de la equifinalidad en el Cap-
tulo 8.
El hecho de que el modelo gravitacional pueda ser generado de diferentes 4.
formas no lo convierte, sin embargo, en correcto. La exactitud del modelo
depende, en efecto, de la aceptabilidad de las hiptesis requeridas para su
generacin as como de su interpretacin. Ningn modelo est adaptado o
es correcto en s mismo; pueden ser ms o menos aptos para tratar cierto
fenmeno segn el conocimiento que se tenga del problema, de las alterna-
tivas a probar, de las informaciones disponibles o que puedan ser recogidas
a un coste justificable y del tiempo y de los recursos que se puede destinar a
los anlisis pertinentes (a este respecto, vase a continuacin, la discusin
sobre calibracin y validacin).
Es interesante contrastar el clsico modelo gravitacional de la ecuacin
(5.36) con el mtodo de Furness como derivado en la ecuacin (5.31). Se
puede suponer que una posible interpretacin de la funcin de friccin o
impedancia es que proporciona un conjunto de valores a priori en cada
celda de la matriz de viajes (es decir, utilizacin de exp(c
ij
) en lugar de
t
ij
). La funcin de friccin y la matriz a priori t
ij
tienen el papel de propor-
cionar una estructura de viajes a la matriz resultante. Ello puede ver-
se ms claramente si se multiplica y divide la parte derecha de la ecua-
cin (5.31) por T y se introduce esta constante en los factores de balanceo,
as:

T Ta b t T a b p
ij i j ij i j ij
/
' '

(5.41)

:;:
donde p
ij
= t
ij
/T es una forma de lograr una mejor definicin del sentido de
estructura como proporcin del total de viajes asignados a cada par origen-
destino.
Ejemplo 5.4: se considera aqu que es til presentar el modelo gravitacional
con un ejemplo ligado al problema de la expansin de una matriz. Teniendo
en cuenta la matriz de costes presentada en la tabla 5.8 y el total de viajes en
la tabla 5.6, se desea estimar los parmetros a
i
y b
j
de un modelo gravitacional
del tipo T
ij
= a
i
b
j
exp(c
ij
) en el que = 0,1.
Tabla 5.8. Matriz de costes y total de viajes para la estimacin de un
modelo gravitacional
Matrices de costes (min)
1 2 3 4 Objetivo

O
i
1 3,0 11,0 18,0 22,0 400
2 12,0 3,0 13,0 19,0 460
3 15,5 13,0 5,0 7,0 400
4 24,0 18,0 8,0 5,0 702
i 260 400 500 802
Objetivo D
j
260 400 500 802 1.962
Para ello el primer paso consiste en construir la matriz de los valores de
exp(c
ij
). Dichos valores se presentan en la tabla 5.9.
Tabla 5.9. Matriz de valores exp(c
ij
) y sus sumas, necesarias para eje-
cutar un modelo gravitacional
exp(c
ij
)
1 2 3 4
i
1 0,74 0,33 0,17 0,11 1,35
2 0,30 0,74 0,30 0,15 1,49
3 0,21 0,27 0,61 0,50 1,59
4 0,09 0,17 0,45 0,61 1,31
j 1,34 0,51 1,52 1,36 5,74 0,51
:;
1 2 3 4
j Objetivo O
i
Ratio
1 253,12 113,73 56,48 37,86 461,19 400 0,87
2 102,91 253,12 102,91 51,10 510,04 460 0,90
3 72,52 93,12 207,23 169,67 542,54 400 0,74
4 31,00 56,48 153,52 207,23 448,23 702 1,57
i 459,54 516,45 520,15 465,87 1.962
Previsto 260 400 500 802
Ratio 0,57 0,77 0,96 1,72
Tabla 5.10. Matriz de resultados del modelo gravitacional con la distribu-
cin de la longitud de los viajes
1 2 3 4
j
Objetivo
O
i
Ratio a
i
1 155,73 99,00 64,46 74,17 393,36 400 1,02 1,17
2 57,54 200,22 106,73 90,98 455,56 460 1,01 1,07
3 25,87 47,01 137,16 192,77 402,81 400 0,99 0,68
4 20,86 53,77 191,65 444,08 710,37 702 0,99 1,28
i 260 400 500 802 1.962
Previsto 260 400 500 802
Ratio 1,00 1,00 1,00 1,00
b
j
179,17 253,50 332,37 570,53
Rangos (min)
Coste 1,0-4,0 4,1-8,0 8,1-12,0 12,1-16,0 16,1-20,0 20,1-24 Suma
Viajes 355,9 965,7 156,5 179,6 209,2 95,0 1.962
Sucesivamente, con estos valores se calcula el total de viajes resultantes
(5,74) y luego se expande cada celda de la matriz multiplicndola por la relacin
1.962/5,74 = 341,67. Esto produce una matriz de base que ahora tiene que ser
reformada para que sea congruente con los totales de generacin y atraccin.
Este proceso es idntico a las iteraciones de Furness. Los valores de a
i
y b
j

:;
son el producto de los correspondientes factores de correccin que sern mul-
tiplicados por el factor de expansin de base 341,67. La matriz del modelo
gravitacional resultante se ilustra en la tabla 5.10.
El lector puede observar que los factores de balanceo a
i
y b
j
, son nicos
salvo una constante multiplicativa. Y tambin es posible calcular, como siem-
pre, los factores de balanceo estndares A
i
y B
j
dividiendo los correspondientes
valores de a
i
y b
j
por los valores previstos de O
i
y B
j
.
5.5. CALIBRACIN DE MODELOS GRAVITACIONALES
5.5.1. Calibracin y validacin
Antes de utilizar un modelo gravitacional es necesario calibrarlo para asegu-
rar que sus parmetros sean tales que el modelo reproduzca lo ms fielmente
posible la estructura de los viajes del ao base. Adems, calibrar un modelo
conlleva un proceso muy diferente al de validacin.
Dicho proceso de calibracin est condicionado por la forma funcional y
por el nmero de parmetros del modelo elegido. Por ejemplo, el clsico mo-
delo gravitacional tiene los parmetros A
i
, B
j
y (es decir, si Z es el nmero
de zonas, el de parmetros es Z + Z + 1). Los parmetros A
i
y B
j
se calibran
durante el proceso de estimacin del modelo gravitacional como parte del
esfuerzo directo por satisfacer las restricciones (5.1). Puede observarse que al
menos uno de los dos parmetros (A
i
, B
j
) es redundante puesto que la condicin
adicional
i
O
i
=
j
D
j
= T hace a una de las dos condiciones (5.1) linealmente
dependiente del resto.
Por otra parte, el parmetro debe ser calibrado independientemente, ya
que no se cuenta con informacin completa y exacta acerca del coste total C
en el rea de estudio. Si esta informacin estuviera disponible podra utilizarse
directamente sin tener que estimar por otros medios. En el caso de que se
utilizase la funcin de friccin combinada (5.13), se tendra un parmetro ms,
el cual proporcionara una mayor flexibilidad en la calibracin del modelo
gravitacional.
La actividad de validacin es diferente. En efecto, en este caso se pretende
estar seguros de que el modelo est bien adaptado para testear las diferentes
alternativas ante la toma de decisiones. Sin embargo, puede ocurrir que, para
un conjunto de dichas alternativas a examen, el modelo gravitacional no re-
presente eficientemente la realidad. En consecuencia, resulta que el proceso
:;
de validacin del modelo depende de la naturaleza de las polticas y de los
proyectos que se desean valorar.
Una estrategia usual de validacin consiste en averiguar si el modelo re-
produce con suficiente fiabilidad un estado conocido del sistema, y ya que el
futuro es definitivamente desconocido, se utiliza a veces una situacin pasada
que est bien documentada, por ejemplo, una matriz de un estudio anterior in-
tentando entonces reproducir este estado. Desafortunadamente es bastante raro
encontrar alternativas antiguas que estn suficientemente documentadas. As,
en algunos casos se recurre a realizar una prueba de validacin con datos no
utilizados durante el proceso de modelizacin. Esto sucede, por ejemplo, cuando
se quiere descubrir si est correctamente reproducido el nmero de viajes entre
lneas cordn importantes o en las vas principales de una ciudad.
5.5.2. Tcnicas de calibracin
Tal como se ha citado anteriormente, los parmetros A
i
y B
j
son estimados como
parte de las operaciones de balanceo de los factores en el mtodo de Furness
(bi-proporcional). En cambio el parmetro ha de ser necesariamente calibrado
para poder reproducir lo ms fielmente posible la distribucin de la longitud
de los viajes (DLV). Sin embargo, este requerimiento es excesivo para un pa-
rmetro individual. Ms adelante podr analizarse cmo puede mejorarse la
estimacin de dicho parmetro pero por ahora, baste con proponer una tcnica
prctica y muy simple para estimar el mejor valor (*) de .
Un procedimiento fcil para solucionar este problema es sencillamente
suponer un valor de , ejecutar el modelo gravitacional y confrontar la dis-
tribucin de los viajes modelizada (DLVM) con la distribucin de los viajes
observada (DLVO). Si las dos distribuciones no estn suficientemente prxi-
mas, entonces supngase un nuevo valor de y reptase el proceso hasta que
se consigan valores de DLVM y DLVO suficientemente prximos; entonces el
valor * obtenido deber ser tomado como el mejor valor de .
Destacan los muestreos a hogares o a pie de va pblica (road side inter-
views), pues proporcionan valores de DLVO con un nivel de exactitud superior
al de los valores de las celdas individuales de la matriz de viajes calculadas
como se ha visto, en cuanto que el porcentaje de muestreo de la longitud de
los viajes, en este caso, es mucho ms eficiente.
Sin embargo, el procedimiento citado anteriormente para el clculo de no
es muy prctico, puesto que ejecutar un modelo gravitacional doblemente aco-
:;o
tado requiere mucho tiempo y si el parmetro que se prueba no es satisfactorio,
este mtodo no proporciona ninguna gua sobre cmo elegir un valor adecuado.
Adems es improbable que las tcnicas convencionales de adaptacin de la
curva produzcan buenos resultados, ya que el modelo gravitacional no es slo
un modelo no-lineal sino tambin, analticamente complejo; en efecto, tambin
los valores de A
i
y B
j
son funcin de a travs de las ecuaciones (5.17) y (5.18).
Existen varias tcnicas de calibracin implementadas en diferentes paquetes
de software. Las ms importantes han sido contrastadas por Williams (1976) en
las que destaca la tcnica debida a Hyman (1969) como particularmente robusta
y eficiente. A continuacin, se describe brevemente el mtodo de Hyman.
En cualquier proceso de calibracin est disponible una matriz de los viajes
T( ) funcin de , que define tambin el nmero total de viajes
ij
T
ij
() = T
(). El mtodo se basa en la siguiente condicin para dicho parmetro :

c
T c
T
c
N C
N
ij ij
ij
ij ij
ij
ij
ij
( )
( )
( )
* |
|
|
]
]

,
]
]

(5.42)
donde c* es el valor medio del coste del DLVO y N
ij
es el nmero de viajes
observado (y expandido) para cada par origen-destino. El mtodo se puede
describir de la siguiente manera:
Iniciar la primera iteracin con 1. m = 0

y un valor inicial de
0
= 1/c*.
Con este valor 2.
0
, calcular la matriz de viajes del modelo gravitacional
estndar. Se obtiene as la media modelizada de costes de viaje c
0
pudiendo
entonces estimar como mejor valor de el siguiente:

m
=
0
c
0
/c*
Hacer 3. m = m + 1 y, utilizando el ltimo valor hallado para (es decir
m1
),
calcular la matriz de viajes con el modelo de gravitacin estndar para as
obtener una nueva media modelizada de los costes de viaje c
m1
que ser
contrastada con c*. Si ambos valores fueran suficientemente prximos,
detener el proceso, aceptando entonces a
m1
como la mejor estimacin;
en otro caso ir al paso 4.
Obtener una mejor estimacin de 4. a partir de:

m
m m m m
m m
c c c c
c c
+

1
1 1
1
( * ) ( * )
:;;
Repetir los pasos 3 y 4 cuantas veces sea necesario, es decir, hasta que la 5.
ltima media de costes c
m1
modelizada sea suficientemente prxima al
valor observado c*.
El paso 3 se repite de modo que se consiga una aproximacin lo ms cer-
cana posible a la igualdad (5.42).
Est claro que pueden aportarse ciertas mejoras a este mtodo, sobre todo
desde el punto de vista computacional. Lo que s es cierto es que se ha demos-
trado que el mtodo de Hyman es robusto y que presenta en general ventajas
sobre otros algoritmos alternativos.
5.6. ENFOQUE TRI-PROPORCIONAL
5.6.1. Adaptacin del mtodo bi-proporcional
En el prrafo 5.4.2. se ha observado cmo el mtodo de Furness puede ser
derivado a partir de una base de referencia mediante programacin matem-
tica. Este programa matemtico no lineal puede ser resuelto con numerosos
algoritmos, incluido el mtodo de Newton. Sin embargo, es posible demostrar
que el mtodo originariamente propuesto por Furness representa un algoritmo
prctico y eficiente, sobre todo para matrices grandes. Es, usualmente, deno-
minado algoritmo bi-proporcional en cuanto que requiere realizar sucesivas
iteraciones de filas y columnas para que sean satisfechas las restricciones. El
algoritmo se detiene cuando las correcciones son suficientemente pequeas, es
decir cuando las restricciones estn cumplimentadas dentro de una tolerancia
razonable.
Las condiciones necesarias para la existencia de una solucin nica es que
las restricciones (5.26a) y (5.26b) definan un espacio de soluciones factibles
no negativas de los T
ij
. Ello requiere que
i
O
i
=
j
D
j
, lo cual es una condicin
necesaria, pero no suficiente. El modelo tiene una estructura multiplicativa y,
por tanto, no modifica los ceros presentes en la matriz a priori
{
t
ij}
; adems la
existencia de muchos valores nulos en la matriz a priori, puede impedir que
sean satisfechas una o ms restricciones.
Ejemplo 5.5: considrese, en la situacin actual, el caso de una zona k
que est vaca (es decir, no hay nada) pero en la que se espera en el futuro
un desarrollo que ser punto crucial de una cierta generacin y atraccin de
viajes. Por tanto, los valores de las celdas para
{
t
ik}
sern cero, mientras los
:;8
valores futuros de O
i
y D
k
sern, evidentemente, diferentes de cero. En este
caso, pues, no hay factores multiplicativos de correccin capaces de generar
una matriz que satisfaga las restricciones para la zona k. Se puede, entonces,
reemplazar los valores de estas celdas vacas con ciertas hiptesis, es decir
con valores oportunos tomados de zonas parecidas, pero en cualquier caso la
presencia de ceros en la matriz de partida puede causar pequeos problemas,
aunque siempre menos difciles.
Si se trata de resolver el problema del ejemplo 5.1, pero utilizando la matriz
a priori indicada en la tabla 5.11, es posible comprobar que este problema no
tiene una solucin factible en el espacio no negativo T
ij
. As pues, hay 11 in-
cgnitas y slo 7 restricciones independientes, de forma que la posicin de los
ceros es tal que no hay solucin factible y el algoritmo bi-proporcional oscila
sin converger.
Tabla 5.11. Versin reexaminada del problema del factor de crecimiento
doblemente acotado de la tabla 5.6
1 2 3 4
j Objetivo O
i
1 5 50 100 200 355 400
2 0 50 0 0 50 460
3 50 100 5 100 255 400
4 100 200 250 20 570 702
i 155 400 355 320 1.230
Objetivo D
j
260 400 500 802 1.962
Los lectores que tengan familiaridad con el lgebra lineal podrn interpre-
tar este problema estudiando el rango de la matriz original y el de la matriz
aumentada con los valores de la ltima columna de la tabla 5.7. Adems, el
lector puede comprobar tambin que, despus de 10 iteraciones, la matriz co-
rrecta resulta ser la de la tabla 5.12.
Llegados a este punto pueden hacerse los siguientes comentarios:
La matriz despus de 10 iteraciones parece diferente de la matriz 1. a priori,
poniendo en duda la veracidad, ya sea de la matriz anterior, de sus ceros,
o de los nuevos totales de generaciones/atracciones.
El problema principal parece estar en la segunda fila donde hay una gran 2.
diferencia (cerca del 20%) entre los totales previstos y los modelizados.
:;,
No hay, en efecto, ninguna forma de lograr que en esta fila pueda resultar
un valor de 460 viajes visto que la nica celda no nula a lo mximo que
podra llegar es a 400 viajes. Las restricciones por tanto no generan un
espacio de soluciones factibles.
El problema parece mal-acondicionado, por ejemplo, una pequea variacin 3.
en el valor de una celda puede hacer que el problema sea factible as como
producir una matriz de viajes bastante diferente. As, el valor cero en la
celda t
2,4
puede ser debido a la muestra utilizada; reemplazando este valor
cero por un 1, despus de las mismas 10 iteraciones, se consigue la matriz
de la tabla 5.13. Con una matriz diferente, la adaptacin resulta mejor y
los totales previstos tienen un nivel de exactitud superior al 1%. Por tanto,
ahora ciertamente s que hay un espacio de soluciones factibles.
Tabla 5.12. Matriz del problema de la tabla 5.11 despus de 10 iteraciones
Furness
1 2 3 4
j Objetivo O
i
1 3,4 0,7 61,0 355,3 420 400
2 0 388,2 0 0 388 460
3 63,5 2,8 5,9 345,7 420 400
4 191,2 8,3 433,1 101,0 734 702
i 260 400 500 802 1.962
Objetivo D
j
260 400 500 802 1.962
Tabla 5.13. Matriz modificada del problema de la tabla 5.11 aadiendo un
viaje en la celda 2,4, despus de 10 iteraciones Furness
1 2 3 4
j Objetivo O
i
1 4,1 4,5 76,2 315,4 420 400
2 0 339,2 0 119,1 388 460
3 77,3 17,0 7,2 298,5 420 400
4 178,6 39,3 416,6 68,9 734 702
i 260 400 500 802 1.962
Objetivo D
j
260 400 500 802 1.962
63,5
420
388
420
734
:8o
Casos de esta complejidad no deben ser considerados como puramente
acadmicos. La falta de convergencia en pocas iteraciones tambin puede in-
dicar que la presencia y la localizacin de ceros en la matriz de salida impide
la existencia de soluciones factibles con los nuevos totales de viajes.
5.6.2. El problema tri-proporcional
En los epgrafes anteriores se ha presentado el modelo gravitacional con
una funcin de impedancia muy flexible que considera valores discretos rela-
cionados con la forma funcional para cada intervalo de coste. En particular de
la ecuacin (5.40) se tena que:

T a b F
ij i j
m
ij
m
m

o
Las principales ventajas de este modelo son su flexibilidad y la facili-
dad de calibracin. En efecto, se puede definir un nmero cualquiera de in-
tervalos de coste para los que la funcin de impedancia puede asumir cualquier
valor positivo. Y tambin se pueden representar situaciones en que, por ejemplo,
haya pocos viajes cortos, muchos viajes intermedios, pocos viajes largos y un
gran nmero de viajes sistemticos de larga distancia.
La calibracin de un modelo como ste requiere que se encuentren va-
lores adecuados del factor de impedancia F
m
para cada intervalo de coste de
modo que el nmero de viajes, para una distancia dada, sea lo ms prximo
posible al nmero observado. Este procedimiento, de hecho, es muy parecido
al problema de expansin de una matriz de modo que se satisfagan los totales
generados y atrados.
En este caso se puede iniciar el proceso tomando un valor unitario para
los factores de impedancia y luego corregirles as como tambin a los par-
metros a
i
y b
j
, hasta que los totales de los viajes satisfagan las restricciones
de distribucin de longitudes de viaje DLV. Entonces, se puede extender el
algoritmo bi-proporcional de forma que tambin se tenga en cuenta esta terce-
ra dimensin (intervalos de coste), y utilizar un mtodo tri-proporcional para
calibrar el modelo.
Los principios de base de esta tcnica fueron propuestos por Evans y Kirby
(1974). Por otro lado, Murchland (1977) pudo demostrar que la aplicacin de
sucesivas correcciones en un espacio bi-tri o multi-dimensional, para solucionar
este tipo de problemas corresponde a un slo grupo de algoritmos de solucin;
:81
adems, el mtodo es sencillo de programar y no requiere de excesiva memoria
de ordenador.
Ejemplo 5.6: el algoritmo tri-proporcional puede ser desarrollado con el
problema indicado en la tabla 5.8 y con los valores previstos de la distribucin
de la longitud de los viajes (intervalos de costes) de la tabla 5.14.
El modelo se puede resolver, por tanto, realizando las operaciones de ba-
lanceo pertinentes para encontrar la correspondencia entre los valores previstos
de estimacin y el intervalo de coste para cada origen.
Despus de cinco iteraciones completas se obtiene la matriz de viajes simu-
lada para cada intervalo de coste T
k
, tal y como se muestra en la tabla 5.15.
Tabla 5.14. Valores previstos de DLV para la calibracin de un modelo
gravitacional tri-proporcional
Intervalos
1,0-4,0 4,1-8,0 8,1-12,0 12,1-16,0 16,1-20,0 21,1-24+
DLV 365 962 160 150 230 95
Tabla 5.15. Matriz del problema de la tabla 5.14 despus de cinco itera-
ciones, incluyendo los valores de los factores de balanceo a
i

y b
j
y F
k
1 2 3 4
j a
i
1 161,6 102,5 60,8 72,5 397,4 1,27
2 56,5 199,4 101,2 101,0 458,0 1,13
3 18,9 48,7 116,7 217,1 401,4 0,60
4 23,0 49,5 221,3 411,5 705,3 1,14
i 260 400 500 802 1.962
b
j
0,57 0,70 0,87 1,63
Intervalos
1,0-4,0 4,1-8,0 8,1-12,0 12,1-16,0 16,1-20,0 21,1-24+
DLV 365 962 160 150 230 95
T
k
360,9 966,5 159,0 149,8 230,3 95,5
F
k
224,55 220,13 87,54 102,05 54,66 34,90
21,1-
21,1-
:8:
Obviamente en este caso los factores de balanceo no son, una vez ms,
nicos; en efecto, hay hasta dos constantes multiplicativas arbitrarias. Tambin
se puede expresar este hecho diciendo que los factores de balanceo tienen dos
grados de indeterminacin, representados por las dos constantes multiplica-
tivas. Es fcil ver que si se multiplica cada a
i
por un factor y cada uno de
los b
j
por otro factor , y luego se divide cada F* por la matriz simulada
permanece inalterada.
5.6.3. Tcnicas de matrices parciales
El mtodo de calibracin tri-proporcional se ha utilizado con una distribucin
completa de las longitudes de los viajes, es decir, tiene una entrada de observa-
ciones en cada celda. Definitivamente sera ventajoso si se pudiese calibrar un
modelo gravitacional sin necesidad de disponer de una matriz de viajes com-
pleta. Esto es especialmente importante, ya que se sabe que el coste de recoger
datos para obtener una matriz de viajes completa es bastante alto; adems, no
es muy alta la exactitud de algunos datos en las celdas y en la calibracin, pues
se utilizan agregaciones de datos, principalmente la DLV as como del total de
viajes O
i
y D
j
. En cualquier caso, debe quedar claro que existe la posibilidad
de calibrar modelos gravitacionales con una matriz no completa o parcial. Por
ejemplo, se puede calibrar un modelo gravitacional utilizando una funcin de
coste exponencial solamente con el origen-destino del viaje total y una buena
estimacin del coste medio del viaje, c*.
La calibracin de un modelo de gravedad con una funcin general de im-
pedancia utilizando el mtodo tri-proporcional es incluso ms atractiva en este
caso, ya que se pueden utilizar solamente entrevistas a pie de calle, en cordones
y lneas pantalla para obtener buenas DLVs, as como el total de viajes para algu-
nas zonas en el rea de estudio. No habr ninguna necesidad de utilizar modelos
de generacin de viajes a menos que la finalidad sea hacer pronsticos.
En resumen, el producto a
i
b
j
c
k
debe ser nico, pero obsrvese que los
factores individuales no lo son: hay dos grados de indeterminacin:

( . )( . ) a b c a b c
i j k i j k
o |
o|
1 j
(
,
\
,
(

que se pueden remover sin afectar a la matriz resultante. El problema surge
cuando hay indeterminacin adicional.
:8
Ejemplo 5.7: la idea bsica explicada anteriormente puede describirse con la
ayuda de una matriz 3 3. En primer lugar, considrese un caso bi-proporcional
donde el problema de actualizar la matriz completa consiste en ajustar una
matriz del ao base de la forma siguiente:
Caso biproporcional
Ajustado a produce.
a b c
d e f
g h i
P
Q
R
A B C
D E F
G H I
S T U
En el caso de una matriz parcial, como por ejemplo, una encuesta en la que
no puedan ser observadas las entradas a y h, se ajustaran solamente los
finales de los viajes excluyendo el total correspondiente:
Ajustado a produce
b c
d e f
g i
P A
Q
R H
B C
D E F
G I
S A T H U

Para rellenar las celdas que faltan, emplearamos un modelo gravitacional; en
el caso de este ejemplo, uno que no tenga una funcin de impedancia:
T
ij
= a
i
b
j
Los valores estimados de a
i
y b
j
(utilizando datos de las celdas observadas)
se emplearan para rellenar estas celdas que faltan. La extensin de esta idea a
un caso tri-proporcional es muy sencilla. Kirby (1979) ha demostrado que exis-
ten dos condiciones bsicas para una aplicacin vlida de esta aproximacin:
El modelo gravitacional debera encajar tanto con los datos disponibles 1.
como con los no disponibles, es decir, debera ser un modelo bueno para
las dos regiones de la matriz: la observada y la no observada.
:8
Las dos regiones de la matriz no deberan ser separables, es decir no debera 2.
ser posible partir la matriz en dos o ms matrices independientes:
El problema es que cada rea separada tiene dos (tres en el caso tri-pro-
porcional) grados de indeterminacin y, por lo tanto, los factores de balanceo
no pueden generar resultados nicos ni estimaciones de viaje. Este problema
tambin se denomina no identificabilidad de resultados nicos en las cel-
das no observadas. Como se demostr en la figura anterior esto slo ocurre
cuando se hacen las entrevistas a pie de va pblica en un cordn de una zona
de estudio. La realizacin de entrevistas en una lnea pantalla probablemen-
te eliminara el problema, ya que generara las observaciones para la matriz
interna-interna.
Interna
* * * * * * * *
* * * * * * * *
* * * * * * * *
* * * * * * * *
* * * * * * * *
* * * * * * * *
* * * * * * * *

* * * * * * * * * * * *
* * * * * * * * * * * *
* * * * * * * * * * * *

Interna
Externa
Externa
Donde
* = 0 o desconocido
= es un dato observado.
sta es una matriz separable y cada parte tiene su propio conjunto de
k.
Sea, por ejemplo, la Matriz Parcial C
p
en la que la celda (1,3) no fue ob-
servada:

C
p
j
(
,
,
,
\
,
(
(
(
1 2 2
3 2 1 3
1 3 2 2
Puede que
i
k
no sea nico en (1,3). Test:
1
1
= 1 para cada celda
observada.
:8
Haciendo un cambio de variable (
i
= e
u
i
;
j
= e
v
j
;
k
= e
k
) las condicio-
nes son:
u
i
+ v
j
+ w
k
= 0 i, j, k observado.
Resulta un sistema de n ecuaciones lineales con rango r n. Si r = i + j + k 2
entonces es identificable.
Dada la matriz parcial:
1 2
2
j
(
,
\
,
( , las condiciones seran:
1
= 1
2
= 1 i + j + k 2 = 4
2
= 1
Est claro que estas condiciones no son suficientes para garantizar identifi-
cabilidad. De hecho, una solucin general es tomar:
1
,
1
,
2
arbitrarios, luego
1
= 1/
1
1
,
2
= 1/
1
2
y
2
=
1
2
/
1
.
Destacar que si el intervalo de coste para cada celda no observada (2,2) se
pudiera igualar a 1, el estimador de los viajes en ella sera:
V
12
= a
2
b
2
c
1
(
2
/
1
)
2
que tiene un grado de arbitrariedad dado por (
2
/
1
).
5.7. OTROS MODELOS SINTTICOS
El modelo gravitacional es, con ventaja, el ms utilizado de los modelos agre-
gados de distribucin de viajes. Tiene varias ventajas tericas y no faltan pro-
gramas de ordenador tiles para calibrarlo y utilizarlo. Puede ampliarse si
se necesita incorporar ms tipologas de individuos, as como utilizarse para
la modelizacin de ciertos tipos de transporte de mercancas. No obstante, el
modelo gravitacional no cubre todas las posibilidades tericas.
A continuacin se presentan dos aproximaciones ms que, aunque su uso
es mucho ms restringido, ofrecen una alternativa real al modelo gravitacio-
nal. La primera es el modelo de distribucin de oportunidades relevantes
(intervening-opportunities model) que ser expuesto en este epgrafe, y la
segunda es la familia de modelos de demanda directa, los cuales sern tratados
en el Captulo 6.
n ventaja,
:8o
La idea bsica que subyace en el modelo de distribucin de oportunidades
relevantes es que la realizacin de un viaje no se relaciona explcitamente con
la distancia, sino con la accesibilidad relativa a las oportunidades de satisfacer
el objetivo del viaje. Quien por primera vez promovi este mtodo y aplic su
filosofa a la migracin y a la localizacin de servicios y viviendas fue Stouffer
(1940). Sin embargo, fue Schneider (1959) quien desarroll la teora de la forma
en que se presenta hoy.
En primer lugar considrese una zona de origen i y confrmese una lista
ordenada de todos los destinos posibles en funcin de las correspondientes dis-
tancias incrementadas desde i. A continuacin, examnese un par origen-destino
(i, j), donde j es el destino m
simo
segn la distancia desde i. Existen m1 desti-
nos alternativos, efectivamente ms cercanos (ms accesibles) a i.
El individuo que vaya a realizar un viaje, considerara dichos destinos
como posibles lugares para satisfacer el motivo que origina el viaje: stas son
las oportunidades relevantes que influyen en la eleccin del destino.
Sea la probabilidad de que un viajero estuviese satisfecho con una sola
de estas oportunidades; entonces la probabilidad de que sea atrado por una
zona con D oportunidades es D.
Ahora, considrese la probabilidad q
i
m
de que el motivo de viaje no sea
satisfecho por ninguna de las oportunidades ofrecidas por los m
simos
destinos
desde i. Ello es igual a la probabilidad de no ser satisfecho por el primero ni el
segundo, etc. hasta el m
simo
:

q q D
i
m
i
m
i
m

1
1 ( ) o

(5.43)
Por lo tanto, suprimiendo el superndice i por simplicidad de notacin, se
llega a

q q
q
D
m m
m
m

1
o

(5.44)
Ahora, si x
m
representase las atracciones acumuladas de las oportunidades
intermedias en el destino m
simo
:

x D
m
m
m
se puede reescribir (5.44) as:

l superndice
:8;

q q
q
x x
m m
m m m
[ ]

1
1 1
o

(5.45)
El lmite de esta expresin para incrementos infinitesimalmente pequeos
es, por tanto

dq x
q x
dx
( )
( )
o

(5.46)
Integrando (5.46) se obtiene:

log ( ) q x x ctte + o
o

q x A x
i
( ) exp( ) o

(5.47)
donde A
i
es un parmetro de calibracin. Esta relacin expresa la posibilidad de
que un motivo de viaje no sea satisfecho por ninguno de los destinos m (m = 1,
, M) desde i, como una funcin exponencial negativa de las oportunidades
acumuladas o intermedias, hasta la distancia de que se trate desde dicho origen.
Los viajes T
ij
m
desde el origen i hasta el destino j (que es el m
simo
punto en dis-
tancia desde i) son pues, proporcionales a la probabilidad de no ser satisfechos
por ninguna de las oportunidades m 1 ms cercanas menos la probabilidad
de no ser satisfecho por ninguna de las oportunidades hasta el destino m
simo
:

T O q x q x
ij
m
i i m i m
[ ] ( ) ( ) 1

(5.48)
Es fcil demostrar que la constante A
i
debe ser igual a:

A
x
i
M
[ ]
1
1 exp( ) o

(5.49)
para asegurar que se satisfacen las restricciones a destino del viaje. Entonces
el modelo completo se convierte en:

T O
x x
x
ij
m
i
m m
M
[ ]
[ ]
exp( ) exp( )
exp( )
o o
o
1
1

(5.50)
:88
Wilson (1970) ha demostrado que esta expresin tambin puede derivarse
de la teora de maximizacin de la entropa.
El modelo de distribucin de oportunidades relevantes es interesante por-
que comienza a partir de diferentes principios elementales para su derivacin:
utiliza la distancia como una variable ordinal y no cardinal continua como en
el modelo gravitacional. Considera de forma explcita las oportunidades dis-
ponibles para satisfacer el motivo de un viaje en zonas cada vez ms distantes
del origen. Sin embargo, el modelo no se usa con frecuencia en la prctica,
probablemente por las siguientes razones:
La base terica es menos conocida y posiblemente ms difcil de comunicar
por los profesionales.
La idea de matrices con destinos ordenados segn la distancia desde el origen
(la celda n
sima
para el origen i no es el destino n sino el destino n
simo
desde
i) es ms difcil de manipular en la prctica.
Las ventajas tericas y prcticas de esta funcin sobre el modelo gravita-
cional no son muchas.
Falta de programas disponibles.
En el Captulo 12 se tratar una versin ms general de este modelo que
combina la filosofa de los modelos de gravedad y la de los modelos basados
en oportunidades intermedias. Esto se debe a Wills (1986) y se deja a la inter-
pretacin de los datos la decisin de cules de las combinaciones de los dos
modelos encaja mejor con la realidad. Por ltimo, es necesario reconocer que
la complejidad computacional de este nuevo modelo es considerable.
5.8. CONSIDERACIONES PRCTICAS
Hasta aqu se ha tratado un cierto nmero de modelos frecuentemente utiliza-
dos para asociar orgenes y destinos y para estimar el nmero de viajes entre
ellos. Sin embargo, an no se ha estudiado toda una serie de consideraciones
prcticas que influyen necesariamente en la exactitud requerida en la utilizacin
de este tipo de modelos.
Dichas consideraciones derivan de las limitaciones inherentes al contexto
de referencia en el que se modeliza y tambin de la incapacidad del modeliza-
dor de incluir en ellos descripciones detalladas de la realidad. Estos aspectos,
en trminos generales, se tratan a continuacin.
:8,
5.8.1. Matrices incompletas
Las matrices observadas casi siempre son incompletas o poco densas (sparse
matrices), en el sentido de que tienen un gran nmero de celdas vacas. La
razn de ello es fcilmente intuible. En efecto, si se considera un rea de es-
tudio con 500 zonas (250.000 celdas), se pueden esperar cerca de 2,5 millones
de viajes durante la hora punta, lo cual significa una media de unos 10 viajes
por celda. Dado que es probable que algunos pares O-D contengan ms via-
jes que otros (en particular los pertenecientes a reas residenciales y/o a reas
de servicios), resulta que en general hay numerosas celdas con un nmero muy
pequeo de viajes. Por otro lado, si se considera ahora que el mtodo utilizado
para observar esta matriz de viajes es, probablemente, realizar entrevistas a
pie de va pblica y dado que la tasa de muestreo es del 20% (1 de cada 5) la
probabilidad de no tener observaciones de un par O-D en concreto, es muy
alta. Esta muestra de viajes ser posteriormente expandida utilizando las tasas
efectivas de muestreo en cada punto de encuesta, lo que no afectar, en prin-
cipio, a las celdas vacas.
El problema originado por la expansin de celdas vacas ya ha sido indicado
en el epgrafe 5.6.1. Se puede intentar reducir este problema rellenando dichas
celdas vacas utilizando tcnicas de matrices parciales o, alternativamente,
puede ser deseable sembrar en dichas celdas vacas un valor pequeo y uti-
lizar un mtodo alternativo de expansin de la matriz, tal y como se estudiar
en el Captulo 12. No obstante es importante tener en cuenta que las matrices
normalmente observadas contienen un gran nmero de errores, los cuales
son generalmente amplificados en el proceso de expansin.
5.8.2. Tratamiento de zonas externas
Puede ser razonable afirmar que los modelos sintticos de distribucin de via-
jes son idneos para modelizar un rea de estudio, en particular para los viajes
internos. Sin embargo, se sabe que una proporcin significativa de viajes puede
tener su origen o su destino fuera del rea de estudio. La idoneidad de dichos
modelos para representar esos viajes Externos-Internos es cuestionable, ya
que stos dependen de la distancia o del coste de viaje, el cual es una variable
esencialmente indefinida para los viajes externos.
Una prctica comn en estos casos consiste en considerar estos viajes fuera
del proceso sinttico de modelizado: por ejemplo, efectuando las entrevistas
:,o
a lo largo de la calle en puntos de cordn a la entrada y a la salida del rea de
estudio. La matriz resultante de los viajes externos-externos (E-E) y externos-
internos (E-I), se trata separadamente para previsiones utilizando los mtodos
del factor de crecimiento, en concreto el mtodo de Furness. Sin embargo,
ya que un cierto nmero de viajes en los modelos de generacin y atraccin
corresponden a viajes E-I, stos tienen que ser restados de los totales de viajes
e incluidos como restricciones en los modelos sintticos.
5.8.3. Viajes intrazonales
Un problema anlogo ocurre en el caso de viajes intrazonales. Dadas las limi-
taciones de cualquier sistema de zonificacin, los valores de los costes de viaje
se definen entre los conectores de centroides y ello representa una cruda pero
necesaria aproximacin de los costes reales. Por tanto, la idea de un coste de
viajes intrazonales se considera que est pobremente representada por estos
costes en los conectores de centroides.
Algunos programas comerciales permiten al usuario aadir/quitar costes
terminales para facilitar una mejor modelizacin de estos viajes; la idea de base
es que a travs de la manipulacin de estos costes intrazonales podran conse-
guirse modelos gravitacionales ms consistentes con la realidad. Sin embargo,
este mtodo no es muy eficiente ni realista; en efecto, es preferible quitar los
viajes intrazonales del proceso de modelizacin sinttico y calcular la previ-
sin de estos viajes utilizando aproximaciones an ms simples. Usualmente
se asume, por ejemplo, que los viajes intrazonales sean una proporcin fija de
los totales calculados con los modelos de generacin.
Adems, los viajes intrazonales no se asignan normalmente a la red en
cuanto que se trata de desplazamientos dentro de un mismo centroide, por ello,
resulta menos importante representar dichos viajes en detalle. En la realidad,
algunos de estos viajes utilizan la red modelizada, pero generalmente se trata
slo de un problema significativo para algunos sistemas de zonificacin bas-
tante agregada.
5.8.4. Motivo de los viajes
Normalmente se utilizan diferentes modelos para diferentes motivos de viaje
y/o para diferentes clases de individuos. Tpicamente, los viajes por trabajo o
estudio se modelizan utilizando un modelo gravitacional doblemente acotado
:,1
mientras que, para casi todos los dems motivos, se utilizan modelos simple-
mente acotados. Ello se debe al hecho de que es a menudo difcil estimar con
precisin las atracciones de viajes por motivos como compras, ocio, activida-
des sociales, los cuales generalmente son reportados en trminos de espacios
comerciales, reas recreativas y poblacin como indicadores de la atraccin
zonal.
Algunos motivos de viaje adems pueden ser ms sensibles al coste y,
por tanto, requieren la utilizacin de diferentes valores para la funcin de
impedancia.
5.8.5. Generacin-atraccin, origen-destino
Los modelos sintticos han sido desarrollados en la hiptesis de que cada viaje
tuviera una generacin y una atraccin como fin. Los modelos, esencialmente,
ligan o relacionan las generaciones a las atracciones. En el caso de los viajes
HB, la generacin siempre es el hogar. Sin embargo, el origen de dichos via-
jes, slo es el hogar para los viajes hacia el lugar de trabajo (o el lugar de es-
tudio o compras, etc.), pero en el viaje de regreso el hogar es ahora el destino
del viaje.
Antes de que la matriz resultante de viajes sea asignada a la red es necesario
que sea trasformada en una matriz origen-destino (O-D). En el caso de matrices
diarias, ambas son prcticamente idnticas en cuanto que se supone que cada
viaje generado-atrado es efectuado una vez en cada direccin durante el da.
En cambio, cuando se precisan matrices O-D para perodos de tiempo corto
ha de considerarse que algunos viajes se realizan en la direccin generacin-
hacia-atraccin mientras que otros slo se efectan en la direccin opuesta. Para
solucionar este problema pueden utilizarse dos aproximaciones diferentes. La
primera consiste en producir solamente una matriz para un nico motivo, por
lo general trabajo, y entonces suponer que estos desplazamientos siguen slo
una direccin de viaje; esto sucede, por ejemplo, con los viajes de la maana por
trabajo desde la generacin hacia la atraccin. Los datos de la encuesta han de
ser utilizados para corregir los casos en que hay turnos de trabajo, flexibilidad
en las horas de trabajo y viajes realizados por otros motivos durante las horas
punta, aunque la estructura de viajes en la hora punta de la maana todava
estar dominada por los desplazamientos por motivo de trabajo. Una segunda
aproximacin consiste en utilizar directamente los datos de la encuesta para
determinar la proporcin de cada matriz relativa a cada motivo considerado
:,:
apropiado para la parte del da en cuestin. Por ejemplo, una matriz tpica
de la hora punta de la maana puede contener el 70% de desplazamientos de
generacin-a-atraccin y solamente el 15% de desplazamientos de atraccin-
a-generacin.
5.8.6. Factores k
Los modelos gravitacionales pueden proporcionar una representacin razonable
de las estructuras de los viajes en la medida en que expliquen con consistencia,
por un lado, la capacidad de generacin y atraccin de las zonas y por otro
la resistencia (o el coste generalizado de transporte) al viaje que genera la
distancia.
Efectivamente, es conocido que la mayor parte de las decisiones individua-
les acerca de la localizacin de los hogares y/o la eleccin del lugar de empleo
depende de muchos otros factores; en este caso, el modelo gravitacional slo
puede simular la eleccin del destino a un nivel agregado si la importancia de
estos otros factores fuera muy reducida en dicha agregacin. Por tanto, siempre
hay efectos agregados que no pueden ser tratados con la utilizacin simplemente
del modelo gravitacional. En este sentido, en algunos casos, pueden ser pa-
res de zonas que tengan una especial asociacin o relacin en trminos de flujos
de viajes; por ejemplo, una gran industria manufacturera puede localizarse en
cierta zona mientras la mayor parte de los empleados se encuentra en otra, a
lo mejor porque la compaa posee un complejo residencial a tal efecto. Es
probable que entre estos dos puntos haya ms viajes de los previstos por un
modelo cualquiera que no considere especficamente tal asociacin, como en
el caso del modelo gravitacional.
Sin embargo, este efecto puede ser considerado con la introduccin de un
conjunto adicional de parmetros K
ij
con lo que el modelo quedara as:

T K AOB c
ij ij i i ij ij
exp( ) |

(5.51)
En algunos estudios prcticos estos factores han sido utilizados para tratar
de mejorar la calibracin del modelo, y de hecho la mejoran; con un conjunto
completo de factores K se consigue una flexibilidad superior respecto de lo
necesario para reproducir la matriz de viajes observada.
Solamente con los parmetros K sera suficiente para reproducir la ma-
triz, por tanto el resto de los parmetros constituyen un aadido con respecto
a lo requerido: factores K
ij
idnticos a los T
ij
observados podran resolver el
j
de
:,
problema, slo que entonces no se dispone ya de modelo ni queda capacidad
para realizar previsiones.
El mejor consejo respecto de los factores K es pues evitarlos. La utilizacin
de un nmero limitado de factores K slo se justificara en el caso de que un
rea de estudio presentara un nmero pequeo de pares de zonas (menos del
5% del total), con asociaciones particulares de desplazamientos de viajes que
probablemente no variarn en el futuro.
Su utilizacin por tanto, ha de ser siempre moderada y cuidadosa. Sin
embargo, no se justifica la utilizacin del conjunto completo de factores K.
5.8.7. Errores en la modelizacin
De todo lo expuesto hasta ahora, se deduce que el nmero de errores reduce
la confiabilidad del proceso de la modelizacin. Efectivamente, ello es cierto
y refleja la imperfeccin que an existe en el estado del arte de dicha mode-
lizacin de los transportes. Estos aspectos prcticos no se limitan solamente
a los modelos de distribucin, sino que tambin estn presentes, en diferentes
formas, en las otras fases del proceso.
Los errores correspondientes a las celdas de la matriz son relativamente
grandes ya que muchas de ellas tienen valores pequeos, es decir, entre 0 y 5
en la muestra y cerca de 20 30 en la matriz expandida o sinttica. Muy pocos
estudios han afrontado el problema de la calibracin de modelos sintticos
comparando las matrices de viajes simuladas con las observadas. Sikdar y
Hutchinson (1981) utilizaron los datos de 28 reas de estudio en Canad para
calibrar y testear modelos gravitacionales doblemente acotados. En particu-
lar encontraron que las prestaciones de estos modelos eran bastante escasas,
equivalentes a la introduccin en las observaciones de un error aleatorio, com-
prendido entre el 75 y el 100%, y ello confirma la necesidad de ser cauteloso
en la utilizacin de los resultados de estos modelos. Este resultado no debe
sorprender en cuanto que modelizar una matriz de viajes utilizando pocos
parmetros (dos veces el nmero de zonas por una funcin de impedancia
exponencial) es una tarea suficientemente ardua. En efecto, sta es una de las
razones por las que tambin hoy en da pocos estudios utilizan los modelos
gravitacionales en la forma convencional.
Cuando sea necesario considerar cmo influyen las variaciones de los
costes de transporte en la estructura de los viajes (en particular para motivos
como compras y ocio), es mejor utilizar versiones incrementales o anlisis de
pivoteo del modelo gravitacional (vase epgrafe 12.3.2).
:,
El tratamiento de los errores en la modelizacin ha recibido una gran
atencin hacia la mitad de los aos 80. Existen dos mtodos que merecen ser
citados particularmente: la aproximacin estadstica y la de simulacin. Los
mtodos estadsticos son muy potentes pero no siempre fciles de desarrollar o
de implementar. Siguen las lneas expuestas en el Captulo 3 cuando se trat el
papel de los errores de los datos en la exactitud total del proceso de modeliza-
cin. Es necesario recordar asimismo que los errores en los datos se traducen
posteriormente en errores en los resultados de los modelos.
El Traffc Appraisal Manual del Departamento de Transportes Britnico
(Department of Transport, 1985) proporciona indicaciones sobre la sensibilidad
que los modelos de distribucin tienen a los errores en los datos de entrada.
En cierto sentido, durante el proceso de construccin de las matrices el m-
todo ms simple al respecto consiste en realizar un seguimiento detallado de
errores de los datos, en particular de los de muestreo. El problema se complica
cuando se trata de hacer dicho seguimiento y se utilizan para ello modelos de
distribucin sinttica.
A principios de la dcada de los 80 se desarrollaron tcnicas analticas
adecuadas para la estimacin de los errores de salida del modelo debidas a la
variabilidad de la muestra. Por ejemplo, el trabajo de Gunn et al. (1980) estable-
ce expresiones matemticas aproximadas para el intervalo de confianza de las
celdas estimadas en la formulacin tri-proporcional del modelo gravitacional.
El 95% del intervalo de confianza para el nmero de viajes en una celda (i,j)
viene dado por {C
ij
/ T
ij
T
ij
C
ij
}, donde C
ij
representa el factor de confianza
dado por la expresin:

C
n n n
ij
ijk
ij
ijk
jk
ijk
ki
+ +
,
,
,
,
]
]
]
]
]
j
(
,
,
,
\
,
(
(
(

exp
,
2
1 1 1
0 5

(5.52)
n
ijk
representa el nmero de viajes muestreados en la celda observada, y por
tanto las sumas estn solamente en las celdas observadas. Esta expresin ni-
camente cubre los errores debidos al muestreo: es probable que los errores en
la recoleccin de los datos y en su elaboracin hagan crecer el intervalo de
confianza. En la estimacin de los modelos hay, adems, otras fuentes de error
las cuales son ms difciles de cuantificar; se trata de los errores de especifi-
cacin inherentes al hecho de que el modelo es solamente una representacin
:,
simplificada e imperfecta de la realidad. Tambin este tipo de errores (mis-
specifcation) hace aumentar cualquier intervalo de confianza.
El segundo mtodo para tratar los errores en la modelizacin viene repre-
sentado por las tcnicas de simulacin; stas pueden desempear un papel til
en los casos en que las expresiones analticas de los intervalos de confianza de
los resultados del modelo no existan o sean difciles de desarrollar.
Para calibrar un modelo se puede, por ejemplo, asumir que los datos dispo-
nibles no contienen errores y entonces, recalibrar sucesivamente dicho modelo
introduciendo, de modo controlado pero realista, variabilidad en los datos.
Este proceso se puede repetir muchas veces para as conseguir un conjunto
de parmetros, cada uno de ellos calibrado con un conjunto determinado de
muestra ligeramente diferente.
Este proceso requiere, obviamente, una cierta cantidad de tiempo y recursos
por ordenador y es, en efecto, generalmente utilizado sobre todo para objetivos
de investigacin. Adems, este tipo de investigacin puede proporcionar indi-
caciones tiles sobre la estabilidad de los parmetros del modelo con respecto
a los errores en los datos.
La utilizacin ms simple de la simulacin Monte Carlo consiste en testear
la sensibilidad de los resultados del modelo con respecto a los datos de entrada
en fase de previsin.
Dado que se conoce que las previsiones en los datos contienen errores, el
uso de esta simulacin consiste en introducir en dicho mtodo datos con un
error razonable y luego ejecutar el modelo con cada uno de estos conjuntos
de datos futuros. Los resultados proporcionan una idea de la sensibilidad del
modelo con respecto a los errores presentes en las variables de planificacin.
Como no hay que re-calibrar (se asume que el modelo calibrado en el ao
base sea sin errores), la cantidad de tiempo y recursos necesarios, aunque
grandes, es menor que en el caso anterior.
5.8.8. Estabilidad de las matrices de viajes
Rara vez se discute la estabilidad en el tiempo de las matrices de viajes. Se
sabe por experiencia que la realidad no es esttica sino ms bien dinmica. El
nivel de los flujos de trfico sobre cualquier arco de la red vara diariamente
de modo significativo. Generalmente se espera un 10% de variacin de los
niveles de flujo en das parecidos y lo mismo para el mismo da de la semana y
en semanas parecidas (es decir, se excluyen las variaciones estacionales). Estas
:,o
variaciones en los flujos de trfico generalmente son debidas a dos causas:
variaciones en las matrices de los viajes que originan tales flujos y variaciones
diarias en la eleccin del recorrido.
Las variaciones en los flujos pueden ser fcilmente detectadas en cuanto
que las estaciones de aforos de trfico permanentes o de cobertura son sencillas
de instalar y mantener y tambin son suficientemente fiables. Los conteos de
trfico son el resultado de la agregacin de viajes en matrices y dicho proceso
de agregacin tender a compensar algunas variaciones casuales a nivel de
matriz de viajes. Las variaciones diarias de los valores de las celdas de la matriz
de los viajes constituyen una informacin mucho ms difcil de obtener puesto
que es muy raro que, para las matrices de viajes, se puedan recolectar datos
repetidos en la misma localidad para diferentes das.
Leonard y Tough (1979) reportan una investigacin que recolect matri-
ces de viajes y conteos de trfico en cuatro das consecutivos en el centro de
Reading, UK. Los datos fueron recogidos para el desarrollo de un modelo
de simulacin detallada. El trabajo de campo consisti en recopilar y trans-
cribir el nmero de las placas de matrcula de los coches en diversos puntos
trazando su recorrido por el centro de Reading junto con sus puntos de entra-
da/salida y aparcamiento. De este modo se eliminaron los errores de encues-
tas. Por razones prcticas se recogi esta informacin durante cuatro das (de
lunes a jueves) para una muestra del 10% en aproximadamente 80 arcos reales
y con 40 zonas codificadas. Los datos fueron analizados independientemente
por Willumsen (1982) para observar las variaciones diarias de los flujos so-
bre los arcos y matrices O-D. Utiliz el porcentaje medio del error absoluto
(% MAE: Mean Absolute Error) para ambos niveles de trfico y matrices de
viajes:

% % MAE
a
a
a
a
j
(
,
,
\
,
(
(
100
V V
V
b

(5.53)
y

% % MAE
a
a

j
(
,
,
,
\
,
(
(
(
100
T T
T
ij ij
ij
ij
ij
b

(5.54)
:,;
donde los ndices a y b representan el da de la semana de los flujos observados
V y los O-D de viajes de T
ij
. Willumsen (1982), encontr los siguientes niveles
de variaciones:
% MAE
Martes Mircoles Jueves
Arco Matriz Arco Matriz Arco Matriz
Lunes 11 76 11 72 12 75
Martes 13 68 14 85
Mircoles 12 70
Puede observarse que las variaciones diarias de los flujos de trfico son
consistentes con las esperadas, mientras que las variaciones de las matrices
de los viajes son mucho ms grandes. Ello se debe, en parte, al hecho de que
las matrices de viajes presentan valores muy pequeos y numerosos ceros; en
todo caso la evidencia sugiere que las variaciones a nivel de matrices de viaje
pueden ser bastante significativas.
De estos resultados se deduce que no vale la pena dedicar grandes esfuerzos
para conseguir matrices de viajes observadas muy precisas en cuanto que estos
anlisis son slo vlidos para un momento determinado (fotos instantneas).
Las variaciones da a da de las matrices de viaje son importantes y pretender
alcanzar un alto nivel de exactitud en estimarlas parece un esfuerzo difcil de
justificar.
Los resultados adems sugieren que es necesario ser cuidadosos en testear
cmo el valor de un plan cambia en funcin de variaciones en la matriz de los
viajes estimada al ser utilizada durante la asignacin. El anlisis de sensibi-
lidad parece una forma particularmente apropiada para estudiar el efecto de
variaciones en la matriz de viajes.
EJERCICIOS
5.1. Considrese una pequea rea de estudio dividida en cuatro zonas. La
matriz de viajes para esa rea, conseguida utilizando una pequea muestra, se
presenta en la siguiente tabla:
:,8
1 2 3 4
1 60 275 571
2 50 410 443
3 123 61 47
4 205 265 75
Y en la siguiente tabla se presenta la previsin del total de viajes generados
y atrados por cada una de las zonas:
Origen futuro estimado Destino futuro estimado
1 1.200 670
2 1.050 730
3 380 950
4 770 265
Utilizar un mtodo apropiado de factor de crecimiento para estimar los
viajes futuros interzonales. Sugerencia: verificar primeramente las condiciones
de convergencia del mtodo seleccionado.
5.2. Sea un rea de estudio atravesada por un ro y dividida en tres gran-
des zonas, de las cuales dos de ellas (A y B) se encuentran en una ribera del ro
y la tercera (C) en la otra. Se considera que la demanda de viajes entre estas
zonas depende del hecho de que los pares O-D estn en la misma o en diferente
parte del ro. De una encuesta domiciliaria mediante un pequeo muestreo se
obtiene la siguiente matriz de viajes, en la que los espacios vacos representan
celdas sin observacin:
Origen
Destino
A B C
A 12 10 8
B 5 3
C 4 7
265
:,,
Teniendo en cuenta que el modelo es del tipo T
ij
= R
i
S
j
F
k
, donde el parmetro
F
k
puede ser utilizado para representar si el par O-D se encuentra a un lado o
a otro del ro, calibrar este modelo utilizando el algoritmo tri-proporcional y
llenar las celdas vacas de la matriz de viajes expuesta arriba.
5.3. Sea un estudio de transportes en un rea que comprende cuatro ciu-
dades (A, B, C y D). Los costes generalizados de viaje entre estas ciudades,
expresados en unidad de tiempo generalizado, se presentan en la siguiente
tabla:
Origen
Destino
A B C D
A 1,23 1,85 2,67
B 1,23 2,48 1,21
C 1,85 2,48 1,44
D 2,67 1,21 1,44
Los desplazamientos intraurbanos se excluyen del estudio. El presente
estudio tambin incluye entrevistas efectuadas a lo largo de las vas pblicas
en varios puntos. El nmero de personas entrevistadas, su origen y destino se
presentan en la siguiente tabla, en la que, de nuevo, los espacios vacos repre-
sentan celdas no observadas:
Origen
Destino
A B C D
A 6 2
B 1 4
C 8 8
D 6 18 6
Considrese ahora que para esta rea de estudio haya sido utilizado un
modelo gravitacional del tipo T
ij
= R
i
S
j
F
k
con slo dos intervalos de coste. El
primer intervalo incluye los viajes con coste entre 0 y 1,9 y el segundo incluye
oo
los viajes que cuestan ms de 1,9. Se pide: calibrar este modelo utilizando el
mtodo tri-proporcional para esta matriz parcial. Estimar los parmetros R
i
,
S
j
, F
k
y los valores que faltan en las celdas de la matriz, excluyendo los viajes
intraurbanos. Es nica esta estimacin? Justificarlo.
6.
Modelos de reparto modal
6.1. INTRODUCCIN
E
n este captulo se tratarn, en primer lugar, los modelos de eleccin
modal desde un punto de vista agregado. Se ver cun lejos se puede
llegar utilizando enfoques similares a aquellos procedimientos seguidos
en la derivacin y aplicacin de los modelos de distribucin de viajes. En
segundo lugar, se examinarn mtodos de estimacin simultnea de modelos
de generacin, distribucin y eleccin modal, los que se conocen tambin con
el nombre de modelos de demanda directa. Dichos modelos, creados en los
aos 60, han sido utilizados rara vez en la prctica por razones que se discuten
ms adelante.
La representacin de la eleccin del modo de transporte es uno de los mo-
delos clsicos ms importantes en la planificacin del transporte, dado el papel
tan relevante del transporte pblico en las polticas de transportes. De hecho,
todos los modos de transporte pblico, casi sin excepcin, utilizan el espacio
vial de forma ms eficiente que los vehculos privados; an ms, sistemas como
el metro y el ferrocarril no ocupan la red vial (aunque ocupan espacios de otro
tipo) y, por lo tanto, no contribuyen a la congestin.
Ms an, si algunos automovilistas pudieran ser persuadidos de utilizar el
transporte pblico en lugar del coche privado, el resto de los usuarios del coche
se veran beneficiados en trminos de una mejora de los niveles de servicio.
Adems, es poco probable que las reas urbanas consigan acoger a todos aque-
llos que desean utilizar su vehculo privado sin sacrificar zonas importantes de
la trama urbana para la construccin de carreteras y aparcamientos.
El problema de la eleccin modal, por lo tanto, representa el elemento ms
importante en la planificacin de los transportes y en la toma de decisiones.
La eleccin modal influye en la eficiencia general del sistema del transporte,
en la cantidad del espacio urbano dedicado a las funciones del transporte, as
o:
como en el conjunto de alternativas disponibles o no para los viajeros. Dicho
problema es igualmente importante en los transportes interurbanos, visto que
tambin los sistemas ferroviarios representan un sistema de transporte eficiente
(en trminos de recursos consumidos, incluido el espacio) aunque existe una
clara tendencia al aumento del transporte por carretera.
Por lo tanto, es importante desarrollar y utilizar modelos que sean sensibles
a aquellos atributos del viaje que influyen en las elecciones individuales del
modo. Se ver en qu medida es posible enfrentarse a este problema a travs
de enfoques agregados, en los que las polticas alternativas deben expresarse
como modificaciones a funciones, como el coste generalizado del viaje, tiles
pero poco flexibles.
Es necesario recordar que, en el pasado, se consideraba que la eleccin de
modo era influenciada principalmente por las caractersticas socio-econmicas
de los individuos, de ah que la eleccin modal estuviese ligada a variables
como la renta (cuanto ms alta es la renta, ms automviles se adquieren y por
lo tanto se utilizan), la posesin de automvil o la densidad residencial. Estos
modelos eran coherentes con una visin general de la planificacin que tena
como objetivo prever el aumento de los viajes en coche; en el corto plazo, pue-
den ser muy exactos aunque son inadecuados, en cuanto a que son insensibles
a escenarios polticos como la mejora del transporte colectivo, las restricciones
de estacionamiento, etc. Los modelos aplicados despus de la fase de distribu-
cin (denominados trip-interchange modal split o modelos de distribucin y
particin modal) tienen la ventaja de facilitar la inclusin de las caractersticas
del viaje y de las alternativas disponibles para realizarlo, aunque resulta difcil
incluir las caractersticas de los viajeros que ya se han agregado en la matriz de
viajes. Los primeros modelos de este tipo se basaban en curvas experimentales
con poca base terica, por lo tanto su consistencia en fase de prediccin es
dudosa. Adems consideraban pocas caractersticas (generalmente solamente
el tiempo de viaje a bordo) mientras que no se consideraban variables polticas
importantes como la tarifa, el coste del estacionamiento, etc. En fin, siendo
modelos agregados, es difcil que prevean correctamente las restricciones y
las caractersticas de los modos disponibles para cada familia.
6.2. FACTORES QUE INFLUYEN EN LA ELECCIN MODAL
Los factores que influyen en la eleccin modal se pueden clasificar en tres
grupos:
o
Caractersticas de las personas individuales que realizan el viaje. En general 1.
se consideran importantes:
disponibilidad y/o posesin de coche;
permiso de conducir;
estructura del hogar (pareja joven, pareja con nios, jubilados, solteros,
etctera);
ingreso;
decisiones tomadas en otro lugar, por ejemplo, la necesidad de utilizar
el coche para trabajar, acompaar a los nios a la escuela, etctera;
densidad residencial.
Caractersticas del viaje. La eleccin del modo est fuertemente influen- 2.
ciada:
Por el propsito del viaje; por ejemplo, es en general ms fcil utilizar
el transporte colectivo para ir al trabajo que para otros desplazamientos,
dada su regularidad y la posibilidad de ajustes en el largo plazo.
Por el perodo del da en el que se realiza el viaje. Los viajes realizados
en las ltimas horas del da se realizan con mayor dificultad en trans-
porte pblico.
Caractersticas del medio de transporte. stas pueden ser divididas en dos 3.
categoras. La primera est constituida por factores cuantitativos como:
el tiempo relativo del viaje: tiempo de viaje a bordo del vehculo, de
espera y a pie por cada modo;
los respectivos costes monetarios (tarifas, combustible y costes direc-
tos).
La segunda est constituida por factores cualitativos, menos fciles de
medir, como:
la comodidad y/o conveniencia;
la confiabilidad y regularidad;
la proteccin y seguridad;
Un buen modelo de eleccin modal debera incluir los factores ms impor-
tantes de entre los citados. Los modelos de eleccin modal pueden ser agre-
gados, si se basan en informaciones a nivel zonal (e interzonal), o pueden ser
o
desagregados, si se basan en datos familiares o individuales. Los modelos
agregados pueden incorporar las caractersticas del viaje y de los medios de
transporte con una segmentacin sencilla (p. ej., la disponibilidad de coche);
generalmente utilizan el concepto de coste generalizado. Los modelos des-
agregados pueden, al menos potencialmente, incluir la mayora de los factores
mencionados.
6.3. MODELOS DE ELECCIN DE DESTINO Y PARTICIN MODAL
La aplicacin de los modelos de eleccin modal para toda la poblacin propor-
ciona, evidentemente, viajes repartidos segn diferentes modos, de ah viene su
nombre de modelos de particin modal. En el pasado, especialmente en EE.UU.,
se pensaba que las caractersticas personales eran los elementos determinantes
y ms importantes para la eleccin del modo de viaje y, consecuentemente,
se intentaron aplicar modelos de particin modal inmediatamente despus de
la generacin del viaje. De esta forma podran preservarse las diferentes ca-
ractersticas de los individuos y utilizarlas para estimar la particin de modo:
por ejemplo, para los diferentes grupos despus de haber usado un modelo de
anlisis de categoras. Ya que a ese nivel no haba ninguna indicacin de hasta
dnde pueden llegar los viajes, las caractersticas del viaje y los modos fueron
omitidos en estos modelos.
Esto era consistente con una visin planificadora global segn la cual,
cuando aumentan los ingresos, la mayora de las personas adquieren un co-
che y desean utilizarlo. El objetivo de la planificacin de transporte fue pro-
nosticar este crecimiento de la demanda para los viajes en coche con el fin
de planificar las inversiones para satisfacerla. Los modelos de particin mo-
dal de aquella poca, relacionaban la eleccin de modo solamente con factores
como ingresos, densidad de poblacin y propiedad de los coches. En algunos
casos se incluy la disponibilidad de un servicio de transporte pblico razona-
ble introduciendo un ndice de accesibilidad en las correspondientes formu-
laciones.
A corto plazo estos modelos podan ser muy exactos, especialmente si
exista transporte pblico disponible de forma similar en toda la zona de estudio
y si haba poca congestin. Sin embargo, este tipo de modelos son bastante pe-
simistas en el sentido de ser insensible a las decisiones de polticas de trasporte;
parece que no hubiera nada que pudiesen hacer los que toman las decisiones
para influir en la eleccin de modo. Aspectos como mejorar el transporte p-
a
o
blico, restringir el aparcamiento, cobrar por el uso de carreteras, no tendran
efecto sobre la particin modal segn estos modelos de eleccin.
6.4. MODELOS DE DISTRIBUCIN Y PARTICIN MODAL
La modelizacin del reparto modal tuvo gran auge en Europa, casi desde el
principio, por los modelos postdistribucin; es decir, son modelos aplicados
posteriormente al modelo gravitacional o a otro modelo de distribucin. Esta
forma de trabajar tiene la ventaja de facilitar la inclusin de las caractersticas
del viaje y de los modos alternativos; sin embargo, dificulta la inclusin de
las caractersticas del usuario ya que quizs dichas caractersticas se hayan
agrupado ya en la matriz o matrices del viaje.
Los primeros modelos incluyeron solamente una o dos caractersticas del
viaje, usualmente el tiempo del viaje (dentro del vehculo). Se observ que una
curva de forma S representaba mejor este tipo de comportamiento, tal y como
se puede ver en la figura 6.1, la cual muestra la proporcin de viajes realizados
por el modo 1 (T
ij
1
/ T
ij
) frente a la diferencia de tiempo o coste.
(C
2
ij
C
1
ij
)
T
1
ij
T
ij
0
0,5
1,0
Figura 6.1. Curva de particin modal.
stas fueron curvas empricas, obtenidas directamente a partir de los datos
y siguiendo una aproximacin similar a las curvas utilizadas para calcular la
proporcin de viajeros que iban a desviarse para usar una ruta alternativa (ms
larga pero ms rpida); de ah su nombre curvas de desviacin. Por ejemplo,
oo
el Estudio del Transporte en Londres (Fase III) empleaba las curvas de desvia-
cin para los viajes hacia el centro y los viajes fuera del centro (los primeros
normalmente realizados mediante el transporte pblico) y segn diferentes
motivos de viaje.
Es obvio que estos modelos solamente se pueden utilizar para las matri-
ces de viajes de los usuarios con una eleccin disponible, es decir aquellos
que no se encuentran cautivos de un modo en particular. Esto a menudo se
materializa en una matriz de personas con disponibilidad de coche, aunque la
particin modal tambin se puede aplicar a la eleccin entre diferentes modos
de transporte pblico.
Estos modelos tienen poca base terica, lo cual pone en duda su capacidad
de previsin. Tambin ignoran diversas variables polticas sensibles como son
las tarifas de viaje, de aparcamiento, etc. Adems, como los modelos son de tipo
agregado es poco probable que vayan a modelizar con exactitud las restricciones
y caractersticas de los modos disponibles para los individuos.
6.5. MODELOS SINTTICOS
6.5.1. Modelos simultneos de distribucin y de reparto modal
El enfoque de maximizacin de la entropa puede utilizarse para generar mo-
delos simultneos de distribucin y eleccin modal. Para ello, es necesario
formular el problema de maximizacin de la entropa en trminos de, por
ejemplo, dos modos tal y como se muestra a continuacin:

Maximizar log ( log ) W T T T T
ij
k
ij
k
ij
k
ij
k
ijk

(6.1)
Sujeto a:

T O
ij
k
i
jk

0

(6.2)

T D
ij
k
j
ik

0

(6.3)

T C C
ij
k
ij
k
ijk

0

(6.4)
o;
Es fcil ver que este problema lleva a la siguiente solucin:

T AOB D C
ij
k
i i j j ij
k
exp( ) |

(6.5)

P
T
T
C
C C
ij
ij
ij
ij
ij ij
1
1 1
1 2

+
exp( )
exp( ) exp( )
|
| |

(6.6)
donde P
ij
1
es la proporcin de viajes realizados entre i y j con el modo 1. La
forma funcional en (6.6) se conoce como logit y se estudiar con detalle en el
siguiente captulo. Sin embargo, es til citar algunas de sus propiedades:
Genera una curva en forma de S.
Si C
1
= C
2
, entonces P
1
= P
2
= 0,5.
Si C
2
>> C
1
entonces P
1
1.
El modelo puede extenderse fcilmente al caso de ms de dos modos

P
C
C
ij
ij
ij
k
k
1
1
exp( )
exp( )
|
|

(6.7)
Hay que destacar que en esta formulacin, desarrolla un doble papel;
por un lado, como parmetro que controla la dispersin en la eleccin modal
y por otro en la eleccin de diferentes destinos que se encuentran a distancias
diferentes del origen. Aunque est justificado mediante base terica, se con-
sidera que slo dicho parmetro asume demasiada responsabilidad (en cierto
modo es pedirle demasiado a un parmetro solo). Por lo tanto, en muchos
estudios se ha utilizado un modelo conjunto de distribucin y eleccin modal,
ms prctico, de la forma:

T A O B D K
C
C
ij
kn
i
n
i
n
j j n ij
n n ij
k
n ij
k
k

exp( )
exp( )
exp( )
'
'
|

(6.8)
donde K
ij
n
es el coste compuesto de viaje entre i y j percibido por el individuo
de tipo n. El coste compuesto puede ser especificado de muchas formas dife-
rentes; por ejemplo, puede ser el mnimo entre los dos costes o, quizs mejor,
igual a su promedio ponderado:

K P C
k k
k

(i y j se omiten por simplicidad de notacin)
o8
Es interesante sealar que la mayora de las formulaciones utilizadas en
muchos estudios hasta 1970 eran inapropiadas.
Ejemplo 6.1: considrese la expresin de la media ponderada representada
ms arriba y analcese lo que sucede cuando se aade a un sistema unimodal
actualmente existente, un nuevo modo ms costoso (C
2
> C
1
).
En el estado inicial se tiene que:
K P C C
k k
k

1
Mientras en el estado final, despus de la introduccin del modo 2, que-
dara:

K P C P C
*
+
1 1 2 2
Sin embargo, se sabe que P
1
+ P
2
= 1 y, por lo tanto:

K P C P C C P C C
K K P C C
*
*
( ) ( )
( )
+ +
+
1
2 1 2 2 1 2 2 1
2 2 1
Ahora, siendo P
2
y (C
2
C
1
) mayores que cero, se puede concluir que
K
*
> K, lo cual carece de sentido porque la introduccin de una nueva alter-
nativa, aunque sea ms costosa, no debera hacer que los costes compuestos
creciesen; en el peor de los casos, deberan quedar iguales.
Williams (1977) ha demostrado que la nica especificacin correcta, com-
patible con la teora predominante del comportamiento de eleccin racional
(ver epgrafe 7.2) es:

K C
ij
n
n
n ij
k
k
log exp( )

(6.9)
donde tiene que satisfacer la siguiente restriccin:

n

n
(6.10)
Se volver a tratar dicha restriccin en el Captulo 7. La medida del coste
compuesto (6.9) tiene las siguientes propiedades:
K Min C
k
k
s

lim

K Min C
k
k
, que corresponde a la eleccin del modo todo o nada.
o,

d
d
K
C
P
k
k
El modelo [(6.8) (6.10)] representa la buena prctica de la modeliza-

cin agregada del reparto modal y de la distribucin, sobre todo para las reas
urbanas. Aunque un nmero importante de modelos de este tipo se sigue apli-
cando en la prctica, actualmente estn siendo reemplazados por los modelos
desagregados, ya que responden mejor a los elementos fundamentales de la
eleccin modal y utilizan los datos de manera ms eficiente justificando el
esfuerzo requerido para su recoleccin; nuevamente se tratarn estos modelos
en los Captulos 7 y 9.
6.5.2. Modelos de reparto multimodal
La figura 6.2 ilustra las estructuras posibles de un modelo de elecciones entre
ms de dos modos. La estructura de N-ramas independientes que, como se ver
en el Captulo 7, es muy popular en la modelizacin desagregada, es la ms
simple; sin embargo, tal y como se indica en el ejemplo famoso del bus azul-bus
rojo (Mayberry, 1973), cuando algunas alternativas se parecen ms que otras (o
sea, cuando las alternativas estn correlacionadas), esta estructura puede crear
problemas, porque asume que todas las alternativas tienen un peso igual.
Ejemplo 6.2: considrese una ciudad donde el 50% de los viajeros eligen
el coche (C) y el 50% el autobs (B). De acuerdo con el modelo (6.7), es decir
una estructura de N-ramas independientes, esto significa que C
C
= C
B
. Su-
pngase que el director de la empresa de transporte, en un punto de ingenio,
decida pintar la mitad de los autobuses de rojo (BR) y los otros de azul (BA)
sin modificar el nivel del servicio. Esto significa que C
BR
= C
BA
y, debido a que
el modo coche no ha cambiado, su coste todava es igual a C
C
. Es interesante
apreciar que el modelo (6.7) ahora prev para el modo coche la siguiente pro-
babilidad de eleccin:

P
C
C C C
C
C
C

+ +

exp( )
exp( ) exp( ) exp( )
,
|
| | |
BR BA
0 33
cuando cabra esperar que la P
C
fuera 0,5 y que los autobuses se dividieran la
mitad del mercado de igual manera entre el autobs rojo y el azul.
e N-
P
C

C
1o
El ejemplo es, obviamente, exagerado pero sirve para indicar el proble-
ma de la estructura de N-ramas independientes en presencia de alternativas
correlacionadas (en este caso totalmente correlacionadas). Se volver a tratar
este tema en el Captulo 7.
La estructura modo-anidado, que se ilustra en la figura 6.2b, ha sido uti-
lizada por muchos profesionales pragmticos hacia finales de los 60 y a
principios de los 70, pero se ha demostrado que produce resultados diferentes
segn el modo que se considere como modo aadido (Langdon, 1976).
Adems, utilizando la simulacin de Monte Carlo se ha demostrado que
la forma del modo aadido que mejor funciona en el ao base, en presencia de
algunos cambios, no es necesariamente la mejor en el futuro (Ortzar, 1980a).
La tercera posibilidad, ilustrada en la figura 6.2c, es la estructura jerr-
quica (o nested structure). En este caso, las alternativas que tienen elementos
en comn (es decir que son ms similares a otras o estn correlacionadas) se
agrupan en una primera divisin (p. ej., transporte pblico). Despus de que
han sido separadas de la alternativa no correlacionada, se agrupan en una
agrupacin secundaria.
Esta forma de proceder ha representado la prctica usual en la dcada
de los 60 y principios de los 70, pero tena la desventaja de que los costes
compuestos para el transporte pblico normalmente se tomaban iguales al
mnimo entre los costes de autobs y de tren para cada par de zonas y que la
reparticin secundaria se obtena a travs de una asignacin de coste mnimo
todo o nada.
Este procedimiento pragmtico implica un valor infinito para el parme-
tro de dispersin de la funcin de reparto sub-modal, mientras comnmente se
sabe que, an satisfaciendo (6.10), tiene un valor del mismo orden de magnitud
del parmetro de dispersin en el reparto principal.
Ejemplo 6.3: sea nuevamente el problema del autobs rojo/azul del ejem-
plo 6.2, pero esta vez, considrese la siguiente expresin de la estructura je-
rrquica:

P
C C
P P
C
C
C
+

1
1
1
1
exp ( )
;
B
B

P
C C
R/B
BA BR
+
1
1
2
exp ( )
11

P P
A/B R/B
1
con

C C C
B BR BA

+ ,
]
]
1
2
2 2
log exp( ) exp( )

donde P
C
, como antes, es la probabilidad de elegir el modo coche; (1 P
C
)P
R/B

es la probabilidad de elegir el autobs rojo, (1 P
C
)P
A/B
es la probabilidad de
elegir el autobs azul y son los parmetros del reparto principal y secundario.
Todos los viajes
Modo A
(a) Estructura de N-ramas
Modo B Modo C
Eleccin modal
Todos los viajes
Modo A
Modo A
(b) Estructura de modos anidados
+ nuevo + nuevo
Modo B Modo B
Modo B
Modo C
Modo C
Primera eleccin
Segunda eleccin Segunda eleccin
Todos los viajes
Modo compuesto
Modo A
(c) Estructura jerrquica
Modo B Modo C
Reparto primario
Reparto secundario
Figura 6.2. Estructuras del modelo multimodal: (a) estructura de N-ramas
independientes, (b) estructura modos-anidados, (c) estructura jerrquica.
P
C
, P
C
)
C
P
C
)
C
1:
Es simple ver que, si C
C
= C
B
, este modelo asigna un probabilidad igual a 0,5
para el automvil y a 0,25 para cada una de las dos alternativas de bus. Sin
embargo, el valor del coste compuesto del bus C
B
no es el mismo que el del bus
rojo o azul (C
BR
y C
BA
). De hecho, el primero depende del valor de
2
y para el
problema del bus azul/rojo se tiene:

C C
B BA
log
1
2
2
Por lo tanto el coste compuesto de autobs ser siempre menor que el coste
del autobs azul o rojo. El parmetro de dispersin
2
permite elegir a los usua-
rios las alternativas que no minimizan la parte observada de la funcin de coste
generalizado debido a la existencia de variables no incluidas en el modelo.
Dado ahora un par O-D donde los costes de viaje en autobs (rojo o azul)
y en coche son todos iguales a 50 minutos generalizados. Considrese tambin
que
2
es igual a 0,9. En este caso el valor del coste compuesto C
B
no es 50 si
no 49,23 y el porcentaje de usuarios que elige el coche depender del valor de
1
, tal y como se expone en la siguiente tabla.
1
P
C
0,001 0,500
0,005 0,499
0,010 0,498
0,050 0,490
0,100 0,481
0,500 0,405
0,600 0,386
0,700 0,368
0,800 0,351
0,900 0,333
Puede observarse tambin que si
1
=
2
entonces P
C
= 1/3 o sea se obtiene el
mismo resultado de un modelo logit trinomial, porque la estructura jerrquica
colapsa en el modelo logit simple (epgrafe 7.4).
P
C
1
Sin embargo, para valores pequeos, por ejemplo,
1
= 0,1, la estructura
jerrquica prev un porcentaje de usuarios que escogen el automvil (48%)
muy cercano al valor esperado (50%). Aqu surge la siguiente duda: este 2%
que se pierde puede explicarse porque algunos usuarios tienen una preferen-
cia especial por un color o porque algunos usuarios se ven influenciados por
cualquier cambio (la nueva pintura) en la oferta de un servicio?
6.5.3. Calibracin de modelos logit binarios
Sea ahora un modelo de eleccin entre el coche y el transporte pblico con
costes generalizados C
ij
k
dados por una expresin del tipo (5.2). Tal y como se
estudi en el Captulo 5, los pesos a asociados a cada elemento de coste
se consideran como dados y la calibracin consiste solamente en encontrar los
mejores valores para los parmetros de dispersin y de penalidad modal (se
considera asociado al segundo modo).
Adems, sean C
ij
1
y C
ij
2
las partes conocidas del coste generalizado para
cada modo y par O-D, si tambin se dispone de informacin acerca del por-
centaje de usuarios que elige cada modo para cada par (i,j), P
ij
*
, es posible
estimar los valores de y de utilizando una regresin lineal siguiendo los
pasos indicados a continuacin.
El porcentaje P modelizado para cada par (i,j), eliminando los ndices (i,j)
por sencillez de notacin, da como resultado:

P
C C
1
2 1
1
1
+ + exp ( ) o

P P
C C
C C
2 1
2 1
2 1
1
1

+
+ +
exp ( )
exp ( )
o
o

(6.11)
Por lo tanto, la relacin entre los dos porcentajes, es:

P P C C C C
1 1 2 1 2 1
1 1 / ( ) / exp ( ) exp ( ) + + o o
y tomando logaritmos en ambas partes, se obtiene:

log / ( ) ( ) P P C C
1 1 2 1
1 [ ] + o

(6.12)
1
donde P y C son datos observados y y son, por lo tanto, las nicas incgni-
tas. Estos valores pueden calibrarse haciendo una regresin lineal en la que la
parte izquierda del (6.12) representa la variable dependiente mientras (C
2
-C
1
)
es la independiente, es la pendiente de la recta y el intercepto. Obsrvese
que si se asume que los pesos a en la funcin de coste generalizado son desco-
nocidos, es todava posible calibrar el modelo utilizando la ecuacin (6.12) y la
regresin lineal mltiple. En este caso los pesos calibrados incluiran el par-
metro . Otros mtodos de calibracin se discuten en el siguiente epgrafe.
Ejemplo 6.4: sean los datos de la tabla siguiente:
Tabla 6.1. Datos agregados para el modelo de reparto binario
Par de zonas P
1
(%) P
2
(%) C
1
C
2
log[P
1
/ (1 P
1
)]
1 51,0 49,0 21,0 18,0 0,04
2 57,0 43,0 15,8 13,1 0,29
3 80,0 20,0 15,9 14,7 1,39
4 71,0 29,0 18,2 16,4 0,90
5 63,0 37,0 11,0 8,5 0,53
en la que las primeras cuatro columnas representan los datos relacionados
con la eleccin agregada del modo entre cinco pares de zonas; mientras la
ltima columna de la tabla corresponde a los valores de la parte izquierda de
la ecuacin (6.12).
La ecuacin (6.12), puede ser representada grficamente como se muestra
en la figura 6.3, en la que 0,72 y 3,15.
6.5.4. Calibracin de modelos jerrquicos de particin modal
Normalmente la calibracin de estos modelos se lleva a cabo de forma heurstica
o recursiva, comenzando con la particin sub-modal y procediendo hacia arriba
hasta la particin primaria. Se postpone hasta el Captulo 7 la discusin general
sobre las ventajas de esta aproximacin en comparacin a la, tericamente,
superior estimacin simultnea.
Dentro de esta aproximacin general existen varios procedimientos de
calibracin posible. Se ha demostrado (vase Domencich y McFadden, 1975)
1
que las estimaciones mediante mxima verosimilitud son preferibles a las es-
timaciones por mnimos cuadrados, tanto en la teora como en la prctica.
Ello es especialmente cierto cuando se trabaja con grandes series de datos. Sin
embargo, cuando se trata de fuentes de datos agregados normalmente conviene
agrupar la informacin dentro de clases idneas para su anlisis. De forma ms
importante, los datos normalmente disponibles son, por definicin, datos de
muestreo que han sido expandidos y multiplicados por algunos factores de-
rivados empricamente para representar los viajeros. Esto puede provocar dis-
crepancias cuando se utilizan varias fuentes de datos con diferentes factores
de expansin, pero, en este momento, el aspecto importante es que la serie de
datos reales es muy pequea.
Hartley y Ortzar (1980) compararon diversos procedimientos y encon-
traron que la mxima verosimilitud produca no solamente resultados de ca-
libracin ms exactos sino tambin ms eficientes en trminos de tiempo de
ordenador.
Considrese un problema trinomial que implica la eleccin entre, por ejem-
plo, coche, autobs y ferrocarril. Tambin se va a suponer que estos dos ltimos
modos estn correlacionados debido a su naturaleza de transporte pblico.
La calibracin heurstica procede de la siguiente forma. Primero, se obtiene
2

para la particin sub-modal (autobs frente a ferrocarril) tal y como se explicaba
en el ejemplo 6.4 y se utiliza su valor para calcular los costes compuestos de
2,5
1,0
-1,0 -2,0 -3,0 (C
2
C
1
)
2,0
0,5
1,5
0
0
log = (C
2
C
1
)
log
P
1
(1 P
1
)
P
1
(1 P
1
)
Figura 6.3. Recta que mejor se ajusta a los datos de la tabla 6.1.

1o
transporte pblico necesarios para la particin primaria utilizando una expre-
sin como la del ejemplo 6.3.
Para los pares de zonas donde hay una eleccin de modo (es decir, son
posibles los viajes de ambos modos) los viajes se clasifican segn diferentes
intervalos de coste de un cierto tamao mnimo. Aquellos viajes que no tienen
eleccin de modo se excluyen de la calibracin.
Entre los intervalos de costes con viajes asignados, pueden existir algunos
de ellos sin ningn viaje; por lo tanto los intervalos se deben agrupar en inter-
valos ms grandes hasta que cada estrato contenga algn viaje. Finalmente,
para cada estrato se calcula un coste representativo ponderado.
Entonces, si N es el nmero total de intervalos, n
k
es el nmero de viajes
observado dentro del intervalo de costes k, r
k
es el nmero de viajes observado
para el primer modo dentro del intervalo, y

P
Y
k
k
+ [ ]
1
1 exp( )
La probabilidad de elegir el primer modo en el intervalo k, con Y
k
= ax
k
+ b,
donde x
k
es el coste representativo del intervalo k, y a y b son los parmetros
que hay que estimar (es decir, = a as como la penalizacin modal = b / a), el
logaritmo de la funcin de probabilidad (vase el Captulo 8 para ms detalles)

L ctte n r P r P
k k k k k
k
+ ( ) + ,
]
]
log( ) log 1
(6.13)
El procedimiento de maximizacin se realiza a travs de las derivadas
primera y segunda de (6.13) con respeto a los parmetros, los cuales en este
simple caso tienen expresiones analticas sencillas:

o
o
( )
o
o
( )
o
o
( )
L
a
r n P x
L
b
r n P
L
a
n P P x
k k k k
k
k k k
k
k k k k
k
2
2
2
1
1;

o
22
2
2
1
1
L
b
n P P
L
a b
n P P x
k k k
k
k k k k
k
o
( )
o
o o
( )
Conociendo los valores de las derivadas, cualquier algoritmo de bsqueda

va a encontrar el mximo sin ninguna dificultad. Las rutinas de maximizacin
requieren valores iniciales para los parmetros, junto con alguna indicacin de
su lejana con respecto al ptimo.
La eficacia de la calibracin normalmente depende de la exactitud de estas
estimaciones. Un procedimiento para generar primeras estimaciones bastante
exactas consiste en encontrar el coste equi-probable (vase Bates et al., 1978),
donde la probabilidad de elegir cualquiera de los modos es 0,5.
Antes de cerrar este captulo conviene discutir una aproximacin alternativa
que consolide, en un solo modelo, los aspectos de dos o tres de los sub-modelos
clsicos.
6.6. MODELOS DE DEMANDA DIRECTA
6.6.1. Introduccin
La metodologa secuencial requiere la estimacin de sub-modelos relativamente
bien definidos. Un enfoque alternativo consiste en desarrollar directamente
un modelo que incorpore la generacin, distribucin y eleccin del modo de
transporte. ste es un mtodo muy atractivo en tanto en cuanto evita algunos
problemas del enfoque secuencial. Por ejemplo, ya se ha citado anteriormente,
que los modelos gravitacionales presentan el problema de tener que tratar los
errores de los totales de generacin y atraccin y los errores generados por
viajes intrazonales estimados de forma no muy rigurosa. Los modelos de de-
manda directa, sin embargo, no presentan este problema puesto que se calibra
simultneamente un modelo para las tres respuestas conductuales: generacin,
distribucin y eleccin de modo.
Los modelos de demanda directa pueden ser de dos tipos: los puramente
directos cuando utilizan una sola ecuacin estimada para relacionar la demanda
de viajes directamente con los atributos del modo, del viaje y del individuo;
o casi directos cuando el reparto modal y la demanda de viajes totales (O-D)
18
estn, de alguna manera, separados. Los modelos de demanda directa estn
estrechamente ligados a los modelos generales economtricos de demanda
y desde hace mucho tiempo se han inspirado en las investigaciones en este
campo.
6.6.2. Modelos de demanda directa y modelos abstractos
Los primeros tipos de modelos de demanda directa han sido los de tipo mul-
tiplicativo. El modelo SARC (Kraft, 1968), por ejemplo, estima la demanda
utilizando una funcin multiplicativa de variables de actividad y socioeconmi-
cas para cada par de zonas y de atributos de nivel de servicio de los modos que
sirven a estas zonas:

T PP I I t c
ijk i j
k
i j
k
ij
m km
ij
m km
m
( ) ( )
,
,
]
]
]
j
|
u u
o o
( ) ( )
1 2
1 2

(6.14)
donde P es la poblacin, I es el ingreso o renta, t y c el tiempo y el coste de viaje
respectivamente entre i y j en el modo k, y , y son parmetros del modelo.
Esta complicada expresin puede ser re-escrita ms simplemente definiendo
las siguientes variables compuestas (Manheim, 1979):

L t c
Y P I
Z P I
ijm ij
m
ij
m
ik i i
jk j j
km km
k k
k k
( ) ( )
o o
u u
u u
1 2
1 2
1 2
Con lo que la ecuacin (6.14) queda:

T Y Z L
ijk ik jk ijm
m
j
|

(6.15)
as esta transformacin facilita la interpretacin de los parmetros del mo-
delo; es decir, es el parmetro de escala que depende del motivo del viaje a
estudio.
k1
y
k2
son la elasticidad de la demanda respecto a la poblacin y al
ingreso respectivamente; se espera que estos parmetros tengan signo posi-
tivo.
1
km
y
2
km
representan la elasticidad de la demanda respecto al tiempo y
al coste de viaje; las elasticidades directas (es decir, cuando k = m) han de ser
negativas en tanto que las elasticidades cruzadas deberan ser positivas. El mo-
1,
delo, en principio, es particularmente atractivo en cuanto que permite tratar
simultneamente generacin, distribucin y reparto modal incluyendo atribu-
tos de los modos competitivos as como una amplia variedad de variables
de nivel de servicio y de actividad. El principal problema que presenta este mo-
delo es el gran nmero de parmetros necesarios para poder utilizar sus ven-
tajas.
Domencich et al. (1968) han propuesto frmulas alternativas que contienen
trminos lineales y exponenciales adems de los multiplicativos.
Otra funcin directa de demanda originariamente propuesta en el estu-
dio del corredor North Eash en EE.UU. se conoce como modelo McLynn (ver
Manheim, 1979) y tiene la siguiente forma:

T PP I I
t C
t C
ijk i j i j
ij
k k
ij
k k
ij
m
m
ij
m
m
( ) ( )
( ) ( )
|
u u
o o
o o
( ) ( )
1 2
1 2
1 2
,,
,
]
]
]
( ) ( )
,
,
]
]
]

m
ij
m
m
ij
m
m
m
t C
o o

1 2

(6.16)
Al objeto de entender esta funcin, se consideran las siguientes simplifi-
caciones: sean slo dos modos (p. ej., 1 y 2) y = 0. Omitiendo los ndices i y
j por simplicidad de notacin, se definen las siguientes variables compuestas:

Y Y PP I I
L t C
ij i j i j
k
k k k k

( ) ( )
|
u u
o o
( ) ( )
1 2
1 2
Teniendo en cuenta estas transformaciones, se pueden escribir las siguientes
expresiones para los modos 1 y 2:

T
YL
L L
T
YL
L L
1
1
1 2
2
2
1 2
+

+
y
Siendo el nmero total de viajes T = T
1
+ T
2
= Y, las proporciones modales
vienen dadas por las siguientes ecuaciones:
P
1
= T
1
/ T = L
1
/ (L
1
+ L
2
) = 1 / (1 + L
2
/ L
1
)
P
2
= 1 P
1
= 1 / (1 + L
1
/ L
2
)
que se pueden representar grficamente como se expone en la figura 6.4. En
particular, la figura 6.4a representa la variacin de la proporcin de utiliza-
:o
cin de cada uno de los modos con respecto a la relacin entre sus niveles de
servicio. Ello significa que si, por ejemplo, se desea aumentar la tarifa del
modo 2 sin disminuir su actual cuota de mercado se deben realizar modificacio-
nes para mantener constante el nivel de servicio L
2
. La figura (6.4b) indica que
para poder mantener constante el nivel de servicio se tiene que hacer variar
tambin t
2
(obviamente sin variar el otro modo).
Volviendo atrs, al modelo general (6.16), es fcil ver que los parmetros
tienen, en general, el mismo significado pero su nmero es mucho menor que
en el modelo SARC. Solamente ha aparecido un nuevo parmetro , cuyo
anlisis es muy instructivo. Dicho parmetro se ha introducido para permitir
que el trmino al que est asociado represente el potencial total de viajes para
los diferentes modos; de esta manera, el trmino anterior, en la ecuacin, tiene
la funcin de reparto modal de estos viajes entre los diferentes modos, como
se acaba de ver.
1,0
P
k
0,5
(a)
0
0 1
T
2
T
1
+ T
2
T
1
T
1
+ T
2
L
2
/ L
1
C
k
(b)
L
k
= A
L
k
= B
L
k
= C
t
k
Figura 6.4. Funciones de reparto modal en el modelo de McLynn;
(a) curvas de reparto modal, (b) curvas de isocoste.
El examen de algunos casos particulares sugiere que el modelo puede
no tener una slida base terica. Por ejemplo, si = 0, tal y como se vio an-
teriormente, el ltimo trmino de la ecuacin (6.16) desaparece. Si = 1 el
ltimo trmino y el trmino del denominador de dicha ecuacin se cancelan,
conduciendo a la siguiente expresin:
:1

T PP I I t C
ijk i j i j ij
k
ij
k
k k
( ) ( )
o

o o
( ) ( )
1 2
1 2
que efectivamente dice que lo que sucede en un modo no influye en lo que
sucede en los otros y eso es totalmente irreal. De hecho se ha demostrado
que si 0 < < 1, el modelo proporciona resultados satisfactorios; en este sen-
tido es importante destacar que el valor de calibracin que mejor se ajusta a los
datos obtenidos del estudio original era 0,77 (McLynn y Woronka, 1969).
Ejemplo 6.5: sea la funcin de demanda siguiente: T
12
= 10.000 t
12
c
12
q
12

donde t es el tiempo medido en horas, la tarifa c en $US y la frecuencia del
servicio q en servicios/da. Los valores estimados de los parmetros son = 2,
= 1 y = 0,8 (obsrvese que los signos son intuitivamente correctos). Si
el operador del servicio quiere aumentar las tarifas en un 20%, se pregunta,
qu cambios deben realizarse en el nivel de servicio para mantener el mismo
volumen de viajes, conservando el resto igual?
Se define L
12
= L = t
2
c
1
q
0,8
y se sabe que si L permanece constante el
volumen total T
12
no vara (ceteris paribus). Se sabe adems que la elasticidad
E(L, x) del nivel de servicio (o sea, la demanda) con respecto a cada atributo x
(tiempo, coste y frecuencia) es respectivamente 2, 1 y 0,8.
Ahora, si slo variase c, se obtendra que L = k / c donde k es una constante;
por lo cual un crecimiento del 20% de c significara un nuevo nivel de servicio
L' = k / 1,2c o bien L' / L = 0,833. Esto es, una disminucin del 16,7% de L. Para
compensar este efecto, el operador tiene que introducir cambios en el tiempo
de viaje, en la frecuencia del servicio o en ambas. Ahora bien, a partir de la
definicin de elasticidad (ver Captulo 2), se tiene que:

A A A
A A A
A
L E L c L c c L c c
L E L t L t t L t t
L E L
c
t
q
( )
( )
( )
( , ) / /
( , ) / /
(
= =
= =
=
2
,, ) / , / q L q q L q q A A = 0 8
Si se desea que L
(c)
sea igual a L
(q)
, se requiere que:

= L c c L q q A A / . / 0 8
es decir:

A A q q c c / , / , x , , = = 1 25 1 25 0 20 0 25 25% o
::
Si se quiere modificar, ya sea la frecuencia o el tiempo de viaje, en-
tonces:

A A A L L L
c q t ( ) ( ) ( )
( ) +
es decir:

2 0,8 0,20 A A t t q q / /
que es una recta de soluciones factibles (ver Figura 6.5).
0,2
0,2 0,4
At
t
Aq
q
-0,2
0
Figura 6.5. Soluciones factibles para el ejemplo 6.5.
Uno de los estudios ms influyentes en este tipo de anlisis (Quandt and
Baumol, 1966) propone un modelo de demanda en forma abstracta en donde
los coeficientes no presentan el subndice relativo al modo. Su forma funcional
puede ser generalizada as:

T A A C C C
ijm ik jk
k
ijh
h
ijhm ijhb
h
k h
h
( ) j j
o
o o

0
( ) /
jj

(6.17)
donde , y son parmetros de calibracin; el ndice h se utiliza para indicar
un atributo de coste, por ejemplo, el tiempo de viaje, la tarifa o el tiempo de
transbordo. A
ik
son diferentes atributos asociados a cada zona, i, por ejemplo,
la poblacin y el ingreso; C
ijhm
es, por lo tanto, el valor del atributo de coste h
para el modo m entre i y j y C
ijhb
es el valor del mejor atributo h entre estos
dos puntos, por ejemplo, la tarifa ms baja entre ellos. Esta dependencia del
mejor modo para el reparto modal y de la impedancia generalizada, consti-
tuye limitaciones a este enfoque, aunque se puede superar utilizando medias
:
geomtricas respecto a los modos en lugar de utilizar el modo mejor; vase,
por ejemplo, Crow et al. (1973).
Una de las ventajas de la funcin (6.17) es que permite la modelizacin
de modos de transporte completamente nuevos sin necesidad de re-especificar
el modelo. Sin embargo, es necesario discutir la solidez de dichos modelos y
si las elasticidades resultantes son lo suficientemente representativas de cada
modo individual, ya que se basan en condiciones promedio del mercado de
viajes.
Se han propuesto numerosas variantes de los modelos de demanda di-
recta utilizando tcnicas heursticas pero su utilizacin se ha limitado prefe-
rentemente al contexto interurbano con pocas aplicaciones a reas urbanas.
Generalmente se considera el logaritmo de los viajes y de las variables ex-
plicativas para obtener modelos de demanda directa log-lineal que se pue-
den estimar utilizando software para modelos lineales generalizados como el
GLIM.
Los modelos de demanda directa son una propuesta atractiva para ser
utilizados, en particular en aquellas reas en las que las zonas son muy gran-
des, como, por ejemplo, en los estudios interurbanos. Timberlake (1988) es-
tudi la utilizacin de este tipo de modelos de demanda directa en pases en
vas de desarrollo encontrndolos superiores a los enfoques convenciona-
les. As, en el corredor Karthoum-Wad Medani en Sudn el modelo de de-
manda directa utilizado proporcion un mejor ajuste que el modelo gravita-
cional, dadas las caractersticas nicas de trfico de Karthoum y Port Sudan
en comparacin con el resto del pas. El modelo de demanda directa fue, de
hecho, capaz de tener en cuenta estas diferencias mejor que el modelo gra-
vitacional.
EJERCICIOS
6.1. Se ha llevado a cabo una encuesta de eleccin de modos de transporte en
un corredor que conecta cuatro zonas residenciales A, B, C y D con tres reas
de alta concentracin de trabajadores U, V y W.
El corredor tiene una buena conexin ferroviaria y una red razonable de
carreteras. Las tres zonas U, V y W se encuentran localizadas en un rea
fuertemente congestionada y, por lo tanto, los desplazamientos en tren son
muchas veces ms rpidos que en coche. Las informaciones recogidas durante
la encuesta se sintetizan en la tabla siguiente:
:
Par O-D
En coche En tren
Proporcin
en coche
x
1
x
2
x
3
x
4
x
1
x
2
x
3
A-U 23 3 120 40 19 10 72 0,82
B-U 20 3 96 40 17 8 64 0,80
C-U 18 3 80 40 14 10 28 0,88
D-U 15 3 68 40 14 12 20 0,95
A-V 26 4 152 60 23 10 104 0,72
B-V 19 4 96 60 18 9 72 0,90
C-V 14 4 60 60 11 9 36 0,76
D-V 12 4 56 60 12 11 28 0,93
A-W 30 5 160 80 25 10 120 0,51
B-W 20 5 100 80 16 8 92 0,56
C-W 15 5 64 80 12 9 36 0,58
D-W 10 5 52 80 8 9 24 0,64
Donde los costes de viaje por pasajero son los siguientes:
X
1
= tiempo de viaje a bordo en minutos (sistema de transporte principal
ms otros sistemas alimentadores).
X
2
= tiempo de acceso (a pie ms la espera), en minutos.
X
3
= coste de viaje directo (carburante o tarifa) en centavos (coste en efec-
tivo = out-of-pocket o coste pagado en el momento del viaje).
X
4
= es el coste del aparcamiento asociado a un viaje en una direccin, en
centavos.
Calibrar un modelo de reparto modal Logit considerando que el valor del a)
tiempo de viaje es de 8 centavos por minuto y que el valor del tiempo de
acceso es el doble.
Estimar el impacto en el reparto modal sobre cada par O-D producido por b)
el aumento en el precio de la gasolina que provoca una duplicacin del
coste percibido de viajes en coche (X
3
).
Estimar la variacin del reparto modal en el caso en el que el sistema c)
ferroviario fuera gratuito.
:
6.2. Se est desarrollando un estudio interurbano sobre la eleccin
de modo entre coche y tren. Los valores representados en la tabla siguiente
son el resultado de una encuesta sobre cinco pares origen-destino desde A
hasta E.
O-D
Elementos de coste por cada modo
Proporcin
que elige coche
Coche Tren
x
1
x
2
x
1
x
2
A 3,05 9,90 2,50 9,70 0,80
B 4,05 13,10 2,02 14,00 0,51
C 3,25 9,30 2,25 8,60 0,57
D 3,50 11,20 2,75 10,30 0,71
E 2,45 6,10 2,04 4,70 0,63
donde X
1
es el tiempo de viaje en horas y X
2
es el coste directo (out-of-pocket)
en libras esterlinas. Considerando que el coeficiente de valor del tiempo es de
2,00 por hora, calcular el coste generalizado de viaje por modo.
Utilizando los datos de la tabla, calibrar un modelo logit binario de reparto a)
modal introduciendo tambin la penalidad especfica del modo.
Se est pensando en introducir un mejor servicio ferroviario capaz de re- b)
ducir el tiempo de viaje en 12 minutos por trayecto; cunto puede aumen-
tar la tarifa del modo ferroviario para que en cada par O-D no se pierdan
usuarios?
Cmo debera modelizarse la introduccin de un servicio de bus directo c)
entre estas ciudades?
6.3. Sea el siguiente modelo de distribucin/reparto modal:

V AOB D M
ij
n
i i j j ij
n
exp( ) |
donde:

M C
ij
n
n
n
ij
k
k
1
t
t log exp( )
:o
en el que n = 1 indica los individuos con acceso a coche, n = 2 los individuos
sin acceso a coche, k = 1 es el modo coche y k = 2 el modo transporte pblico.
Si el nmero total de viajes entre las zonas i y j es V
ij
= 1.000, calcular cunta
gente utilizara el coche y cunta el transporte pblico segn este modelo. Los
valores estimados de los parmetros son:
1
= 0,10,
2
= 0,05 y = 0,04; ade-
ms, para los viajes entre i y j los costes modales se calcularon y los resultados
fueron: C
ij
1
= 30
y C
ij
2
= 40
.
6.4. Sea el siguiente modelo de reparto modal:

P
C
C
k
ij
k
ij
m
m
exp( )
exp( )
t
t
en la que los costes generalizados vienen dados por:

C x
ij
k
kp kp
p
u
donde son parmetros ponderados de las variables explicativas del modelo
(tiempo, coste, etctera).
Escriba una expresin para la elasticidad de a) P
k
con respecto a x
kp
.
Considrese ahora un problema de eleccin binaria donde los costes gene- b)
ralizados tienen las siguientes expresiones concretas:

C tt c et
C tt c
coche coche coche coche
bus bus bu
+ +
+
0 2 0 1 0 3
0 2 0 1
, , ,
, ,
ss bus
+ + 0 3 0 3 , , et
donde tt es el tiempo de viaje a bordo del vehculo (minutos), c es el coste de
viaje ($) y et es el tiempo de acceso (andando y de espera, min). Supngase
que se conocen los siguientes datos medios por cada modo:
Modo
Variable
tt c et
Coche 20 50 0
Bus 30 20 5
Calcular la proporcin de personas que eligen el coche si = 0,4.
:;
6.5. Sean dos ciudades A y B que distan 800 km y que estn servidas
por un servicio de ferrocarril de mercancas a travs de un terreno montaoso.
El tiempo total de viaje en un sentido, t
r
, es de 20 horas y la tarifa actual, c
r
,
es de 600 $/ton. Se considera adems que, como el servicio se utiliza a baja
capacidad, t
r
es constante, independientemente del volumen de trfico V
r
.
En una carretera casi paralela opera tambin un servicio de camiones,
competencia del ferrocarril; su velocidad media es de 50 km/h y su tarifa es de
950 $/ton. Est previsto un proyecto de autopista que conecte tambin ambas
ciudades y se espera que muchos de los vehculos pesados de la carretera se
pasen a esta nueva infraestructura, constituyendo su parte ms importante de
trfico.
La funcin de nivel de servicio estimada de la nueva autopista es la si-
guiente:
t
t
= 7 + 0,08V
t
(horas)
donde V
t
es el flujo total de camiones por hora. Por otra parte, el ferrocarril ha
estimado su correspondiente funcin de demanda dada por:
V
r
/ V
t
= 0,83(t
r
/ t
t
)
0,8
(c
r
/ c
t
)
1,6
Se espera que el volumen total transportado entre las dos ciudades V
r
+ V
t

permanezca constante a medio plazo e igual a 200 camiones/hora.
Estimar el reparto modal actual (es decir, los volmenes transportados por a)
el ferrocarril y el servicio de camiones).
Estimar el reparto modal si la autopista estuviera hecha. b)
Cul sera el reparto modal si: c)
el servicio de ferrocarril redujera sus tarifas hasta 450 $/ton?
a los camiones se les hiciera pagar un peaje de 4 $/ton para la financiacin
de la autopista?
sucedieran ambas a la vez?
7.
Modelos de eleccin discreta
E
n este captulo se hace una completa introduccin a los mtodos de
modelizacin de elecciones discretas (es decir, la eleccin de alternativa
de transporte de los individuos frente a un conjunto finito de posibili-
dades). En la primera parte se presentan algunas consideraciones de
carcter general, as como el marco de referencia terico en particular (la teora
de la utilidad aleatoria) dentro de la cual se enmarcan estos modelos. Esta
primera parte sirve, asimismo, para introducir algunos conceptos termino-
lgicamente bsicos, estudiando adems la dualidad individuo-modelizador,
la cual es particularmente til para una mejor comprensin de los postulados
tericos.
A continuacin se introducen los dos modelos de eleccin discreta ms
conocidos: el modelo logit multinomial y el modelo logit jerrquico, los cua-
les proporcionan al profesional una familia de instrumentos de modelizacin
particularmente potente. Hay que destacar que la hiptesis implcita para es-
tudiar estos dos modelos es que se disponga de datos de preferencias reveladas
correspondientes a un corte transversal (cross-section).
Tambin sern tratados aqu brevemente otros modelos de eleccin discreta,
como el modelo Probit Multinomial, dado que permite estudiar el tema (apor-
tando ciertas ventajas y algunos inconvenientes especficos) de la modelizacin
con datos-panel, y otros paradigmas que ofrecen una perspectiva alternativa
al enfoque clsico de maximizacin de la utilidad.
Indicar asimismo que en el Captulo 8 se analizarn los problemas de es-
pecificacin y estimacin de estos modelos con datos, ya sea de preferencias
reveladas o declaradas, con el detalle suficiente para poder realizar aplicaciones
prcticas. Dicho captulo analiza adems algunos temas interesantes como, por
ejemplo, el uso de muestras de validacin, que casi nunca se trata en libros
de este tipo. En el Captulo 9 se tratar el problema de la agregacin desde
diferentes puntos de vista, as como la importante cuestin de la actualizacin
l
Modelos de eleccin directa
o
del modelo y su transferencia (ello va dirigido particularmente a aqullos in-
teresados en el enfoque de planificacin continua en transporte).
7.1. CONSIDERACIONES GENERALES
Como ya se ha citado en captulos precedentes, los modelos agregados de de-
manda (o de primera generacin) se basan en relaciones observadas para grupos
de individuos o en relaciones promedio a nivel zonal. Los modelos desagregados
(o de segunda generacin) se basan en elecciones observadas efectuadas por
cada uno de los individuos que se desplazan y por ello se considera que este
enfoque puede conducir al desarrollo de modelos ms realistas.
A pesar de los trabajos de investigacin de autores como Warner (1962) y
Oi y Shuldimer (1962) en que se sealaban las importantes limitaciones de los
mtodos convencionales, los modelos de primera generacin continuaron siendo
utilizados hasta principios de los ochenta en la gran mayora de los proyectos
de transporte casi sin sufrir variaciones. Es precisamente a partir de dichos
aos cuando se comenzaron a considerar los modelos de segunda generacin
como una seria alternativa en el proceso de modelizacin (vase Williams,
1981). Los modelos de eleccin discreta afirman que:
La probabilidad de que los individuos elijan una determinada alternativa
es funcin de sus caractersticas socioeconmicas y de la relativa atractividad
de la alternativa.
Para representar la atractividad de la alternativa se utiliza el concepto
de utilidad (ste es un artificio terico convenientemente definido en forma
tautolgica como lo que el individuo intenta maximizar). Las alternativas per
se no producen utilidad, sino que la utilidad se deriva (Lancaster, 1966) de las
caractersticas de las alternativas y de las caractersticas de los individuos. La
utilidad medible u observable se define generalmente como una combinacin
lineal de variables como:
V
coche
= 0,25 1,2 IVT 2,5 ACC 0,3 C/I + 1,1 NCOCHE (7.1)
donde cada variable representa un atributo de la alternativa o del viajero, en
tanto que los coeficientes representan la influencia relativa de cada atributo, es
decir, la contribucin que cada variable aporta a la satisfaccin total producida
por cada alternativa. Por ejemplo, de la ecuacin (7.1) se puede obtener que una
1
variacin unitaria del tiempo de acceso (ACC) tendra, aproximadamente, el do-
ble de impacto que una variacin unitaria del tiempo de viaje en vehculo (IVT)
y un impacto ms de siete veces mayor que un cambio unitario en la variable
coste/ingreso (C/I). Las variables pueden tambin representar caractersticas
del individuo: por ejemplo, en general sera de esperar que un individuo que
pertenece a un hogar en el que hay un elevado nmero de coches (NCOCHE)
tenga una probabilidad mayor de elegir la alternativa coche respecto a un in-
dividuo que pertenece a una familia en la que slo hay un vehculo.
En fin, la constante especfica de la alternativa (0,25) se puede normal-
mente interpretar como la representacin de la influencia neta de todas las
caractersticas tanto del individuo como de la alternativa de transporte, no
observadas o no explcitamente incluidas en dicha funcin de utilidad. La
constante especfica puede incluir, por ejemplo, elementos tales como el confort
o la fiabilidad, que son variables nada fciles de medir o de observar.
De acuerdo con el modelo, para poder predecir si una alternativa es elegida,
el valor de su utilidad se ha de comparar con el valor de las utilidades de las
opciones alternativas y transformarse en un valor de probabilidad entre 0 y 1.
Para ello, existe una gran variedad de transformaciones matemticas, cuyas
grficas tienen forma de S y de entre las cuales se destacan las siguientes:
Logit:

P
V
V V
1
1
1 2
+
exp( )
exp( ) exp( )
Probit:

P
x x x x
1
2
1
1
2
1 2
1 2
2
2
1
2 1
2
j
(
,
\
,
(
+
j
exp
( ) p o
p
o o o
((
,
\
,
(
,
,
,
]
]
]
]
2
1 2
2
2 1
1
ro o p ( )
V V
22 1
2 1
+
[ [
x
dx dx
donde la matriz de covarianza de la distribucin Normal asociada a este ltimo
modelo tiene la forma siguiente:

j
(
,
\
,
(
o o o
o o o
1
2
1 2
1 2 2
2
Los modelos de eleccin discreta no se pueden calibrar utilizando tcnicas
clsicas de ajuste de curvas, como, por ejemplo, el mtodo de los Mnimos
Cuadrados, porque su variable dependiente P
i
es una probabilidad no-observada
:
(entre 0 y 1) mientras que las observaciones son las elecciones realizadas por
los individuos (que son solamente 0 1); las nicas excepciones al respecto
son los modelos para grupos homogneos de individuos, o cuando el compor-
tamiento de cada individuo se registra en varias ocasiones, porque, de hecho,
las frecuencias observadas de eleccin son tambin variables comprendidas
entre 0 y 1.
Spear (1977) ha realizado una conveniente sntesis de algunas propiedades
interesantes de estos modelos:
Los modelos desagregados de demanda (DM) se basan en teoras de com- 1.
portamiento individual y no constituyen analogas fsicas de ningn tipo.
Por ende, en tanto en cuanto intentan explicar dicho comportamiento,
presentan una importante ventaja potencial respecto a los modelos con-
vencionales, en el sentido de que es ms probable que sean estables (o
transferibles) en el tiempo y en el espacio.
Los DM se estiman utilizando datos individuales, lo que implica que: 2.
En cuanto se refiere a la utilizacin de informacin pueden ser ms efi-
cientes que los modelos convencionales; de hecho requieren un nmero
menor de datos ya que la eleccin de cada individuo puede ser utilizada
como una observacin. En los modelos agregados, una observacin re-
presenta el promedio de (a veces) cientos de observaciones individuales.
Asimismo, el utilizar datos individuales hace que se pueda tener en
cuenta toda la variabilidad inherente a dichas informaciones.
En principio, los DM pueden ser aplicados a cualquier nivel de agrega-
cin aunque este proceso no es nada sencillo, tal y como se ver ms
adelante.
Existe una menor probabilidad de que los DM se vean afectados por
distorsiones debidas a la correlacin entre unidades agregadas. Cuando
se agrega informacin puede aparecer un serio problema debido a que
el comportamiento individual puede ser ocultado por caractersticas no
identificadas asociadas a las zonas. Este problema es conocido con el
nombre de falacia ecolgica.
El ejemplo de la figura 7.1 muestra que si se estimara un modelo de gene- 3.
racin de viajes utilizando datos zonales (empleando las medias de cada
zona), se obtendra que el nmero de viajes disminuye con el ingreso,
mientras que si se usan los datos individuales se vera claramente que el
nmero de viajes aumenta con el ingreso. Dicho fenmeno, que obviamente

en la figura se ha exagerado, puede suceder, por ejemplo, en el caso en que
las caractersticas de uso del suelo de la zona B favorezcan la realizacin
de viajes andando.
Los modelos desagregados son probabilsticos; ello implica que como 4.
proporcionan la probabilidad de elegir cada alternativa, sin indicar cul
se selecciona, se deben utilizar conceptos bsicos de la teora de las pro-
babilidades, tales como:
El nmero esperado de personas que utilizan una cierta alternativa de
viaje es igual a la suma, sobre todos los individuos, de la probabilidad
de eleccin de dicha alternativa:

N P
i in
n
V
i
a
j
e
s

e
n

c
o
c
h
e

p
o
r

h
o
g
a
r
Ingreso
Hogares en zona A
Media
zona A
Media
zona B
Hogares en zona B
Modelo agregado
Figura 7.1. Ejemplo de falacia ecolgica.
Es posible modelizar un conjunto de decisiones independientes con-
siderando a cada una como una eleccin condicionada; en este caso
separadamente, las probabilidades resultantes pueden ser multiplicadas
para obtener las probabilidades conjuntas, tal como en:
P( f,d,m,r) = P( f )P(d / f )P(m / d,f )P(r / m,d,f )
con f = frecuencia; d = destino; m = modo; r = ruta.
Las variables explicativas incluidas en el modelo pueden tener coeficientes 5.
explcitamente estimados. Contrariamente a lo que sucede en el caso del
coste generalizado de los modelos convencionales, en los que la funcin
4
5.
est generalmente limitada y presenta numerosos parmetros fijos, en la

funcin de utilidad es posible, en principio, insertar un nmero cualquiera
de variables explicativas con cualquier tipo de especificacin. Todo ello
tiene las siguientes implicaciones:
Los DM permiten una representacin ms flexible de las variables de
poltica consideradas relevantes para el estudio.
Los coeficientes de las variables explicativas tienen una interpretacin
directa como utilidades marginales (esto es, representan la importancia
relativa de cada atributo).
En los prrafos siguientes y en los prximos dos captulos, se examinarn
en detalle numerosos aspectos interesantes de los modelos de eleccin discre-
ta como sus bases tericas, estructura, especificacin, forma funcional y los
procesos de estimacin y agregacin. Para los lectores interesados, citar que
existen al menos otros dos libros que tratan exclusivamente estos temas (Ben
Akiva y Lerman, 1985; Hensher y Johnson, 1981).
7.2. MARCO TERICO DE REFERENCIA
La base (marco de referencia o paradigma) terica ms usual para generar los
modelos de eleccin discreta es la teora de la utilidad aleatoria (Domencich y
McFadden, 1975; Williams, 1977), que fundamentalmente afirma que:
Los individuos pertenecen a una determinada poblacin homognea 1. Q,
actan racionalmente y poseen informacin perfecta, esto es, eligen siempre
la alternativa que maximiza su utilidad neta personal (por ello se ha carica-
turizado a esta especie como Homo Economicus) sujeto a sus pertinentes
restricciones legales, sociales, fsicas y/o presupuestarias (en trminos de
tiempo y de dinero).
Existe un cierto conjunto 2. A = {A
1
, , A
j
, , A
N
} de alternativas disponi-
bles y un conjunto X de vectores de atributos medibles de los individuos
y de las alternativas. Cada individuo dispone de un conjunto x X de
atributos y, en general, se enfrenta a un conjunto de opciones de eleccin
disponibles A(q) A.
En lo que sigue se supondr que el conjunto de eleccin de los individuos
est predeterminado. Esto implica que el efecto del conjunto de las restric-
ciones ya se ha tomado en cuenta y no influye en el proceso de eleccin

entre las alternativas disponibles. La determinacin del conjunto de eleccin
se tratar en el Captulo 8 simultneamente con otros temas importantes
an sin solucin.
Cada alternativa 3. A
j
A tiene asociada una utilidad U
jq
para cada indivi-
duo q. El modelizador, que es un observador del sistema, no posee informa-
cin completa acerca de todos los elementos considerados por el individuo
cuando hace una eleccin; por lo tanto, considera que la utilidad U
jq
tiene
dos componentes:
una parte sistemtica, medible o representativa V
jq
que es funcin de los
atributos medibles x; y
una componente aleatoria
jq
que representa la idiosincrasia y/o los gustos
(preferencias) de cada individuo y que incluye adems los errores de
medicin y observacin que pueda cometer el modelizador.
El modelizador propone entonces que:
U
jq
= V
jq
+
jq
(7.2)
Esta expresin permite explicar dos posibles irracionalidades: (i) que dos
individuos con los mismos atributos y frente al mismo conjunto de eleccin,
seleccionen alternativas u opciones diferentes, y (ii) que algunos individuos
puedan no elegir la mejor alternativa (desde el punto de vista de los atributos
considerados por el modelizador).
Para que la descomposicin de la ecuacin (7.2) sea correcta, es necesario
que exista una cierta homogeneidad en la poblacin objeto de estudio. En
principio se requiere que todos los individuos dispongan del mismo conjunto
de alternativas y estn sujetos a las mismas restricciones (vase Williams y
Ortzar, 1982a), y para que ello realmente suceda puede ser necesario seg-
mentar el mercado.
Aunque el trmino V se haya definido como representativo de las caracte-
rsticas medibles del individuo, se ha introducido el subndice q en cuanto que
dicho trmino V es funcin de atributos x y stos pueden variar de individuo
a individuo. Adems y sin prdida de generalidad, se acepta que los residuos
son variables aleatorias con media cero y una cierta distribucin de proba-
bilidad a especificar.

V X
jq kj jkq
k
u

(7.3)
o
donde los parmetros se consideran constantes para todos los individuos
(modelo con coeficientes fijos) pero pueden variar de alternativa en alternativa.
En el Captulo 8 se estudian otras formas posibles de la funcin de utilidad y
se discute cmo debera introducirse cada variable en esta funcin.
Es importante enfatizar la existencia de dos puntos de vista en la formu-
lacin de este problema: el primero de ellos hace alusin al individuo que,
con tranquilidad, sopesa todos los elementos de inters (sin aleatoriedad) y
a continuacin elige la alternativa ms conveniente; el segundo se refiere al
modelizador, el cual observando solamente algunos de los antedichos elemen-
tos, necesita incluir los residuos para explicar lo que de otra manera podra
constituir un comportamiento no racional.
4. El individuo q elige la alternativa que le proporciona su mxima utilidad,
es decir elige A
j
si, y slo si:
U
jq
U
iq
, A
i
A(q) (7.4)
es decir:
V
jq
V
iq

iq

jq
(7.5)
Como el analista ignora el valor de (
iq

jq
) no le es posible determinar con
certeza si la condicin (7.5) se verifica. Por lo tanto, slo puede plantear
que la probabilidad de elegir la alternativa A
j
viene dada por:
P
jq
= Prob {
iq

jq
+ (V
jq
V
iq
), A
i
A(q) } (7.6)
y como la distribucin de los residuos es desconocida, no es posible a
estas alturas derivar una expresin analtica para el modelo. Sin embargo,
s se sabe que los residuos son variables aleatorias con una cierta distribu-
cin del tipo f() = f(
1
, ,
N
). Resaltar que sin prdida de generalidad se
puede suponer que los tienen media cero, y por lo tanto la distribucin
de U tiene la misma distribucin anterior f(U), pero con diferente media
(es decir, V en lugar de cero).
Con lo cual, la ecuacin (7.6) se puede escribir de forma ms precisa as:

P f
jq
R
N
[
( ) ( ) cc cc d

(7.7)

donde

R
N
=

iq

jq
+ (V
jq
V
iq
),
A
i
A(q)
V
jq
+
jq
0
;
pudiendo obtenerse diferentes formas para los modelos, segn la distribu-
cin que se elija para los residuos .
Es posible generar una clase importante de modelos de utilidad aleatoria
mediante funciones de utilidad con residuos distribuidos independiente e idn-
ticamente (IID). En este caso f() se puede descomponer as:

f f g
N n
n
( ) ( ,..., ) ( ) cc
j
c c c
1
donde g(
n
) representa la funcin de utilidad asociada a la alternativa A
n
, de
manera que la expresin general (7.7) quedara reducida a:

P g g d d
j j i i
V
j
V
i j
i j
j
,
]
]
]
+
=
+
[
j
[
( ) ( ) c c c c
c

(7.8a)
en la que los lmites de integracin de ambas integrales se han extendido a
(leve inconsistencia) para as poder resolverlas.
Una interpretacin geomtrica bidimensional de este modelo as como
su extensin a casos ms generales de correlaciones y distintas varianzas se
discute en Ortzar y Williams (1982). La ecuacin (7.8a) tambin puede ser
expresada as:

P g G V V d
j j j j i
i j
j
+
,
,
]
]
]
=
+
j
[
( ) ( ) c c c

(7.8b)

con

G x g x dx
X
( ) ( )
[
y es interesante citar que se han realizado mltiples esfuerzos para encontrar
formas adecuadas de las funciones g que resuelvan el problema planteado en
la ecuacin (7.8b).
Tambin debe destacarse que el requisito de que los residuos sean IID
significa que las alternativas deberan ser, de hecho, independientes. Ello no
siempre se verifica, pues se da el caso de que alternativas relativas a modos
mixtos, como, por ejemplo, las combinaciones coche-tren, generalmente no
lo son.
,,
8
7.3. MODELO LOGIT MULTINOMIAL (MNL)
El MNL es el modelo de eleccin discreta ms sencillo y el ms popularmente
utilizado; dicho modelo puede ser generado aceptando que los residuos alea-
torios de la ecuacin (7.7) distribuyen Gumbel IID (Domencich y McFadden,
1975) as:

P
V
V
iq
iq
jq
A
j
A q
exp
exp
( )
( )
( )
|
|

(7.9)
en la que las funciones de utilidad tienen generalmente la forma lineal en los
parmetros (7.3) y adems el parmetro (cuyo valor en la prctica se norma-
liza a uno porque no puede ser estimado separadamente de los parmetros ')
est ligado a la desviacin estndar comn de la variable Gumbel mediante la
siguiente relacin:

|
t
o
2
2
2
6

(7.10)
En el Captulo 9 se utilizar la expresin (7.10) para discutir el problema
de los errores de previsin cuando se utilizan datos con diferentes niveles de
agregacin.
7.3.1. Bsqueda de la mejor especificacin
Para decidir qu variables x
k
x (genricas o especficas para una alternativa
en particular) deben ser insertadas en la funcin de utilidad, se suele efectuar
un proceso paso a paso (step-wise, parecido al que se usa en las regresiones
mltiples) en el que se comienza por una especificacin general que sea teri-
camente atractiva (Ortzar, 1982). Despus en cada paso del proceso se testean
las variaciones posibles para comprobar si la variable analizada aade poder
explicativo al modelo. Los mtodos para la bsqueda de la mejor especificacin
se discutirn en el Captulo 8.
Si para todos los individuos q que tienen disponible una alternativa dada A
j

se definiese uno de los valores de x como igual a uno, entonces el coeficiente
correspondiente a esta variable se interpretara como una constante espe-
cfica de la alternativa. Aunque se puede especificar una constante para cada
,
alternativa, dada la forma en la que trabaja el modelo no es posible estimar
sus N parmetros individualmente (como se muestra en el ejemplo 7.1). Por
este motivo, una se toma como referencia (sin prdida de generalidad su valor
puede ser fijado en cero) de forma que los restantes (N-1) valores obtenidos
en el proceso de estimacin se interpreten como valores relativos respecto al
citado valor de referencia. El resto de las variables x pueden ser de uno de los
dos siguientes tipos:
Genricas, si aparecen en las funciones de utilidad de todas las alternativas
y sus coeficientes pueden ser considerados idnticos; o sea,
jk

se sustituye
por
k
.
Especficas, si no es una hiptesis factible que los coeficientes
k
sean igua-
les; un tpico ejemplo acontece cuando la k-sima variable aparece nica-
mente en V
j
es decir, si x
jk
slo aparece en V
j
.
Es importante destacar que el caso ms general es aquel que incluye exclu-
sivamente variables especficas. Las variables genricas, de hecho, imponen
una igualdad en los coeficientes y es de mencionar que esta condicin puede
ser testeada estadsticamente, tal y como se tratar en el Captulo 8.
Ejemplo 7.1: sea el siguiente modelo Logit binario:

P
V
V V V V
1
1
1 2 2 1
1
1
+

+
exp
exp exp exp
( )
( ) ( ) ( )
donde se considera que las utilidades observadas son funciones lineales de dos
variables genricas x
1
y x
2
y dos constantes (con coeficientes
3
y
4
):
V
1
=
1
x
11
+
2
x
12
+
3

V
2
=
1
x
21
+
2
x
22
+
4
Como puede verse en la expresin del modelo, el factor relevante es la
diferencia entre ambas utilidades:
V
2
V
1
=
1
(x
21
x
11
) +
2
(x
22
x
12
) + (
4

3
)
y de ello se derivan las siguientes conclusiones:
No es posible estimar ambos parmetros
3
y
4
, sin embargo, s su diferen-
cia; por esta razn no se pierde generalidad si una de las dos constantes es
o
cero, estimando la otra con respecto a ella (esto se verifica obviamente para
cualquier nmero de alternativas).
Si x
1j
o x
2j
tuvieran el mismo valor para ambas alternativas (como en el caso
de variables que representan atributos individuales como el ingreso, la edad,
el sexo o el nmero de coches en el hogar), el coeficiente genrico afectado
no podra ser estimado en tanto en cuanto se multiplicara siempre por un
valor igual a cero. Lo mismo sucede tambin en el caso de variables relati-
vas al nivel de servicio cuando presentan valores comunes para dos o ms
alternativas (p. ej., la tarifa de transporte pblico en un mercado regulado).
En ambos casos, tales variables pueden aparecer, como mximo, en todas
las alternativas menos en una.
El problema planteado por los atributos individuales se puede complicar
bastante por el hecho de que no es fcil o no est claro decidir en qu utilidad(es)
o en qu alternativa(s) deben ser insertados.
Por ejemplo, sea el caso de una variable como Sexo (que adopta el valor
cero para hombres y uno para mujeres) dentro de un contexto de eleccin mo-
dal; si dos de las alternativas de transporte fueran coche-conductor y coche-
acompaante y si se considerase que los hombres utilizan ms el coche para
desplazamientos sistemticos que las mujeres, entonces la variable Sexo no
debera ser insertada en sus funciones de utilidad. Sin embargo, para otros
modos como el autobs o el metro, persistira la duda de si insertar o no esa
variable.
El problema es que se obtienen resultados diferentes en la estimacin de
coeficientes, segn la variable que se inserte en las alternativas modales, y
elegir la mejor solucin puede convertirse en un problema bastante difcil, aun
si el nmero de alternativas y de atributos es relativamente pequeo, ya que el
nmero de combinaciones posibles es normalmente muy elevado.
En el caso en que no se tenga ninguna idea sobre cmo insertar un atri-
buto individual y no existan elementos tericos para justificar la presencia de
una forma u otra, siempre queda el procedimiento de la prueba y el error para
intentar resolver el problema.
7.3.2. Algunas propiedades del MNL
El modelo MNL satisface el axioma de independencia de las alternativas
irrelevantes (IIA), que puede ser enunciado as:
1
En el caso de cualquier par de alternativas que tengan una probabilidad
no nula de ser elegidas, la razn entre ambas no est influenciada por la pre-
sencia o ausencia de otras alternativas adicionales presentes en el conjunto
de eleccin (Luce y Suples, 1965).
En el caso del MNL se tiene que el cociente:
P
P
V V
j
i
j i
,
]
]
exp |( ) es
constante e independiente de las utilidades del resto de las alternativas. Ini-
cialmente esta propiedad fue considerada como una ventaja del modelo, ya
que permita tratar fcilmente el problema de la alternativa nueva (es decir,
permita obtener la previsin de la proporcin de mercado de una alternativa
no presente en el momento de la calibracin del modelo si se conocan sus
atributos, sin recalibrar el modelo). Sin embargo, hoy en da dicha propiedad
se percibe como una desventaja, ya que no permite al modelo considerar la
presencia de correlaciones entre alternativas, lo cual puede conducir a predic-
ciones sesgadas (recurdese el ejemplo del problema de los autobuses rojos y
azules del Captulo 6). Se volver sobre este tema en el apartado 7.4.
Cuando el nmero de alternativas es muy elevado, como en el caso de la
eleccin de destino, se puede demostrar (MacFadden, 1978) que se obtienen
parmetros insesgados estimando el modelo slo con una muestra aleatoria del
conjunto de eleccin disponible (p. ej., siete destinos para cada usuario). Los
modelos que no presentan dicha propiedad pueden requerir una gran cantidad de
tiempo de clculo para ms de 50 alternativas, aunque su proceso de estimacin
no sea complicado. Desgraciadamente, en un contexto de eleccin de destino,
no es difcil superar esta cifra en sistemas de zonificacin de tamao normal.
Si se estima el modelo con datos para una sub-rea, o con datos de una
muestra sesgada en trminos de la cantidad de usuarios que elige cada al-
ternativa en relacin a la poblacin, se puede demostrar que si ste tiene un
conjunto completo de constantes especficas (N-1, si hay N opciones como ya
se demostr) y todos los individuos tienen disponibles todas las alternativas,
entonces basta recalcularlas como se indica en (7.11) para el rea total obte-
nindose un modelo insesgado:

K K
q
Q
i i
i
i
'
log
j
(
,
\
,
(

(7.11)
donde q
i
es la proporcin de mercado de la alternativa A
i
en la muestra y Q
i
es
la proporcin de mercado en la poblacin. Por tanto todas las constantes deben
:
ser corregidas, incluida la que fue considerada de referencia e igualada a cero
durante la estimacin.
En el modelo MNL se pueden derivar ecuaciones bastante simples para las
elasticidades directas y cruzadas. Por ejemplo, la elasticidad directa puntual,
que es la variacin de la probabilidad de elegir A
i
respecto a una variacin
marginal en un atributo X
ikq
viene dada por:

E
P
X
X
P
P
iq
X
ikq
iq
ikq
ikq
iq
,
.
o
o
y a partir de aqu se puede deducir fcilmente que:

E X P
P
iq
X
ikq
ik ikq iq ,
( ) u 1

(7.12)
mientras que las elasticidades cruzadas puntuales vienen dadas por:

E X P
P
iq
X
jkq
jk jkq jq ,
u

(7.13)
y representan la variacin en porcentaje de la probabilidad de elegir A
i
respecto
a una variacin marginal del valor del k
simo
atributo de la alternativa j para el
individuo q. Notar que este valor es independiente de la alternativa A
i
y por
tanto la elasticidad cruzada de cualquier alternativa A
i
respecto a los atributos
X
jkq
de la alternativa A
j
son iguales. Este resultado, extrao, se debe tambin
a la propiedad IIA o ms precisamente a la necesidad de tener funciones de
utilidad IID en la generacin del modelo.
7.4. MODELO LOGIT JERRQUICO (HL)
7.4.1. Correlacin y estructura del modelo
El modelo MNL estudiado en el prrafo anterior presenta una matriz de cova-
rianza muy simple que, para el caso trinomial es:

j
(
,
,
,
\
,
(
(
(
o
2
1 0 0
0 1 0
0 0 1

Esta estructura de matriz de covarianza del MNL puede presentar proble-
mas en los siguientes casos:
Cuando las alternativas no son independientes (es decir, cuando existen
grupos de alternativas ms similares que otras como, por ejemplo, modos
de transporte pblico versus el coche privado).
Cuando hay variaciones de gusto entre los individuos (es decir, si la percep-
cin de los costes vara con el ingreso pero no se ha medido esta variable)
en cuyo caso se necesitan modelos con coeficientes aleatorios en lugar de
modelos que proporcionen valores medios como es el caso del MNL.
El modelo Probit, que puede ser derivado de una distribucin normal mul-
tivariada (en lugar de una Gumbel IID) presenta una matriz de covarianza
completamente general y permite tratar ambos casos anteriores. Sin embargo,
tal y como se ver en el epgrafe 7.5, no es fcil resolver dicho modelo excepto
para casos de muy pocas (hasta tres) alternativas (ver Daganzo, 1979).
Por otro lado hay ciertos casos en que, aun cuando fuera posible imple-
mentar un modelo Probit, su completa generalidad sera un lujo innecesario
en cuanto a que puede intuirse cul podra ser la forma de las funciones de
utilidad.
Un buen ejemplo son los contextos de eleccin bidimensional, por ejemplo,
la eleccin de la combinacin de destino (D) y modo (M), donde las alterna-
tivas estn correlacionadas pero se puede aceptar que no existen variaciones
de gustos. En estas situaciones las alternativas en cada dimensin se pueden
denotar como {D
1
, , D
D
} y {M
1
, , M
M
} de forma que su combinacin genera
el conjunto de elecciones A, cuyo elemento general D
d
M
m
puede representar
una alternativa especfica destino-modo para llevar a cabo una actividad de-
terminada.
En este tipo de contexto es interesante considerar funciones del siguiente
tipo (Williams y Ortzar, 1982a):
U(d,m) = U
d
+ U
dm
(7.14)
Donde, por ejemplo, U
d
podra corresponder a la porcin de utilidad es-
pecficamente asociada al destino y U
dm
al coste (desutilidad) de viaje. Rees-
cribiendo (7.14) de acuerdo a la notacin utilizada en los epgrafes anteriores,
resulta:
U(d,m) = V(d,m) + (d,m)
donde:
V(d,m) = V
d
+ V
dm
y:

(d,m) =
d
+
dm
Se puede demostrar que si los residuos son separadamente IID, bajo cier-
tas condiciones se obtiene el modelo logit jerrquico o anidado (HL) (Williams,
1977; Daly y Zachary, 1978) cuya forma es:

P d m
V V V
V V V
d d dm
d d dm
m
( , )
( )
( )
*
' '
*
'
'
+
( )
+
( )
exp exp
exp exp
|
|

d '

(7.15)
con

V V
d dm
m
*
'
'
log ( )
j
(
,
\
,
(
1
exp
Adems se puede comprobar fcilmente que si = (lo cual sucede cuando
d
= 0) el modelo HL colapsa al MNL uniparamtrico. Para entenderlo, es con-
veniente antes que nada, escribir las expresiones de la utilidad para el primer
destino en el caso simple de un modelo binario:
U(1,1) = V
1
+ V
11
+
1
+
11

U(1,2) = V
1
+ V
12
+
1
+
12
Como se puede observar, la fuente de correlacin es el residuo
1
que est
presente en ambas funciones de utilidad U(1,1) y U(1,2). Por lo tanto cuando
d
= 0 tal correlacin desaparece y el HL es indistinguible del MNL.
Finalmente, se puede probar que para que el modelo sea internamente
consistente es necesario que se cumpla la siguiente condicin (Williams, 1977):
(7.16)
Se ha demostrado que modelos que no satisfacen este requerimiento produ-
cen elasticidades de dimensiones y/o de signos incorrectos (Williams y Senior,
1977).

7.4.2. El modelo HL en la prctica
Como herramienta prctica de modelizacin, el HL se puede exponer para
su mejor utilizacin, de la siguiente forma (Ortzar, 1980b; Sobel, 1980):
Su estructura se caracteriza por agrupar todos los subconjuntos de alter- 1.
nativas correlacionadas (o ms similares) en jerarquas o nidos. Cada nido,
a su vez, se representa por una alternativa compuesta frente a las dems
que estn disponibles para los individuos (en el ejemplo de la figura 7.2 se
representa un HL con dos nidos).
A
S
(q) = A(q) A
I
(q) + N
I
N
I
A
I
(q)
Figura 7.2. Logit jerrquico (HL) con dos nidos.
El HL se puede estimar secuencialmente utilizando el amplio software 2.
disponible para el MNL (aunque en algunos casos su utilizacin pueda
proporcionar serios problemas). En el caso de la figura 7.2 se debe estimar
primero el MNL de las alternativas A
I
(q) pertenecientes al nido inferior
N
I
con la precaucin de omitir todas aquellas variables (z) que tengan el
mismo valor para ese conjunto de opciones (ya que si no, debido a que
el MNL funciona a base de diferencias, no se podran estimar sus parme-
tros). Estas variables, de hecho, han de ser introducidas posteriormente en
el nido superior pues afectan a la eleccin entre la alternativa compuesta
N
I
y el resto de las alternativas que pertenecen a A
S
(q).
La introduccin del nido inferior en la jerarqua superior se realiza a travs 3.
de la alternativa compuesta, a la cual se asocia una utilidad representa-
tiva de todo el nido. As, la utilidad tiene dos componentes: la primera de
o
ellas considera como variable el valor mximo esperado de la utilidad o
mxima utilidad esperada (EMU, Expected Maximun Utility) entre alterna-
tivas del nido, y la segunda considera el vector z de los atributos comunes
a todos los miembros del nido. El EMU tiene la siguiente expresin:

EMU exp

log ( ) W
j
j

(7.17)
donde W
j
es la utilidad de la alternativa A
j
en el nido, con la excepcin de
las variables z comunes a todas las alternativas en el nido A
I
(q): hay que
resaltar que esta ecuacin tiene exactamente la misma forma que V
d
*
en la
expresin (7.15) si = 1. Por lo tanto, la utilidad compuesta del nido es:
V
I
= EMU + z (7.18)
donde y son parmetros a estimar.
Despus de realizar lo indicado en los puntos anteriores, debe procederse 4.
a estimar un modelo MNL para el nido superior, el cual comprende to-
das las alternativas compuestas que representan a las jerarquas inferiores
ms las alternativas que no estuvieran anidadas en dicho nido superior.
Finalmente la probabilidad de que el individuo 5. q elija la alternativa A
j

A
I
(q) puede calcularse como el producto de la probabilidad marginal de
elegir la alternativa compuesta N
I
(en el nido ms alto) y de la probabilidad
condicionada de elegir la alternativa A
j
en la jerarqua inferior, dado que
q ha elegido la alternativa compuesta.
Ejemplo 7.2: considrese el siguiente caso de eleccin trinomial: coche
(C), bus (B) y metro (M) en el que el analista considera que las dos ltimas
alternativas estn correlacionadas. En este caso, por lo tanto, se puede proceder
a conformar un nido inferior relativo al transporte pblico (PT) que es factible
modelizar mediante un simple modelo Logit binario de la siguiente forma:

P
W
W W
( / )
( )
( ) ( )
M PT
M
M B
+
exp
exp exp
y P(B / PT) = 1 P(M / PT), donde las utilidades W contienen slo aquellos
elementos que no son comunes a ambos modos (es decir, si ambos modos tienen
la misma tarifa, entonces el coste de viaje no se debera incluir).
;
Para separar la alternativa coche de la alternativa compuesta relativa al
transporte pblico se requiere en el nido superior otro modelo Logit binario:

P
V
V V
( )
( )
( ) ( )
C
C
C PT
+
exp
exp exp
y P(PT) = 1 P(C), donde V
C
incluye todos los atributos de la alternativa co-
che y, en consecuencia, tiene exactamente la misma forma que en el MNL.
La utilidad asociada al transporte pblico viene dada por:

V z
k
k
k PT
EMU +
| o
'
'
'
donde

EMU
B M
+ [ ] log ( ) ( ) exp exp W W
y la suma respecto a k incorpora todos los elementos comunes z que no fueron
incluidos en la estimacin del modelo Logit binario del nido inferior. Finalmente
la modelizacin de las probabilidades de eleccin de cada alternativa se puede
expresar de la siguiente manera:

P P
P P P P
P P P P
C
B
M
C
B/PT PT B/PT PC
M/PT) (PT)=(1- (B
( )
( ) ( ) ( )( )
(
1
//PT))(1-PC)
Con esta nueva notacin, la condicin de diagnstico interna (7.16) se 6.
expresa as:
0 < 1 (7.19)
Vase a continuacin por qu tiene que verificarse esta condicin. Si < 0,
el aumento de la utilidad de una alternativa del nido hara disminuir la pro-
babilidad de elegir dicha opcin, ya que el valor del EMU debera aumen-
tar; si = 0, quiere decir que un aumento de la utilidad de una alternativa
del nido no alterara la probabilidad del nido de ser elegido, en cuanto que el
EMU no queda influenciado por la eleccin entre coche y transporte pblico.
Por contra, si > 1, el incremento de la utilidad de una alternativa del nido
no slo aumentara su probabilidad de eleccin sino que tambin aumentara
la probabilidad de todas las restantes alternativas del nido.
8
Por fin, = 1 es equivalente a decir que = y entonces el modelo HL sera
equivalente matemticamente al MNL. En estos casos (es decir, cuando
1) es ms eficiente re-estimar el modelo como un MNL puesto que
tiene un nmero inferior de parmetros.
Es obvio que los modelos HL pueden no limitarse a dos niveles jerrquicos;
en los casos con ms de un nivel de agregacin como en la figura 7.3 debe
cumplirse la condicin siguiente en cada rama:
0 <
1

2

S
1 (7.20)
donde
1
corresponde al parmetro del EMU ms interno y
S
al parmetro
del nivel superior. Obsrvese que la condicin se aplica a nidos en serie y
no en paralelo.
10
5
9 8 7 6 5 4 3 2 1
Figura 7.3. Logit jerrquico (HL) con varios nidos.
Por ejemplo, si los son como los que se muestran en la figura 7.3, se
deberan cumplir las siguientes relaciones:

0 1
0 1
0 1
1
2 3 5
4 5
< s
< s s s
< s s
|
| | |
| |
Limitaciones del HL: 7.
Tal y como sucede en el MNL, el HL no es un modelo con coeficientes
variables y, por lo tanto, no puede tratar problemas de variaciones en
los gustos ni heterocedasticidad.
,
Brinda la posibilidad de tratar solamente tantas interdependencias entre
alternativas como nidos se hayan especificado en la estructura; adems,
las alternativas de un nido no pueden estar correlacionadas con las de
otros nidos (este efecto de correlacin cruzada, que puede ser importante
testear en un contexto de eleccin modal entre modos mixtos, puede
tratarse con formas ms generales, como las de los modelos Probit).
La bsqueda de la mejor estructura HL en ocasiones requiere el anlisis
tentativo de mltiples estructuras jerrquicas, en cuanto que es fcil ver a
priori que el nmero de agrupaciones posibles aumenta geomtricamente
con el nmero de alternativas (Sobel, 1980). Aunque la existencia de in-
formacin a priori y la experiencia puede ayudar en esta tarea al modeli-
zador, la bsqueda puede ser mucho ms larga que con el sencillo MNL.
La calibracin secuencial del modelo es simple y posible, dada la disponibi-
lidad de software para el MNL, y adems produce estimadores consistentes (de
hecho al aumentar la cantidad de datos, dichas estimaciones convergen hacia los
valores verdaderos de los parmetros). Pese a ello, el enfoque presenta varios
problemas potenciales; por ejemplo, si no se dispone de datos suficientes para
estimar modelos del nivel inferior, las estimaciones pueden ser ineficientes,
tanto porque se omite informacin en el nivel inferior como porque los errores
que se producen pueden transmitirse a los niveles superiores. En esta lnea se
ha demostrado empricamente que algunas estructuras interesantes no pueden
ser testeadas o an peor, que el mtodo puede llevar a rechazar estructuras
demostradamente mejores (Hensher, 1986; Ortzar et al., 1987).
7.4.3. Estimacin simultnea del HL
En general la estimacin simultnea del HL es ms compleja, y requiere un
mayor gasto de tiempo (en trminos de CPU) con respecto al mtodo ms
simple de estimacin secuencial tratado anteriormente. Hasta la mitad de los
aos 80 para poder efectuar una estimacin simultnea, era necesario escribir
software ad hoc (Small y Brownstone, 1982; Hensher, 1986), pero en los ltimos
diez aos se han producido numerosos paquetes que permiten resolver este
problema de modo flexible y prctico (p. ej., LIMDEP, HIELOW); actualmente
los algoritmos de clculo son tan eficientes que no existen demasiadas razones
para utilizar el mtodo de estimacin secuencial, a menos que se est obligado
a hacerlo por algn motivo especial. El primer mtodo de estimacin simul-
o
tnea y probablemente an el ms conocido es el propuesto por Daly (1987) e
implementado en el software ALOGIT (Daly, 1992).
Considrese nuevamente el caso simple de slo dos niveles jerrquicos
utilizando una versin simplificada de la notacin de Daly (1987); suponiendo
que el ndice i represente una alternativa o nido del nivel jerrquico superior,
y j una alternativa del nivel inferior. En este caso, la funcin de utilidad puede
reescribirse as:

U i j U U
U i j V i j i j
V i j V V
i j
i j i
i j i
i
( , )
( , ) ( , ) ( , )
( , )
( , )
/
/
+
+
+
+
c
c c cc
j i /
Entonces, la probabilidad de elegir el nido i, y dentro de ste la alternativa
j, viene dada por:

P P P
ij i j i

/

(7.21)
con:

P
P
j i
i
V
j i
i
V
k i
A
k
I
q
i
V
i
V
j
A
j
S
q
/
/
/
( )
( )
e
e
e
e
e
e
|
|
A
A
donde V
j/i
es la utilidad representativa de la opcin j dentro del nido i que inclu-
ye solamente aquellos atributos que presentan variacin dentro del nido. Los
parmetros y
i
representan los factores de escala del nivel superior y del nido
i respectivamente. Para las alternativas del nido superior se tiene que:

| | |

V X
i i i
i
V
k i
A
k
q
+
e
ln e
/
( ) A
1
donde X
i
es la parte de la utilidad asociada a los atributos comunes de las alter-
nativas dentro del nido. Adems el trmino que multiplica
i
representa, como
1
se ha visto anteriormente, la mxima utilidad esperada (EMU o logsum). El
parmetro
i
es igual a la relacin entre y
i
, y por lo tanto ha de satisfacer
la condicin de ser mayor que cero y menor o igual a uno (Williams, 1977).
Como tambin se ha expuesto, en el caso lmite en que
i
= 1 el modelo HL
colapsa al MNL.
Utilizando esta notacin, Daly (1987) consigui por primera vez estimar
el modelo HL de forma simultnea, maximizando una sola funcin de utilidad
y utilizando todos los datos conjuntamente, evitando as los problemas men-
cionados en el prrafo anterior.
Para poder estimar el modelo es necesario fijar (normalizar) uno de los
parmetros de escala. Por ejemplo, si a se le da el valor uno, entonces es
necesario multiplicar las utilidades dentro del nido por los correspondientes
valores de
i
, que pasan a ser iguales a 1 /
i
. Este requerimiento est detrs de
una controversia aparecida en la literatura (Koppelman y Wen, 1998), ya que
si se desea estimar modelos HL con variables genricas y no se tiene especial
cuidado, el modelo puede resultar de la clase no-estandarizada (es decir,
no satisface la condicin de que aadiendo una constante a cada utilidad, las
probabilidades de eleccin no varan).
Para evitar este problema en el caso del modelo HL ms simple, en ALO-
GIT (en el ejemplo de la estructura HL con tres alternativas de la figura 7.2), se
debe especificar la alternativa elemental del nido ms alto (es decir el coche),
como perteneciente a un nido de alternativa individual (Bradley y Daly, 1997),
tal y como se muestra tambin en la figura 7.4. ste es el mismo tratamiento que
se sigue para estimar modelos mixtos de preferencias reveladas y declaradas
tal y como se estudiar en el Captulo 8. Para una discusin ms amplia sobre
ste y otros aspectos del HL, vase Carrasco y Ortzar (2002).

Coche Coche Bus Bus Metro
PT
Metro
Figura 7.4. Especificacin ALOGIT de una estructura jerrquica
con variables genricas.
:
7.5. OTROS MODELOS Y PARADIGMAS DE ELECCIN
7.5.1. Modelo probit Multinomial
Tal y como se ha indicado en el epgrafe 7.4.1, el modelo Probit se caracteriza
porque los residuos aleatorios de (7.2) se distribuyen segn una Normal
multivariada con media cero y matriz de covarianza arbitraria; esto significa
que las varianzas pueden ser diferentes y los trminos del error pueden estar
correlacionados de cualquier manera. Esta estructura tan general crea, obvia-
mente, el problema de no permitir escribir el modelo de modo tan simple como
se hizo para el MNL (salvo en el caso binario) y, por lo tanto, para resolverlo
numricamente es necesario realizar diferentes aproximaciones.
7.5.1.1. El Modelo Probit Binario
En el caso de que slo haya dos alternativas, las expresiones (7.2) de la utilidad
se pueden escribir as:
U
1
(,Z) = V
1
(,Z) +
1
(,Z)
U
2
(,Z) = V
2
(,Z) +
2
(,Z)
donde (, Z) es la distribucin bivariada N(0,
) con:

j
(
,
\
,
(
o o o
o o o
1
2
1 2
1 2 2
2
en que es el coeficiente de correlacin entre U
1
y U
2
. De la ecuacin (7.6), se
obtiene que la probabilidad de elegir la alternativa 1 es:
P
1
(,Z) = Prob{
2

1
V
1
V
2
}
pero, siendo la distribucin Normal cerrada respecto a la suma y a la resta (en
tanto que la Gumbel es cerrada respecto a la maximizacin), se obtiene que
(
2

1
) distribuye Normal univariada N(o,
), donde:

o o o o o
c
2
1
2
2
2
1 2
2 +
Dividiendo (
2

1
) por
se obtiene la Normal estndar N(0,1); por lo tanto

se puede escribir la probabilidad de eleccin de un modelo probit binario, de
forma ms concisa como:
0,
)

P
1
(,Z) = [(V
1
V
2
) /
] (7.22)
en que [x] es la distribucin Normal acumulada estndar que est tabulada.
Este modelo sencillo es completamente general para el caso de elecciones
binarias.
Cabe sealar que la ecuacin (7.22) no es directamente estimable, ya que
los parmetros presentes en las utilidades representativas V no pueden ser
estimados separadamente de las desviaciones estndar

. De hecho, tal y
como sucede en los modelos MNL y HL, es necesario normalizar antes de
obtener una estimacin de los parmetros del modelo; en el caso del modelo
probit, la normalizacin consiste en fijar al menos uno de los elementos de

en un valor constante.
7.5.1.2. Modelo probit Multinomial (MNP) y variaciones de gusto
Tal como se indic en los epgrafes 7.3 y 7.4, una dificultad potencialmente
importante de los modelos de utilidad aleatoria con coeficientes constantes
(como es el caso de los modelos MNL y HL), es su incapacidad de tratar el
problema de la variacin en los gustos de los individuos.
Antes de ilustrar cmo se puede tratar este asunto con el modelo MNP, se
explicar mediante un ejemplo qu se entiende por variacin de gustos.
Ejemplo 7.3: sea un modelo de eleccin de modo con dos variables expli-
cativas, coste (c) y tiempo (t) y la siguiente funcin de utilidad:

U t c + + o | c
Supngase, sin embargo, que la percepcin de los costes vara en funcin
del ingreso (I); por ejemplo, si los individuos ms pobres son ms sensibles a
cambios en el coste, la funcin de utilidad verdadera sera:

U t c + + o | c / I
Comparando las dos expresiones es fcil ver que el modelo ser correcto
slo si es tratada como una variable aleatoria con distribucin exactamente
igual a la de / I en la poblacin. En este caso, se dice que el modelo contiene
variaciones aleatorias de los gustos.
Tal y como seala Horowitz (1981a), el problema de las variaciones alea-
torias de gustos es en general bastante serio, y puede ser considerado como
un caso especial del bien conocido error de especificacin (la omisin de una
variable explicativa relevante), discutido ya en el Captulo 2.
Sea de nuevo la funcin de utilidad (7.3) que es lineal en los parmetros,
como se trat en el epgrafe 7.2. El caso ms general considera que el conjun-
to de parmetros es un vector aleatorio distribuido entre la poblacin; en
este caso los residuos se pueden modelizar como parmetros especficos de la
alternativa y las variables en la ecuacin (7.2) se pueden omitir sin prdida
de generalidad; consecuentemente, es posible reescribir la ecuacin ms con-
cisamente como:

U
j
x
k jk
k
u

(7.23)
que representa la especificacin lineal ms general posible ya que permite
variaciones de gustos entre la poblacin. Si el vector distribuye como una
Normal multivariada, el modelo de eleccin resultante (7.23) es de la forma
del MNP (vase Daganzo, 1979). Diferentes procedimientos para estimar el
modelo Probit han sido discutidos por Sheffi et al. (1982) y Langdon (1984);
se volver a este tema en el Captulo 8.
7.5.1.3. Modelos para Panel de Datos
Ya en el Captulo 1 se trataron brevemente las ventajas e inconvenientes que
pueden surgir cuando se utilizan paneles de datos (datos correspondientes
a un grupo de personas, entrevistadas a lo largo del tiempo: ahora, dentro
de un ao, de dos, etc.), particularmente respecto al mtodo ms popular de
recoleccin de datos, que es el de preferencias reveladas bajo el enfoque de
corte transversal.
A comienzos de la dcada de los 80, el inters por estos temas surgi de
forma coincidente en la modelizacin del transporte y en el campo ms general
de la econometra; en el primer caso habra preocupacin por la influencia
intrusiva del hbito en el comportamiento de eleccin, en trminos de asime-
tras en la respuesta a cambios como en el caso del fenmeno de la histresis,
el cual ser estudiado en el epgrafe 7.5.4. El mismo problema fue considerado
como dependencia estadual (state dependence) en la jerga economtrica y se
propusieron modelos para el anlisis de elecciones discretas realizadas a lo
largo del tiempo (Heckman, 1981).
Daganzo y Sheffi (1979) demostraron que los modelos de eleccin discreta
con datos de series temporales y dependencia entre estados, pueden ser aproxi-

mados mediante modelos de series temporales sin dependencia estadual. Su
mtodo considera la utilizacin de una transformacin matemtica que permite
la aplicacin de un modelo MNP para datos de panel. Dado su especial inters,
a continuacin se presenta la derivacin matemtica para el caso simple de
eleccin binaria relativa a dos perodos temporales solamente.
Supngase que los individuos pueden elegir entre J opciones en dos pero-
dos n = 1, 2. La utilidad de una alternativa, U
jn
, se puede expresar como una
funcin lineal de un vector de atributos, X
jn
, del individuo y de la alternativa
en el perodo considerado:

U
jn n jn
=uu X

(7.24)
Para estimar los momentos de
n
(su media y su varianza) es necesario
basarse en las elecciones observadas. Hay que sealar que si slo hubiera un
perodo (caso de seccin transversal) y
n
distribuyera segn una Normal, se
llegara al clsico problema de estimacin de un MNP.
Supngase ahora la hiptesis de que los vectores distribuyen de forma
conjunta segn una Normal multivariada pero independiente de perodo en
perodo (de otra forma se producira un problema muy complejo denominado
correlacin serial; vase Heckman, 1981). Con el objetivo de permitir la de-
pendencia entre estados distintos, se aceptar que la utilidad de la alternativa
A
j
en el perodo n tambin depende de la eleccin (c
n1
) efectuada en el perodo
anterior:

U U
jn n jn j n
=uu X +|
( ) -1

(7.25)

donde es un parmetro a estimar. Si es muy grande, la eleccin efectuada
en el perodo anterior probablemente se repetir; por otra parte, como
1
y
2

son independientes, si fuera igual a cero, sera como si las decisiones fueran
tomadas por personas diferentes. El parmetro tiende a capturar la inercia
del sistema.
La expresin (7.25) permite tambin considerar el hecho de que los indi-
viduos que presenten un alto diferencial de utilidad en el primer perodo sern
ms reacios a cambiar (ceteris paribus) con respecto a los individuos que, inclu-
so eligiendo la misma opcin, presentan un diferencial de utilidad inferior.
Considrese ahora el caso de una eleccin binaria en la que, en ambos
perodos, se elige la alternativa A
1
. La probabilidad de que esto suceda viene
dada por:
o

P A A U U U U ( , )
1
1
1
2
11 21 12 22
> > Prob y
y reemplazando los valores de la ecuacin (7.25) se obtiene:
P(A
1
1
, A
1
2
) = Prob{
1
X
11

1
X
21
y
2
X
12
+ U
11

2
X
22
+ U
21
}
o anlogamente:
P(A
1
1
, A
1
2
) = Prob{0
1
(X
21
X
11
) y 0
2
(X
22
X
12
) + (U
21
U
11
)} (7.26)
Esta expresin sugiere las siguientes transformaciones para las utilidades
en (7.25):
U
11
= 0, U
12
= 0
U
21
=
1
(X
21
X
11
) (7.27)
U
22
=
2
(X
22
X
12
) + (U
21
U
11
) =
2
(X
22
X
12
) + U
21
Si se indica, adems, con V
2n
al trmino
n
(X
2n
X
1n
), las utilidades pueden
ser reescritas sencillamente as:

U
U V V
n
n n n
1
2 2 2 1
0
+

|
( )

(7.28)
Si es un valor fijo, la ecuacin (7.28) es una funcin lineal en ; en
cambio, si no es conocido, se tiene una especificacin no lineal en la que
es solamente otro parmetro a estimar que, en general, no produce graves
problemas al software disponible en la actualidad (Daganzo, 1979).
Generalizando este procedimiento, definiendo la utilidad de la alternativa
elegida en ambos perodos como cero, se puede formular un modelo trinomial
equivalente (o N + 1 opcional, en el caso binario con N perodos), con utilidades
W dadas por (Daganzo y Sheffi, 1979):
W
0
= 0
W
1
=
1
(X
NC1
X
C1
) (7.29)
W
2
=
2
(X
NC2
X
C2
) + W
1
donde NC indica la alternativa no elegida y C la elegida. Utilizando esta espe-
cificacin, la Prob{W
0
W
1
y W
0
W
2
} de elegir la alternativa nula en ambos
perodos viene dada por:
;
Prob{0
1
(X
NC1
X
C1
) y 0
2
(X
NC2
X
C2
) + W
1
}
que es esencialmente la expresin (7.26) pero en forma general. Por lo tanto se
puede estimar un modelo MNP evaluando la probabilidad de que cada individuo
en la muestra elija la alternativa nula.
Johnson y Hensher (1982) aplicaron este procedimiento utilizando datos
australianos encontrando que las elasticidades derivadas de un modelo con
datos de panel eran significativamente distintas, y menores que las correspon-
dientes a modelos equivalentes calibrados con datos de seccin transversal.
7.5.1.4. Comparacin de parmetros de Probit independientes y Logit
Cuando se estima un modelo probit (y esto es fcil de ver en el caso binario),
se obtienen los siguientes parmetros:

|
u
o
o o o o o
c
c i
P i
+ con
2
1
2
2
2
1 2
2
A su vez, de la ecuacin (7.10) se sabe que cuando se estima un MNL se
obtienen los siguientes parmetros:

| u
o
i
L
i
con
r
6
y por tanto:

|
u
o
i
L i
r
6
Entonces, para poder comparar los dos modelos, es necesario estimar un
modelo probit con matriz de covarianza parecida a la del MNL (es decir, un
probit con errores idntica e independientemente distribuidos). En este caso
2
=
2
+
2
y por tanto
o o
c
2
lo cual implica que
| u o
i
P
i
/ 2
. En-
tonces para comparar los dos grupos de parmetros es necesario multiplicar
el
i
P
(del probit) por un factor que lo iguale a
| u o
i
L
i
/ 6
(MNL); este fac-
tor es obviamente, el que se presenta a continuacin:

K
s
s
r r 2
6 3

(7.30)
8
Por lo tanto, para comparar los coeficientes estimados en un MNL con los
estimados para un probit idntico e independiente, se deben escalar los segun-
dos por el factor t / 3 . Este mtodo ha sido utilizado con gran xito para
testear la validez de un cdigo experimental propuesto para estimar modelos
probit multinomiales (vase Munizaga et al., 2000).
7.5.2. Modelo Logit Mixto o de Componentes de Error
El Logit Mixto es probablemente el modelo del nuevo milenio. Pese a que su
forma actual es debida a dos investigaciones paralelas (Ben Akiva y Bolduc,
1996; McFadden y Train, 2000), la formulacin del modelo original como
modelo hednico o logit con parmetros aleatorios tiene un origen bastante
anterior (vase Cardell y Reddy, 1977). La funcin de utilidad de la opcin A
j

para el individuo q en la situacin t viene dada por:
U
jqt
=
q
X
jqt
+
jqt
(7.31)
donde X
jqt
es, como siempre, un vector de variables observadas, mientras
q
es
un vector de coeficientes desconocidos que, en este caso, varan aleatoriamente
segn los gustos del individuo. Por ltimo,
jqt
es un trmino de error aleatorio
que distribuye Gumbel IID, independientemente de
q
y de X
jqt
. Observar que
esta especificacin no es completamente general porque los parmetros
q
no
dependen de t (ya que en general debera esperarse que las preferencias indi-
viduales no cambiasen de situacin a situacin), aunque puede generalizarse
si se desea.
La especificacin presentada en (7.31) es idntica a la del MNL, salvo que
los coeficientes
q
no son fijos sino que varan en la poblacin (la especificacin
sera la de un probit si
q
y
jqt
distribuyesen Normal); la varianza en
q
induce
correlacin en la utilidad sobre alternativas y situaciones. Ahora, el vector
de coeficientes
q
para cada individuo se puede expresar como la suma de su
media poblacional
*
y desviaciones individuales
q
que representan los gustos
individuales con respecto a los gustos promedio de la poblacin:
U
jqt
=
*
X
jqt
+
q
X
jqt
+
jqt
(7.32)
La parte no-observada de la utilidad (
q
X
jqt
+
jqt
), est correlacionada so-
bre las alternativas y situaciones debido a la influencia de
q
. Es posible lograr
patrones muy generales de correlacin, variaciones en los gustos y heteroce-
dasticidad, mediante una adecuada especificacin de parmetros y variables.
,
De hecho McFadden y Train (2000), afirman que cualquier modelo de utilidad
aleatoria puede ser aproximado de forma arbitrariamente cercana por la especi-
ficacin de este modelo. Por ejemplo, Train (1998) sostiene que el modelo HL
se puede obtener definiendo variables dummy que adopten el valor uno para
las alternativas que pertenecen al nido y cero para las otras. Si los coeficientes
de estas variables especficas para el nido varan de forma aleatoria, se induce
correlacin en la componente no-observada de las utilidades de las alternativas
del nido, pero no se introduce correlacin entre nidos. Es interesante resaltar,
sin embargo, que esta estructura no reproduce el modelo HL sino su versin
heteroscedstica, como puede comprobarse sencillamente si se trabaja con la
estructura del ejemplo 7.2 (Munizaga y lvarez, 2000).
Si los valores de
q
son conocidos, el modelo colapsa al MNL ya que los
jqt

distribuyen IID Gumbel. Si se acepta que los gustos varan en la poblacin con
funcin de densidad f( /
*
), donde
*
representa los parmetros de la distribu-
cin (es decir, la media y la desviacin estndar de los gustos de la poblacin),
la probabilidad de eleccin del modelo logit mixto viene dada por la integral
de la probabilidad de eleccin MNL (para un valor dado del parmetro )
ponderada por la funcin densidad de los parmetros ; esto es:

P
e
e
f
qjt
qjt
X
qjt
qjt
X
qjt
Aj q
( )
( )
t
*
A
( /
*
)d
(7.33)
El mtodo de estimacin de este modelo, realmente general y potente, se
tratar en el epgrafe 8.6.
7.5.3. Eleccin por eliminacin y satisfaccin
En el Captulo 8 se estudiar el problema de especificacin y forma funcional
dando un nfasis especial a la forma lineal en los parmetros que ha acom-
paado a la gran mayora de las aplicaciones desagregadas de demanda (nor-
malmente de estructura logit multinominal). Debido a las crecientes crticas
dirigidas a las formas lineales en los parmetros, a principios de los 80 surgi
un gran inters en la especificacin y estimacin de formulaciones no lineales
para diversos diseos. Los comentarios sobre las caractersticas funcionales
de estas formas se mezclaron con declaraciones acerca de modelos alternativos
en el proceso de decisin considerado como fundamento de los modelos de
eleccin.
oo
Un punto de vista usual era que como las formas lineales en los parmetros
estn asociadas a un proceso de toma de decisiones compensatorio (es decir,
un cambio en uno o ms de los atributos puede ser compensado por cambios
en los otros), los modelos no podan ser especificados de forma apropiada para
procesos de toma de decisiones caracterizados por la percepcin de discontinui-
dades, que tienen ms propiamente una naturaleza no compensatoria (es decir,
donde los aspectos buenos de una alternativa quizs no permiten compensar
los aspectos malos, ya que stos tienen un rango mayor de importancia dentro
del procedimiento de seleccin, y la alternativa puede ser eliminada antes en
el proceso de bsqueda; vase la discusin en Golob y Richardson, 1981).
Ejemplo 7.4: sea un conjunto de individuos, que tienen que hacer una
eleccin determinada y que poseen una serie de objetivos G y una serie de
restricciones B. Entonces, el problema de mltiples criterios generales puede
describirse formalmente as:

Max
Max
(opcion)
(opcion)
F Z F Z
F
N
k
1 1
1
1
1
( ) ( )
(

ZZ F Z
k
k N
k
1
) ( )

Max
(opcion)
F Z F Z
K
K
k N
K
( ) ( )
1

(7.34)
sujeto al vector de restricciones:
f(Z) B (7.35)
en el cual F
k
(Z
j
k
) es el valor de la funcin de dichos criterios asociado con el atri-
buto Z
j
k

de la alternativa A
j
. Por ejemplo, quizs se est interesado en encontrar
una alternativa de viaje dentro de un conjunto de eleccin de tamao N, que
minimice el tiempo de viaje y los costes, que maximice el confort y la seguri-
dad, etc. Adems, estos atributos que estn asociados a una cierta alternativa
pueden ser requeridos para satisfacer restricciones absolutas como (7.35).
Si se encuentra una alternativa nica que satisface a la vez estos criterios
de optimalidad (es decir, optimiza las funciones K en la expresin (7.34) y las
restricciones (7.35), entonces se obtiene una solucin ptima no ambigua. Sin
embargo y por lo general, siempre habr conflictos entre objetivos (es decir,
alternativas superiores en algunos aspectos e inferiores en otros).
o1
Antes de poder construir un modelo de eleccin basado en este problema
de mltiples criterios, pueden plantearse una serie de cuestiones importantes
tales como:
Qu estrategias pueden adoptarse para solucionar el problema?
Existen diferencias en las estrategias adoptadas por diferentes individuos
en una poblacin dada?
Cmo se pueden representar formalmente estas estrategias?
De qu forma debera llevarse a cabo la agrupacin sobre la poblacin para
producir un modelo que pueda estimarse con datos individuales?
Este ltimo aspecto es de especial importancia porque los modelos de
eleccin se derivan por agregacin de las acciones de individuos dentro de la
poblacin, y mientras cualquiera o todos ellos pueden implicarse en un proceso
de decisin no compensatorio, puede o no, ser apropiada la caracterizacin
dentro de estos trminos de la suma total de estas decisiones y del modelo de
eleccin resultante (vase la discusin en Williams y Ortzar, 1982a).
Aqu se trata solamente el primero de estos aspectos, principalmente de
cmo un individuo, que se enfrenta a un contexto hipottico de decisin, puede
resolver el problema de mltiples criterios. Existe, por supuesto, una amplia
literatura dispersa en variados campos del conocimiento sobre la aplicacin de
la teora de decisin a problemas de este tipo. Se mencionarn tres mtodos, co-
menzando con la aproximacin ms conocida, ms sencilla y ms ampliamente
utilizada, tal es la estrategia de equilibrio que forma la base de los modelos de
decisin compensatoria.
7.5.3.1. Regla compensatoria
Aqu la alternativa preferida se elige mediante la optimizacin de una funcin
objetivo nica G = G(F
1
,

F
2
,

,

F
K
). Si las funciones F
k
son simplemente los atri-
butos Z
k
, o transformaciones lineales de ellos, entonces G puede escribirse como:

G G Z Z Z
k
k
k
k j
k
k N
k
k k
j
(
,
\
,
(
u u u
1
, , , ,

(7.36)
y se trata del problema de equilibrio (trade-off ) lineal convencional. Los pa-
rmetros se determinan a partir de preferencias declaradas o reveladas del
individuo. Una de las caractersticas de este enfoque es el tratamiento simtrico
de las funciones objetivo.
o:
7.5.3.2. Reglas no compensatorias
Una aproximacin general alternativa es la de tratar las funciones objetivo
(7.29) de forma asimtrica mediante la clasificacin o conversin de algunas o
todas las restricciones a travs de la introduccin de ciertas normas o umbra-
les. Es decir, se puede requerir que cualquier alternativa aceptable tenga, por
ejemplo, un coste de viaje asociado que no supere un cierto valor particular;
formalmente, esta restriccin impone que:

Z Z Z Z
k
j
k
N
k k
1
, , , , s

(7.37)
en la cual Z
k
es un valor mximo (o mnimo cuando se invierta la desigualdad)
satisfactorio para el atributo correspondiente. La introduccin de umbrales
restringe el rango de las alternativas factibles consideradas por los individuos
en su proceso de decisiones.
Eleccin por eliminacin. En este caso se supone que los individuos po-
seen, por un lado, un ranking (o clasificacin) de atributos (p. ej., el coste es
ms importante que el tiempo de espera, y ste, ms importante que el tiempo
andando, etc.) y, por otro, valores o umbrales mnimos aceptables (7.37) para
cada uno. Por ejemplo, este proceso decisional puede resolver el problema de
mltiples criterios de la forma siguiente: primero se considera el atributo que
est mejor clasificado en el ranking y a continuacin se eliminan todas las al-
ternativas que no satisfacen la restriccin del umbral (aunque puedan sobresalir
en cuanto a atributos que estn peor ranqueados); el proceso se repite hasta
que solamente quede una alternativa, o un grupo de ellas, que satisfaga todas
las restricciones del umbral y entre ellas se elige una de forma compensatoria
(vase Tverski, 1972).
Comportamiento de satisfaccin. Sin embargo, existen muchas formas de
organizar la estrategia de bsqueda anterior; por ejemplo, quizs el individuo
utilice un proceso cclico complejo de forma que los umbrales se modifiquen
secuencialmente hasta encontrar una alternativa nica.
Igualmente puede funcionar un mecanismo de satisfaccin en el que el
individuo podra estar dispuesto a parar la bsqueda en cualquier momento
segn una regla o norma pre-especificada, en la cual tal vez no se consideren
algunos o todos los atributos o alternativas. De hecho, cuando se aplica la
posibilidad de estar satisfecho (vase Eilon, 1972) a decisiones de viajes que
o
implican localizacin, el modelo de decisin est muy enlazado con la adqui-
sicin de informacin en el proceso de bsqueda.
Tal y como observaron Young y Richardson (1980), una bsqueda puede
caracterizarse por un proceso de eliminacin basado en atributos o basado en
alternativas. En el primer caso, se seleccionan los atributos uno tras otro y se
procesan las alternativas, las cuales se aceptan o se rechazan segn los valores
de los atributos; en el segundo, se consideran las alternativas una tras otra y
se examina el grupo de atributos. En cualquier momento del proceso se elimi-
nan las alternativas que no satisfagan las reglas u otras restricciones. Para un
estudio ms detallado de las estrategias de decisin, se recomienda Foerster
(1979) y Williams y Ortzar (1982a).
7.5.4. Hbito e histresis
A finales de los aos 70 haba un gran inters por la relevancia y por el papel
que jugaban las costumbres o hbitos en el comportamiento de la eleccin de
viaje, especialmente en los casos de relocalizacin (es decir, emigracin) u otros
fenmenos que proporcionaban un punto de vista renovado a las posibilidades
de eleccin del individuo. La evidencia emprica (Blase, 1979) sugera que el
efecto del hbito puede tener importancia prctica y, por tanto, el problema
debe ser tratado seriamente.
La existencia de hbitos (o lo que puede considerarse como la inercia que
acompaa al proceso de decisin del individuo), es posiblemente el ms insi-
dioso de los aspectos del comportamiento que representan divergencias con las
suposiciones tradicionales que subyacen en los modelos de eleccin, dado que
aparece directamente en el contexto de respuesta. Para examinar los efectos e
implicaciones del hbito es pertinente retornar a las suposiciones bsicas del
enfoque convencional de datos de corte transversal.
La figura 7.5a reproduce la curva en forma de S relativa a la eleccin bi-
naria. Para una diferencia de utilidad dada (V
2
V
1
) existe una nica probabi-
lidad de eleccin; bajo las condiciones de cambio (V
'
2
V
'
1
), la probabilidad
correspondera a la observada para la diferencia de utilidad en el ao base, es
decir, la respuesta se determina a partir de la dispersin de datos en el corte
transversal (un instante de tiempo).
Esta suposicin implica, entre otros aspectos, que la respuesta a una pol-
tica o cambio particular ser exactamente la inversa si desaparece el estmulo;
o
la relacin estmulo-respuesta es simtrica respecto al signo y al tamao del
estmulo.
Pero si existe hbito, entonces afectara a aquellos miembros de la pobla-
cin que estn actualmente asociados a una alternativa que experimenta un
estmulo frente a la ventaja relativa de otra alternativa. Esto introduce una
asimetra bsica en el comportamiento de respuesta y da lugar al fenmeno de
histresis (Goodwin, 1977), tal y como se puede ver en la figura 7.5b. En este
caso el estado actual de la poblacin, identificado en trminos del reparto de
mercado de cada alternativa, depende no solamente de los valores de utilidad
V
2
y V
1
sino tambin de cmo estas variables obtuvieron su actual valor.
Formalmente, el estado del sistema P puede expresarse como una integral
de lnea en el espacio de los componentes de utilidad V; el valor de la integral
es independiente del camino de integracin cuando el hbito no est presente,
pero depende de dicho camino de integracin cuando lo est (vase la discusin
en Williams y Ortzar, 1982a).
1,0 1,0
-60 -60 -40 -40
(a) (b)
-20 -20 0 0 20 20 40 40 60 60
V
2
V
1
V
2
V
1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
Figura 7.5. Influencia del hbito en los modelos de corte transversal: (a) curva
de respuesta logit, (b) curva de histresis para el efecto de hbito en individuos.
EJERCICIOS
7.1. Interesa estudiar el comportamiento de un grupo de viajeros con respecto
a dos alternativas de transporte A y B, cuyos tiempos de viaje son respectiva-
mente t
a
y t
b
. Cada viajero experimenta las siguientes utilidades segn cada
una de estas dos alternativas:
o

U t I
U t
a a
b b
+
o |
o
donde y son parmetros conocidos e I es el ingreso personal de cada via-
jero.
Aunque no hay datos fiables sobre la renta de cada viajero, se sabe que la
variable I tiene la siguiente distribucin en la poblacin:
5.000
0,5 10
4
f(I)
25.000
I
En el caso en que sea = 0,5 y = 2,10
4
, se desea encontrar la probabi-
lidad de eleccin de la alternativa A para cada viajero como funcin del valor
(t
b
t
a
); grafique esta funcin en ejes apropiados.
7.2. Sea un modelo logit binario para coche y autobs, donde las funcio-
nes de utilidades representativas siguientes se han estimado a partir de una
muestra de 750 individuos pertenecientes a un sector particular de un rea
urbana:
V
c
= 3,5 0,25t
c
0,42e
c
0,1c
c
V
b
= 0,25t
b
0,42e
b
0,1c
b
donde t representa el tiempo a bordo de los vehculos (en minutos), e es el
tiempo de acceso (en minutos) y c es el coste de viaje ($). Se conocen adems
los siguientes datos:
Modo
Variable
t e c
Coche 25 5 140
Bus 40 8 50
oo
y tambin se dispone de informacin del nmero de individuos que elige cada
alternativa en el sector y en toda el rea:
Alternativa
N de individuos que eligen la alternativa i
Muestra Poblacin
Coche 283 17.100
Bus 467 68.900
Indicar qu correccin sera necesario aplicar al modelo y reescribir su a)
versin final.
Calcular la variacin porcentual de la probabilidad de eleccin de coche b)
en el caso en que las tarifas del autobs aumenten un 25%.
Al revs, averiguar qu sucede si los costes del coche disminuyen un c)
100%.
7.3. Calcular la probabilidad de eleccin de coche, autobs, taxi com-
partido y metro, en el caso de un modelo logit jerrquico con la siguiente
estructura:
Coche Metro Bus Taxi compartido
Transporte
colectivo
con las siguientes funciones de utilidad que se muestran a continuacin:
Nido superior a)
V
coche
= 0,03t
coche
0,02c
coche
+ 1,25
V
taxcom
= 0,03t
taxcom
0,02c
taxcom
0,20
V
ttecol
= 0,60 EMU
Nido relativo al transporte colectivo b)
V
bus
= 0,04t
bus
0,03c
bus
+ 0,5
V
M
= 0,04t
M
0,03c
M
o;
y para los siguientes valores medios de las variables:
Modo Tiempo (t) Coste/Ingreso (c)
Coche 4,5 23,0
Taxi compartido 5,5 15,0
Bus 7,5 5,5
Metro 5,5 3,6
7.4. Recordando que el modelo probit binario tiene la expresin:

P V V
1 1 2 1
2
2
2
1 2
2
( )
+

d / s s rs s
Utilizar esta formulacin para escribir la probabilidad de eleccin de la
alternativa 1 para el siguiente modelo binario:
U
i
= X
i
+
i
donde los distribuyen IID segn una Normal estndar, para los siguientes
casos:
Si el valor de a) es fijo e igual a 3.
Si b) distribuye Normal N(3,1) y es independiente de .
8.
Especificacin y estimacin
de modelos de eleccin discreta
8.1. INTRODUCCIN
E
n el captulo anterior se hizo una introduccin general a la modelizacin
de la eleccin discreta, a las diferentes formas de los modelos y al marco
terico en el que se enmarcan las decisiones individuales. Este captulo
est dedicado fundamentalmente a dos temas: cmo especificar total-
mente un modelo desagregado o discreto (MD) y cmo estimar dicho modelo
una vez que se ha especificado adecuadamente.
La bsqueda de la mejor especificacin de un modelo implica seleccionar
la estructura del mismo (logit multinomial, logit jerrquico, probit, etc.), las va-
riables explicativas que se van a considerar, la forma en que aparecen en la fun-
cin de utilidad (lineal, no lineal) y la identificacin del conjunto de elecciones
del individuo (alternativas disponibles). En trminos generales, los objetivos del
estudio de especificacin incluyen el realismo, la economa, la consistencia te-
rica y la sensibilidad hacia variables de intervencin poltica. En otras palabras,
se trata de encontrar un modelo realista que no necesite un nmero excesivo de
datos o de recursos informticos, que no produzca resultados patolgicos y que
sea apropiado para el contexto de decisin para el cual se desee utilizar.
A los modelos agregados, como los que se han visto en los Captulos 5 y 6, a
menudo se les critica por ser insensibles a variables de poltica, ya sea porque
a veces no incluyen variables relevantes, o porque importantes componentes
del modelo se especifican sin sensibilidad hacia ciertas estrategias de interven-
cin (p. ej., el problema de generacin inelstica de viaje). La mayora de las
caractersticas de la especificacin de un modelo son susceptibles de anlisis y
experimentacin (Leamer, 1978), pero son tambin estrechamente dependientes
del contexto del estudio y de la disponibilidad de datos.
La primera parte de este captulo se dedica a la identificacin del conjunto
de alternativas disponibles para los individuos, es decir a la determinacin del
Especificacin y estimacin de modelos de eleccin discreta
;o
conjunto de eleccin. Este problema es fundamental, ya que la estimacin de
un MD se lleva a cabo por lo general mediante observaciones de las elecciones
realizadas por los individuos entre un conjunto de alternativas. Estas alternati-
vas deben ser las consideradas consciente o inconscientemente por el individuo.
La omisin de opciones sin importancia aparente, por intentar reducir el coste,
puede provocar la aparicin de sesgos. Por ejemplo, en la gran mayora de estu-
dios de tipo agregado, slo se consideran elecciones binarias entre vehculo pri-
vado y transporte pblico, y como consecuencia el problema multimodal no se
trata con rigor. En el mejor de los casos, las opciones alternativas de transporte
pblico son consideradas en la fase de asignacin, utilizando tcnicas todo-o-
nada o asignacin multirruta de viajes a los arcos de las redes submodales. De
igual forma, la inclusin de alternativas que son ignoradas por ciertos grupos
de la poblacin (p. ej., caminatas de ms de 500 metros, para individuos de
renta alta), tambin podra sesgar la estimacin de modelos.
El captulo contempla posteriormente el resto de los elementos de la es-
pecificacin de modelos, en particular su forma funcional y su estructura. De
nuevo los criterios de economa, realismo, consistencia terica y adecuacin
al contexto de decisin, juegan un papel importante para complementar la ex-
periencia e intuicin del modelizador durante las tareas de especificacin. Un
elemento adicional, que se ignora a menudo, es la disponibilidad de software
especializado. Una de las razones por las cuales se ha popularizado el modelo
logit multinomial lineal (MNL), es su sencilla estimacin mediante software
normalmente disponible. ste no es el caso de estructuras o formas funcio-
nales ms generales, las cuales presentan enormes dificultades de estimacin
(Daganzo, 1979; Liem y Gaudry, 1987).
La disponibilidad progresiva de software para seleccionar y estimar estos
modelos solventar este problema. Sin embargo un aspecto sobre el cual se
volver ms adelante, es que, a pesar de que se pueden estimar los parmetros
de muchos modelos a partir de un conjunto de datos dado, estos modelos (y sus
elasticidades implcitas) van a ser diferentes y a menudo no es posible discri-
minar entre ellos, al menos con datos de seccin temporal (cross-section).
La especificacin final depender en gran parte de la experiencia y los cono-
cimientos tericos del modelizador, as como de factores especficos del contex-
to de aplicacin, tales como: tiempo y recursos disponibles para la modelizacin
(el MNL es considerablemente ms sencillo y barato que sus competidores),
grado de correlacin entre las alternativas y nivel necesario de precisin en la
prognosis. Hay que tener en cuenta que la utilizacin de un modelo inadecuado
;1
(p. ej., utilizar el MNL cuando no se cumplen las hiptesis necesarias para su
uso) puede ocasionar graves errores (Williams y Ortzar, 1982a).
El epgrafe 8.4 se concentra en la estimacin estadstica de los modelos de
eleccin discreta utilizando datos procedentes de muestras aleatorias y basadas en
la eleccin, e incluye mtodos para validar los modelos y confrontar sus diferen-
tes estructuras. En el epgrafe 8.5 se discuten los mtodos para estimar el MNP
as como en el 8.6 se aborda la estimacin del modelo logit mixto o de compo-
nentes de error. El captulo concluye con algunas consideraciones relevantes
para la especificacin de los modelos con datos de preferencias declaradas.
8.2. DETERMINACIN DEL CONJUNTO DE ELECCIONES
Dado un conjunto tpico de datos de preferencias reveladas de corte transversal,
uno de los primeros problemas que un analista tiene que solucionar es decidir
qu alternativas estn disponibles para cada individuo de la muestra. ste
es uno de los aspectos ms difciles de resolver, ya que refleja el dilema que
el modelizador tiene para llegar a un justo equilibrio entre la relevancia y la
complejidad de un modelo, aunque usualmente la seleccin final depende de
la disponibilidad de datos.
8.2.1. Tamao del conjunto de elecciones
Es extremadamente difcil determinar el conjunto de elecciones de un individuo
a menos que se pregunte directamente; por lo tanto, el problema est estrecha-
mente relacionado con el dilema de si es preferible utilizar datos aportados por
los individuos o medidos directamente, segn se trat en el Captulo 3.
Aunque el nmero de alternativas es normalmente pequeo, lo que hace
que el problema de modelizar la eleccin modal sea menos grave, en otras
situaciones, como sucede en el caso de la eleccin de destino, la identificacin
de las opciones que componen el conjunto de elecciones es un tema crucial.
Esto se debe no slo a que el nmero total de alternativas es habitualmente muy
grande, como se ver a continuacin, sino tambin a que se debe enfrentar el
problema adicional de cmo medir/representar la atractividad de cada opcin.
Algunas formas de tratar con un conjunto elevado de opciones son:
Tener en cuenta solamente subconjuntos de las opciones que son efectiva- 1.
mente elegidas en la muestra (en un marco de muestreo como el utilizado
por Ben Akiva, 1977).
;:
Utilizar el mtodo de fuerza 2. bruta, que supone que todos los individuos tie-
nen todas las alternativas disponibles, dejando que el modelo asigne una pro-
babilidad de eleccin muy baja o igual a cero a las opciones menos realistas.
Ambos enfoques tienen desventajas. Por ejemplo, en el primer caso, se pue-
den dejar de lado alternativas realistas que no se han elegido debido a la forma
en que se tom la muestra o a la tcnica de muestreo utilizada. En el segundo
caso, la inclusin de demasiadas alternativas puede afectar a la capacidad dis-
criminatoria del modelo, ya que un modelo que considere opciones no realistas
puede ser incapaz de describir adecuadamente las elecciones entre aquellas
que son realistas (Ruijgrok, 1979). Otros mtodos que se pueden aplicar para
resolver este problema son:
Agregar las opciones o alternativas, como en el caso de un modelo de elec- 1.
cin de destino basado en datos zonales;
Suponer continuidad en las alternativas, como muestran 2. Ben Akiva y Wata-
natada (1980).
8.2.2. Formacin del conjunto de eleccin
Otro problema en este tema es que el individuo cuyas decisiones se estn modeli-
zando puede elegir perfectamente entre un conjunto relativamente limitado de
opciones. Si el analista modelizase elecciones que el individuo ignora en la rea-
lidad, resultara que algunas alternativas recibiran una probabilidad positiva
aunque, en la prctica, no tuvieran posibilidad alguna de ser elegidas. Ms an,
considrese el caso de modelizar el comportamiento de un conjunto de individuos
que difieren mucho en cuanto al conocimiento de sus destinos potenciales. Como
consecuencia, los coeficientes del modelo, que intentan describir las relaciones
entre las utilidades predichas y las elecciones observadas, pueden estar influidos
tanto por variaciones en el conjunto de elecciones entre los individuos (que no
estn contempladas en su totalidad en el modelo), como por variaciones en las
preferencias reales (que s estn contempladas). Debido a que los cambios en la
naturaleza de los destinos pueden afectar tanto al conjunto de elecciones como a
las preferencias en grados diferentes, esta confusin puede causar estragos en la
prognosis o en la posibilidad de transferir el modelo en el tiempo y en el espacio.
Para poder tratar este problema es posible:
Utilizar reglas de generacin deterministas o del conjunto de elecciones 1.
heursticas que permitan excluir ciertas alternativas (p. ej., el autobs no es-
;
t disponible si la parada ms prxima se encuentra ms all de una distan-
cia determinada) y que puedan validarse empleando datos de la muestra.
Obtener informacin sobre el conjunto de elecciones directamente de la mues- 2.
tra, preguntando simplemente a los entrevistados sobre su percepcin de
las alternativas disponibles (incluso es mejor preguntar sobre las opciones
no disponibles y las razones de ello).
Utilizar conjuntos aleatorios de elecciones, en los que las probabilidades de 3.
eleccin sean el resultado de un proceso en dos fases: en primer lugar, un
proceso de generacin del conjunto de opciones, en el cual se defina una
funcin de distribucin de probabilidades sobre todos los conjuntos de elec-
ciones y, en segundo lugar, en un conjunto de elecciones especfico, definir
una probabilidad de eleccin para cada alternativa (ver la discusin de este
tema en Lerman, 1984 y Richardson, 1982).
Tal y como se vio en el Captulo 7, a menudo las reglas no-compensatorias
como satisfaccin, lexicografa y eliminacin por aspectos, pueden resultar
ms apropiadas que el comportamiento compensatorio. En efecto, muchos
procesos de eleccin, especialmente si el nmero de alternativas fsicamente
disponibles es muy grande, pueden ser visualizados como una mezcla de reglas
compensatorias y no-compensatorias. En este contexto, Morikawa (1996) ha
desarrollado un modelo hbrido que aplica reglas de decisin compensatorias y
no-compensatorias con un nmero relativamente amplio de alternativas, en un
modelo cuyo proceso de decisin se subdivide en una fase en la que se forma
el conjunto de eleccin y en otra en la que se efecta la eleccin. La formacin
del conjunto de eleccin se modeliza a travs de un modelo de restricciones
aleatorias que tiene una naturaleza no-compensatoria en las restricciones (es
decir, si una restriccin no se satisface, la alternativa se excluye del conjunto
de eleccin aunque las dems restricciones se hayan satisfecho), mientras que
la fase de eleccin se describe a travs de un modelo Logit multinomial. Este
enfoque proporcion buenos resultados cuando se aplic a la eleccin del des-
tino para viajes de vacaciones con hasta 18 alternativas.
8.3. ESPECIFICACIN Y FORMA FUNCIONAL
La bsqueda de la mejor especificacin del modelo est relacionada con su
forma funcional. Aunque se pueda argumentar que la funcin lineal (7.3) es
probablemente adecuada en muchos contextos, hay otros casos, como el de la
;
eleccin de destino, en los que las funciones no lineales son ms apropiadas
(Foerster, 1981; Daly, 1982a). Los problemas en este ltimo caso son que, en
general, no hay garanta de que las rutinas de estimacin de los parmetros
vayan a converger a valores nicos, y que no haya software disponible direc-
tamente. Otro tpico de especificacin relacionado con la forma funcional es
la manera en que las variables explicativas deberan entrar en la funcin de
utilidad, incluso si sta es lineal en los parmetros.
En la literatura existente se han propuesto tres mtodos para tratar el pro-
blema de la forma funcional:
La utilizacin de anlisis conjunto en experimentos reales o de laboratorio 1.
para determinar la forma ms apropiada de la funcin de utilidad (Lerman
y Louviere, 1978). En el apartado 8.5 se trata brevemente este aspecto.
La utilizacin de transformaciones estadsticas, tales como el mtodo de 2.
Box-Cox, permitiendo hasta un cierto lmite que los datos decidan (Gau-
dry y Wills, 1978).
La utilizacin constructiva de la teora economtrica para derivar la forma 3.
funcional (Train y McFadden, 1978; Jara-Daz y Farah, 1987); ste es posi-
blemente el enfoque ms atractivo, ya que la forma final puede relacionarse
con medidas de evaluacin de beneficios del usuario.
Como se ver ms adelante, es importante destacar que, en general, las for-
mas no lineales normalmente implican compromisos entre variables diferentes
de las asociadas a conceptos como el valor del tiempo (Bruzelius, 1979) y, como
es fcil imaginar, tambin las elasticidades del modelo y su poder explicativo
pueden variar sensiblemente con la forma funcional utilizada.
8.3.1. Forma funcional y sus transformaciones
Expresiones lineales en los parmetros de la funcin de utilidad, como la
ecuacin (7.3), normalmente contienen una mezcla de variables cuantitativas y
cualitativas (para estas ltimas, p. ej., sexo, edad o nivel de ingreso, usualmente
se utilizan variables dummy) y los problemas son cmo incluir ambas y dnde
incluir a las segundas, tal y como se ha discutido anteriormente. En otras pala-
bras, sera ms apropiado escribir la ecuacin (7.3) del siguiente modo:

V f x
jq kj kj kjq
k
u ( )

(8.1)
;
que si bien an es lineal en los parmetros, hace referencia explcita a que la
forma funcional de las variables x es, hasta cierto punto, arbitraria. La prcti-
ca habitual consiste en insertar las variables originales sin elaborar (es decir,
insertando el tiempo en lugar de 1/tiempo o del logaritmo del tiempo) y esto
no tendra consecuencias, a menos que la respuesta del modelo fuera muy
sensible a su forma funcional.
Si no se tienen razones tericas para apostar por una forma funcional de-
terminada, parece interesante dejar que los datos indiquen cul podra ser una
forma adecuada. En la modelizacin de transportes, se ha adaptado con xito
una clase de transformaciones utilizadas ampliamente en econometra (Gaudry
y Wills, 1978; Liem y Gaudry, 1987). A continuacin se describen dos ejemplos,
siendo el segundo una generalizacin del primero:
8.3.1.1. Transformada bsica de Box-Cox
Dada una variable positiva x, considrese la siguiente transformacin x
()
:

x
x
x
( )
( ) / ,
,
t
t
t t
t
1 0
0
si
log si

(8.2)
que es continua para todos los posibles valores de . Aplicando esta transfor-
macin es posible reescribir la ecuacin (8.1) como:

V x
jq kj kjq
k
k
t ( )

(8.3)
y es fcil ver que si
1
=
2
=

k
= 1, la ecuacin (8.3) se reduce a la tpica
forma lineal (7.3); mientras que si todos los
k
= 0 , se obtiene la forma loga-
rtmico-lineal, tambin ampliamente utilizada. Evidentemente, estas dos formas
tradicionales son slo casos especiales de (8.3).
8.3.1.2. Transformada de Box-Turkey
La transformacin bsica (8.2) se define nicamente para x > 0. Una forma
ms general, para variables que puedan tener valores negativos o nulos, es la
siguiente:

( )
( ) / ,
log( ),
( )
x
x
x
+
+ ,
]
]
=
+
t t
t
t
t
1 0
0
si
si

(8.4)
;o
donde es slo una constante de traslacin, elegida para asegurar que (x + ) > 0
en todas las observaciones.
Para que el modelo sea consistente con la teora microeconmica los valores
de tienen que satisfacer ciertas condiciones. En particular, es instructivo deri-
var qu restricciones existen en el caso de atributos como el tiempo de viaje (que
produce desutilidad) o el nmero de coches en el hogar (que, en cambio, hace
aumentar la probabilidad de elegir el coche) para asegurar que las utilidades
marginales sean decrecientes, tal y como requiere la teora. Queda propuesta
pues esta demostracin como un pequeo desafo para el lector interesado.
Puede demostrarse que si se especifica un MNL con la forma funcional
(8.4) y se obliga a que todos los valores de sean iguales, sus elasticidades
vienen dadas por:

E P x x
P
j
x ji j ki k ki
ki
,
( ) ( ) +

o
t 1

(8.5)
en que
ij

es igual a 1 si j = i y 0 en otro caso. Aunque de (8.5), es obvio que
las elasticidades dependen de los valores de y , no es tan claro cun grande
puede ser este efecto ya que los valores de tambin varan.
Utilizando datos para Sidney en 1971, Hensher y Johnson (1981) obtuvieron
diferencias del 25% entre los valores de la elasticidad del tiempo de viaje/de-
manda de ferrocarril, para la combinacin ptima de (, ) y el caso lineal; con
la especificacin incorrecta ( = 1) se obtenan valores ms altos. En el Cap-
tulo 13 se tratarn las consecuencias de la utilizacin de modelos Box-Cox en
la derivacin de valores subjetivos del tiempo (Gaudry et al., 1989).
8.3.2. Consideraciones tericas y forma funcional
Aunque se haya dejado claro que en cualquier estudio la escasez de datos y la
limitacin de recursos a menudo desempean un papel vital, es importante con-
siderar la influencia que tiene la teora en la construccin de una funcin de
demanda. A continuacin se mostrar cmo el uso constructivo de la teora eco-
nmica ayuda a solucionar el importante problema de cmo incorporar una va-
riable clave como el ingreso en la funcin de utilidad. Por cuestin de sencillez
se aceptar que los parmetros tienen forma lineal y no se entrar en el detalle
respecto de la estructura del modelo, pero el anlisis se puede generalizar.
El enfoque convencional para comprender los papeles del ingreso, tiempo
y coste de viaje, en el marco de eleccin discreta, se basa en el trabajo de Train
y McFadden (1978); ellos establecieron los fundamentos microeconmicos de
;;
esta teora, a partir del caso de individuos que eligen entre el ocio (L) y consumo
de bienes (G). El compromiso aparece una vez que se formula la relacin entre
G y el ingreso (I): ellos suponen que I depende del nmero de horas trabajadas
(W). De esta manera, el aumento de W permite aumentar G disminuyendo L.
Este problema se puede expresar formalmente como:
MaxU(G, L)
Sujeto a:

G c wW
W L t T
A
i
i
i
+
+ +
V eA

(8.6)
donde U es la funcin de utilidad individual, w es la tasa salarial real (la canti-
dad de dinero que se le paga al individuo a la hora), c
i
y t
i
son respectivamente
el coste y el tiempo gastados en el viaje, A es el conjunto de eleccin y T es un
perodo de referencia; las incgnitas son G, L y W.
Si en la ecuacin (8.6), U se expresa de una forma bastante general, como
la Cobb-Douglas, el encontrar su mximo respecto a A
i
A es equivalente a
encontrar el mximo de (c
i
/ w t
i
) entre otras posibilidades. ste es el origen
de la variable denominada coste/tasa salarial, ampliamente utilizada en los
modelos de eleccin discreta, la cual ha degenerado en coste/ingreso en ciertas
aplicaciones. La posibilidad de variar las horas trabajadas para conseguir el
nivel de renta deseado tiene un papel clave en la derivacin anterior. Como W
se determina de forma endgena y w viene dado de forma exgena, el ingreso
pasa a ser endgeno. Esta formulacin supone que el coste del viaje es despre-
ciable en relacin con el ingreso, es decir, no hay efecto renta.
Sin embargo, para muchos individuos (especialmente en los pases menos
desarrollados) tanto el ingreso como las horas trabajadas son fijos y por tanto
s puede existir efecto renta. En estos casos se puede demostrar que el mximo
de U depende del valor de (c
i
/ g t
i
) entre otras posibilidades (Jara-Daz y
Farah, 1987), donde g es una tasa de gasto definida en general por:
g = I / (T W) (8.7)
La presencia de una variable de ingreso como sta, que refleja el poten-
cial de compra en la funcin de utilidad, indica que la utilidad marginal del
ingreso vara con ste, es decir, el modelo permite un efecto renta. Adems, es
interesante mencionar que diversos tests empricos han demostrado que esta
;8
nueva especificacin supera a la especificacin convencional coste/tasa salarial,
incluso para individuos sin efecto renta (Jara-Daz y Ortzar, 1989).
8.3.3. No linealidades intrnsecas: la eleccin de destino
Considrese el modelo gravitacional simplemente acotado (5.14)-(5.16), que se
vio en el Captulo 5 de forma desagregada, suponiendo que cada individuo de
la zona i efecta uno de los viajes O
i
originados en dicha zona. En este caso, la
probabilidad de que una persona elija viajar a la zona j es simplemente:

P
T
O
B F
B f
j
ij
ij
j ij
k ik
k

(8.8)
Si ahora se define:

V B f B f
k k ik k ik
+ log( ) log log

(8.9)
se puede comprobar que el modelo es equivalente al modelo logit multinomial
(7.9). De esta forma, el modelo gravitacional convencional con restriccin a
orgenes puede representarse por un MNL desagregado sin prdida de genera-
lidad (Daly, 1982a). Obsrvese que la expresin (8.9) no impone restricciones
a la especificacin de la funcin de separacin espacial f
ij
. Como se vio en el
Captulo 5, la funcin que probablemente ms se utiliza en la prctica es la
exponencial negativa de c
ij
(coste generalizado de viaje entre las zonas i y j).
Cuando esta forma se sustituye en la expresin (8.9) se obtiene:

V B c
k k ij
log |

(8.10)
que es lineal en el parmetro . El problema de la no linealidad se debe a la
presencia de B
k
, que puede contener variables de forma diferente, las cuales
describen no la calidad sino el nmero de elecciones elementales dentro de k,
siendo tpicas de casos tales como la eleccin de destino, cuando se requiere
agregacin de alternativas (Daly, 1982a).
8.4. ESTIMACIN ESTADSTICA
En este apartado se consideran los mtodos para la estimacin de modelos dis-
cretos (MD), junto con las estadsticas de bondad de ajuste utilizadas durante
;,
esta tarea. Los mtodos de estimacin de modelos deben adaptarse al marco
de muestreo utilizado para generar las observaciones. Esto es necesario para
mejorar la eficiencia de la estimacin y evitar sesgos.
8.4.1. Estimacin de modelos a partir de muestras aleatorias
Para estimar los coeficientes
k
en la expresin (7.3), se utiliza normalmente el
mtodo de mxima verosimilitud (ML: Maximum Likelihood). Este mtodo se
basa en la idea de que aunque se puede obtener la muestra de varias poblacio-
nes, una muestra concreta tiene una probabilidad ms alta de haber sido ob-
tenida de una cierta poblacin que el resto. Los estimadores del mtodo ML
son el conjunto de parmetros que generan ms frecuentemente la muestra
observada.
Para ilustrar esta idea, considrese una muestra de n observaciones de una
determinada variable Z = {Z
1
,
Z
n
}, obtenida de una poblacin caracterizada
mediante un parmetro (media, varianza, etc.). Al ser Z una variable aleatoria,
tiene asociada una funcin de densidad f(Z/) que depende de los valores de
. Por tanto, siendo los valores de la muestra independientes, se puede escribir
la funcin de densidad conjunta como:

f Z Z Z f Z f Z f Z
n n
( , , / ) ( / ) ( / ) ( / )
1 2 1 2
L L u u u u
La interpretacin estadstica ms corriente de esta funcin es con Z como
variables y fijo. Invirtiendo el proceso, la ecuacin anterior puede interpre-
tarse como una funcin de verosimilitud L(). Si se maximiza con respecto a ,
el resultado se denomina estimador de mxima verosimilitud porque corres-
ponde al valor del parmetro que tiene la probabilidad mayor de haber gene-
rado la muestra observada. Esta idea puede extenderse al caso de varios pa-
rmetros (p. ej., en una regresin lineal mltiple puede demostrarse que los
coeficientes de mnimos cuadrados son los estimadores de mxima verosi-
militud).
Supngase una muestra de Q individuos para los cuales se observa su elec-
cin (0 1) y los valores de x
jkq
para cada alternativa disponible, por ejemplo:
el individuo 1 selecciona la alternativa 2
el individuo 4 selecciona la alternativa 1, etctera.
8o
como las observaciones son independientes, la funcin de verosimilitud viene
dada por el producto de las probabilidades de que cada individuo elija la opcin
que realmente seleccion:

L P P P P ( ) u
21 32 23 14
L
Definiendo la siguiente variable dummy ficticia:

g
jq

1
0
si elige A
en otro caso
j
q

(8.11)
la expresin anterior puede escribirse de forma ms general como:

L P
jq
g
jq
A
j
q q
Q
( )
( )
u
( )
e
j j
A 1

(8.12)
Para maximizar esta funcin se procede como es habitual, tomando de-
rivadas parciales respecto a e igualando a cero. Como en otros casos, se
maximiza la funcin l() que es el logaritmo natural de L(), ms manejable
y que conduce al mismo ptimo. La funcin que se intenta maximizar es, por
tanto (Ortzar, 1982):

l L g P
jq jq
A
j
q q
Q
( ) log ( ) log
( )
u u
e

A 1

(8.13)
Al maximizar l() se obtiene un conjunto de parmetros estimados *

que
distribuyen asintticamente N (, S
2
), donde:

s
2
2
2
1

o
( )
o
E
l
(

)
Tambin la funcin LR = 2l() distribuye asintticamente
2
con Q grados
de libertad (ver Ben Akiva y Lerman, 1985). Esto indica que incluso aunque *
pueda estar sesgado en muestras pequeas, este sesgo es poco relevante para
muestras suficientemente grandes (muestras de 500 a 1.000 observaciones son
normalmente apropiadas).
o
E(
)
)
2
( )
l
E(
2
o
2
81
Aunque se tiene una expresin explcita para la matriz de covarianza S,
la determinacin de los parmetros
*
necesita de un proceso iterativo. En el
caso de un MNL lineal en los parmetros, la funcin se comporta bien, de
forma que el proceso converge rpidamente y siempre hacia un nico valor.
Esto explica por qu es tan sencillo disponer de software para estimar este
modelo. Desafortunadamente ste no es el caso para otros modelos de eleccin
discreta, cuyo proceso de estimacin es mucho ms complicado. En lo que resta
del captulo se hace referencia principalmente al modelo MNL.
Sustituyendo la expresin (7.9) del MNL en (8.13), puede demostrarse que
si el conjunto de variables incluye una constante especfica para la opcin A
j

se obtiene:

g P
jq jq
q q

(8.14)
Esto permite deducir que como las constantes especficas de las alternativas
tienden a capturar el efecto de variables no consideradas en el modelo, estas
constantes aseguran que dicho modelo reproduce los porcentajes agregados
de reparto de cada alternativa en el mercado.
Por ello, como indicador de la bondad del ajuste no es adecuado compa-
rar la suma de probabilidades de elegir una opcin con el nmero total de
observaciones que la seleccionaron, ya que esta condicin se satisface inme-
diatamente en un modelo MNL que tenga un conjunto completo de cons-
tantes.
Como tampoco es adecuado comparar las probabilidades del modelo con
los valores de g
jq

(que son 0 1), no se puede definir una medida de bondad
del ajuste que est basada en los residuales estimados, tal como el R
2
de re-
gresin lineal.
Ejemplo 8.1: sea un caso de eleccin binaria con una muestra de slo tres
observaciones (como la propuesta por Lerman, 1984). Supngase que nica-
mente hay un atributo x, tal que:

P
x x
P P
q
q q
q q 1
2 1
2 1
1
1
1
+
( )
,
]
]

exp
;
u

y tambin que se observan los siguientes valores y elecciones:
8:
Observacin (q) Eleccin x
1q
x
2q
1 1 5 3
2 1 1 2
3 2 3 4
En este caso, para cualquier valor de , la funcin log-verosimilitud para
la muestra viene dada por:

l P P P ( ) log( ) log( ) log( ) u + +
11 12 23
y reemplazando los valores se obtiene:

l( ) log( ) log( ) log( ) u u
u u u u u u
+ + + 10
5 3 2 3 4
e e e e e e
La figura 8.1 muestra el resultado de graficar l() para diferentes valores de .
1,75
0,5 1,0 1,5 2,0

*
= 0,756
1,80
1,85
1,90
1,95
2,00
l()
Figura 8.1. Variacin de l() respecto a .
El ptimo,
*
= 0,756 permite establecer las siguientes probabilidades:
Observacin (q) P
1q
P
2q
1 0,82 0,18
2 0,32 0,68
3 0,32 0,68
8
Puede observarse a la vista de estos resultados, que el modelo predice in-
correctamente la segunda observacin bajo un criterio de maximizacin de
la utilidad.
Se ha mencionado que los parmetros
*

del modelo ML tienen una dis-
tribucin normal asinttica con matriz de covarianza S
2
. En general, las re-
conocidas propiedades del mtodo ML para funciones de verosimilitud que
se comportan bien permiten, al igual que en la regresin mltiple, un cierto
nmero de tests estadsticos de gran importancia.
8.4.1.1. El test-t de significancia de cualquier componente
k
*
de
La ecuacin (8.14) implica que
k
*
tiene una varianza estimada {s
2
kk
}, donde
S
2
= {s
2
kk
}, que fue calculada durante la estimacin. Si su media
k

=
, entonces:

t
s
k
kk
u
*

(8.15)
tiene una distribucin Normal estndar N(0,1). Por esta razn es posible com-
probar si
k
*
es significativamente diferente de cero (esto no es exactamente
un test-t, ya que se est aprovechando la aproximacin conseguida al tener
una muestra grande y t se comprueba con la distribucin Normal). Valores
suficientemente grandes de t (mayores que 1,96 para niveles de confianza del
95%) llevan a rechazar la hiptesis nula
k
= 0, y por tanto a aceptar que el
atributo k-simo tiene un efecto significativo.
El procedimiento secuencial de seleccin de variables seguido durante la
especificacin de los modelos de eleccin discreta, considera normalmente
tests estadsticos formales como el visto anteriormente y otro tipo de compro-
baciones ms informales, tales como observar el signo del coeficiente estima-
do y verificar si es consecuente con la teora o con conceptos a priori. En este
sentido debe destacarse que la eliminacin de una variable con signo correcto
depende crucialmente de su importancia; por ejemplo, ntese que el conjunto de
variables explicativas disponibles puede dividirse con beneficio en dos clases:
Variables muy relevantes o de intervencin poltica, que tienen una base
terica slida y/o que son cruciales para la prognosis;
Otras variables explicativas, que no sean cruciales para la evaluacin de
actuaciones (p. ej., sexo) o para las cuales no existan razones tericas que
justifiquen o rechacen su inclusin.
8
La tabla 8.1 presenta los casos que se pueden dar al considerar las posibles
interacciones segn la divisin anterior, as como las soluciones recomendadas
por la prctica habitual. Considrese en primer lugar el caso de eliminar una
variable del tipo Otras con el signo correcto. Su eliminacin depender del
nivel de significacin (a veces slo es significativa a un nivel del 85%), y nor-
malmente se deja fuera si no es significativa a un nivel del 80%.
La buena prctica recomienda incluir una variable relevante con signo
correcto aun cuando no haya pasado algn test de significacin. La razn es
que el coeficiente estimado es la mejor aproximacin posible a su valor real.
La falta de significacin puede estar causada por insuficiencia de datos.
Las variables del tipo Otras con signo incorrecto debieran rechazarse
siempre. Sin embargo, como las variables de intervencin poltica deben in-
cluirse casi a cualquier coste, la prctica habitual indica que en el caso de signo
incorrecto se haga una reestimacin del modelo, fijando sus valores en base
a informacin aceptable proveniente de estudios similares. Esta tarea es fcil
si la variable no es significativa, pero puede llegar a ser muy difcil si lo es,
ya que el valor fijado podra producir cambios importantes en el resto de los
coeficientes del modelo.
En lo referente a variables socioeconmicas como el sexo, la edad, la pro-
fesin y la ocupacin, el modo tpico de insertarlas dentro de los modelos de
eleccin discreta es en forma de constantes adicionales, a lo sumo en todas
las alternativas menos en una, en base a la experiencia y al sentido comn del
modelizador. Por ejemplo:

V t c f s
V t c f
q q q q lq
l
q q q q
1 1 1 1
2 2 2 2
+ + + +
+ + +
o |
o |
L
L

(8.16)

Tabla 8.1. Casos de seleccin de variables
Variable
Intervencin poltica Otras
significante
Signo correcto
{
no significante
Incluir Incluir
Incluir Se puede eliminar
significante
Signo incorrecto
{
no significante
Gran problema Eliminar
Problema Eliminar
8
Donde, por ejemplo, t representa el tiempo de viaje, c el coste, f la frecuen-
cia, y las variables dummy s
lq
representan las caractersticas socioeconmicas
del individuo q. En este caso los datos socioeconmicos sirven para ampliar
la explicacin de la eleccin pero no proporcionan ninguna mejora en trminos
de la utilizacin del modelo para estimar valores subjetivos o disposicin a pagar
(esto es, la razn entre tiempo y coste, ver Gaudry et al., 1989). Adems, usual-
mente se ha encontrado que no son demasiadas las variables del tipo Otras
que proporcionan suficiente explicacin como para justificar su insercin en
los modelos.
Un procedimiento alternativo consiste en parametrizar los coeficientes de
cada atributo en el modelo utilizando variables socioeconmicas; en este caso
la ecuacin (8.16), pasa a ser:
V s t s c s
iq l lq
l
iq l lq
l
iq l lq
l
+
j
(
,
\
,
(
+ +
j
(
,
\
,
(
+ +
j
(
,
\

o o | |
0 0 0
,,
(
f i
iq
( , ) 1 2

(8.17)
Ahora las variables dummy s
lq
se refieren a la caracterstica socioeconmi-
ca l (p. ej., el sexo) del individuo q. sta es una forma, sencilla e interesan-
te, de incorporar las variables socioeconmicas que adems permite calcular
funciones cuyo valor vara para cada individuo. Este mtodo, de hecho, fue
propuesto por Fowkes y Wardman (1988) como una forma de segmentar de
acuerdo a los gustos individuales. La ecuacin (8.17) permite obtener para
cada atributo coeficientes que varan en funcin de las caractersticas del in-
dividuo.
Es importante resaltar que la misma variable socioeconmica puede apare-
cer en la expresin de cada coeficiente y que esta formulacin no implica que
los gustos estn distribuidos de forma aleatoria en la poblacin, sino que al
revs, se acepta que los parmetros (, y ) dependen de las caractersticas
del individuo de modo determinstico.
Esta parametrizacin permite incorporar heterogeneidad de gustos en forma
econmica, mediante la utilizacin de programas ampliamente disponibles,
en vez de tener que recurrir a funciones ms complejas como, por ejemplo, el
probit multinomial o los modelos de componentes de error.
Ejemplo 8.2: la tabla 8.2 presenta dos modelos. El primero de ellos utiliza
el mtodo explicado en (8.16), mientras que el segundo corresponde al mtodo
nuevo de la ecuacin (8.17). El tamao de la muestra es de 1.631 observaciones
de preferencias declaradas (Rizzi y Ortzar, 2002), relativas a la eleccin de
8o
ruta en presencia de los siguientes atributos: riesgo de accidentes, pago de
peaje y tiempo de viaje.
Tabla 8.2. Formas alternativas de incluir las variables socioeconmicas
Variables (test-t) Modelo 1 Modelo 2
Riesgo de muerte
2,41E + 05
(5,6)
2,18E + 05
(3,4)
Sexo
0,4233
(3,3)
1,29E + 05
(2,9)
Edad
1
(30-49)
0,4605
(3,5)
1,76E + 05
(3,5)
Edad
2
(50-65)
1,02
(5,8)
3,75E + 05
(6,0)
Edad
3
(> 65)
1,48
(2,8)
5,49E + 05
(3,0)
Da/noche
0,2097
(2,5)
8,45E + 04
(3,1)
Tiempo de viaje (h)
3,318
(13,9)
3,738
(14,0)
Peaje (US$)
0,702
(9,9)
0,826
(10,8)
Ingreso alto
4,13E 0,4
(3,4)
2
(c) 0,1545 0,1703
Las variables socioeconmicas (SE) consideradas en el caso de la variable
riesgo de accidentes fueron el sexo (1 para hombres), la edad (a travs de tres
variables dummy que adoptan el valor 1 si la edad de la persona est en el
intervalo considerado) y una variable que define si el viaje transcurra de da
o de noche (con el valor 1 si la persona ha viajado de da). En cambio, en el
caso de la tarifa slo result significativa la variable ingreso alto (que adopta
el valor 1 si la renta del entrevistado es alta) y en el caso del tiempo no result
significativa ninguna variable SE.
En el primer modelo, estas variables se incluyeron como dummy normales
en la funcin de utilidad de la ruta ms segura, mientras que en el segundo
8;
modelo se incluyeron en interaccin con los coeficientes tanto del riesgo como
de la tarifa.
Si se observan los resultados parece obvio que la parametrizacin ms
flexible del modelo 2 es superior al modo tradicional de insertar las variables
SE. Adems es importante destacar que los resultados sugieren que las mujeres
valoran ms la seguridad que los hombres y lo mismo se detecta al aumentar
la edad. De acuerdo al modelo 2, adems, el valor de la seguridad debera
aumen tar si el viaje se realiza por la noche. En fin, es de destacar que la utili-
dad marginal del ingreso (es decir, el coeficiente del peaje cambiado de signo),
disminuye para los usuarios con ingreso alto, en consonancia con la teora.
8.4.1.2. Test de razn de verosimilitud
Un nmero importante de propiedades del modelo puede expresarse como
restricciones lineales en un modelo ms general. Algunos ejemplos de estas
propiedades son:
Atributos genricos. Como se mencion en el epgrafe 7.3, hay dos tipos
principales de variables explicativas, genricas y especficas. Las primeras
tienen el mismo peso o significado en todas las alternativas, mientras que
las ltimas tienen un significado especfico y diferente en cada una de las
opciones y por tanto pueden tomar un valor igual a cero para ciertos ele-
mentos del conjunto de elecciones.
Homogeneidad de una muestra. Se puede probar si los coeficientes del mo-
delo son apropiados para dos subpoblaciones (p. ej., los que viven a un lado
y a otro de un ro). Para realizar esta comprobacin se especifica un modelo
general con distintos coeficientes para las dos subpoblaciones, y posterior-
mente se prueba la igualdad de parmetros mediante un conjunto de res-
tricciones lineales.
Ejemplo 8.3: sea un modelo con tres alternativas, coche, autobs y ferro-
carril y suponiendo que las variables que influyen en la eleccin sean las si-
guientes: tiempo de viaje (TT) y coste en efectivo (OPC: out-of-pocket cost)
del mismo; en este caso, una forma general del modelo podra ser:

V
V
V
coche coche coche
bus bus bus
tren
+
+
u u
u u
u
1 2
3 4
5
TT OPC
TT OPC
TT
ttren tren
+u
6
OPC
88
Puede establecerse la hiptesis de que los costes (no los tiempos) no tienen
por qu ser percibidos de forma distinta por los individuos y que deberan es-
pecificarse como genricos. Esto se puede expresar escribiendo esta hiptesis
como dos ecuaciones lineales:

u u
u u
2 4
2 6
0
0

En general es posible plantear la conveniencia de usar atributos genricos
mediante restricciones lineales en un modelo ms general. Para un uso intenso
de este tipo de tests, consultar Dehghani y Talvitie (1980).
Debido a las propiedades de la ML, es fcil testear cualquier hiptesis ex-
presada mediante restricciones lineales, utilizando el conocido test de la razn
de verosimilitud (LR). Para llevar a cabo este test se ejecuta en primer lugar el
programa de estimacin para el caso ms general, produciendo estimadores
*

y el logaritmo de la verosimilitud l
*
() en convergencia. Despus se ejecuta por
segunda vez para obtener estimaciones
r
*
de y el nuevo logaritmo de la vero-
similitud l
*
(
r
) para el mximo en el caso restringido. Si el modelo restringido
bajo consideracin tiene una especificacin correcta, el estadstico LR:

2 l l
r
( ) ( ) u u
distribuye asintticamente
2
con r grados de libertad, donde r es el nmero de
restricciones lineales. El rechazo de la hiptesis nula implica que el modelo res-
tringido es errneo. Para llevar a cabo el test es necesario que un modelo sea una
versin restringida o anidada del otro. Train (1977) ofrece ejemplos del uso de
este test para el estudio de no linealidades, no genericidad y no homogeneidad.
Horowitz (1982) ha estudiado en detalle la potencia y propiedades de este
test y se puede consultar para profundizar en el tema.
8.4.1.3. Test general de ajuste
Un caso especial de test de razn de verosimilitud es verificar si todos los
componentes de son iguales a cero. Este modelo se conoce como el modelo
equiprobable (EL) y satisface:

P q
N
jq
q
( ( ) ) A ,uu
1
8,
siendo N
q
el tamao del conjunto de elecciones del individuo q. En general este
test no es muy til porque un modelo con constantes especficas reproducir los
datos mejor que una funcin puramente aleatoria. Por esta razn un test ms ri-
guroso es verificar si todas las variables, excepto las constantes especficas, son
cero. Este modelo nulo es el modelo de la proporcin de mercado (MS), donde
todas las variables explicativas son cero, pero existe un conjunto completo de
constantes especficas de las alternativas. En este caso todos los individuos tie-
nen el mismo conjunto de elecciones y se obtiene:
P
jq
(A(q), ) = MS
j
donde MS
j
es la proporcin de mercado de la opcin A
j
.
A continuacin se desarrolla en primer lugar el test del modelo EL porque
es el ms simple. Considrese un modelo con k parmetros y, como es usual,
con un valor del logaritmo de la verosimilitud en convergencia de l
*
(). Sea
l
*
() el valor del logaritmo de la verosimilitud del modelo EL equiprobable.
Bajo la hiptesis nula H
0
: = 0, se obtiene el estadstico LR:

2 0 l l ( ) ( ) u
que distribuye
2
con k grados de libertad. Se puede elegir un nivel de significa-
cin (p. ej., el 95%) y comprobar si el estadstico LR es menor o igual que el valor
crtico de
2
(k, 95%), en cuyo caso la hiptesis nula se aceptara. No obstante se
ha demostrado que el test no tiene mucha potencia porque si se rechaza la hip-
tesis nula (como siempre sucede), nicamente quiere decir que los parmetros
explican mejor los datos que un modelo sin potencial explicativo. La verdad
es que la nica ventaja de este test es su bajo coste, ya que el clculo de l
*
() no
requiere ejecutar el programa una vez ms pues en la mayor parte de los algo-
ritmos de bsqueda se utiliza como valor inicial del logaritmo de verosimilitud.
Para llevar a cabo el test con el modelo de slo constantes, se necesita calcu-
lar el valor de l
*
(C); si hay (k c) parmetros que no son constantes especficas,
el valor adecuado de LR se compara con
2
(k c, 95%). En general se necesita
una ejecucin adicional de la rutina de estimacin para calcular l
*
(C), excepto
para modelos donde todos los individuos se enfrentan al mismo conjunto de
elecciones, en cuyo caso se cumple que:

l C Q
Q
Q
j
j
j
( ) log( )

(8.18)
Q
g(
j
)
,o
donde Q
j
es el nmero de individuos que eligen la opcin A
j
.
La figura 8.2 muestra la relacin intuitiva entre los valores de la funcin
logaritmo de verosimilitud para el conjunto de parmetros que la maximi-
zan l
*
(), para los dos modelos previos, l
*
() y l
*
(C) respectivamente y para
un modelo completamente saturado (perfecto), obviamente con un valor de
l
*
(*) = 0.
l * (0) l (
*
) = 0 l * () l * (C)
Figura 8.2. Relacin intuitiva entre los valores de la log-verosimilitud.
8.4.1.4. El ndice
2
Aunque en este caso no es posible construir un ndice como el R
2
, siempre es
interesante tener un indicador que vare entre 0 (sin ajuste) y 1 (ajuste perfecto),
para poder comparar modelos alternativos. Se defini inicialmente un ndice
que satisface algunas de las caractersticas anteriores, as:

u
2
1
0

l
l
*( )
*( )
(8.19)
Su significado est claro en los dos lmites (0 y 1), pero no tiene una inter-
pretacin intuitiva para valores intermedios. De hecho, valores cercanos a 0,4
pueden constituir ajustes excelentes.
Como en principio se puede calcular un ndice
2
relacionado con cualquier
hiptesis nula, es importante elegir una apropiada. Por ejemplo, puede demos-
trarse que los valores mnimos de
2
en la expresin (8.19), para modelos con
constantes especficas, varan con la proporcin de individuos que eligen cada
alternativa. Tomando un caso binario simple, la tabla 8.3 muestra los valores
mnimos de
2
para diferentes proporciones que eligen la opcin 1 (Tardiff,
1976). Se puede observar que
2
slo es adecuado cuando las dos opciones son
elegidas en la misma proporcin.
Estos valores significan, por ejemplo, que un modelo estimado con una
muestra 0,9/0,1 produciendo un valor de
2
de 0,55, es peor que un modelo que
produce un valor de
2
de 0,25 para una muestra de 50/50. Afortunadamente
existe un ajuste sencillo que permite solventar esta dificultad; consiste en
calcular el ndice respecto al modelo slo constantes:
l *(
l *(
,1

u
2
1
l
l C
( )
( )

(8.20)
Este estadstico, que toma valores entre 0 y 1, es comparable para distintas
muestras y se relaciona con la distribucin
2
. Finalmente, es importante sealar
que en el modelo logit anidado, el ndice
2
tiene la forma:

u u u
2 1 2
1 2
1
+ + +
+ + +

l l l
l C l C l C
S
S
( ) ( ) ( )
( ) ( ) ( )
L
L

(8.21)
Donde los subndices 1 a S se refieren a los modelos MNL en cada nido.
8.4.1.5. Porcentaje correctamente predicho o recuperacin de la primera
preferencia (FPR)
Es una medida agregada que mide la proporcin de individuos que realmente
elige la opcin con la utilidad ms alta modelizada. El FPR es fcil de entender
y puede compararse con la posibilidad de recuperacin (CR: chance recovery)
dada por el modelo equiprobable:

CR

1 1
Q N
q
q
Si todos los individuos tienen un conjunto de elecciones del mismo tamao
N, entonces CR = 1/N. El FPR puede compararse tambin con la recuperacin
Tabla 8.3. Valor mnimo de
2
para distintas frecuencias relativas
Proporcin de la muestra que elige
la primera alternativa
Valor mnimo de
2
0,50 0,00
0,60 0,03
0,70 0,12
0,80 0,28
0,90 0,53
0,95 0,71
,:
de la proporcin de mercado (MRS) obtenida mediante el mejor modelo nulo
(Hauser, 1978):

MSR
( ) MS
j
A
j
2
Las desventajas de este ndice se ponen de manifiesto al constatar que aun
cuando un FPR del 55% pueda ser bueno en general, ciertamente no lo es en
un mercado binario. Tambin un FPR del 90% es normalmente bueno en el
caso binario, pero no lo es si una de las opciones tiene una tasa de mercado del
95%. Otro problema asociado al ndice, que conviene destacar en el sentido
de que es un indicador ambiguo de la fiabilidad del modelo, es que un valor
demasiado alto del FPR debera llevar al rechazo del modelo, lo mismo que
un valor demasiado bajo. Para comprender este hecho, es necesario definir el
valor esperado de FPR para un modelo especfico como:

ER
P
q
q

(8.22)
donde P
q
representa la (mxima) probabilidad asociada con la mejor opcin del
individuo q. Como el FPR es un suceso aleatorio binomial independiente para
el individuo q, que ocurre con una probabilidad 1/N
q
en el caso CR y P
q
en el
caso ER, sus varianzas vienen dadas respectivamente por:

Var( ) ( ) CR
1
1
1
N N
q q

(8.23)
y:

Var( ) ( ) ER P P
q q
1

(8.24)
De esta forma, un valor calculado de FPR para un modelo concreto pue-
de comparase con CR y ER. Si las tres medidas estn relativamente prximas
(comparando sus varianzas estimadas), el modelo es razonable pero poco in-
formativo. Si FPR y ER son similares y ms grandes que CR, el modelo es
razonable e informativo. Finalmente si FPR y ER no son cercanos, el modelo
no explica la variacin en los datos y debera rechazarse aun si FPR fuera ms
grande que ER (Gunn y Bates, 1982).
,
8.4.1.6. Muestras de validacin
Como ya se ha mencionado en el Captulo 5, el funcionamiento de cualquier
modelo debe juzgarse utilizando datos distintos a los empleados para su espe-
cificacin, idealmente, datos tomados en otro momento temporal (quizs tras la
introduccin de una actuacin, para poder analizar las propiedades de respuesta
del modelo). Esto es general para cualquier modelo. Se definir como muestra
de validacin a una submuestra de los datos o, preferiblemente, a otra muestra
no utilizada durante la estimacin.
A continuacin se describe brevemente un procedimiento para estimar el
mnimo tamao de la muestra de validacin (en teora para ser tomada de la
muestra total disponible para el estudio), con la condicin de que permita de-
tectar diferencias entre el funcionamiento de dos o ms modelos cuando exista
una verdadera diferencia entre los mismos. El mtodo, que est basado en el
concepto del FPR, fue desarrollado por Hugh Gunn y aplicado por primera
vez por Ortzar (1983).
Modelo 2
No FPR FPR
Modelo 1
No FPR n
11
n
12
FPR n
21
n
22
Dada la tabla anterior donde n
ij
representa el nmero de individuos asigna-
dos a la celda (i,j). Para todos los individuos en una muestra de validacin, se
calculan las probabilidades de eleccin y las FPR en ambos modelos a examinar
y con estos valores se rellenan adecuadamente las celdas de la tabla (es decir,
asignando el valor a la celda (1,1) si no constituye el FPR en ambos modelos,
y as sucesivamente).
Interesa comprobar la hiptesis nula de que la probabilidad de asignar indi-
viduos a las celdas (1,2) y (2,1) sean iguales, porque este caso indicara que los
dos modelos son equivalentes. Bajo esta hiptesis nula, el siguiente estadstico
M distribuye
2
con un grado de libertad (Foester, 1979):

M
n n
n n

+
12 21
12 21

(8.25)
,
De esta forma se puede realizar un simple test de la equivalencia de los
dos modelos segn los FPR calculando M y comparando el resultado con una
2
(1, 95%); si M es menor que el valor crtico adecuado
2
(3,84 para el nivel
usual de confianza del 95%), no se puede rechazar la hiptesis nula y se con-
cluye que los modelos son equivalentes.
A partir de este procedimiento se puede seleccionar el nivel de confianza
que parezca adecuado para afirmar que los dos modelos bajo comparacin
difieran en relacin al nmero esperado de FPR. Esto permite controlar el
nmero de veces que se sealara incorrectamente que existe una diferencia
entre modelos similares. Como es usual, la eleccin de un tamao concreto de
la muestra es asegurar el correspondiente control sobre la proporcin de veces
que se cometer el otro tipo de error, es decir, llegar a la conclusin de que no
hay diferencia entre modelos realmente diferentes.
Para calcular la probabilidad de un error del segundo tipo es necesario
decidir cul es la mnima diferencia que se estara dispuesto a detectar. Con
ella se puede calcular el tamao muestral para reducir la probabilidad de erro-
res del segundo tipo hasta un nivel aceptable, para modelos que se diferencien
exactamente en esta cantidad mnima o ms.
Ejemplo 8.4: considrese el caso de dos modelos de forma que, en promedio,
el modelo 2 produce 10 FPR extra por cada 100 individuos modelizados que el
modelo 1. Ntese que no importa si esto se debe a que el modelo 1 tiene 20%
de FPR y el modelo 2, 30%, o a que el primero tenga 80% y el segundo 90%.
En otras palabras, ambos modelos pueden ser inadecuados.
En este sencillo escenario, n
21
es igual a cero y por tanto M es simplemente
n
12
. Si se asegura un nivel de confianza del 95%, de que cualquier diferencia
que se establezca no puede haber surgido al azar de modelos equivalentes, se
compara el valor de n
12
con 3,84. Para cualquier tamao de muestra n, la pro-
babilidad de que r individuos sean asignados a la celda (1,2) es simplemente
la probabilidad binomial:

n
r
p p
r n r
j
(
,
\
,
(

( )
( )
1
donde p indica la probabilidad de que un individuo elegido al azar sea asignado
a la celda (1,2), es decir, es la mnima diferencia que se desea detectar.
Dado n y tomando p = 0,05 como de costumbre, se pueden calcular las pro-
babilidades de que 0, 1, 2 y 3 individuos sean asignados, y sumarlas para obte-
,
ner la probabilidad total de aceptacin de la hiptesis nula (cometer un error
del segundo tipo). La tabla 8.4 da las probabilidades resultantes para diferentes
tamaos de muestra.
Est claro que el tamao de la muestra de validacin requerido debe ser
relativamente grande, ya que un conjunto tpico de datos de estimacin tiene
slo unos pocos cientos de observaciones. Tambin se debe recordar que la
tabla 8.4 se refiere al caso simple en que un modelo sea mejor o igual al otro
en cada observacin. No obstante, el mtodo puede extenderse fcilmente a
aquellos casos en los que las celdas (1,2) y (2,1) tengan probabilidad no nula.
Tabla 8.4. Probabilidad de error del segundo tipo para una muestra de
dimensin dada y modelos tal y como fueron definidos
Tamao de la muestra Mnima diferencia al 5% de prob. (error II)
50 0,75
100 0,26
150 0,05
200 0,01
250 0,00
Una caracterstica especialmente til de las muestras de validacin es que
si su tamao es adecuado, el problema de jerarquizar modelos no anidados se
resuelve fcilmente, ya que los tests de la razn de verosimilitud se pueden
aplicar a estas muestras, independientemente de diferencias en los parmetros
estructurales del modelo. Esto es as porque la condicin de que un modelo
sea una generalizacin paramtrica del otro, nicamente se necesita para test
que empleen los mismos datos utilizados durante la estimacin (Gunn y Bates,
1982; Ortzar 1983).
Ejemplo 8.5: supngase que existe inters por una alternativa que actual-
mente presenta una baja cuota de mercado y se dispone de dos especificaciones
(modelos A y B) con seis alternativas de eleccin por modelo. Ambos modelos
tienen valores de FPR parecidos pero uno de ellos predice mal la alternativa
que ms interesa y sensiblemente mejor las otras, mientras que el segundo
proporciona previsiones razonables para todas las alternativas.
En este caso se puede utilizar una muestra de validacin y estimar, para
cada individuo de ella, las probabilidades de eleccin para cada alternativa con
,o
los dos modelos; la alternativa realmente elegida es, como de costumbre, un
dato observado. Para estudiar la consistencia de las previsiones con los datos,
es necesario contrastarlas con las proporciones calculadas para la muestra.
La tabla 8.5 presenta los valores de N
ij
y O
ij
(donde i indica una banda de
probabilidad y j una alternativa), N
ij
es el nmero de observaciones para las
que el modelo asign una probabilidad de elegir la alternativa A
j
que recae en
la banda i, y O
ij
es el nmero observado de elecciones de la alternativa A
j
a las
que el modelo asign una probabilidad en esa banda. La tabla 8.6 se construye
sobre la base de la anterior y presenta los valores de E
ij
y O
ij
, donde E
ij
es:

E N p
ij ij i
que corresponde al valor esperado del nmero de individuos que eligen la

alternativa A
j
con probabilidad en la banda i, asociada a la probabilidad media
Tabla 8.5. Elecciones modelizadas segn banda de probabilidad
Banda probabilidad
predicha (i)
Alternativa (j)
0-0,1 0,1-0,2 0,2-0,3 0,9-1,0
N
1j
O
1j
N
2j
O
2j
N
3j
O
3j
N
10j
O
10j
Modelo A
1 0 0 8 0 11 0 0 0
2 40 0 0 0 0 0 0 0
3 94 0 0 0 0 0 0 0

6 55 6 11 3 58 14 0 0
Total 6 6 24 0
Modelo B
1 9 0 5 0 0 0 0 0
2 36 0 4 0 0 0 0 0

6 43 3 44 7 18 8 0 0
Total 6 11 13 15
,;

p
i
. En el caso expuesto en la tabla, se tiene que E
36
= 58 0,25 = 14,5, ya que
0,25 es el valor medio de probabilidad de la banda 3 (p. ej., entre 0,2 y 0,3).
Para comparar los valores de la tabla 8.6 se puede aplicar un test
2
definido
de la siguiente manera (Gunn y Bates, 1982):

cell
2
( ) O E
E
ij ij
ij
ij
2
con ij-1 grados de libertad
En principio se puede aplicar dicho test a cada celda de la matriz si E
ij
> 5,
ya que en otro caso el test no es vlido. As, a menudo es necesario agregar
celdas ya que generalmente los tamaos de las muestras de validacin son
limitados; desafortunadamente no existen mtodos claros para realizar tal agre-
gacin. Los lectores pueden comprobar qu estrategias diferentes de agregacin
conducen a resultados distintos.
Tabla 8.6. Proporciones esperadas por banda de probabilidad
Banda probabilidad
predicha (i)
Alternativa (j)
0-0,1 0,1-0,2 0,2-0,3 0,9-1,0
E
1j
O
1j
E
2j
O
2j
E
3j
O
3j
E
10j
O
10j
Modelo A
1 0 0 1,2 0 2,75 0 0 0
2 2 0 0 0 0 0 0 0
3 4,7 0 0 0 0 0 0 0

6 2,75 6 1,65 3 14,5 14 0 0
Total 9,45 6 4,05 6 29 24 0 0
Modelo B
1 0,45 0 5 0 0 0 0 0
2 1,8 0 4 0 0 0 0 0
3 4,05 0 1,65 0 0,5 0 0 0

6 2,15 3 6,6 7 4,5 8 0 0
Total 9,5 6 11,7 11 7,5 13 15,2 15
,8
Un caso menos informativo, que sin embargo generalmente se puede llevar
a cabo, consiste en contrastar los totales esperados y observados para cada
columna de la tabla 8.6, es decir respectivamente E
i
=
j

E
ij
y O
i
=
j

O
ij
, uti-
lizando el siguiente ndice:

_
FPR
2
2
1
( ) O E
E
i i
i
i
m

(8.26)
donde m es el nmero de columnas con E
i
> 5. En este caso el nmero apropia-
do de grados de libertad es m-l, y
2
FPR
se puede comparar con el valor crtico
2
0,95;m1
. Si resulta que
2
FPR
<
2
0,95;m1
se acepta la hiptesis nula de que el modelo
es consistente con los datos. Si se aceptan dos o ms modelos de acuerdo con el
anterior test, entonces se puede discriminar entre ellos utilizando el test directo
de la razn de verosimilitud (Gunn y Bates, 1982; Ortzar, 1983):

L
L
p
p
i
O
i
i
i
O
i
i
A
B
j
j
(
(
modelo A)
modelo B)

(8.27)
Aplicando este test a los datos de la tabla 8.6 se obtiene:

L
L
A
B
( , ) ( , ) ( , ) ( , )
( , ) ( , ) (
0 05 0 15 0 25 0 95
0 05 0 15 0
6 6 24 0
6 11
x x x x
x x
L
,, ) ( , )
,
25 0 95
0 0455
13 15
x x L

y por tanto se puede decir que los datos son aproximadamente 22 veces (es
decir 1/0,0455) ms probables bajo el modelo B que bajo el modelo A. Ello
significa que debera preferirse el modelo B aunque ambos modelos propor-
cionan previsiones consistentes con los datos.
8.4.2. Estimacin de modelos con muestras basadas en la eleccin
Como se mencion en el Captulo 3, la estimacin de un modelo a partir de
una muestra basada en la eleccin puede ser de gran inters ya que los costes
de toma de datos son considerablemente ms bajos que para muestras pura-
mente aleatorias o estratificadas. El problema de encontrar un procedimiento
de estimacin manejable que posea propiedades estadsticas deseables no es
sencillo y el estado del arte lo constituyen los excelentes trabajos de Coslett
(1981) y Manski y McFadden (1981).
,,
Se ha encontrado que, en general, los estimadores de mxima verosimilitud
referidos al muestreo basado en la eleccin son poco prcticos a causa de sus
dificultades de clculo, excepto en circunstancias muy especiales. Un mtodo
tratable se puede derivar si se supone que el analista conoce la fraccin de la
poblacin encuestada que elige cada alternativa. El enfoque se basa en el esti-
mador de mxima verosimilitud habitual de la muestra aleatoria y consiste en
ponderar la contribucin de cada observacin al logaritmo de la verosimilitud
por la razn Q
i
/S
i
, donde el numerador es la fraccin de poblacin que elige
la opcin A
i
y el denominador la fraccin anloga para la muestra basada en la
eleccin.
Manski y Lerman (1977) demostraron que el estimador ML no ponde-
rado de las muestras aleatorias, es inconsistente cuando se aplica a muestras
basadas en la eleccin, y en la mayor parte de los modelos esta inconsistencia
afecta a todas las estimaciones de los parmetros. Sin embargo, como se vio
en el apartado 7.3.2, para simples modelos MNL con un conjunto completo
de constantes especficas en las alternativas, esta inconsistencia nicamente
se refiere a las estimaciones de estas variables dummy si todos los individuos
tienen el mismo conjunto de opciones.
8.4.3. Inclusin de variables latentes
Para incorporar factores latentes cualitativos en los modelos de demanda de
viajes, Morikawa y Sasaki (1998) proponen un mtodo que combina un mo-
delo de ecuaciones estructurales lineales y un modelo de eleccin discreta. El
modelo de ecuaciones estructurales lineales describe el proceso por el cual
los atributos latentes generan indicadores psicomtricos subjetivos relativos a
varios aspectos de los atributos de viaje adems de la relacin entre los atri-
butos latentes y las variables objetivas observables. Por su parte, el modelo de
eleccin discreta expresa las elecciones observadas explicables a travs de las
variables observables y los atributos latentes.
Un mtodo prctico para la calibracin de los parmetros desconocidos
incluidos en este sistema, consiste en utilizar una estimacin de mxima vero-
similitud en dos fases secuenciales. En la primera, a travs de un programa tipo
LISREL se estima el modelo de ecuaciones estructurales para calcular los valo-
res de ajuste de las variables latentes; en la segunda fase, se estima un modelo
de eleccin discreta que incluye las variables explicativas latentes calculadas.
Morikawa y Sasaki aplican este mtodo a un conjunto de datos que incluye seis
oo
indicadores subjetivos de los atributos de viaje, de los cuales, la comodidad
y la fiabilidad se identifican como atributos latentes. Los valores predichos de
las variables latentes pueden ser calculados a partir de variables objetivas. Los
valores ajustados para los dos atributos latentes tuvieron un excepcional poder
explicativo en el modelo de eleccin del modo de transporte.
8.4.4. Comparacin de modelos no anidados
El test de la razn de verosimilitud descrito anteriormente requiere que el mo-
delo sea probado con respecto de una generalizacin paramtrica del mismo, es
decir, es necesario que el modelo sea anidado. No pueden ser comparados con
este test modelos cuyas funciones de utilidad presenten una forma funcional
significativamente diferente, ni modelos que estn basados en paradigmas de
comportamiento distintos.
Existen varias situaciones en las que sera til testear un determinado mo-
delo con respecto a otro que no constituya una generalizacin paramtrica. El
siguiente ejemplo, propuesto por Horowitz (1982) es muy ilustrativo.
Ejemplo 8.6: considrese un modelo con una funcin de utilidad especi-
ficada as:

V Z Z + u u
1 1 2 2
y otro con una funcin de utilidad dada por:

W Z Z u
3 3 4
Supngase que se desea comprobar cul de los dos modelos explica mejor
un determinado conjunto de datos. Claramente, no existe ningn valor de
3
que, para todos los valores de
1
,
2
, y de los atributos Z, haga que V y W
coincidan. Si ambos modelos pertenecen a la misma familia, puede construirse
una funcin de utilidad hbrida X que, en este hipottico caso, contuviese a V
y a W como casos especiales:

X Z Z Z Z + + u u u
1 1 2 2 3 3 4
y utilizando tests de la razn de verosimilitud, ambos modelos pueden com-
pararse frente al hbrido. El primero se correspondera con la hiptesis de que
3
= 0 y el segundo con las hiptesis
1
=
2
= 0.
o1
Otros tests, incluyendo casos en los que los dos modelos competitivos no
per tenezcan a la misma familia general, se describen ms detalladamente en
el excelente trabajo de Horowitz (1982). De todas formas, es importante recor-
dar que si se dispusiera de una muestra de validacin, el problema podra ser
resuelto fcilmente, tal como se trata en Gunn y Bates (1982).
8.5. MTODOS DE ESTIMACIN DEL MNP
8.5.1. Integracin numrica
La probabilidad de eleccin de un modelo general de utilidad aleatoria puede
expresarse as:

P f u u
i
u
u
i
u
u
i
J
u
J
u
i
( ) ( ) d d uu,Z u

+
[ [ [ [
L L L
2 1
1

(8.28)
donde f(u) es la funcin de distribucin conjunta de las utilidades de las alter-
nativas. Ahora, recordar que para el modelo MNP se tiene:
f
J
( ) ( , ) ( ) exp ( ) ( ) u V u V u V ,
]
]

MVN
T
Z Z Z 2
1
2
1
2
1
r

(8.29)

Como se sabe, para poder realizar una integracin numrica, la regin
de integracin tiene que ser dividida en una serie de elementos diferenciales;
para cada uno de ellos, el rea bajo la curva se aproxima al rea del rectngulo
medio equivalente (dado el elemento diferencial y su altura) y, finalmente, el
valor de la integral total es igual a la suma de todas estas reas. Aunque la
dificultad del problema crece geomtricamente con la dimensin de la inte-
gral, afortunadamente en la mayor parte de los casos sta dimensin se puede
reducir para MNP cuando:
Se efecta un cambio de variable y se expresan todos los elementos de la 1.
integral como la diferencia entre la utilidad de la alternativa considerada
y la utilidad de las otras alternativas. As, se consigue un vector de slo
J-1 componentes dado por:

k
= u
k
u
i
(se asume que se est calculando P
i
)

J1
= u
J
u
i
o:
Entonces la probabilidad de elegir la alternativa A
i
viene dada por:
P
i
(,
) = Prob
{
k
< 0, A
k
A
}
y la integral se reduce a:

L
u
1
0
1
1
2 1
2
1
2
[
,
]
]
( ) exp ( ) ( ) r
J
Z Z u - V u V
T

[
u
J 1
0

donde V
representan la media y la matriz de covarianza de las nuevas

variables.
Se realiza una transformacin a travs de la descomposicin de Cholesky, 2.
que permite separar las integrales y, en particular la primera, que corres-
ponde a A
i
, resulta ser igual a uno (Daganzo, 1979). Este proceso es bastante
complejo pero, en trminos prcticos, permite reducir en una unidad la
dimensin de la integracin mltiple.
La integracin numrica es el mtodo ms exacto pero puede ser sola-
mente aplicado a un coste razonable para un mximo de cuatro alternativas;
adicionalmente presenta algunos problemas de aproximacin (ordenadores)
en el caso en que una o ms probabilidades de eleccin estn prximas a cero.
Por estas razones, slo se utiliza como un estndar de comparacin para otros
mtodos.
8.5.2. Aproximacin de Clark
Para explicar este mtodo se va a considerar un caso trinomial. Sean U
1
, U
2
y
U
3
~ MVN con medias V
1
, V
2
y V
3
, varianzas
1
,
2
y
3
2
y coeficientes de corre-
lacin
12
,
13
y
23
. Sea adems una variable
12
= max(U
1
, U
2
). Clark (1961) ha
demostrado que los momentos alrededor de cero de
12

vienen dados por:

v V V a
v V V
1 1 2
2 1
2
1
2
2
2
2
2
+ +
+ + +
uu uu
uu uu
( ) ( ) ( )
( ) ( ) ( ) (
|
o o )) ( ) ( ) + + V V a
1 2
|
donde (x) es la distribucin normal estndar acumulada, es decir:

uu( ) ( ) ( ) x x x e x
x
x
x

[ [
| d d 2
1
2
2
2
r
o
Clark (1961) tambin demostr que el coeficiente de correlacin entre esta
nueva variable y U
3
viene dado por:

o o
( , )
( ) ( )
( )
/
U U
v v
3 12
1 13 2 23
2 1
2 1 2
%

+
uu uu
donde

a U U
v v
a

Var y ( )
1 2
1 2
Utilizando todas estas ecuaciones, Clark (1961) demuestra por fin que la
siguiente aproximacin es, en general, excelente:

%
U U U N v v v
12 1 2 1 2 1
2
max ~ ( , ) ( , )

(8.30)
Estas ecuaciones pueden ser utilizadas recursivamente para obtener una dis-
tribucin aproximada del mximo de J variables y, despus de J-1 iteraciones,
se puede conseguir una expresin aproximada para la media y la variancia del
mximo, V
max
y
2
max
. Por tanto, si U
i
es la utilidad de la alternativa en examen,
resulta que en la ltima iteracin se obtiene que:

V E U U U U
U U U
i i i J
i i i
+
+
( ) ,
]
]
max
max
1 1 1
2
1 1 1
, , , , ,
, , ,
L L
L o Var ,, ,
, , , , , ,
,
L
L L
U
U U U U U
J
i i i i i J
( ) ,
]
]
( ) ,
]
] +
Corr max
1 1 1
Con estas ecuaciones se puede calcular la probabilidad de que la alternativa
A
i
sea efectivamente la que tenga una utilidad mayor:

P U U
P U U U U U
i i
j i
j
i i i J i
>

( ) s

=
+
Prob max
Prob max
1 1 1
0 , , , , , L L
PP
V V
i
i i
i i i i i i

+
,
,
,
,
]
]
]
]
]

d
( )
( )
,
o o o o
2 2
1
2
2

(8.31)
o
El nico error en esta aproximacin se encuentra en la ecuacin (8.30), ya
que el mximo de dos variables normales no es otra variable normal. Para ms
de cuatro alternativas, el mtodo funciona razonablemente bien y est imple-
mentado en un paquete de software llamado CHOMP (Daganzo y Schoenfeld,
1978).
Desgraciadamente, la aproximacin de Clark no es satisfactoria cuando
las variables tienen media parecida y variancias muy diferentes, lo cual es
muy usual en la prctica. Por este motivo el mtodo goz de un xito bastante
efmero y fue prcticamente abandonado a principios de los 80 (Horowitz,
1991; Horowitz et al., 1982).
8.5.3. Mxima verosimilitud simulada
Originalmente, Lerman y Manski (1981) propusieron evaluar la probabilidad
de eleccin P
i
(V, ) a travs de la generacin de un nmero de realizaciones
U, de un MNV (V, ) , anotando como xito cuando U
i
presentaba el valor ms
alto. Para un nmero de realizaciones suficientemente grande, la proporcin
de xitos se aproxima a la probabilidad de eleccin. As, el mtodo era teri-
camente simple, pero desgraciadamente tena varios problemas en la prctica:
Si el nmero de xitos es igual a cero, algo que puede suceder (en ciertas 1.
circunstancias) la log-verosimilitud tiende a infinito y el mtodo colapsa.
Para resolver este problema Lerman y Manski (1981) sugirieron reemplazar
el nmero de xitos sobre el total de realizaciones, como el estimador de
la probabilidad de eleccin, por la cantidad (N
i
+ 1) / (N + J), en que N
i
es el
nmero de xitos, N es el tamao muestral (nmero de realizaciones) y J
el nmero de alternativas. Sin embargo, esto introduce sesgos (ya que el
estimador correcto de P
i
es N
i
/ N ) que si bien son pequeos en problemas
grandes pueden ser considerables en problemas ms prcticos.
El error relativo asociado con el mtodo de simulacin es inversamente 2.
proporcional a la raz cuadrada del nmero de xitos. Esto implica que se
deben efectuar muchas realizaciones y el procedimiento puede ser muy
caro en problemas de tamao real; de hecho, a fines de los 70 se comprob
empricamente que el mtodo era dos o tres rdenes de magnitud ms caro
que el mtodo de Clark.
Sin embargo, en los ltimos aos este enfoque ha vuelto a tener gran acep-
tacin en la prctica, debido a una serie de avances en la simulacin de procesos
o
multivariados en modelizacin de elecciones discretas (ver Borsch-Supan y
Haji-Vassiliou, 1993). Tambin existe un enfoque alternativo (McFadden, 1989;
Pakes y Pollard, 1989) en el que se evita evaluar la integral mltiple a travs
del reemplazo de la probabilidad de eleccin en la ecuacin de momentos por
un simulador insesgado. Este Mtodo de Momentos Simulados puede conside-
rarse un precursor del modelo Logit Mixto o de Componentes de Error, que es
probablemente el enfoque ms atractivo hoy da en el rea, y cuya estimacin
revisaremos en la seccin siguiente.
Utilizando avances en tcnicas de integracin basadas en la simulacin de
Monte Carlo desarrolladas por varios autores, Borsch-Supan y Hajivassiliou
(1993) proponen el simulador GHK que tiene la propiedad esencial de produ-
cir probabilidades simuladas insesgadas estrictamente entre cero y uno, y que
adems son funciones continuas y diferenciables en trminos de los parmetros
del modelo. Adems, el esfuerzo computacional aumenta slo linealmente con
la dimensin de la integral y es independiente de las probabilidades verdaderas.
El simulador se basa en disminuir recursivamente la dimensin del problema
y para ello requiere generar repeticiones de una distribucin Normal truncada
unidimensional.
Para desarrollar el enfoque se toma como base el modelo probit reducido
en una dimensin tras aplicar la transformacin consistente en restar la utilidad
de la opcin elegida en cada observacin de las restantes utilidades (esto es,
U
1
U
c
en que c es la opcin elegida); como se sabe, la utilidad transformada
tambin distribuye Normal. En trminos matemticos, la transformacin con-
siste simplemente en premultiplicar el vector de utilidades por una matriz A que
es igual a menos la matriz identidad e incorporar una columna de unos en la
posicin correspondiente a la opcin elegida. Al vector resultante se le elimina
la fila que corresponde a la alternativa elegida ya que slo contiene ceros.
De este modo se tiene que la utilidad representativa transformada viene
dada por V
*
= AV, el trmino de error distribuye Normal con media cero y la
matriz de covarianza M = AA'. M se puede descomponer mediante la facto-
rizacin de Choleski en una matriz triangular inferior L y una superior L', tal
que el producto LL' = M. El simulador GHK fue desarrollado para simular la
probabilidad de que una variable aleatoria Normal multivariada se encuentre
entre los lmites a y b:
a AU b
u ~ N(X,) sujeto aa
a AU b
oo
En lugar de simular para esas variables, se hace para:

e ~ I A X Le A X N( ) 0, sujeto a a a b b
* *
s s uu uu
y se puede ver que gracias a la estructura triangular de L, las restricciones
son recursivas:
e
1
~ N(0,I) sujeto a a
1
*
,
l
11
e
1
b
1
*

. s s a l e b l
1 11 1 1 11
* *
/ /

e
2
~ N(0,I) sujeto a a
2
*
l
21
e
1
+ l
22
e
2
b
2
*

. s s s ( ) / ( )
* *
a l e l e b l e l
2 21 1 22 2 2 21 1 22
etctera.
De esta forma, los valores de e
i
pueden ser generados secuencialmente con
un simulador truncado univariado. Finalmente, el vector aleatorio que se desea
obtener u
*
, se define como:

u X A Le
*
+

uu
1
Este vector tiene una matriz de covarianza A
-1
LL'A
-1'
= A
-1
AA'A
-1'
= y est
sujeto, por construccin, a la condicin a Au
*
b. Borsch-Supan y Hajivassi-
liou (1993) demuestran que a pesar de que la generacin de repeticiones de u
*
es
sesgada, la contribucin de cada observacin a la funcin de verosimilitud (es
decir, la probabilidad de que Au est entre a y b) es simulada correctamente por
la probabilidad de que a
*
Le b
*
. De hecho, es posible hacer uso de un truco
llamado anttesis que permite reducir la varianza de la probabilidad de eleccin
eventualmente calculada. En efecto, si se considera que P
iq
puede aproximarse
como el promedio de las probabilidades correspondientes a dos conjuntos de
repeticiones de nmeros aleatorios (P
iq
0
y P
iq
1
), entonces es fcil ver que la va-
rianza (Var) de P
iq
est dada por 0,25 Var(P
0
iq
) + 0,25 Var(P
1
iq
) + 0,5 Cov(P
0
iq
, P
1
iq
).
As, si ambos conjuntos son independientes la covarianza es cero, pero si estn
negativamente correlacionados sta ser menor que cero; el ideal es, entonces,
generar una serie de nmeros aleatorios y, posteriormente, como anttesis una
segunda serie igual a la primera con signo contrario. Esta tcnica no slo per-
mite ahorrar en la generacin de nmeros aleatorios sino que tambin calcula
probabilidades de eleccin con una varianza menor.
o;
En el caso del MNP, en el que interesa evaluar la probabilidad de que la
utilidad de la alternativa elegida sea mayor que la de las restantes opciones en
el conjunto de elecciones disponibles para cada individuo, el lmite a
*
vale cero
y el lmite b
*
es infinito. La funcin de verosimilitud es, como de costumbre,
el producto de las probabilidades de cada evento por separado. Se han escrito
programas experimentales para estimar modelos probit mediante el simulador
GHK en GAUSS (Aptech Systems, 1994), que han sido validados mediante
ejercicios de simulacin (ver p. ej., Munizaga et al., 1997).
Cabe destacar que (al igual que para el modelo Logit Jerrquico), el proble-
ma de optimizacin a resolver en este caso no es necesariamente convexo, por
lo que la convergencia al ptimo global no est asegurada. Dentro de las rutinas
que ofrece GAUSS, el mtodo de Newton-Raphson result ser el ms robusto
en trminos de convergencia (aunque es algo lento) y el ms rpido, aunque
no siempre converge, result ser el algoritmo de Berndt-Hall-Hall-Hausman
(Berndt et al., 1974).
Otro aspecto prctico de inters es que resulta conveniente considerar prime-
ro un modelo en el que slo se estiman los parmetros de las variables explicativas
(incluso partiendo de los valores provenientes de la estimacin de un MNL) y lue-
go se reestima el modelo liberando uno a uno los parmetros relativos a la matriz
de covarianza. Esto no es una estimacin secuencial, ya que en la ltima iteracin
se estima el modelo completo; es slo una estrategia para obtener el mejor punto
de partida en un problema de optimizacin sumamente complejo en general.
8.6. ESTIMACIN DEL MODELO LOGIT MIXTO DE COMPONENTES DE ERROR
El modelo logit mixto o de componentes de error (EC), ya introducido en el
epgrafe 7.5.2 considera que los parmetros de gustos de los usuarios
q
varan
en la poblacin con una funcin de densidad f( /
*
), donde
*
representa la
media y la desviacin estndar de los gustos de la poblacin.
Dado que los trminos de error distribuyen IID Gumbel, las probabilida-
des de eleccin de este modelo se obtienen integrando las probabilidades de
eleccin MNL (para un valor dado de los parmetros ), ponderadas por la
funcin de densidad de . Por tanto, si se denota la probabilidad MNL por
S
jqt
(), la probabilidad de eleccin EC de la alternativa A
j
para el individuo q
en la situacin t, viene dada por:

P S f
jqt jqt
( ) ( ) ( / )
* *
t
[
t d

(8.32)
o8
Es importante destacar que en esta formulacin hay dos tipos de parme-
tros. De una parte el vector de coeficientes
q
que representa los gustos indivi-
duales, y de la otra los parmetros
*
asociados a la distribucin de estos gustos
en la poblacin (es decir, la media y la covarianza de en la poblacin). El
objetivo es, por tanto, estimar estos ltimos.
La estimacin mediante mxima verosimilitud requiere, como en el caso
del MNL, el conocimiento de la alternativa elegida (c) por una muestra de in-
dividuos. Si fuera conocido, la probabilidad de una secuencia de elecciones
por parte de un individuo dado q sera:

L S
q cqt
t
( ) ( ) uu uu
j
Sin embargo, como no se conoce
q
, se tiene que:

P S f
q q
( ) ( ) ( / )
* *
t t
[
uu uu duu

(8.33)
y la funcin de log-verosimilitud de para la muestra viene dada por:

l P
q
q
( ) ln ( )
* *
t t

(8.34)
Puesto que la integral (8.33) no puede resolverse analticamente, no es posible
determinar su mximo exacto; como en el caso del MNP, la probabilidad tiene
que ser aproximada mediante simulacin, maximizado la log-verosimilitud
simulada. El procedimiento es el siguiente:
Dada una serie de valores iniciales de
*
, los valores de
q
se obtienen de la
funcin de densidad f( /
*
).
Utilizando estos valores, se puede calcular L
q
() como el producto de pro-
babilidades MNL.
Este proceso se repite para varios valores de
q
y el valor medio se toma
como la probabilidad de eleccin simulada aproximada:

SP ( ) ( )
* /
q q
r t
r
R
R
L tt
1
1
uu

donde R es el nmero de repeticiones y
r/t
es la r-sima extraccin de f.
Bajo condiciones de regularidad este estimador es consistente y asinttica-
mente Normal; adems, cuando el nmero de repeticiones crece ms rpidamen-
te que la raz cuadrada del nmero de observaciones, el estimador es asinttica-
o,
mente equivalente al estimador de mxima verosimilitud (Hajivassiliou y Ruud,
1994). Otras propiedades tiles del estimador es ser dos veces diferenciable (lo
cual ayuda en la bsqueda numrica del ptimo) y estrictamente positivo, por
lo que la funcin de log-verosimilitud siempre est definida.
La funcin de log-verosimilitud simulada es finalmente SLL(
*
) =
q
ln SP
q
(
*
)
y los parmetros estimados son los que la maximizan. Train (1998) presenta un
excelente ejemplo de utilizacin de este modelo y ofrece un programa experi-
mental de estimacin escrito en GAUSS que puede ser descargado gratis desde su
pgina web. Train seala que se pueden estimar modelos con funciones nor-
males y lognormales para los elementos
q
; en particular la funcin lognormal
puede resultar til cuando los coeficientes a estimar tienen un signo predefinido,
aunque se ha demostrado que la estimacin se torna ms compleja en este caso.
Cuando en el clculo de las probabilidades se utilizan nmeros pseudo-
aleatorios estndares, Train (1998) recomienda utilizar 1.000 repeticiones. Re-
cientemente, sin embargo, se ha observado que las secuencias de nmeros
pseudo-aleatorias (que deberan reproducir extracciones independientes de una
distribucin uniforme en un intervalo unitario) no se distribuyen uniformemente
en el intervalo unitario; por tanto varios investigadores han experimentado con
reemplazarlas por secuencias construidas desde la teora de los nmeros, que se
distribuyan ms uniformemente. Estas secuencias de baja dispersin producen
aproximaciones mucho ms precisas en la integracin a travs del mtodo de
Monte Carlo que las secuencias estndares pseudo-aleatorias. En particular,
utilizando las secuencias de Halton (Press et al., 1992), Bhat (2001) y Train
(1999), reportan que con slo 125 extracciones es posible conseguir la misma
precisin que se obtiene con 2.000 extracciones de las secuencias estndar. Esto
permite estimar modelos EC en un tiempo igual al 10% del tiempo requerido
con el mtodo estndar (obviamente esto tambin se aplica a la estimacin del
MNP). Las nuevas versiones de los famosos paquetes ALOGIT y LIMDEP
incluyen mdulos para la estimacin de modelos EC mucho ms rpidos que
los cdigos experimentales disponibles y as logran que el modelo EC sea un
instrumento decididamente utilizable en la prctica.
8.7. MODELIZACIN CON DATOS DE PREFERENCIAS DECLARADAS
En el Captulo 3 se vieron con cierto detalle los procesos de diseo experimental
y toma de datos PD. En el apartado 8.3 se ha sealado que los experimentos PD
pueden ser instrumentales en ayudar a decidir cul es la forma funcional ms
1o
adecuada de un modelo en una situacin concreta. En este epgrafe, primera-
mente se realizar una breve sntesis de cmo es posible utilizar el enfoque de
PD para identificar la forma funcional y, posteriormente, se proceder a sealar
los cambios que han de introducirse en la metodologa general de modelizacin
de elecciones discretas al utilizar datos de preferencias declaradas.
8.7.1. Identificacin de la forma funcional
La literatura sobre estimacin de modelos de demanda de viajes est fuerte-
mente orientada hacia el problema de estimar el conjunto de parmetros de
un modelo dada una cierta especificacin funcional; slo ocasionalmente se
estudian estructuras de modelo alternativas. Las formas funcionales favorecidas
son aquellas que pueden deducirse a partir de primeros principios ( econmicos)
y que tambin satisfacen la condicin de ser estimables con facilidad. Por esta
razn la vasta mayora de los estudios ha considerado funciones de utilidad
lineales (en los parmetros). Una notable excepcin a esta regla es el uso progre-
sivo de transformaciones en la bsqueda de la forma funcional ms adecuada,
pero como se trat en el apartado 8.3. en estos casos el problema computacional
asociado a la estimacin del modelo se incrementa enormemente. De hecho,
slo se han desarrollado mtodos de estimacin para el modelo MNL ms
simple en este caso.
Por el contrario, la literatura sobre procedimientos de medicin en psicolo-
ga que utilizan datos de laboratorio o de entrevistas, ha estado durante largo
tiempo profundamente interesada en la forma funcional (Louviere, 1988a). En
estos estudios se pide a los individuos que realicen juicios sobre alternativas
hipotticas. Por ejemplo, en un contexto de eleccin de modo se puede pedir
que seleccionen la alternativa preferida entre un conjunto hipottico de opcio-
nes, que jerarquicen las alternativas o que asocien un nivel de utilidad a cada
una de ellas.
Debido a que se puede solicitar que cada individuo realice un nmero am-
plio de juicios en una nica entrevista, el diseador del experimento puede
investigar, por ejemplo, los efectos en la respuesta debidos a cambios en una
variable mientras se mantienen constante las restantes. Esto permite un anlisis
mucho ms detallado de la forma funcional, ya que el analista casi puede trazar
la forma de la respuesta ante cada variable. Un descubrimiento muy interesante
de estos estudios es que, para cualquier decisin dada, las formas funcionales
tienden a ser bastante estables en la poblacin, aun cuando los valores de sus
parmetros puedan variar ampliamente (Meyer et al., 1978).
11
Supngase que el comportamiento de viaje est influido por un conjunto de
factores independientes que pueden ser de naturaleza cuantitativa o cualitativa.
Siguiendo la notacin de Lerman y Louviere (1978), se denota al conjunto de
J factores cuantitativos para la opcin A
i
como S
i
=
{
S
ji}
, y al conjunto de L
factores cualitativos como Q
i
=
{
Q
ji}
. El nmero total de factores es K = J + L,
y el vector completo de atributos X
i
=
{
X
ki}
es simplemente S
i
y Q
i
Supngase tambin que cada factor tiene asociado un cierto valor (que
puede obtenerse por algn procedimiento de medicin) y que la utilidad de este
valor es percibida por el individuo como u
ki
= f
ki
(X
ki
), donde f es una funcin
de percepcin.
Considrese ahora un contexto experimental en el que se observan las res-
puestas a la combinacin de (S
1i
,,S
Ji
; Q
1i
,,Q
Li
) en una escala psicomtrica.
Si se supone que esta medida de la respuesta est relacionada con la utilidad
U
i
de la opcin A
i
mediante alguna regla de combinacin algebraica, se puede
escribir:

U g u u
i i i Ki
( , , )
1
L

(8.35)
Finalmente si se postula que el vector de respuestas U
i
=
{
U
i}
est rela-
cionado con el comportamiento observado (no experimental) B mediante otra
funcin algebraica, se puede escribir:
B = h(U
i
) (8.36)
y sustituyendo se obtiene:

B h g f [ ]
( ) S, Q

(8.37)
Como sta es una formulacin demasiado general para propsitos de mo-
delizacin, en aplicaciones prcticas se deben realizar hiptesis sobre las fun-
ciones f, g y h, y deducir sus consecuencias.
El elemento crtico de este enfoque para desarrollar una forma funcional
adecuada es la especificacin de la ecuacin (8.35). Se pueden probar formas
alternativas, tales como las formas lineales o multiplicativas, y seleccionar al-
guna mediante anlisis de varianza. Sin embargo, para su aplicacin exitosa
se deben satisfacer dos condiciones: en primer lugar, el patrn de significa-
cin estadstica de las respuestas de utilidad a varias combinaciones de las
variables independientes, debe ser de una naturaleza determinada, con objeto
1:
de permitir la diagnosis o comprobacin de la forma del modelo. En segundo
lugar, debe existir la correspondiente evidencia grfica que apoye la diagnosis
o la comprobacin.
Ejemplo 8.7: considrese un modelo de localizacin residencial, en el cual
se supone que los individuos comparan de forma independiente el coste total del
viaje (incluyendo tiempos de viaje) con el precio de la vivienda, es decir, se su-
pone que combinan los efectos de ambas variables linealmente. Esta hiptesis se
puede comprobar directamente mediante anlisis de varianza. Suprimiendo el
ndice i correspondiente a cada opcin por mayor simplicidad, se puede escribir:

U U U
mn m n mn
+ +
1 2
c
donde U
k
l
son los valores de utilidad asignados al nivel l del factor k en un di-
seo factorial, U
mn
indica la utilidad total asignada por los individuos a la com-
binacin de niveles de ambos factores y
mn
es un trmino aleatorio con media
igual a cero.
Una comprobacin de la independencia de los dos efectos es el test de sig-
nificacin del efecto de interaccin U
1
m
U
2
n
. Como sealaron Lerman y Louviere
(1978), en un anlisis de varianza ste es un test global para todas las interac-
ciones posibles entre ambas variables. De esta forma si el efecto de interaccin
no es significativo no puede rechazarse la hiptesis nula de que la forma lineal
es apropiada. Por otro lado, si la interaccin es significativa, implica que una
simple combinacin lineal no es apropiada.
Este test debe acompaarse de un grfico de la interaccin. Si la hiptesis
lineal (sin interaccin) es correcta, los datos aparecern como una serie de l-
neas paralelas al representarse contra los valores de utilidad. Puede demostrarse
que esto es siempre cierto independientemente de la forma supuesta para las
relaciones marginales (8.35). Tambin puede demostrarse que esto se cumple
para cualquier modelo multilineal de utilidad y para cualquier forma menos
restrictiva que la simple suma o multiplicacin.
8.7.2. Datos PD y modelizacin de elecciones discretas
Hay dos caractersticas particulares de los datos PD que conducen a mtodos
de anlisis diferentes de los que se utilizan con otras fuentes de datos desagre-
gados. La primera es el hecho de que cada encuestado puede contribuir con
ms de una observacin, y la segunda tiene que ver con las diferentes formas
1
en que se pueden expresar las preferencias. En el Captulo 3 se mencion que
hay tres tipos principales de respuestas PD: escalamientos, jerarquizaciones
y elecciones. En el primer caso, se pide a los encuestados que punten cada
opcin utilizando un nmero entre 1 y 5 10. El resultado de este ejercicio
puede interpretarse como una medida de la preferencia del individuo hacia cada
alternativa. Por ello, se pueden efectuar operaciones algebraicas normales, como
extraer un ratio o restar una de otra. Sin embargo, actualmente se considera
que este tipo de experimentos PD son dbiles, ya que no existe evidencia que
apoye el que las preferencias individuales puedan ser trasladadas a escalas
cardinales de este tipo.
Tareas ms simples y ms fiables son pedir a los individuos que jerarqui-
cen las alternativas segn orden de preferencia o que realicen elecciones entre
alternativas hipotticas. En el caso de los experimentos de jerarquizacin, el
individuo ordena un conjunto de N alternativas en orden de preferencia. Si r
i

indica la alternativa colocada en la posicin i, esta respuesta implica que:

U r U r U r
N
( ) ( ) ( )
1 2
> > > L

(8.38)
En los ejercicios de eleccin, slo se pide nicamente al individuo que
seleccione la opcin preferida entre las alternativas (dos o ms) del conjunto
de opciones. La respuesta corresponde al mtodo habitual PR de eleccin dis-
creta, excepto en el hecho de que tanto las alternativas como las elecciones,
son hipotticas. Este tipo de ejercicio puede ampliarse permitiendo que los
encuestados expresen su grado de confianza en la eleccin sealada. Con este
fin se presenta al encuestado una escala semntica, tpicamente de cinco puntos
(1: definitivamente prefiero la primera opcin; 2: probablemente prefiero la
primera opcin; 3: indiferente; 4: probablemente prefiero la segunda opcin;
5: definitivamente prefiero la segunda opcin). Este ejercicio tambin se de-
nomina a veces escalamiento (rating) en la literatura especializada, aunque
realmente es una generalizacin del experimento de eleccin (ver Ortzar
y Garrido, 1994b; Pearmain et al., 1991). Esta generalizacin tiene ventajas y
desventajas; por un lado permite aplicar a los datos un rango ms amplio de
tcnicas de modelizacin. Por otro lado, sin embargo, puede debilitar la es-
pecificidad de la eleccin y de la respuesta, aumentando la diferencia entre
experimento y comportamiento.
Teniendo en cuenta las ventajas que ofrecen las especiales caractersticas
de los datos PD, existen cuatro amplios grupos de tcnicas para el anlisis:
1
Mtodos grficos o intuitivos. 1.
Ajuste de mnimos cuadrados, incluyendo regresin lineal. 2.
Escalamiento no mtrico. 3.
Anlisis logit y probit. 4.
Estos mtodos se pueden utilizar para llevar a cabo diferentes niveles de
anlisis en los experimentos PD. En general todos ellos intentan establecer
ponderaciones asignadas a cada uno de los atributos en una funcin de utili-
dad (indirecta) estimada para cada alternativa. Estas ponderaciones o pesos
se denominan a veces pesos de preferencias, componentes de la utilidad
o simplemente coeficientes asociados a cada atributo. Una vez que estas
componentes de utilidad han sido estimadas, se pueden emplear con distintos
propsitos:
Determinar la importancia relativa de los atributos incluidos en el expe- a)
rimento.
Estimar el ratio en el que un atributo es contrastado con otro (un ejemplo b)
tpico es la estimacin de los valores del tiempo si el tiempo y los atribu-
tos de coste se han incluido en el experimento). Tambin se puede estimar
el valor de otros atributos cualitativos tales como la regularidad, niveles
de seguridad, etctera.
Especificacin de funciones de utilidad para modelos de prognosis, inclu- c)
yendo aspectos sobre la estructura del modelo.
La naturaleza de los datos PD y los objetivos del anlisis son factores de-
terminantes en la eleccin de las tcnicas de estimacin de modelos.
8.7.2.1. Mtodos intuitivos
Los mtodos intuitivos o grficos utilizan un enfoque sencillo basado en que
en la mayor parte de los diseos cada nivel de los atributos aparece el mismo
nmero de veces. Por tanto es posible obtener alguna indicacin de la utilidad
relativa de cada par atributo-nivel, calculando la media de la ordenacin, es-
calamiento o puntuacin de eleccin en cada opcin en la que fue incluido y
comparndola con medias similares para los otros niveles y atributos. El dibujo
de estas medias en un grfico a menudo ofrece indicaciones muy tiles sobre
la importancia relativa de los distintos atributos incluidos en el experimento,
pero como no se hace uso de ninguna teora estadstica no se dispone de una
indicacin sobre la significacin estadstica de los resultados.
1
Ejemplo 8.8: considrese un ejercicio PD en el que se comparan tres mo-
dos alternativos de transporte, un autobs tradicional disel (DB), un minibs
moderno (MB) y un tren ligero elctrico (LRT). Los atributos incluidos en los
experimentos PD son: el tiempo de viaje en vehculo IVT, la frecuencia, la tarifa
y por supuesto, el tipo de vehculo. La siguiente tabla muestra los diferentes
niveles especificados para cada atributo:
Nivel 1 Nivel 2 Nivel 3
Tiempo de viaje (min) 25 15 35
Tarifa () 1,30 1,00 1,50
Frecuencia (min) 5 10 20
Tipo de vehculo DB LRT MB
Se utiliza un diseo factorial fraccional y se pide a los encuestados que
punten las alternativas (con el valor 10 como el mejor servicio). Los resultados
son los siguientes:
Tiempo de viaje Tarifa Frecuencia
Tipo
de vehculo
Puntuacin
25 1,30 5 DB 8
25 1,00 10 MB 9
25 1,50 20 LRT 4
15 1,30 10 LRT 10
15 1,00 20 DB 7
15 1,50 5 MB 8
35 1,30 20 MB 4
35 1,00 5 LRT 4
35 1,50 10 DB 1
Con esto es posible calcular un valor intuitivo para cada atributo, cal-
culando la puntuacin media para ese nivel y atributo y comparndola con la
diferencia de los valores. Por ejemplo, para el caso de tiempo de viaje se puede
construir la siguiente tabla:
1o
Nivel tiempo
de viaje
Valor
(min)
Diferencia
de valores
Puntuacin
media
Diferencias
puntuacin
Puntuacin
por minuto
1 25 21/3
2 15 10 (2 1) 25/3 4/3 (2 1) 4/30
3 35 +20 (3 2) 9/3 16/3 (3 2) 16/60
y en el caso de las tarifas:
Nivel tarifa
Valor
()
Diferencia
de valores
Puntuacin
media
Diferencias
puntuacin
Puntuacin
por
1 1,3 22/3
2 1 0,3 (2 1) 20/3 2/3 2,22
3 1,5 0,5 (3 2) 13/3 7/3 14/3
A partir de estos valores se puede estimar el valor subjetivo del tiempo de
viaje (SVT) como sigue: SVT = (16/60)/(14/3) = 0,0571, que es la relacin
de puntuaciones por minuto entre puntuaciones por . El lector puede calcular
los valores subjetivos de la frecuencia y del tipo de vehculo de la misma for-
ma. Este ejemplo tan sencillo ofrece dos reflexiones interesantes: los valores
del tiempo, o de otros atributos, dependen de la diferencia considerada; por
ejemplo, desplazarse de 15 a 25 minutos no produce el mismo SVT que des-
plazarse de 25 a 35 minutos. La segunda reflexin es que se han estimado los
valores de los coeficientes utilizando las puntuaciones producidas por un nico
encuestado; como cada entrevista genera varias observaciones, en muchos casos
se pueden estimar modelos basados en los individuos en lugar de basados en
una muestra de ellos.
Este mtodo intuitivo raramente se utiliza en la prctica excepto para es-
timar rpidamente indicadores como el valor del tiempo y tener una validacin
inicial in situ de un experimento. Sin embargo, este ejemplo ha servido para
ilustrar algunas de las ideas que subyacen en el anlisis de datos PD.
8.7.2.2. Modelos de eleccin discreta con datos de escalamiento
El profesional que realiza un anlisis con datos de escalamiento trata de en-
contrar una relacin cuantitativa entre el conjunto de atributos y las respuestas
expresadas en una escala. Para ello necesita asociar un valor numrico R
m
a
1;
cada punto m (m = 1,, M) de la escala y a continuacin formular un modelo
lineal, tal como:

0
+
1
X
1
+
2
X
2
+
+
K
X
k
= r
j
(8.39)
donde
0
es una constante, X
k
es normalmente la diferencia entre los atributos
k de las dos opciones en competencia para la situacin considerada,
k
es el
coeficiente de X
k
y r
j
representa la respuesta del individuo j, en la escala nu-
mrica R
m
.
Cuando se completa el cuestionario, el analista obtiene los valores deseados
de la variable dependiente R
m
, y conociendo los valores de los atributos X
k

puede realizar un anlisis de regresin mltiple para estimar los valores de
k
.
Para ello se pueden utilizar los mtodos de mnimos cuadrados ordinarios o
ponderados y mnimos cuadrados generalizados.
Una de las ventajas de utilizar estas tcnicas es la posibilidad de obtener
indicadores de la bondad del ajuste y medidas del grado de significacin de
los parmetros del modelo. El principal problema de esta metodologa es que
hay innumerables escalas numricas que pueden asociarse a la escala de res-
puestas. Puede ocurrir que los resultados del anlisis (coeficientes estimados,
sus ratios y la bondad del ajuste) dependan de la definicin de R
m
, lo que da a
entender la importancia de elegir correctamente la escala. Este tema ser dis-
cutido con mayor detalle cuando se considere el anlisis generalizado de los
datos de eleccin.
8.7.2.3. Modelos de eleccin discreta con datos de jerarquizacin
Los datos de jerarquizacin u ordenacin son ms sencillos y fiables que los
correspondientes a escalamiento. En este anlisis los individuos deben decir
si prefieren la alternativa A a la C y la C a la B, con mayor confianza y consis-
tencia que la que puedan tener al asignar puntuaciones a cada alternativa.
Existen varias formas de explotar los datos de ordenacin.
El anlisis monotnico de la varianza o MONANOVA (Kruskal, 1965) ha
sido utilizado durante muchos aos como un mtodo para escalamiento no-
paramtrico. MONANOVA es una tcnica de descomposicin desarrollada
especficamente para analizar el orden de jerarquizacin de los datos. El mtodo
estima iterativamente partes de utilidad, obteniendo de esta forma los valores
de utilidad de cada alternativa. La primera de las estimaciones de las partes de
utilidad se realiza utilizando el mtodo simple antes analizado. Estas utilidades
18
permiten la modelizacin de una jerarqua de alternativas. MONANOVA utiliza
una medida de esfuerzo para indicar la magnitud en la que la ordenacin
modelizada difiere de la ordenacin realmente efectuada por cada individuo.
Luego intenta mejorar las estimaciones de las utilidades parciales para re-
ducir el indicador de esfuerzo (o de maldad de ajuste). Al igual que el mtodo
intuitivo, MONANOVA es capaz de generar un modelo para cada individuo,
pero a pesar de sus capacidades carece de un fundamento estadstico robusto
y no ofrece indicadores de bondad de ajuste global y medidas de significancia.
Tambin restringe el tipo de funcin de utilidad que puede especificarse, y es
menos apropiado para el desarrollo de modelos de prognosis.
Una forma ms interesante de analizar los datos de jerarquizacin es trans-
formarlos en elecciones implcitas. En el caso anterior, la ordenacin ACB
podra convertirse en las elecciones A mejor que C, C mejor que B y A tambin
mejor que B. Los datos as transformados pueden analizarse utilizando software
de modelizacin de elecciones discretas logit o probit. Para el modelo logit
multinomial este anlisis puede llevarse a cabo a partir del siguiente teorema
(Luce y Suppes, 1965):

Prob Prob )Prob ( , , , ) ( / ( , , ) r r r r r r
1 2 3 1 2 3
L L C
donde Prob(r
1
,r
2
,r
3
,) es la probabilidad de observar que la jerarquizacin
indique que r
1
es preferible a r
2
y as sucesivamente, y Prob(r
1
/ C) es la proba-
bilidad de que r
1
sea elegido del conjunto de elecciones C = {r
1
,r
2
,r
3
,}.
Si el teorema se aplica sucesivamente, se consigue una expresin para la
probabilidad de obtener una jerarquizacin en trminos de N 1 probabilidades
de eleccin:

Prob Prob )Prob - ( ) = ( ( ) r r r r r r
1 2 3 1 2 1
, , , / / L L C C
donde, por ejemplo, C {r
1
} indica el conjunto de eleccin excluyendo la al-
ternativa r
1
. Utilizando esta teora, Chapman y Staelin (1982) propusieron que
una jerarquizacin de elecciones (8.38) puede explotarse a N 1 elecciones
estadsticamente independientes como:

( , , , )( , , , , ) ( )
,
U U n N U U n N U U
n n N N 1 2 1
1 2 2 3 > > >
L L L

(8.40)
y estos datos pueden estimarse simplemente mediante una rutina de logit mul-
tinomial. Sin embargo, se debe poner especial atencin con los siguientes pro-
blemas potenciales:
1,
Como la jerarquizacin considera opciones hipotticas, es probable que la 1.
informacin contenga algn error o sesgo. Esto puede ser especialmente
grave para el caso de las alternativas menos atractivas, las cuales son trata-
das usualmente con menos cuidado por los encuestados, y son agrupadas al
final de la ordenacin. Este tipo de comportamiento no es consistente con
el axioma de la independencia de las alternativas irrelevantes del modelo
logit, por lo que debe comprobarse estadsticamente.
Las jerarquizaciones deben construirse en orden decreciente de preferen- 2.
cia (de la mejor a la peor alternativa) por cada encuestado. No hacerlo as
produce datos contaminados que pueden invalidar los resultados de la
modelizacin.
Ya que jerarquizar un conjunto de N alternativas es una tarea complicada
en cuanto a que requiere ((N
2
+ N) / 2) 1 comparaciones, usualmente se pide a
los entrevistados que dividan el conjunto (normalmente de 9 a 12 alternativas)
de la siguiente forma: primeramente en tres grupos (es decir, las alternati-
vas mejores, intermedias y peores), a continuacin ordenar las opciones dentro
de cada grupo y finalmente intercambiar la ltima alternativa del primer grupo
con la primera del segundo grupo, si fuera apropiado. Se ha encontrado que la
utilizacin de este algoritmo en aplicaciones prcticas facilita de modo consi-
derable la tarea del entrevistado (Permain et al., 1991).
Algunos problemas de este enfoque han sido identificados por Ben Akiva
et al. (1992). Ellos encontraron que los datos de respuesta a diferente profun-
didad del ranking (no expandiendo la totalidad de la ordenacin o jerarquiza-
cin) no eran igualmente fiables, ya que producan estimaciones de la utilidad
significativamente diferentes. Sin embargo, este resultado puede depender del
esmero con que se haya diseado y llevado a cabo el experimento de PD; en
efecto, Ortzar y Palma (1992), encontraron que si se consideraba el conjunto
completo de alternativas jerarquizadas, se conseguan consistentemente me-
jores resultados.
Para tratar este problema de forma ms profesional, Bradley y Daly (1994),
propusieron separar los datos en N-1 grupos diferentes (n), cada uno de los
cuales corresponde a un nivel de profundidad de la jerarquizacin (es decir, el
primero contiene las preferencias individuales cuando estn disponibles todas
las alternativas, y as sucesivamente); una vez que los grupos estn identifi-
cados, se debe efectuar una estimacin conjunta considerando un factor de
escala diferente para cada grupo (es decir, consistente con diferentes varianzas
de los trminos de error de sus utilidades). Para ello un grupo ha de definirse
:o
como de referencia y los factores de escala (
n
) asociados a los otros grupos
representan la relacin entre la varianza del trmino de error correspondiente
al grupo de referencia y la asociada al grupo considerado (vase la discusin
del subapartado 8.7.2.7). De este modo, si la varianza del error asociada al
grupo n es la misma que la del correspondiente grupo de referencia, entonces
el factor de escala del grupo n ser igual a uno.
Bradley y Daly (1994), definieron el grupo uno arbitrariamente como grupo
de referencia y obtuvieron las importantes conclusiones siguientes:
La magnitud de los factores de escala disminuye con la profundidad de la 1.
jerarquizacin (es decir, la varianza del error es mayor en el caso de las
alternativas menos preferidas).
El modelo con diferentes factores de escala es superior al modelo logit sim- 2.
ple; este resultado se confirm con el test de razn de verosimilitud.
Los valores del test- 3. t de las variables explicativas resultaron inferiores, en
cerca de un tercio, respecto a los correspondientes valores obtenidos con
el modelo logit simple (vase la discusin del subapartado 8.7.2.6).
Los valores subjetivos de varios atributos en su diseo experimental cam- 4.
biaron hasta un 50% cuando se consideraban los factores de escala.
Ortzar y Rodrguez (2002) probaron este enfoque encontrando que, en su
caso, los resultados cambiaban significativamente con el nivel de profundidad
que se elega como referencia; sin embargo, en todos los casos considerados el
modelo con factores de escala fue estadsticamente superior que el modelo logit
simple. Ellos consideraron un experimento PD de jerarquizacin diseado para
estudiar la disponibilidad a pagar por reducir la contaminacin atmosfrica en
un contexto de localizacin residencial. Los atributos seleccionados fueron el
tiempo de viaje al trabajo, el tiempo de viaje al estudio, el nmero de das de
alerta ambiental en el rea y el valor del alquiler del hogar.
Dos resultados importantes de este estudio son: si se elige como referencia
el cuarto nivel de profundidad (en vez de, p. ej., el primero), no slo cambian
los valores de los test-t (los valores de los atributos y de la log-verosimilitud
en convergencia permanecieron constantes), sino tambin el nmero de facto-
res de escala significativamente diferentes. De hecho, finalmente llegaron a
la conclusin de que el modelo preferido slo tena dos factores de escala: las
primeras tres opciones se tomaban como referencia, el segundo conjunto de
cuatro alternativas present un alto factor de escala y las ltimas tres alternati-
vas un factor menor (es decir, prximo a uno). Esto es consistente con la forma
:1
en que las alternativas fueron jerarquizadas por los individuos y sugiere que
eran mucho ms conscientes de las alternativas extremas que de las alternativas
intermedias.
8.7.2.4. Modelizacin con datos de eleccin PD
La utilizacin de datos sobre elecciones simples en PD, permite utilizar el
rango completo de herramientas de anlisis disponibles para la modelizacin
de elecciones discretas en PR. Esto incluye el logit jerrquico, ya que no existe
restriccin a slo dos opciones, ni se requiere que se cumpla la propiedad IIA
para explotar los datos en forma completa.
Una diferencia interesante entre los datos de eleccin de PR y PD, es que
estos ltimos, por diseo, carecen de algunas fuentes de error. En particular,
no hay error de medicin ya que todos los valores de los atributos se presentan
a los encuestados (aunque puede haber algunos problemas de percepcin). No
obstante, ya se han discutido otras caractersticas de las encuestas PD que de-
bilitan el valor de los datos en trminos de comportamiento: falta de realismo
en el contexto de decisin, artificialidad de las alternativas y la diferencia entre
puntuar, jerarquizar o elegir una alternativa determinada.
Dejando aparte el error de especificacin, que todava es claramente apli-
cable, hay otra fuente potencial de graves errores relacionada con la respuesta
en s misma. Aunque los resultados prcticos son generalmente positivos, en
el sentido de sugerir que la mayor parte de los encuestados entiende lo que se
espera de ellos, no existe garanta de que sean capaces de completar un expe-
rimento PD con precisin absoluta. Un estudio de Bates (1988a) discute los si-
guientes tipos de error potencial, aplicables a todas las clases de datos PD:
Fatiga del encuestado, que obviamente aumenta con la complejidad del 1.
diseo experimental (ver la discusin en el Captulo 3);
Sesgo de poltica, que puede ocurrir si el encuestado est interesado en 2.
influir en el resultado del anlisis;
Sesgo de auto-selectividad, cuando inadvertidamente o a propsito los 3.
encuestados eligen de modo que su comportamiento existente parezca ms
racional.
Como consecuencia de lo antedicho, puede existir error de medida en la
variable dependiente, es decir, en lugar de obtener una verdadera estimacin
de la utilidad U, se est obteniendo una pseudo-utilidad que puede enlazarse
con la formulacin general (7.2) mediante:
::

U V U
i i i i i
+e +
&&
t

(8.41)
Suponiendo que
i
es homocedstico (aunque es posible que su varianza
vare entre experimentos debido a fatiga o aprendizaje), la estimacin de los
parmetros de V no presenta graves problemas, ya que la expresin (8.41)

&&
U V
i i i i
+ ( ) c t

(8.42)
y puede utilizarse la metodologa habitual de estimacin. El problema surge
cuando se desean realizar prognosis, ya que en ese caso interesa efectuar es-
timaciones de U, y lo que se obtiene al aplicar este modelo son estimaciones
de siempre que se aplique la misma distribucin de errores que en el ao de
diseo. En otras palabras:
estamos realizando estimaciones de las preferencias relativas tal y como
se expresan en un experimento de Preferencias Declaradas en vez de lo que
ocurrira en el mercado (Bates, 1988a).
La nica forma de solventar este problema es tomando en cuenta el error
entre
i
y
i
mediante la utilizacin de datos de PD y PR para estimar los mo-
delos; este problema es similar al de utilizar datos agregados en la estimacin
de modelos, problema que se tratar en el Captulo 9. Bates (1988a) indica que
tener una idea de la magnitud de
i
es de crucial importancia para el uso de
datos PD en la prognosis. nicamente si es insignificante en relacin con
i

podran utilizarse para la prognosis los modelos estimados directamente de
datos PD. Esto sugiere tener especial cuidado en el diseo de experimentos
PD a fin de reducir la fatiga del encuestado, mejorar el realismo, prevenir los
sesgos de respuestas polticas y minimizar el sesgo de autoselectividad. No
obstante el problema contina siendo serio normalmente, por lo que la prctica
corriente recomienda la estimacin mixta con datos PR siempre que sea posible
(Bradley y Daly, 1997).
8.7.2.5. Estimacin de modelos con datos de eleccin generalizada
En el caso de encuestas de eleccin generalizada o extendida, se permite
al encuestado expresar el grado de confianza en sus elecciones. Si se utiliza
la modelizacin logit convencional, se pueden estimar dos modelos, uno in-
cluyendo slo las respuestas definitivamente elijo la opcin A y otro inclu-
:
yendo tambin las respuestas probablemente elegira la opcin A, y com-
parar los resultados e indicadores de bondad de ajuste y significacin de los
parmetros.
Alternativamente, se puede investigar en ms profundidad cul es la mejor
transformacin de la escala semntica a una escala numrica, en el sentido
de producir los mejores modelos posibles. Muchos profesionales han usado
la siguiente escala simtrica: R
1
= 2,197, R
2
= 0,847, R
3
= 0,000, R
4
= 0,847,
R
5
= 2,197, que corresponde a la transformacin Berkson-Theil de las siguien-
tes probabilidades de eleccin: 0,1; 0,3; 0,5; 0,7; 0,9 (ver, p. ej., la revisin de
Bates y Roberts, 1983) y se ha transformado en casi la prctica estndar en
el rea de transporte. Sin embargo, sta no es necesariamente la escala ms
apropiada para un estudio concreto, y es importante investigar si la seleccin
de escala tiene un efecto significativo en los resultados del anlisis. Garrido
(1992) demostr que dependiendo de los valores de los atributos de cada opcin
y de las caractersticas socioeconmicas de los individuos, es posible generar
grandes diferencias en los ratios de coeficientes (tales como el valor subjetivo
del tiempo), utilizando escalas diferentes.
Ejemplo 8.9: un grupo de empleados y estudiantes participan en un ex-
perimento PD comparando dos opciones en el siguiente contexto: viaje por la
maana de casa al trabajo (unos 10 km), con eleccin entre autobs y metro
ligero (opcin que todava no existe en la actualidad). Para mayor simplicidad,
el diseo experimental consideraba solamente cuatro atributos:
Coste de viaje (variando en tres niveles).
Tiempo de viaje (variando en dos niveles).
Distancia andando (variando en tres niveles).
Tiempo de espera, estimado como la mitad de la frecuencia de transporte
pblico (variando en dos niveles).
De esta forma se tena un diseo factorial 3
2
2
2
y al estudiarse nicamente
los efectos principales, slo se necesitaban nueve opciones (Master Plan 3,
columnas 1, 2, 7, 8; ver Kocur et al., 1982). La siguiente tabla muestra las di-
ferencias de atributos (en vez de sus valores absolutos) entre las dos opciones.
El diseo (en cuanto a las opciones presentadas), se bas en combinaciones de
estas diferencias. Esto supone implcitamente que el modelo resultante ser
genrico (es decir, el mismo coeficiente del tiempo en vehculo para cada modo),
pero reduce el tamao del diseo.
:
Atributos del autobs menos atributos del LRT
Nivel de diferencia de atributos
Bajo Medio Alto
Coste de viaje ($) 10 60 80
Tiempo en vehculo (min) 15 25 na
Distancia andando (manzanas) 7 3 0
Frecuencia (min) 3 2 na
Considrense ahora las cuatro escalas de probabilidad definidas en la si-
guiente tabla:
Escala 1 Escala 2 Escala 3 Escala 4
R
1
0,100 0,010 0,300 0,200
R
2
0,300 0,400 0,450 0,400
R
3
0,500 0,500 0,500 0,500
R
4
0,700 0,600 0,850 0,880
R
5
0,900 0,990 0,950 0,970
La siguiente tabla presenta los SVT (ratios de los coeficientes de las varia-
bles de tiempo y coste) derivados de los modelos estimados despus de aplicar
la transformacin de Berkson-Theil a las cuatro escalas de probabilidad:
Valor del tiempo Escala 1 Escala 2 Escala 3 Escala 4
Tiempo en vehculo 4,01 1,73 3,98 4,11
Tiempo de espera 20,68 18,67 23,89 23,24
Tiempo andando 23,68 21,63 24,91 24,74
R
2
0,48 0,44 0,46 0,45
Como puede verse, la seleccin de la escala influye en los resultados de la
modelizacin. Los valores del SVT no slo difieren sino que corresponden a
modelos con diferente ajuste a los datos. Adems, las diferencias no parecen
depender de si la escala es simtrica o no. Aunque se puede esperar que una
escala simtrica (como las escalas 1 y 2 del ejemplo) produzca resultados ms
razonables, los modelos ajustados y los valores estimados del SVT rechazan
este concepto.
:
Una forma de evitar el problema anterior, es considerar un enfoque en el que
el analista no deba especificar una escala numrica a priori para estimar el mo-
delo. McKelvey y Zavoina (1975) desarrollaron un enfoque con estas caracters-
ticas, denominado probit ordinal. Su base terica se resume a continuacin.
Sea Y
j
una variable que representa el grado de preferencia de una opcin
sobre otra para un individuo j( j = 1,,n)

en una situacin presentada en un
experimento de escalamiento (si A y B son un par de opciones comparadas, Y
j

representara cunto ms es A preferible a B o viceversa). Supngase tambin
que esta variable satisface el siguiente modelo lineal:
Y
j
= X
j
+
j
(8.43)
donde X
j
es el vector K-dimensional de las variables independientes (atribu-
tos de los individuos y de las alternativas) para el individuo j;

es un vector
K-dimensional de coeficientes del modelo y
j
es un trmino de error con dis-
tribucin normal de media cero y matriz de covarianza
2
I, donde I representa
la matriz unidad.
Sin embargo, no es posible medir el valor real de Y
j
con las tcnicas de me-
dicin disponibles. Slo es posible observar una versin ordinal de esta variable,
Z
j
, que no satisface el modelo lineal (8.43). Supngase que la variable Z
j
tiene
M categoras de respuesta, R
1
, R
2
,, R
M
, y que stas estn relacionadas con
la variable no observable Y
j
como se explica a continuacin. En primer lugar,
supngase que
0
,
1
,,
M
son M + 1 nmeros reales que cumplen:

0
=

M
= +
Adems, estos nmeros deben satisfacer tambin la siguiente condicin:

0
=
1

M1

M
de forma que:
Z
j
R
m

m1
< Y
j

m
para 1 j n (8.44)
Como Z
j
es ordinal puede representarse por un conjunto de variables
dummy:

Z
Z R j n m M
jm
j m
e s s s s
1 1 1
0
si para
en otro caso
,
:o
Por otra parte, las expresiones (8.43) y (8.44) permiten escribir la funcin
de probabilidad de la variable dependiente observada Z
j
directamente:

para y 1 1 s s s s m M j n

u c
m j m m k kj j m
k
K
Y X

< < . < + <

1 1
0
(8.45)

.
< <

u
o
c
o
u
o
m k kj
k
K
j
m k kj
k
K
X X
1
0 0
donde X
0j
toma el valor de 1 (es decir,
0
es una constante especfica). Ahora,
como
j
tiene una distribucin normal, se puede escribir:
Pr Pr ( ) ( ) Z Z R
X X
jm j m
m k kj
k
K
m k k
e
j
(
,
,
,
,
\
,
(
(
(
(

1
0
1
|
u
o
|
u
jj
k
K
j
(
,
,
,
,
\
,
(
(
(
(
0
o

(8.46)
donde (
)

es la funcin normal estndar acumulada. Cualquier transformacin
lineal de la variable no observable Y
j
, aplicada a la serie de
m
conduce exac-
tamente al mismo modelo (8.46). Sin prdida de generalidad, se puede asumir
que
1
= 0 y que = 1 para identificar los coeficientes finales del modelo:

Pr( ) Z X X
jm m k kj
k
K
m k kj
k
K

j
(
,
\
,
(

j
(
,
\
,
(

1
0
1
0
| u | u

(8.47)
El problema del calibrado consiste en la estimacin de los M + K 1 coefi-
cientes
2
,,
M1
,
0
,,
K
. Informacin adicional sobre el modelo, el proceso
de calibrado y algunas estadsticas asociadas a su desarrollo se puede encon-
trar en McKelvey y Zavoina (1975), Terza (1985) y Johnson (1990), mientras
que Hensher (1991) y Ortzar y Garrido (1994a) presentan aplicaciones del
probit ordinal en el campo de los transportes.
Si no se dispone de una rutina de estimacin del probit ordinal, se puede esti-
mar la escala de respuesta durante el proceso de ajuste del modelo, considerando
cada valor de la escala como una variable adicional. En este caso se utiliza un
mtodo de bsqueda, empezando con la escala simtrica 1 del ejemplo 8.9. El
procedimiento consiste simplemente en variar sucesivamente cada punto de la
:;
escala (es decir R
i
) en una pequea cantidad, y estimar un modelo de regresin
lineal con los nuevos valores. Este proceso contina hasta que se maximice R
2

y se fije el valor de R
i
. El procedimiento se repite para cada punto de la escala
(salvo para R
3
que siempre se mantiene en 0,5) en una rutina iterativa, hasta que
se encuentre el mejor ajuste en cada caso (aquel con el valor ms alto de R
2
). Fi-
nalmente se repite el proceso para comprobar las diferencias. Ortzar y Garrido
(1994a) sealaron que esta bsqueda nunca lleva ms de dos iteraciones antes de
converger, pero no pudieron probar la existencia de una solucin global ptima.
Ejemplo 8.10: la siguiente tabla muestra la escala simtrica original y las
escalas obtenidas despus de aplicar la anterior metodologa de regresin
lineal de la escala ptima para dos muestras del experimento de escalamiento
del ejemplo 8.9.
Escala Inicial Estudiantes Personal
R
1
0,1 0,284 0,228
R
2
0,3 0,286 0,278
R
3
0,5 0,500 0,500
R
4
0,7 0,714 0,722
R
5
0,9 0,900 0,842
El resultado sugiere la posibilidad de probar si el nmero original de puntos
de la escala semntica es adecuado. Si se utilizara un nico valor para los dos
primeros puntos de la escala en los modelos de escala ptima (que parecen muy
cercanos) sera interesante examinar las consecuencias que tiene esta aparente
prdida de informacin. En la parte positiva, una escala de cuatro puntos tiene
un parmetro menos que estimar. La tabla siguiente muestra los valores ptimos
de la nueva escala obtenida cuando R
1
y R
2
son reemplazados por un solo punto
R
1
'
. En esta escala, al igual que en la anterior, el valor de probabilidad de R
3
fue
fijado en 0,5, ya que corresponde al punto de indiferencia entre ambos modos.
Escala Estudiantes Personal
R
'
1
0,277 0,121
R
3
0,500 0,500
R
4
0,716 0,776
R
5
0,899 0,922
:8
Como puede verse, los valores de escala en ambas muestras estn ms aleja-
dos que en la tabla anterior, lo que indica que no es necesario ningn otro punto
de fusin. Todos los valores parecen razonables en trminos relativos, es decir,
se corresponden con valores crecientes de probabilidad desde R
1
'
hasta R
5
.
8.7.2.6. Interacciones e independencias en la modelizacin de PD
A continuacin se consideran dos problemas importantes. El primero se refiere
a una ventaja potencial, aunque raramente consumada, del enfoque de PD, tal
es la posibilidad de estimar modelos con funciones de utilidad no-lineales. La
razn para no hacer esto en la prctica ha sido, como es usual, la falta de con-
veniencia. Los experimentos de PD que permiten la incorporacin de interac-
ciones y no slo efectos principales, son ms complejos de disear y analizar,
y requieren informacin que es ms difcil de recolectar.
El segundo problema tiene que ver con una de las fuentes de atraccin ms
importantes del enfoque (la generacin de mltiples respuestas por entrevis-
tado), y se refiere al hecho de que en casi todas las aplicaciones prcticas
hasta la fecha se han considerado las respuestas de un individuo en particular
como independientes entre s, adems de independientes de las del resto de
los individuos en la muestra. Aunque este problema ha recibido mayor aten-
cin ltimamente, no es bien conocido fuera del mbito de la investigacin
correspondiente al estado del arte y slo recientemente ha sido resuelto de
forma satisfactoria.
Interacciones y efectos principales
En modelos de eleccin discreta, gran cantidad de formas potenciales de la
funcin de utilidad pueden transformarse (en ltima instancia usando aproxi-
maciones de series) en formas aditivas lineales en los coeficientes del tipo:

V X X X X X X X X X X + + + + + u u u u u u
1 1 2 2 3 1
2
4 1 2 5 1 2
3
6 1 2 3
donde los X
i
son atributos y los
i
coeficientes a estimar. Esta funcin contiene
trminos lineales (
1
X
1
y
2
X
2
), no-lineales (
3
X
1
2
), interacciones con efectos li-
neales (
4
X
1
X
2
y
6
X
1
X
2
X
3
) e interacciones generales (
5
X
1
X
2
3
). Los efectos prin-
cipales pueden ser definidos como la respuesta de pasar al siguiente nivel de la
variable cuando el resto de los atributos permanece constante (ceteris paribus);
normalmente se postula que stos son los principales determinantes de cambios
en la eleccin. De hecho, de acuerdo a Louviere (1988):
:,
Los efectos principales explican el 80% o ms de la varianza de los datos.
Las interacciones de a pares raramente explican ms del 2 o el 3% de la
varianza.
Las interacciones entre tres trminos explican proporciones an menores
de la varianza, normalmente del orden del 0,5 al 1% y raramente ms del
2 3%.
Los efectos de orden superior explican una proporcin minscula de la
varianza.
Por lo tanto, en la prctica normalmente slo se consideran los efectos
principales. Adems, existe consenso en que tanto las interacciones entre ms
de dos variables, como las que incorporan efectos no-lineales, debieran ser
insignificantes. As, las interacciones de pares de variables estn en una especie
de limbo y requieren mayor atencin.
Es importante destacar que si las interacciones son efectivamente insig-
nificantes, un modelo que incluya slo efectos principales permitir obtener
mediciones precisas de las preferencias individuales. Sin embargo, si son sig-
nificativas y no se incluyen, se tender a atribuir errneamente sus efectos a
las variables simples (Kocur et al., 1982). Por otro lado, y como veremos ms
adelante, puede suceder que al incluirlas, sus efectos dominen a los de ciertas
variables individuales hasta el punto de que stas deban salir de la regresin
(p. ej., por resultar con un coeficiente no significativo o con signo contrario
al de la intuicin).
Como se seal anteriormente, el coste de permitir interacciones en un di-
seo experimental es precisamente su complejidad (requiere que los entre-
vistados evalen mayor cantidad de situaciones hipotticas) y, de hecho, si
el nmero de atributos y sus niveles no se mantienen bajo un cierto mximo,
el diseo puede volverse impracticable. Como se podr observar, la mejor
solucin en este caso consiste en usar diseos de bloques donde slo se pre-
senta una fraccin del total de situaciones hipotticas a distintas submuestras
de la poblacin de inters. Se supone que al considerar el total de las respues-
tas se obtendrn modelos de preferencias consistentes. Para asegurar que las
respuestas sean compatibles, cada submuestra debe tener un tamao tal que
permita asegurar la representatividad de sus caractersticas socioeconmi-
cas; as, se ha sugerido un mnimo de 30 miembros por grupo en la literatura
(Kocur et al., 1982) pero, como se ver, este tamao parece demasiado bajo
en la prctica.
o
Ejemplo 8.11: se ha diseado un experimento PD de escalamiento utili-
zando una escala semntica de cinco puntos para la eleccin entre viajar en
coche solo y compartir coche (car-pool) por parte de estudiantes de un campus
universitario (Ortzar et al., 2000c).
Tras una extensiva fase de piloteo, se seleccionaron los siguientes atributos:
Tiempo de viaje diario : ste era siempre mayor para car-pool, ya que el
alumno que dispusiera de coche en ese da deba recoger a cada miembro
del grupo por la maana y llevarlo de regreso a su casa por la tarde.
Coste de viaje semanal : asociado al consumo de combustible y estimado
en base a informacin sobre distancias de viaje y tipo de coche (en algunos
casos este valor inclua un coste de estacionamiento); el valor para car-pool
era siempre menor ya que los conductores no necesitan usar su coche cada
da de la semana en este caso.
Tiempo de espera : asociado a compartir el viaje con un grupo en el caso
del car-pool; la espera se debe a que el sistema propuesto consideraba que
el grupo completo llegaba y se iba del Campus a la misma hora, y no todas
las horas de salida coinciden; se debe notar que este tiempo puede usarse
en otras actividades, porque tanto su duracin como el da en que sucede,
se conocen de antemano dados los horarios fijos de la universidad.
Los niveles de los atributos fueron definidos en base a la diferencia entre
viajar en coche y car-pool, usando valores que coincidieran con la experiencia
de los encuestados. Se definieron dos niveles para el tiempo de viaje (10 y
20 min. ms que en el caso del car-pool), cuatro niveles para el coste de viaje
(tres cuartos y la mitad del coste del coche en el caso del car-pool, y 40 y 25%
ms que ese coste si se inclua un cobro de estacionamiento) y tres niveles para
el tiempo de espera. En este ltimo caso los niveles se determinaron en base a
la posibilidad de que los horarios de los miembros del grupo no coincidieran,
y se consideraron tiempos de espera de cero, 30 min (un miembro necesitaba
hacer una pequea diligencia) y 90 min (un mdulo de clase completo).
Aunque estos atributos y niveles permiten cubrir las diversas situaciones hi-
potticas que podran surgir en un sistema de car-pool, tienen la potencial des-
ventaja de que las variables con ms niveles podran ser percibidas como ms
importantes por los encuestados (Wittink et al., 1982). Por otro lado, tres atribu-
tos parecen ser un mnimo obvio para estudiar si existen efectos de interaccin.
Con todo lo anterior se requeriran 16 situaciones hipotticas para estimar
solamente efectos principales y 24 si tambin se deseara estimar todas las inter-
1
acciones de a pares (Kocur el al., 1982). Dados estos nmeros, se debera usar
un diseo de bloques en ambos casos; de hecho se prob si se podan usar 16 op-
ciones directamente, encontrndose que esto confunda/aburra a los encues-
tados produciendo demasiadas inconsistencias. Esto ratifica lo expuesto por
Carson et al. (1994), quienes encontraron que debido a la fatiga los entrevista-
dos tendan a simplificar su forma de elegir concentrndose en un nmero
menor de atributos o simplemente contestando al azar.
Para la modelizacin se comenz por hacer un estudio de los signos espe-
rados para los trminos de interaccin (dadas las especiales caractersticas de
las opciones en competencia), concluyndose que su definicin ms adecuada
era la siguiente:
T*C: interaccin entre los ratios de tiempo y coste de viaje; su coeficiente
debera ser mayor que cero:

T*C =
Tiempo de viaje Coste
Tiempo de viaje Coste
coche cp
cp cochhe
W*T: interaccin entre las variables tiempo de espera para car-pool y el
ratio de los tiempos de viaje para ambos modos; su coeficiente debera tener
signo negativo:

W*T = Tiempo de espera
Tiempo de viaje
Tiempo de viaje
cp
cp
cocche
W*C: interaccin entre tiempo de espera en car-pool y el ratio del coste de
viaje para ambos modos; su coeficiente debiera ser negativo:

W*C = Tiempo de espera
Coste
Coste
cp
cp
coche
La tabla 8.7 presenta dos modelos probit ordinal obtenidos bajo la hip-
tesis tradicional de que las observaciones correspondientes a cada individuo
eran independientes. Como se puede ver, en el primero (denominado mejor
modelo) las nicas variables no significativas al 95% de confianza son Sexo
(variable muda que vale uno para hombres) y Tiempo de espera; si la ltima se
eliminase, porque su efecto es considerado en condiciones de fuerte interac-
cin, el modelo mejorara (modelo preferido). La variable Inercia vale uno si
:
el entrevistado era usuario de car-pool en la realidad y g es la tasa de gasto
(razn entre el ingreso y el tiempo libre de cada individuo, ver, p. ej., Jara-Daz
y Ortzar, 1989).
Tabla 8.7. Modelo probit ordinal considerando interacciones
Atributos (test-t) Mejor modelo Modelo preferido
Ctte. especfica coche 1,65418 (9,89) 1,68808 (10,17)
Tiempo de viaje (min) 0,00311 (4,57) 0,00343 (5,30)
Tiempo de espera (min) 0,00363 (1,53)
Coste/g (min) 0,06729 (7,54) 0,06930 (7,83)
Sexo 0,11021 (1,92) 0,11372 (1,98)
Inercia car-pool 0,40907 (6,57) 0,41113 (6,61)
T*C 0,70067 (9,67) 0,73763 (10,73)
W*T 0,00629 (2,11) 0,01038 (8,04)
W*C 0,00124 (3,32) 0,00157 (4,92)
R
2
0,543 0,541
Tamao muestra 1.640 1.640
A fin de verificar la importancia relativa de las interacciones en la funcin
de utilidad, se calcul el producto del valor promedio de cada variable norma-
lizada por su coeficiente, encontrndose que las interacciones eran sin ninguna
duda importantes, especialmente T*C. Este procedimiento fue confirmado con
el clculo de elasticidades de la probabilidad de escoger coche frente a varios
cambios en el valor de los atributos (Ortzar et al., 2000c).
El problema de observaciones repetidas
Una caracterstica importante de los datos de PD es que se obtienen mltiples
respuestas por individuo. El problema es que el estado actual de la prctica
supone que stas son independientes, apareciendo el concepto de pseudo-
individuos. Claramente esta hiptesis no puede ser vlida, pero no se sabe bien
cmo afecta a los modelos estimados. Durante muchos aos se crey/esper
que el problema estuviera limitado a obtener valores sesgados hacia arriba de
las razones-t asociadas a los parmetros estimados. De esta forma, la solucin
haba consistido en proponer la aplicacin de factores de correccin, tales

como el inverso de la raz cuarta del nmero de observaciones por individuo
(esto es, el nmero 1/1,73 para el diseo clsico con nueve situaciones hipot-
ticas), a las razones-t resultantes; esto tiene el mismo efecto que incrementar
el valor crtico de significancia estadstica al 95% de confianza, de 1,96 a 3,39
(Glvez, 1989).
En los ltimos aos se han propuesto, y probado parcialmente, enfoques
ms interesantes. Por ejemplo, Cirillo et al. (2000) proponen usar tcnicas de
remuestreo, como Bootstrap y Jackknife (Shao y Tu, 1995), que pueden ser
apropiadas cuando no es posible obtener analticamente un estimador inses-
gado de un estadgrafo y su varianza. Cirillo et al. (2000) encontraron que
los parmetros estimados usando Jackknife no cambiaban mucho y que aun
cuando los test-t disminuan, de acuerdo a lo esperado, no lo hacan tanto como
sugiere el factor de correccin simple anterior. Los resultados Bootstrap eran
similares pero tenan ms ruido, particularmente en el caso de estrategias de
remuestreo bajas.
Ortzar et al. (2000c) probaron las tcnicas de Bootstrap y Jackknife (con
todas sus variaciones en el remuestreo) con cuatro muestras diferentes. El
descubrimiento quizs ms interesante fue que, por ambos mtodos y en to-
dos los casos considerados, los valores de los parmetros eran prcticamente
idnticos a los estimados con el enfoque tradicional. Sin embargo, sus errores
estndares variaron de modo inconsistente; en efecto, en tres casos crecieron
correctamente, pero en el otro caso decrecieron. Ellos estudiaron a fondo las
muestras para descartar la existencia de valores atpicos u observaciones es-
peciales (outliers) o de peculiaridades en los valores estimados originalmente.
Por estos motivos, Ortzar et al. (2000c) se vieron forzados a concluir que la
aplicacin de estas tcnicas para solucionar el problema de las observaciones
repetidas necesitaba an ulteriores estudios.
Outwerslot y Rietveld (1996) e independientemente Abdel-Aty et al. (1997),
sugirieron descomponer el error total de un modelo de utilidad aleatoria en
dos partes mutuamente excluyentes: un efecto individual especfico, que dis-
tribuye de forma independiente entre individuos (
it
) y un efecto observacin-
especfico (
it
) que distribuye independiente entre individuos y observaciones.
Con esto, la formulacin del trmino de error viene dada por:

it
=
it
+
it
conduciendo a una integral mltiple difcil de evaluar. Si hay N individuos y
T observaciones por persona, se debe evaluar N veces una integral T-variada.
Para evitar este problema, los autores usan un mtodo de mnima distancia pro-
puesto por Chamberlain (1984) que considera dividir la muestra en T submues-
tras independientes seleccionadas al azar, ninguna de las cuales contiene ms
de una observacin por persona. Los coeficientes de los modelos estimados
para cada submuestra son utilizados posteriormente en un algoritmo bastante
complejo para obtener los valores finales de los parmetros y sus varianzas.
Contrariamente a lo esperado, Outwerslot y Rietveld (1996) encontraron que
los parmetros de su modelo probit cambiaban (aunque menos de 27%) si bien
las razones t se mantenan prcticamente invariantes.
Yen et al. (1998) desarrollaron un mtodo para tratar el problema utilizan-
do una versin dinmica generalizada del modelo probit ordinal, que permite
incorporar una medida de la correlacin entre las respuestas de un individuo en
particular. Desafortunadamente ellos no estaban interesados en efectuar com-
paraciones, por lo que no se sabe si existen diferencias entre sus estimaciones y
los resultados de una aplicacin estndar del probit ordinal. Ms recientemente
se ha propuesto que, en este caso, la estimacin puede ser tratada como un
modelo logit mixto, como el propuesto en (8.32).
Ejemplo 8.12: utilizando cuatro muestras diferentes Ortzar et al. (2000c)
examinaron el comportamiento del enfoque de Outwerslot y Rietveld (1996).
La aplicacin del mtodo de mnima distancia puede dividirse en dos partes; la
primera consiste en estimar una matriz de parmetros de gustos parciales
t
,
correspondiente a las T submuestras donde cada individuo est representado
por una sola observacin; esto requiere corregir los datos para garantizarlo
(recordar que algunas observaciones son normalmente eliminadas en las prue-
bas de consistencia). Un problema importante es que el proceso puede generar
muestras que no tengan suficientes observaciones para estimar un modelo en
algunos casos. La segunda parte consiste en estimar los parmetros de mnima
distancia (MD) en base a los valores anteriores; el proceso completo, que es
bastante complejo, fue implementado en Gauss.
Tambin se estimaron modelos para la base de datos corregida usando el
enfoque tradicional, a fin de tener valores similares para efectuar la compara-
cin. Se encontr que en el enfoque MD la mayora de los parmetros decreca
(a veces de forma considerable), pero que tambin en algunos casos crecan.
Respecto a las razones-t, se observ que en general decrecan de acuerdo a lo
esperado, pero no siempre, particularmente en el caso de las constantes espe-
cficas. En la tabla 8.8 se resumen estos resultados.

Ortzar et al. (2000c) tambin probaron la hiptesis nula de que la correla-
cin entre pseudo-individuos no afectaba a la estimacin del modelo utilizando
un test
2
ad hoc (Chamberlain, 1984). En particular, los resultados mostraron
que el test no poda rechazarse al 95% de confianza en el caso de dos muestras
de eleccin modal interurbana, pero era claramente rechazado en el caso de
las dos restantes.
Tabla 8.8. Comparacin entre los resultados de la estimacin con mnima
distancia y el mtodo tradicional
Coeficiente (test-t) Mtodo tradicional
Mtodo mnima
distancia
Eleccin modo interurbano
(a) Con acceso al coche
Constante del tren 1,5468 (4,75) 1,5357 (6,81)
Tarifa 0,0020 (18,04) 0,0017 (9,57)
Tiempo de viaje 0,0235 (4,00) 0,0171 (3,62)
Tiempo de espera 0,0256 (2,83) 0,0284 (3,50)
(b) Sin acceso al coche
Constante del tren 1,6547 (6,58) 1,5028 (9,87)
Tarifa 0,0018 (22,47) 0,0017 (11,73)
Tiempo de viaje 0,0146 (3,24) 0,0132 (3,92)
Tiempo de espera 0,0255 (3,76) 0,0216 (3,75)
Eleccin modo urbano
Constante del Metro ligero 0,5922 (2,30) 0,4843 (3,15)
Coste de viaje 0,0214 (9,98) 0,0107 (5,94)
Tiempo de viaje 0,0506 (4,14) 0,0233 (2,56)
Tiempo de espera 0,0765 (2,85) 0,0321 (2,43)
Tiempo a pie 0,3445 (14,26) 0,1983 (10,44)
Eleccin ruta interurbana
Constante de camino secundario 0,2348 (1,51) 0,3689 (2,91)
Peaje 0,0016 (13,45) 0,0012 (8,81)
Tiempo de viaje 0,0621 (5,64) 0,0337 (4,27)
Distancia 0,0366 (5,32) 0,0495 (8,41)
o
8.7.2.7. Estimacin de modelos con datos conjuntos PD y PR
Considrese el modelo MNL (7.9) y la relacin inversa que tiene su parmetro
con la desviacin tpica de los residuales Gumbel . Esta relacin explica por
qu no es correcto postular la misma distribucin de errores para la estimacin
y la prognosis, como se ha mencionado anteriormente. Las dos utilidades en
la ecuacin (8.41) debieran proporcionar valores diferentes de . Esto produce
diferencias de escala en los parmetros y si inadecuadamente se supone el
cumplimiento de esta igualdad se puede terminar estimando pseudo-utilidades,
en vez de las utilidades verdaderas. Para evitar este problema hay que ajustar
los datos PD al comportamiento real, explotar las ventajas que tienen los datos
PR en este sentido y estimar los parmetros conjuntamente.
En econometra, la estimacin de modelos con datos provenientes de
fuentes diferentes se denomina estimacin mixta. Estos datos se dividen
frecuentemente en dos conjuntos: datos primarios y secundarios. Los datos
primarios dan informacin directa sobre los principales parmetros de la mo-
delizacin. Los datos secundarios ofrecen informacin adicional (indirecta)
sobre los parmetros. Por ejemplo, en la modelizacin de elecciones discretas,
los datos primarios pueden ser la informacin que se obtiene de una encuesta
a nivel desagregado, y los secundarios, los datos provenientes de una encuesta
agregada. En nuestro caso, los datos PR constituyen el conjunto primario, ya
que reflejan el comportamiento real de los individuos y los datos PD constitu-
yen el conjunto secundario. Se utilizar el marco desarrollado por Ben Akiva
y Morikawa (1990). Este marco postula que la diferencia entre los errores de
los datos PD y PR puede representarse como una funcin de las varianzas de
cada tipo de error y , como sigue:

o o
c q
2 2 2

(8.48)
donde es un coeficiente de escala desconocido. Esta formulacin conduce a
las siguientes funciones de utilidad, para una cierta alternativa A
i
:

U
U
i i i
i i i
PR PR PR
PD PD PD
+ +
+ +
uu
uu ||
X Y
X Z
oo c
q
i
i
( )

(8.49)
donde , y son parmetros a estimar. X
PR
y X
PD
son los atributos (de las
alternativas y los individuos) para los niveles PR y PD respectivamente. Y
PR
y
Z
PD
son atributos que slo pertenecen a uno de los conjuntos, PR o PD (notar
que el vector X est presente en ambos tipos de datos).
;
La consideracin de las funciones de utilidad (8.49) permite homogeneizar
el tipo de error ya que la multiplicacin de los parmetros PD por hace que
su error estocstico asociado tenga la misma varianza que el correspondiente
error PR. Se espera, en condiciones normales, que los datos PD tengan ms
sesgos que los datos PR. Por ello debera tomar valores entre cero y uno. Si
no sucede as, se puede suponer que los datos PR tienen ms problemas, com-
probndose este hecho reestimando un modelo con la estructura inversa. Luego,
suponiendo que ambos errores estadsticos tienen una distribucin Gumbel con
media cero pero varianza diferente, las probabilidades de eleccin se obtendran
de la siguiente expresin (Morikawa et al., 1992):

P
P
i
i i
i j
j
i
i i
PR
PR PR
PR PR
PD
PD PD
+
+
+
e
e
e
e
( )
( )
( )
(
uu oo
uu oo
uu ||
X Y
X Y
X Z
uu uu || X Z
i i
j
PD PD
+
)

(8.50)
de estas expresiones es posible obtener la siguiente funcin de verosimilitud
conjunta:

L P P
iq
PR
g
in
A
i
n n
N
PR
iq
PD
g
in
A
i
( , , , ) *
( )
uu oo ||
( )
j
(
,
,
\
,
(
(
( )
e e
j j
A 1 AA( ) n n
N
PD
j j
j
(
,
,
\
,
(
(
1

(8.51)
que debe maximizarse para obtener los parmetros estimados. N
PR
y N
PD
son
el nmero de observaciones en PR y PD, respectivamente, y g
in

vale uno si el
individuo n elige A
i
y cero en otro caso.
La expresin (8.51) es una funcin no lineal, ya que multiplica no slo a los
atributos, sino tambin a los parmetros PD. El procedimiento de estimacin es
simplemente un problema de investigacin operativa. Un mtodo para resolver
este problema es la aplicacin de software especialmente diseado para tratar
funciones de verosimilitud no lineales. Sin embargo, este tipo de paquetes de
clculo es normalmente escaso; por ende, sera muy til encontrar una tcnica
que permitiera estimar estos modelos mediante los programas de anlisis de
elecciones discretas ms fcilmente disponibles. Se pueden mencionar al menos
dos mtodos apropiados para realizar esta tarea: la estimacin simultnea (Brad-
ley y Daly, 1997) y la estimacin secuencial (Ben Akiva y Morikawa, 1990).
8
Mtodo de estimacin secuencial. Este mtodo tiene la ventaja de per-
mitir el uso de software habitual de estimacin logit y probit. El algoritmo es
el siguiente:
Paso 1: estimar el modelo PD segn la ecuacin (8.49) para obtener los
estimadores y . Definir una nueva variable de la siguiente forma:
V

i
PR
=
X
i
PR
(8.52)
Paso 2: estimar el siguiente modelo PR incluyendo la nueva variable, con
objeto de calcular los parmetros y :
U
i
PR
=
V

i
PR
+ Y
i
PR
+
i
(8.53)
donde = 1/.
Paso 3: multiplicar X
PD
y Z
PD
por para obtener un conjunto de datos PD
modificado. Juntar los datos PR con los PD modificados y estimar el modelo
mixto conjuntamente.
Mtodo de estimacin simultneo. Este mtodo, desarrollado por Bradley
y Daly (1997), consiste en construir un rbol artificial que tiene dos veces
tantas alternativas como existen en la realidad. La mitad de stas se denomi-
nan alternativas PR y la otra mitad alternativas PD. Las funciones de utilidad
son U
PR
y U
PD
[ver la expresin (8.49)]. Como se indica en la figura 8.3, las
alternativas PR se colocan directamente bajo la raz del rbol, mientras que
las alternativas PD se sitan cada una en un nido con una nica alternativa.
Para una observacin PR, las alternativas PD no estn disponibles y la elec-
cin se modeliza como en un modelo logit estndar. Para una observacin PD,
Raz
PR1
PD1
PR2
PD2
PR3
PD3
Alternativas
Dummy
Figura 8.3. Estructura de rbol artificial para estimacin conjunta PD y PR.
,
las alternativas PR no estn disponibles y la eleccin se modeliza mediante
una estructura logit anidada (en rbol). Para las observaciones PD, la utilidad
media de cada una de las alternativas ficticias compuestas se calcula de forma
habitual (Daly, 1987):

V
V COMP
PD
log e

(8.54)
donde la suma se lleva a cabo para todas las alternativas en el nido correspon-
diente a la alternativa compuesta, y la expresin:
V
PD
=
U
PD
= = X
PD
+ Z
PD
(8.55)
es simplemente la parte medible de la utilidad PD. Como cada nido contiene
nicamente una sola alternativa en esta especificacin:
V
COMP
=
V
PD
=
X
PD
+
Z
PD
(8.56)
Y se obtiene exactamente la forma requerida mientras el valor de est
restringido a ser el mismo para cada una de las alternativas ficticias. Como
las alternativas ficticias compuestas estn colocadas justo debajo de la raz del
rbol al igual que las alternativas PR, un procedimiento de estimacin estndar
asegurar que se estima para obtener varianza uniforme a este nivel. Esta
construccin artificial no requiere la hiptesis usual de consistencia del modelo
logit jerrquico, que no exceda la unidad, ya que no se modeliza a los indivi-
duos de forma que stos puedan elegir entre todo el conjunto de alternativas.
Sin embargo, como se mencion anteriormente, el valor de puede tomarse
como una indicacin de la precisin de cada conjunto de datos.
Es interesante citar que existe una tercera alternativa para tratar la estima-
cin con datos mixtos PR/PD, que es algo ms compleja que las tratadas lneas
atrs pero que ofrece la ventaja de ser ligeramente ms general. Para mayor
informacin revisar (Swait y Louviere, 1993; Swait et al., 1994).
Para concluir este anlisis, es importante mencionar que Ben Akiva y Mo-
rikawa (1997), a partir de varios casos estudiados, han demostrado la evidencia
emprica de dependencia entre estados y correlacin serial entre datos PR y PD.
Tambin encontraron que los mtodos PD pueden proporcionar estimaciones
sesgadas de los parmetros si los datos PD contienen informacin implcita de
preferencias reveladas: el sesgo encontrado en ese caso de estudio fue bastante
preocupante ya que el atributo clave (aumento del nmero de vagones de tren
o
con elevado estndar) obtuvo un coeficiente con signo equivocado. Para corregir
este sesgo se recomendaron dos mtodos.
El primero consiste en introducir variables dummy de inercia que represen-
ten las elecciones reales en el modelo PD. Tales dummy absorben los factores
no-observados ligados a las preferencias de ciertas alternativas respecto a otras,
y por lo tanto el trmino de error restante estar menos correlacionado con
las variables explicativas y las estimaciones de los coeficientes no resultarn
sesgadas. El segundo consiste en considerar la correlacin serial entre los
trminos de error de los modelos PR y PD. El incluir las dummy de inercia al
mismo tiempo es un mtodo efectivo para lidiar con la dependencia de estado.
El mtodo de Ben Akiva y Morikawa (1997) considera tambin la correlacin
serial inherente a las respuestas repetidas en datos PD, problema que fue dis-
cutido en el epgrafe 8.7.2.6.
Ejemplo 8.13: considrese nuevamente el experimento descrito en el ejem-
plo 8.9. Adems de los datos PD, se recogi tambin informacin sobre las
elecciones efectuadas por los participantes, sus caractersticas socioeconmicas
y el nivel de servicio de las alternativas PR de su conjunto de elecciones. Se
estimaron modelos mixtos con los dos mtodos antes descritos. Su especifica-
cin final consider las variables Coste del viaje, Tiempo a bordo y Tiempo de
espera como atributos comunes a ambos conjuntos de datos (es decir, el vector
X definido ms arriba). Las variables Tiempo andando, Edad y una constante
especfica del LRT fueron consideradas como atributos exclusivos PD, mientras
que una constante especfica del autobs se consider como atributo exclusivo
PR (stos son los dos vectores Y y Z definidos anteriormente). La tabla 8.9
muestra los parmetros obtenidos para cada modelo puro, esto es, tomando
los conjuntos de datos PR y PD separadamente. Dicha tabla presenta tam-
bin los valores subjetivos (SV) del tiempo, calculados de la forma habitual
(Gaudry et al., 1989).
Se puede observar que todos los parmetros tienen signo correcto y que
la mayor parte de ellos son estadsticamente significativos (se muestran los
estadsticos t entre parntesis) al 95% de confianza. Aunque todos los par-
metros PD tienen los test-t ms elevados que los correspondientes parmetros
PR, esto no implica necesariamente que sean ms significativos realmente,
ya que el tamao de la muestra es diferente (1.589 observaciones PD frente a
201 observaciones PR); recurdese tambin que el valor de t en los datos PD
constituye slo un umbral de la significacin, pero no es su valor exacto. El
modelo PR no tiene parmetro de tiempo andando, ya que el conjunto de datos
1
PR no contena este atributo. El parmetro de la edad termin siendo poco
significativo. En cuanto a la bondad de ajuste general, se puede observar que
el coeficiente
2
de ambos modelos es relativamente alto. El valor del tiempo
de viaje es similar (y significativo) en los dos modelos. El valor del tiempo de
espera presenta, por el contrario, grandes diferencias.
La tabla 8.10 presenta los parmetros obtenidos para los modelos mix-
tos utilizando los dos enfoques presentados anteriormente. De nuevo, todos los
parmetros tienen el signo correcto y la mayora son significativamente dis-
tintos de cero al 95% de confianza. Se puede observar que el coeficiente de
escala estimado es menor que uno (como se esperaba) y altamente signifi-
cativo, confirmando la hiptesis de que los datos PD tienen menos precisin
que los datos PR. Notar, adems, que el ratio entre los parmetros comunes
PD y PR de la tabla 8.9 (el vector X) flucta entre 0,6 y 0,74, lo que es con-
sistente con el valor de obtenido con ambos enfoques (Ortzar y Garrido,
1993).
Existe una gran similitud en los valores de cada parmetro en la tabla 8.10.
Esto confirma empricamente que ambas metodologas de estimacin conjunta
producen estimadores consistentes. Sin embargo, el mtodo secuencial obtiene
parmetros con estadsticos t ms altos. Esto puede ser debido al hecho de que
el mtodo de estimacin simultnea utiliza el mismo tamao de muestra para
Tabla 8.9. Parmetros de los modelos puros
Atributos Modelo PD Modelo PR
Coste de viaje (US$) 0,8840 (7,7) 1,1900 (3,8)
Tiempo de viaje en vehculo (min) 0,0621 (6,2) 0,0879 (3,2)
Tiempo andando (min) 0,1583 (12,6) no disponible
Edad 0,0434 (5,4)
Tiempo de espera (min) 0,0926 (2,0) 0,1260 (2,4)
Constante PT 0,5410 (1,7) 1,1100 (2,8)
VS del tiempo de viaje (US$/h) 4,21 (4,9) 4,43 (2,4)
VS del tiempo andando (US$/h) 10,74 (6,6) no disponible
VS del tiempo de espera (US$/h) 6,29 (1,9) 6,35 (2,0)

2
0,17 0,12
Tamao de la muestra 1.589 201
:
estimar (conjuntamente) ms parmetros. La bondad de ajuste general es tam-
bin ms alta en el mtodo secuencial, lo que resulta algo sorprendente.
Todos los valores subjetivos del tiempo en ambas tablas son signifi cati va-
mente diferentes de cero con un nivel de confianza del 95%. Adems son muy
similares entre ellos (incluyendo los valores correspondientes en los modelos
puros de PD y PR, lo que no es muy corriente). De hecho se han observado
grandes diferencias en estudios previos; por ejemplo, Bradley y Daly (1997)
obtuvieron diferencias entre los valores VS del modelo PD y los valores VS
del modelo mixto, y entre los valores VS del modelo PR y los valores VS del
modelo mixto, de hasta 48,6 y 57,8% respectivamente.
El anlisis de preferencias declaradas ha alcanzado una cierta madurez,
pero es todava un rea en constante desarrollo. Actualmente los acadmicos
y profesionales consideran este anlisis una metodologa necesaria para am-
pliar el conjunto de herramientas del analista de comportamientos de viaje.
Se seala al lector interesado la existencia de varias publicaciones dedicadas
a estos temas (Bates, 1988b; Louviere, 1992; Hensher, 1994b; Ortzar, 2000;
Pearmain et al., 1991) as como de un excelente libro (Louviere et al., 2000).
Para obtener informacin adicional deben consultarse estos trabajos, ya que el
Tabla 8.10. Parmetros de los modelos mixtos
Atributos Mtodo secuencial Mtodo simultneo
Coste de viaje (US$) 1,2580 (8,4) 1,2580 (4,3)
Tiempo de viaje en vehculo (min) 0,0912 (7,8) 0,0921 (4,2)
Tiempo andando (min) 0,2286 (12,9) 0,2261 (3,8)
Tiempo de espera (min) 0,1353 (3,1) 0,1423 (3,0)
Edad 0,0596 (6,9) 0,0627 (3,3)
Constante LRT 0,4377 (1,6) 0,7377 (1,6)
Constante autobs 1,143 (3,3)
0,686 (4,9) 0,694 (4,0)
VS del tiempo de viaje (US$/hr) 4,35 (5,7) 4,39 (3,0)
VS del tiempo andando (US$/hr) 10,98 (7,0) 10,78 (2,8)
VS del tiempo de espera (US$/hr) 6,45 (2,9) 6,79 (2,5)

2
0,175 0,165
Tamao de la muestra 1.790 1.790

problema ms preocupante del xito de este tipo de tcnicas es el nmero cada
vez mayor de aplicaciones mal diseadas, que pueden arruinar la reputacin
de incluso las mejores metodologas.
EJERCICIOS
8.1. Considrese el siguiente modelo de eleccin modal:

V t c Nc
V t e c
1 1 1 3 1 4 7
2 1 2 2 2 5 2
= + + +
= + + +

88
3 1 3 2 3 6 3
= + + V t e c
donde t
k
es el tiempo de viaje en vehculo, e
k
es el tiempo de acceso, c
k
es el
coste dividido por el ingreso y Nc es el nmero de coches del hogar.
Indicar qu variables son genricas, cules son especficas y cul es el a)
significado real de
7
y
8
.
Discutir las implicaciones de haber obtenido los siguientes valores durante b)
la estimacin del modelo:

1
= 0,115
2
= 0,207
3
= 0,301

4
= 1,730
5
= 0,476
6
= 0,301

7
= 1,250
8
= 2,513
8.2. Durante los trabajos de especificacin se ha obtenido el conjunto de
modelos de reparto modal para coche (1), autobs (2) y metro (3) mostrado en
la tabla siguiente. Las unidades de tiempo y de coste/renta estn en minutos.
El sexo es una variable ficticia que toma el valor de 1 para hombres y 0 para
mujeres. EMU es la mxima utilidad esperada del nido de transporte pblico
(autobs-metro).
Indicar el modelo preferible, justificndolo detalladamente. a)
La muestra utilizada para la estimacin comprenda 1.000 individuos que b)
tenan disponibles todas las alternativas. Si 250 eligen coche, 600 eligen
autobs y el resto metro, calcular l
*
(0), el valor del logaritmo de la verosimi-
litud para el modelo equiprobable, y l
*
(C), el logaritmo de la verosimilitud
slo para las constantes modelizadas.
Variable (opcin introducida)

Coeficiente (test-t)
MNL-1 MNL-2 HL-1 HL-2
Tiempo de coche (1)
0,112
(6,10)
0,114
(6,00)
Tiempo de transporte pblico (2, 3)

0,006
(1,25)
0,001
(0,94)
Tiempo de viaje (1-3)

0,071
(3,34)
0,083
(3,60)
Coste/renta (1-3)
0,031
(2,56)
0,040
(3,52)
0,035
(2,83)
0,033
(3,10)
N de coches (1)
1,671
(4,21)
1,823
(4,80)
1,764
(4,12)
1,965
(5,14)
Sexo (2,3)
0,752
(1,87)
0,776
(1,98)
0,739
(2,01)
0,701
(1,83)
EMU
0,875
(5,12)
0,800
(13,4)
2
0,412 0,284 0,376 0,315
8.3. Se deba estimar un modelo logit multinomial (MNL) y un modelo
probit independiente (PI) con el mismo conjunto de datos. Imagnese (ya que
no es posible estimar en la prctica) que se obtienen los valores sealados
en la siguiente tabla:
Parmetros MNL PI
1
1,285 1,698
2
0,026 0,034
3
0,123 0,162
2
No aplicable 2,870
Indicar si estos resultados son consistentes. Si su respuesta es afirmativa,
explicar cul es la causa de las diferencias. Si es negativa, justificarlo.
8.4. Al llevar a cabo una encuesta PD se ha solicitado a tres individuos
que ordenen tres opciones cuyos atributos son los siguientes:

Opcin Tiempo de viaje (min) Tarifa ($)
1. Tren de alta velocidad 30 10
2. Tren expreso 40 8
3. Autobs de lujo 60 5
Despus de realizar la encuesta, se han obtenido los siguientes resultados:
Individuo Ordenacin
1 1, 2, 3
2 2, 3, 1
3 2, 1, 3
Se desea estimar un modelo MNL con una funcin de utilidad lineal,
dada por:

V t c
i i i
= +
1 2

Si se conoce que
1
= 0,03, encontrar una estimacin de mxima verosi-
militud de
2
. Discuta el resultado.
9.
Agregacin de modelos
y transferibilidad
9.1. INTRODUCCIN
L
a planificacin y evaluacin de proyectos de transporte requiere modelos
que sean capaces de realizar previsiones as como sus correspondientes
anlisis de sensibilidad con respecto a cambios en los valores de las va-
riables clave bajo control del analista. Las previsiones en s normalmente
se realizan a nivel agregado, es decir, representando el comportamiento de una
poblacin completa o un segmento del mercado.
En muchos de los estudios prcticos realizados hasta finales de los 90, los
modelos utilizados han sido los clsicos agregados de cuatro etapas a pesar
de las numerosas (a veces justificadas) crticas acerca de su inflexibilidad,
inexactitud y coste. Una razn importante para seguir utilizndolos, aparte de
su familiaridad (han sido la prctica aceptada durante muchos aos), es que
ofrecen una herramienta para el proceso de modelizacin completo, desde
la recogida de datos hasta el clculo de las previsiones de flujos en los arcos
de una determinada red. Esto no siempre ha sido as en el caso de los mode-
los desagregados quizs porque no es fcil disponer de los datos necesarios
para hacer previsiones agregadas con ellos (vase la discusin en Daly y Or-
tzar, 1990).
Dentro de una interpretacin economtrica de los modelos de demanda, la
agregacin respecto de los factores no observables (atributos o caractersticas
personales) proporciona como resultado un modelo de decisin probabilstica
y la agregacin sobre la distribucin de los factores observables da como re-
sultado las relaciones convencionales a nivel macro o agregadas (Williams y
Ortzar, 1982b). Dicho as, la dificultad del problema de agregacin depende de
cmo se describen los componentes del sistema dentro del marco de referencia
terico utilizado por el modelizador; es este marco el que va a determinar el
grado de variabilidad que debe ser tenido en cuenta en una relacin causal. Por
Agregacin de modelos y transferibilidad
8
ejemplo, si el marco utilizado por el analista es el proporcionado por el enfo-
que de maximizacin de la entropa, como se trat en el Captulo 5, la expli-
cacin de la dispersin estadstica dentro de una serie de datos dada, va a ser
muy diferente a la proporcionada por otro modelizador que utilice un enfoque
de utilidad aleatoria, incluso si ambos llegasen a funciones modales similares;
este tema de la equifinalidad se discute en Williams (1981).
En el caso de los modelos desagregados de utilidad aleatoria el problema de
la agregacin es cmo obtener a partir de los datos a nivel individual, medidas
agregadas como son el reparto de mercado de los diferentes modos, los flujos
en los arcos, etc. Esto se puede conseguir de una o de dos formas, situando el
proceso de la agrupacin de datos individuales antes o despus de la estimacin
del modelo, tal y como se muestra en la figura 9.1.
Mtodos
alternativos
Datos relativos a los individuos
Estimacin de micro-modelos
probabilsticos
Agregacin
de micro-relaciones
Produccin
de previsiones agregadas
Agregacin
de macro-relaciones
Produccin de variables
relativas a grupos
Figura 9.1. Estrategias alternativas de agregacin.
En el primer caso se tienen variaciones del enfoque agregado clsico, que se
pueden criticar fcilmente por ser ineficientes en el uso de los datos, ya que no
tienen en cuenta su total variabilidad y por el riesgo de distorsin estadstica
como la falacia ecolgica discutida en la seccin 7.1. El segundo enfoque res-
ponde a la mayora de estas crticas; la cuestin pendiente es cmo llevar a cabo
exactamente la operacin de agregacin de las micro-relaciones.
Daly y Ortzar (1990) han estudiado con bastante profundidad el problema
de la agregacin de datos exgenos y concluyen que en el caso de los modelos
,
que representan el comportamiento de ms de un individuo (tal y como es la
situacin del modelo agregado clsico) es inevitable algn tipo de agregacin
de datos exgenos y, por tanto, la pregunta es hasta qu grado se desea ms
exactitud? (es decir, zonas ms pequeas). Sin embargo, cuando el modelo
representa el comportamiento de un solo individuo es posible obtener datos
exgenos para cada viajero y usarlos de forma separada, as que la cuestin
en definitiva es si es preferible utilizar datos menos exactos por razones de
coste u otras razones; sus resultados apoyan la idea de que el equilibrio en-
tre coste y exactitud depende fuertemente del contexto. Por ejemplo, est claro
que para la modelizacin de la eleccin de modo y para realizar previsiones a
corto plazo es deseable utilizar datos muy desagregados; sin embargo, como se
sabe, el tema se complica para otros contextos y prognosis a ms largo plazo.
En los dos apartados siguientes se estudian con ms detalle los sesgos de la
agregacin y los mtodos adecuados para realizar prognosis.
9.2. SESGOS DE AGREGACIN Y PROGNOSIS
Sea el modelo logit multinominal (MNL) (7.9) que se deriv en el epgrafe 7.3
y la relacin inversa (7.10) que su parmetro tiene con la desviacin estndar
de los residuos . Si tambin se considera la forma lineal tpica (7.3) para las
utilidades medibles V, es fcil ver que no se puede estimar separadamente
del parmetro ; de hecho el proceso de calibracin producir estimaciones
= (9.1)
que corresponden a las utilidades marginales deflectadas por .
Interesa examinar el efecto de la manera en que se calculan, miden o co-
difican los atributos x (o por lo menos algunos de ellos) sobre las funciones
de demanda estimadas. Como es usual, se va a suponer que el modelo MNL
(7.9) est correctamente especificado (es decir, no hay variaciones de gustos
o problemas de correlacin).
Supngase ahora que se va a sustituir uno de los atributos, por ejemplo, x
1
,
por una estimacin agregada z
1
, donde:
x
li
= z
li
+
1
(9.2)
y los
i
estn distribuidos Gumbel (0,
); entonces sustituyendo (7.3) y (9.2)

en (7.2) se llega a:
o

U z x
i i k ki i
k
+ +
u u o
1 1

(9.3)
donde el trmino de error
i
tiene una varianza (
1
2
+
2
). En este caso las
estimaciones del coeficiente no sern

|
u
o
k
k
K

(9.4)
como antes, donde K t 6 , sino

u
u o o
t
k
k
K
+ ( )
1
2 2 2

(9.5)
Es decir,
k

k
, k. Normalmente, esto se conoce como sesgo de agre-
gacin, por ello se recomienda que se evite, siempre que sea posible, el uso de
variables medias zonales para la estimacin de modelos de demanda desagre-
gados (vase, p. ej., Horowitz, 1981a). El anlisis anterior puede extenderse
para examinar las consecuencias de estos sesgos en las predicciones, como se
puede observar en el siguiente ejemplo tomado de Gunn (1985a).
Ejemplo 9.1: sea un escenario de eleccin modelizado para un MNL como
el (7.9) y supngase que el atributo x
1j
se duplica, ceteris paribus, para cada
alternativa (incluyendo la distribucin de los residuales estocsticos). Est claro
que ni ni estaran afectados si el modelo fuera re-estimado con un nuevo
banco de datos conteniendo un conjunto consistente de eleccin; es decir, los
valores del contexto original realizaran predicciones de forma satisfactoria
en el nuevo contexto.
Considrese ahora lo que sucedera si despus de duplicar x
1j,
cada uno de
estos valores fuera reemplazado por su estimacin agregada z
1j
(p. ej., la media
zonal). Se obtendra la ecuacin (9.3) de nuevo, pero la varianza de
i
ahora sera
(
1
2
4
2
+
2
); en otras palabras, si el modelo fuera re-estimado con los nuevos
datos proporcionara coeficientes con un valor esperado dado por

u
u o o
t
k
k
K
'
( )
+
1
2 2 2
4

(9.6)
en que
k
>
k
'
y el producira predicciones ms grandes que las que seran
normales bajo estas condiciones. Alternativamente, las polticas de reduccin de
1
atributos implicaran subpronsticos del modelo calibrado con datos agregados
(vase Ortzar e Ivelic, 1987).
9.3. MTODOS DE AGREGACIN
Mientras un modelo desagregado permite estimar las probabilidades de eleccin
individual, usualmente se est ms interesado en la prognosis del comporta-
miento de viajes agregados. Si el modelo de eleccin fuera lineal, el proceso
de agregacin sera trivial, ya que solamente habra que sustituir la media de
las variables explicativas para el grupo dentro de la ecuacin del modelo des-
agregado; como ejemplo, vase la agregacin de modelos de viajes basados en
el hogar en el Captulo 4.
Sin embargo, si el modelo no fuera lineal, este mtodo, denominado agre-
gacin intuitiva, normalmente producira sesgos tal y como se muestra en la
figura 9.2. La probabilidad agregada correcta para un grupo de dos indivi-
duos A y B es (P
A
+ P
B
)/2; el mtodo intuitivo proporciona la probabilidad
P
C
= P[(V
A
+ V
B
)/2]. Como puede verse, si el modelo fuera lineal los dos valo-
res coincidiran.
Los modelos de eleccin discreta como los que se han tratado pueden re-
presentarse de forma general as:

P f
jq j q
( ) x
1
Sesgo
V
A
V
B
V
A
+ V
B
2
V
q
P
q
B
C
A
Figura 9.2. Sesgo del mtodo de agregacin intuitivo.
:
donde P
jq
es la probabilidad de que el individuo q elija la alternativa A
j
, x
q
es el
conjunto de variables que influyen en su decisin, y f
j
es la funcin de eleccin
para A
j
(p. ej., el MNL).
Para una poblacin de individuos Q la proporcin agregada que elige A
j
,
segn el modelo, es el valor esperado (o enumeracin) de las probabilidades
de cada individuo:

P
Q
f
jQ j q
q
( )
1
x

(9.7)
Desafortunadamente este mtodo requiere una gran cantidad de datos y
mucho trabajo computacional. Sin embargo, si se acepta que la muestra utilizada
para estimar el modelo es representativa de la poblacin, se puede utilizar la
ecuacin (9.7) y hablar de enumeracin muestral. ste es un mtodo prctico
para conjuntos de eleccin de tamao moderado y es excelente para modelos
de eleccin modal en prognosis a corto plazo. En cambio, el mtodo no es tan
til a largo plazo porque no permite enfrentar contextos globales que sean muy
diferentes del contexto del ao base (supone que la distribucin de los atributos
no va a diferenciarse del de la muestra en el futuro); tambin es incapaz de
producir los flujos agregados entre zonas necesarios para la estimacin de la
demanda a nivel de arcos.
Para tratar estos problemas puede utilizarse el enfoque de enumeracin
de la muestra artificial (vase Daly y Gunn, 1986). Una muestra artificial es
aquella en la que las caractersticas personales de los miembros de los hogares
entrevistados, que se considera son representativas de la poblacin del rea de
estudio, se asocian con las caractersticas de localizacin de un cierto nmero
de lugares que tambin se consideran tpicos del rea. Por lo tanto, las distribu-
ciones marginales de ambas caractersticas (personales y de localizacin) son,
por construccin, tpicas del rea de estudio: la aproximacin que se propone
es que la distribucin conjunta de estas caractersticas puede ser representada
por el producto de las dos distribuciones marginales.
Dados una red, un sistema de zonificacin y una serie de datos de plani-
ficacin adecuados, la distribucin marginal de las localizaciones puede ser
la de lugares reales en el rea de estudio (aqu son necesarios detalles de su
accesibilidad a los destinos disponibles); en el caso de muestras grandes y si
los lugares se distribuyen por todo el rea del estudio, se puede tener suficiente
confianza de su representatividad a nivel global (vase Gunn, 1985b).

Por lo que se refiere a las caractersticas personales y para conseguir un
cierto realismo es necesario seguir los siguientes pasos:
Miembros de hogares reales se extraen aleatoriamente de un conjunto de 1.
datos representativo a nivel nacional (p. ej., del censo).
De cada zona del rea de estudio se deben determinar diferentes factores 2.
de expansin para cada uno de estos hogares, de tal forma que la muestra
expandida corresponda lo ms posible a los totales agregados conocidos o
previstos (es decir, de variables como el nmero de trabajadores, el nmero
de individuos por estrato de sexo o edad, etctera).
Los factores de expansin, o ms comnmente el nmero de hogares en 3.
cada grupo, se eligen de forma tal que la distribucin total de los hogares
en trminos de una estratificacin dada (p. ej., el tamao, el nmero de
trabajadores y la edad de la cabeza familiar), no sea demasiado diferente
de la media nacional global (es necesario precisar que cuando se clasifican
los datos de esta forma, existen varios estratos que no son factibles, p. ej.,
hogares con un solo componente y ms de un trabajador). Para obtener
este resultado puede ser apropiado minimizar una funcin objetivo como
la siguiente:

S N W X N Y N R
i k ik i k
i k
i i
i
( ) ( ) ( )
,
,
]
]
]
+

2 2

(9.8)
donde N
i
es el nmero de hogares por estrato i; W
k
es un peso elegido para
aumentar o disminuir la importancia del ajuste a la variable k
sima
(p. ej.,
el nmero de trabajadores, nmero de hombres comprendidos entre 18 y
65 aos, etc.); X
ik
es el valor medio de la variable k por estrato de hoga-
res i; Y
k
es el valor medio (observado) de la variable k para cada zona del
rea de estudio y R
i
es el nmero de hogares en el estrato i en la muestra
para el ao base. Tal y como se discute en Gunn (1985b), se pueden aadir
otras restricciones en el proceso.
La muestra artificial replica la poblacin de cada zona en el rea de estu-
dio; por lo tanto las previsiones agregadas pueden obtenerse fcilmente
aplicando a estos datos el mtodo de enumeracin.
Otro procedimiento prctico, conocido con el nombre de enfoque de clasi-
ficacin, consiste en aplicar la ecuacin (9.7) para un nmero finito de clases
relativamente homogneas, de la siguiente manera:

P f
Q
Q
jQ j c
c
c
( )
X

(9.9)
donde X
c
es la media del vector del conjunto de variables del subgrupo c y Q
c
/Q
es la proporcin de individuos en el subgrupo.
La exactitud del mtodo depende del nmero de clases c y de los criterios
para su seleccin (en el lmite cuando la cantidad de subgrupos es c = 1 este
mtodo coincide con el mtodo intuitivo, y cuando c = Q es el mtodo de enu-
meracin). Existen buenos mtodos para definir dichas clases (McFadden y
Reid, 1975) y el enfoque se recomienda para casos en los que el mtodo de
enumeracin muestral no sea apropiado (Koppelman, 1976).
Un procedimiento obvio para definir las clases consiste en utilizar como
variable para realizar la segmentacin del mercado aquella que presente una va-
rianza mayor, o tambin aquellas variables que limitan de alguna forma el
conjunto de eleccin disponible de cada individuo. Por lo tanto, en el caso de
eleccin de modo las variables adecuadas pueden ser el nmero de coches por
hogar y la renta familiar.
9.4. ACTUALIZACIN O TRANSFERIBILIDAD DE MODELOS
9.4.1. Introduccin
Durante los aos 80 se produjo abundante investigacin cientfica que ofreca
evidencia emprica acerca de la estabilidad (o en la mayora de los casos, la falta
de ella) de los parmetros de los modelos desagregados de demanda de viaje a
travs del espacio, de las culturas y del tiempo (vase, p. ej., Gunn et al., 1985;
Koppelman y Wilmott, 1982; Koppelman et al., 1985a, b). Las razones fueron
sencillas: en primer lugar, la evidencia de valores estables de los parmetros
estimados podra proporcionar una indicacin directa de la validez del modelo;
en segundo lugar, un modelo que no sea estable en el tiempo probablemen-
te producir previsiones errneas; y finalmente, y no menos importante, los
modelos transferibles deberan permitir un anlisis ms fiable de los planes y
polticas del transporte.
Sabiendo que es irreal esperar que un modelo operacional en las ciencias
sociales est perfectamente especificado, es bastante obvio que cualquier mo-
delo estimado, en principio, depende del contexto. Por esta razn, no es muy
til buscar la estabilidad perfecta del modelo ni considerar su transferibilidad
en trminos de igualdad de los valores de sus parmetros en diferentes con-

textos (aunque muchos estudios al principio tenan este punto de vista; vase
Galbraith y Hensher, 1982; Ortzar, 1986).
Un punto de vista moderno y ms apropiado, considera la transferibilidad
del modelo como una aproximacin prctica al problema de estimar un modelo
para un rea de estudio con pocos recursos o con una muestra disponible muy
pequea. En este sentido la transferibilidad de los modelos se basa en la idea de
que los parmetros estimados de un estudio anterior pueden dar informacin
til para la estimacin del mismo modelo en un rea nueva, incluso cuando se
espera que los verdaderos valores de sus parmetros no vayan a ser los mismos.
Entonces, dado que no se puede esperar que los modelos transferibles sean
perfectamente aplicables en un nuevo contexto, requieren procedimientos para
modificar sus parmetros con el fin de que representen con ms exactitud el
comportamiento dentro del contexto de la aplicacin. Segn la informacin
disponible en la nueva situacin, pueden aplicarse diferentes procedimientos
para realizar la actualizacin (vase Ben Akiva y Bolduc, 1987).
9.4.2. Mtodos para evaluar la transferibilidad de modelos
Si se define la transferibilidad en funcin de la utilidad de un modelo transfe-
rido, infor macin o teora en un nuevo contexto, se puede intentar calcularla
comparando los parmetros del modelo y, ms interesante, su rendimiento en
los dos contextos (antiguo y nuevo). Para ello se supone que los parmetros se
estiman independientemente en ambos contextos y que es recomendable medir
los errores implicados en el uso del primer modelo en el segundo contexto.
Los tests y mediciones que se presentan a continuacin han sido utilizados en
mltiples casos prcticos (Galbraith y Hensher, 1982; Koppelman y Wilmott,
1982; Ortzar et al., 1986).
9.4.2.1. Test de igualdad de parmetros
Para evaluar la diferencia absoluta entre los coeficientes de un determinado mo-
delo estimado en dos contextos diferentes, pueden utilizarse los estadsticos-t
*

(9.10); por lo tanto, si esta expresin es correcta, la hiptesis nula de que esta
diferencia es 0 no puede ser rechazada a un nivel del 95%:

t
t t
i j
i i j j
*
/ /
,

( ) +
( )
,
]
]
<
u u
u u
2
2
1 96

(9.10)
o
donde representa los coeficientes, t sus test-t, i representa el contexto original
y j el contexto nuevo. Galbraith y Hensher (1982) recomiendan la aplicacin
de este ensayo solamente para parmetros con un error estndar bajo (test-t
alto); de otra forma el estadstico-t
*
puede rechazar la hiptesis alternativa (es
decir, que los parmetros son diferentes) incluso si los parmetros muestran
diferencias substanciales.
9.4.2.2. Medidas desagregadas de transferibilidad
stas se basan en la capacidad de un modelo transferido para describir las
elecciones individuales observadas en el nuevo contexto y en medidas de la
log-verosimilitud como las expuestas en la figura 8.2. Adems, se necesita
definir l
*
j
(
i
) como el logaritmo de la verosimilitud que los datos observados
en el contexto de la aplicacin j fueron generados por el modelo transferido
estimado en el contexto i; observar que se tienen que denotar las medidas
anteriores como l
*
j
(
j
), l
*
j
(C) y l
*
j
(0), respectivamente. La figura 9.3 muestra la
relacin esperada entre estos valores.
l
*
j
(0) l
*
j
(C)
l (
*
) = 0 l
*
j
(
i
) l
*
j
(
j
)
Figura 9.3. Relacin esperada entre los valores de la log-verosimilitud.
Una medida natural de la transferibilidad de un modelo estimado en el
contexto i para su aplicacin en el contexto j viene dada por la diferencia en
la log-verosimilitud (es decir, la razn de verosimilitud) entre este modelo y
otro originariamente estimado en el contexto j: {l
*
j
(
i
) l
*
j
(
j
)}. Esta medida se
ha utilizado para construir dos ndices especficos de transferibilidad:
El test estadstico de transferibilidad (TTS), definido por Atherton y Ben 1.
Akiva (1976) como dos veces la diferencia en la log-verosimilitud identi-
ficada anteriormente:

TTS

2 l l
j i j j
* *
( ) ( ) u u

(9.11)
Este estadstico distribuye
2
con grados de libertad igual al nmero de
parmetros del modelo, todo ello bajo la suposicin de que el vector de pa-
rmetros del modelo transferido es fijo. El test no es simtrico; por lo tanto
es posible y razonable aceptar la transferibilidad en un sentido, entre un
par de contextos, pero rechazarla en el otro sentido.
;
El ndice de transferencia (TI), que describe el grado en el que la log-verosimi- 2.
litud del modelo transferido supera un modelo nulo o de referencia (p. ej.,
el modelo de reparto de mercado), relativo a la mejora proporcionada por
un modelo desarrollado en el nuevo contexto. Queda definido por Koppel-
man y Wilmott (1982) as:

TI
j i
j i j
j j j
l l
l l
u
u
u
( )
( ) ( )
( )
( )
* *
* *
C
C

(9.12)
El TI tiene un lmite superior de uno (lo que se obtiene cuando el modelo
transferido es tan exacto como el modelo local), pero no tiene un lmite
inferior; los valores negativos solamente implican que el modelo transferido
es peor que el modelo local de referencia.
Las dos medidas descritas anteriormente estn interrelacionadas por su de-
pendencia de la diferencia en la log-verosimilitud entre los modelos transferido
y local. Sin embargo, ofrecen diferentes perspectivas sobre la transferibilidad de
un modelo: el TI proporciona una medida relativa y el TTS un test estadstico
(Koppelman y Wilmott, 1982).
9.4.3. Actualizacin con datos desagregados
La presentacin ms general del modelo MNL (7.9) con unas funciones de
utilidad lineales V dadas por (7.3), considera no solamente la inclusin expl-
cita de la relacin (7.10), tal y como se aprecia en el epgrafe 9.2, sino tam-
bin la inclusin explcita de un conjunto de parmetros de localizacin w
i

como en:

P
w
w
iq
i iq
j jq
j
+ ,
]
]
+ ,
]
]
exp
exp
( )
( )
X
X
/
/
s
s

(9.13)
donde los parmetros de localizacin representan la forma de la distribucin de
errores para cada alternativa, el parmetro de escala es la desviacin estndar
de la distribucin del trmino de error, y los parmetros las ponderaciones de
los atributos empleadas por el individuo al evaluar las alternativas.
En su anlisis de mala especificacin de modelos, Tardiff (1979) muestra
que la omisin de variables explicativas debera tener los efectos siguientes:
8
mover el valor medio de la distribucin del error, representado en el modelo
por w
i
e incrementar su varianza reflejada por ;
sesgar los estimadores de los parmetros asociados con las variables in-
cluidas.
Cuando se comparan modelos que estn especificados de forma incompleta
en diferentes contextos, se espera que las diferencias entre los valores medios
de la distribucin del error sean relativamente grandes, que sean ms pequeas
las diferencias en la desviacin estndar del error y an ms pequeas las di-
ferencias en los estimadores de los parmetros. Por lo tanto, los esfuerzos para
mejorar la transferibilidad del modelo hasta un mbito de aplicacin especfico
deberan primero enfatizarse en el ajuste de las constantes, en segundo lugar
en la escala de los parmetros y finalmente en los valores relativos de los par-
metros; esto ha sido confirmado por varios estudios prcticos utilizando datos
agregados y desagregados (Gur, 1982; Dehghani y Talvitie, 1983; Koppelman
et al., 1985b; Gunn y Pol, 1986).
Por supuesto, los parmetros en la ecuacin (9.13) no son totalmente identi-
ficables y por lo tanto, no pueden estimarse todos; tal y como se ha visto, en el
caso de las constantes especficas de las alternativas, una de ellas se debe fijar
arbitrariamente igual a cero (y sin ninguna prdida de generalidad). Tampoco
es posible estimar , sino solamente las relaciones w / y / ; definiendo
estas relaciones por = w / y = / se obtiene la versin ms conocida del
MNL como:

P
iq
i iq
j jq
A
j
q
+ ,
]
]
+ ,
]
] e
exp
exp
oo
oo
X
X
A( )
X
iq
X
jq

(9.14)
donde uno de los
i
est restringido a cero.
9.4.3.1. Actualizacin de las constantes
Los estimadores de los parmetros para un modelo de eleccin se obtienen
maximizando una expresin de la log-verosimilitud como (8.13), en la que,
incluidas en la funcin de probabilidad P
iq
, se encuentran expresiones de la
utilidad representativa de cada alternativa formuladas como:
V
iq
=
i
+ X
iq
(9.15)
,
Si se representa por
T
al conjunto de parmetros estimados en un contexto
determinado que van a ser transferidos a un contexto de aplicacin nuevo, la
parte transferida de la funcin de utilidad puede definirse (Koppelman et al.,
1985b) como:
Z
A
iq
=
T
X
A
iq

(9.16)
donde X
A
iq
es un vector de atributos de la alternativa A
i
para el individuo q en
el contexto de aplicacin (A). La actualizacin de las constantes especficas de
las alternativas se consigue mediante la modificacin de la funcin de utilidad
en la ecuacin (9.15) para el contexto de aplicacin, as:
V
A
iq
=
A
i
+ Z
A
iq

(9.17)
V
A
iq
es la utilidad representativa de la alternativa A
i
en el contexto de aplicacin
y
A
i

es la constante especfica actualizada de dicha alternativa. Para estimar
el valor actualizado de las constantes es necesario maximizar la funcin de la
log-verosimilitud:

l(
A
) =
A
j
q q e

( ) A

g
jq
log P
jq
(Z
A
q
,
A
)

(9.18)
donde, como antes, g
jq
se define por:

g
jq
=
1 si A
j
fue elegida por q
0 en otro caso
9.4.3.2. Actualizacin de constantes y escala
La metodologa descrita anteriormente puede extenderse fcilmente al ajuste
de la escala de los parmetros transferidos, lo mismo que en el caso de las
constantes. El coeficiente Z
iq
A

en la ecuacin (9.17) se restringi a uno en la
aproximacin anterior; y por tanto para actualizar la escala de parmetros se
relaja esa restriccin, proporcionando as la siguiente utilidad representativa
(Koppelman et al., 1985b):
V
A
iq
=
A
i
+
A
Z
A
iq

(9.19)
Donde
A
es el parmetro de escalamiento para el contexto de aplicacin
relativo a la estimacin o contexto original. En este caso para maximizar la
oo
funcin de log-verosimilitud debe procederse como en (9.18) pero incluyendo
el parmetro extra (
A
).
Resaltar que este ajuste de escala de las variables explicatorias no afecta a
su importancia relativa. Aplicaciones prcticas de este mtodo pueden encon-
trarse en Gunn et al. (1985) y una discusin sobre refinamientos adicionales
de este problema puede encontrarse en Ben Akiva y Bolduc (1987).
9.4.4. Actualizacin con datos agregados
Considrese el mismo problema anterior con la excepcin de que no se dispone
de datos desagregados en el contexto de aplicacin; sin embargo, supngase que
se poseen datos sobre el reparto de mercado observado P
*
jq
y tambin valores
medios para las variables explicativas
X
jz
para ciertos grupos z (p. ej., residentes
en una zona dada) en ambos contextos.
Supngase una agregacin intuitiva en el contexto original, donde la utili-
dad medida de la alternativa A
j
para un grupo z viene dada por:

V
jz
=
j
+
X
jz

(9.20)
para actualizar tanto las constantes de las alternativas como la escala, se re-
quiere, en primer lugar, el clculo de la parte no constante de la utilidad para
el contexto de aplicacin, as:

Z
A
jz
=
T
X
A
jz

(9.21)
a continuacin se debe formular una expresin para la utilidad representativa
del grupo z en el contexto de aplicacin, como por ejemplo:

V
A
jz
=
A
j
+
A

Z
A
jz

(9.22)
donde
A
y
A
son elegidos para maximizar la siguiente funcin de log-verosi-
militud (Koppelman et al., 1985a):

l W P P
A A
z jz jz jz
A A A
j z
t t , log , ,
( )

( )

*
Z

(9.23)
en la que la ponderacin W
z
, normalmente el nmero de observaciones, indica
la importancia relativa del grupo dentro del conjunto de datos. Otros mtodos
(ms inciertos) para actualizar solamente las constantes han sido propuestos
por Dehghani y Talvitie (1983) y Gur (1982).
o1
La cuestin de la agregacin dentro de la presentacin anterior no es trivial,
ya que se sabe que el mtodo intuitivo puede introducir sesgos severos. En este
sentido es interesante mencionar que la metodologa que se acaba de tratar es
completamente consistente con el enfoque agregado implcito en la mayora
de los estudios de transporte agregados (recurdese la figura 9.1 y la discusin
en el Captulo 5). En este caso, los parmetros del modelo desagregado han
sido utilizados tradicionalmente como coeficientes fijos de funciones de costes
generalizados, y despus los parmetros de escala y sesgos se han ajustado
utilizando datos agregados (Williams y Ortzar, 1982b).
Tambin es de inters destacar que se ha utilizado en la prctica una versin
ms elaborada de este enfoque; por ejemplo, en el caso del Estudio Estrat-
gico de Transporte del Gran Santiago (ESTRAUS, 1989), los parmetros de
eleccin de modo desagregados primero fueron estimados con una mezcla
de datos de 1983 a 1986 (Ortzar e Ivelic, 1988); stos se utilizaron para cons-
truir funciones de costes generalizados cuyos parmetros de escala y sesgos
fueron, despus, calibrados con los datos de red y encuestas de 1977. Finalmen-
te, los modelos resultantes de distribucin agregada y particin modal fueron
validados utilizando conteos de trfico y otros datos agregados para 1986.
Una alternativa interesante, si estuviera disponible, es la utilizacin de mues-
tras sintticas diseadas a propsito en un enfoque de enumeracin (Gunn et
al., 1982). Una ventaja importante de este mtodo, tal y como se ha tratado en
la seccin 9.3, es que no es necesario realizar grandes ajustes a los modelos
desagregados si la muestra artificial proporciona informacin insesgada al sis-
tema de modelos.
EJERCICIOS
9.1. Un grupo de 800 hogares con diferentes niveles de ingreso y diferentes
localizaciones en un rea urbana, se enfrenta a la eleccin entre dos servicios
de transporte A y B para viajar al centro de la ciudad. El primero, orientado
hacia el segmento de poblacin con mayores ingresos, tiene un coste de C
a
y
el segundo un coste de C
b
. Se han estimado las siguientes utilidades para cada
alternativa:

U C I
U C
a a
b b
+

0 30 3 23
0 30
, ,
,
o:
donde I representa los ingresos por hogar (1.000 $/semana). Estimar el nmero
de hogares que elegiran el servicio A utilizando la siguiente informacin:
Renta familiar
(1.000 $ / semana)
Nmero
de hogares
C
a
($) C
b
($)
Entre 1 y 2 450 150 120
Entre 2 y 3 250 175 145
Entre 3 y 4 100 160 130
9.2. Considrese el corredor urbano que se muestra en la siguiente figura
y cuyas caractersticas son las que se citan a continuacin:
Zona 1
Centro
2 km 4 km
4 km
5 km 6 km
El metro y la autopista van en paralelo; hay estaciones de metro en cada
zona.
Los hogares en el corredor tienen diferentes niveles de ingreso, distinto
nivel de propiedad de coches y diferente acceso al metro, tal como se ve en
la tabla 9.1.
Tabla 9.1. Distribucin de hogares con viajes entre la zona 1 y el centro
CO Acceso
Ingreso
5.000 10.000 15.000 Total
1,0
U(DA)
U(CA)
Total
0
0
0
0
50
50
350
150
500
350
200
550
0,5
U(DA)
U(CA)
Total
150
200
350
100
0
100
0
0
0
250
200
450
Total
U(DA)
U(CA)
Total
150
200
350
100
50
150
350
150
500
600
400
1.000
o
Se est interesado en los viajes entre la zona 1 y el centro de la ciudad. Se
ha estimado en su da un modelo logit binario con las utilidades representativas
siguientes:
V
c
= 2,0 + 910
5
I + 2,84CO 0,03t
c
0,68e
c
/ d 50,0c
c
/ I
V
u
= 0,03t
u
0,68e
u
/ d 50,0c
u
/ I
donde t es el tiempo de viaje en vehculo (min), e es el tiempo de acceso (min),
c es el coste ($), d es la distancia (km), I son los ingresos ($/mes) y CO es
el nmero de coches dividido por el nmero de permisos de conducir en el
hogar.
Los viajes en el metro se dividen segn el acceso en U (DA), metro con
acceso directo (es decir, caminando), y U (CA) metro con acceso en coche.
Los niveles de servicio para individuos que viajan entre la zona 1 y el centro
se resumen en la tabla 9.2.
Tabla 9.2. Niveles de servicio
t
c
e
c
c
c
t
u
e
u
c
u
d
U(DA) 11,3 5 122,5 14 8 50 14,5
U(CA) 14,2 5 131,1 22 15 75 16,3
Utilizando el mtodo apropiado encuentre la probabilidad agregada (es
decir, para toda la poblacin) de elegir el metro.
9.3. Considere un modelo logit binario para coche y autobs con las si-
guientes funciones de utilidad representativas
V
c
= 1,35 0,03t
c
0,15c
c
V
b
= 0,03t
b
0,15c
b
donde t es la duracin del viaje (min) y c es el coste del viaje dividido por el
ingreso. Supngase que los datos de la tabla 9.3 se conocen para los individuos
de la zona A que viajan al trabajo a la zona C:
Calcular la proporcin agregada que elige coche utilizando el mtodo de 1.
agregacin intuitivo y el de enumeracin muestral. Computar el error
de agregacin para el mtodo intuitivo en este caso.
o
Obtener la proporcin agregada que utiliza coche mediante el mtodo de 2.
clasificacin (utilice los ingresos como variable de estratificacin). Repre-
sentar los resultados en un grfico conjuntamente con los resultados del
mtodo de agregacin intuitivo y discutir dicho grfico.
Comparar todos sus resultados y discutirlos crticamente. 3.
Tabla 9.3. Datos individuales
Individuos Eleccin Ingreso t
c
(min) t
b
(min) c
c
(min) c
b
(min)
1 Coche Alto 47,5 83,2 14,8 7,0
2 Coche Alto 30,2 45,0 10,4 5,0
3 Coche Alto 22,2 30,4 12,6 4,0
4 Bus Alto 45,0 50,6 8,2 5,0
5 Bus Bajo 15,3 20,5 50,0 17,0
6 Coche Bajo 34,8 50,2 55,0 35,0
7 Bus Bajo 65,5 100,5 200,3 53,5
8 Bus Bajo 12,0 14,0 44,6 17,0
9.4. Se est interesado en transferir el modelo del ejercicio 9.3 a un nuevo
contexto, del que se ha obtenido una pequea muestra de cinco individuos cuyas
caractersticas se presentan en la tabla siguiente:
Individuos Eleccin t
c
(min) t
b
(min) c
c
(min) c
b
(min)
1 Coche 37,5 70,2 16,8 10,0
2 Coche 20,2 30,0 16,4 8,0
3 Coche 12,0 15,4 18,6 7,0
4 Bus 35,0 35,6 14,2 8,0
5 Bus 5,3 6,5 56,0 20,0
Suponiendo que no hay constantes modales especficas, calcular el valor de
, el parmetro de la escala de transferibilidad, utilizando los datos anteriores.
Discutir sus resultados.
10.
Asignacin
10.1. CONCEPTOS BSICOS
10.1.1. Introduccin
E
n los ltimos seis captulos han sido estudiados en detalle los modelos
ms importantes actualmente en uso para representar la demanda de
viaje en un rea de estudio. En este captulo en cambio, se estudiar
principalmente el problema de la modelizacin de la oferta de trans-
porte, mientras en el Captulo 11 se analizar el problema del equilibrio entre
la oferta y la demanda. Los aspectos introductorios relativos a la oferta de un
sistema de transporte han sido descritos en el Captulo 3, en el que se trataron
la zonificacin y la construccin del sistema de red. El sistema de red y, en el
caso del transporte pblico, las caractersticas del servicio ofrecido, como la
frecuencia y la capacidad, representan los elementos principales de la oferta
de un sistema de transporte.
Qu significa asignar viajes a una red? Seleccionar (predecir) los cami-
nos o rutas usadas por los viajeros para posteriormente cargar los flujos
origen-destino sobre los arcos de la red. En este sentido, un recorrido o camino
es la secuencia de arcos que los usuarios emplean para llegar del origen a su
destino.
En la economa clsica las transacciones de bienes y servicios resultan de
combinar la demanda y la oferta de stos y el punto de equilibrio que resulta
de esta combinacin define el precio al que los bienes sern intercambiados
y su correspondiente flujo (cantidad intercambiada) en el mercado. El punto
de equilibrio se alcanza cuando el coste marginal de produccin y venta de
los bienes iguala al beneficio marginal obtenido por quienes lo adquieren. La
teora econmica admite que en realidad este equilibrio no puede ser nunca
alcanzado en la prctica, porque el sistema de precios y los niveles de produc-
Asignacin
oo
cin se encuentran en continua adaptacin para enfrentar los cambios en las
preferencias, el poder adquisitivo, las tcnicas de produccin y su tecnologa.
Sin embargo el concepto de equilibrio todava es til para comprender cmo
se desarrolla la economa y para prever sus estados futuros.
En este contexto es en el que debe considerarse el sistema de transportes.
La oferta de transporte est constituida por la red vial S(L,C), representada
por L arcos (y sus nodos asociados), y por C sus costes. Los costes vienen
representados por funciones de una serie de atributos asociados a los arcos,
por ejemplo, la distancia o longitud, la velocidad a flujo libre, la capacidad y
la relacin flujo-velocidad. Para su estimacin, la demanda se representa por
el nmero de desplazamientos que puedan ser realizados por cada par O-D y
por modo para un cierto nivel de servicio dado. En este contexto, el tiempo
de viaje representa uno de los principales elementos que definen el nivel de
servi cio, aunque a menudo determinados costes monetarios (tarifas, carburante)
y ciertas caractersticas como el confort percibido por el individuo tambin
pueden ser relevantes en el proceso. Si el nivel real de servicio ofrecido por
una red de transporte resulta ms bajo que el estimado, la demanda se reduce y
como consecuencia puede ser que se produzca el correspondiente cambio hacia
otros destinos, modos o/y horarios del da. En este sentido es importante la
relacin velocidad/flujo, o costes generalizados/flujo, ya que pone en relacin
la utilizacin de la red con el nivel de servicio que ella puede ofrecer.
Una red de transporte pblico se puede definir de forma parecida a una
red privada, pero debera contener una especificacin adicional del servi-
cio ofrecido en trminos de recorrido o ruta, capacidad, frecuencia e ideal-
mente, aunque difcil en la prctica, en trminos de calidad, fiabilidad y re-
gularidad.
En el caso del sistema de transportes el equilibrio se realiza a varios niveles.
El ms simple es el equilibrio de la red vial, donde los viajeros representados
por una matriz de viajes dada, examinan el recorrido que minimiza su coste
de viaje (tiempo de viaje). Esto lleva a la bsqueda de recorridos alternativos
diferentes as como a explorar otros nuevos hasta encontrar, despus de muchas
tentativas, un esquema relativamente estable. Con esta asignacin de viajes a
rutas (recorridos) se consigue un esquema de flujos en dichas rutas y arcos que
pueden llegar al equilibrio cuando los usuarios no logran encontrar mejores
recorridos para alcanzar sus destinos. Este equilibrio se denomina equilibrio de
la red vial (road network equilibrium). Un fenmeno parecido, pero a menudo
menos marcado, se produce tambin en la red de servicios de transporte pblico
o;
donde los pasajeros pueden buscar los recorridos (es decir, combinaciones de
servicios) que minimizan sus costes generalizados de viaje teniendo en cuenta
los problemas de congestin, tiempos de espera, tiempo andando hasta la parada
y al punto de destino y tiempo de viaje a bordo del vehculo.
Existen, sin embargo, otros niveles (ms altos) de interaccin. A medida que
la congestin vehicular aumenta, tambin aumentan los tiempos de viaje de los
autobuses que recorren la ciudad. Este fenmeno puede inducir a algunos usua-
rios de transporte pblico y a los propios operadores del servicio a modificar
sus recorridos para evitar demoras. Estas elecciones interaccionan con las de
los automovilistas, ya que esta nueva condicin puede producir una variacin
de la capacidad adicional sobre algunos arcos y por tanto llegarse a nuevos
estados de equilibrio. A este tipo de situaciones se les denomina problemas
de equilibrio de una red multimodal (multimodal network equilibrium), que
sern estudiados en el Captulo 11.
A un nivel an superior, por fin, el esquema de flujos de una red puede
tambin influir en la eleccin de modo de transporte, de destino y de horario
de viaje. Cada uno de estos cambios en la demanda producir, a su vez, modi-
ficaciones en los correspondientes puntos de equilibrio. En trminos de mo-
delizacin, dicho nuevo esquema de flujos produce niveles de servicio sobre
los recorridos (rutas) y sobre los modos que pueden ser o no consistentes con los
obtenidos en la estimacin de la matriz (presunta) de viajes fijada. Esto requie-
re una nueva estimacin de dicha matriz y por lo tanto su utilizacin (dentro
del proceso de estimacin) de los nuevos niveles de servicio para conseguir
as una nueva. Puede resultar necesario entonces, repetir el proceso de modo
sistemtico, hasta que se consigan matrices de viajes (y por lo tanto, tiempo
de viaje, destino y modo), cuyos valores de los costes sean consistentes con los
flujos estimados para cada red. Este nivel ms alto se denomina equilibrio del
sistema (system equilibrium), en contraposicin con el denominado equilibrio
de red (network equilibrium).
Este captulo se organiza de la siguiente forma. Ante todo ser abordado
el problema de la asignacin de una matriz de viajes dada a una red vial, lo
cual va a requerir la utilizacin de las tpicas curvas de flujo (velocidad y coste
con respecto del flujo). El problema de la asignacin a una red se compone por
un lado del modelo de eleccin del recorrido y por otro, de la carga de la ma-
triz de viajes sobre los recorridos correspondientes. Existen diferentes mto-
dos de carga segn las caractersticas del fenmeno en estudio. En particular
en el epgrafe 10.4 se estudiarn los mtodos estocsticos, los cuales tienen en
Asignacin
o8
cuenta la variabilidad de la percepcin de los costes de recorrido por parte de
los conductores, mientras en el epgrafe 10.5 se describir un mtodo quizs
ms interesante y que consiste en la inclusin, de forma coherente, de los efectos
de la congestin sobre la eleccin del recorrido utilizando la asignacin deter-
minstica. En este epgrafe slo se incluirn mtodos prcticos bajo el ttulo
general de asignacin sobre redes congestionadas mientras que la asignacin
de equilibrio (Captulo 11) se tratar ms rigurosamente. Por fin en el epgra-
fe 10.6 sern analizados los problemas y las aproximaciones necesarias para
modelizar la asignacin de la demanda al transporte pblico.
10.1.2. Definiciones y notacin
Si bien se introducirn otros conceptos ms adelante, la notacin bsica re-
querida incluye:
T
ijr
es el nmero de viajes entre i y j por el recorrido o ruta r,
V
a
es el flujo en el arco a,
C(V
a
) es la relacin coste-flujos para el arco a,
c(V
a
) es el coste efectivo para un nivel especfico de flujo V
a
; cuando V
a
= 0
el coste se define como coste a flujo libre,
c
ijr
es el coste de viaje de i a j por el recorrido r,

a
ijr
=
1 si el arco pertenece al recorrido (o ruta) r desde i a j
0 en otro caso
La letra n se utilizar para indicar una iteracin particular en los mtodos
iterativos. El asterisco * se emplear, en cambio, para indicar el valor ptimo,
por ejemplo, c
ij
*
representa el mnimo coste de viaje entre i y j.
10.1.3. Curvas flujo-velocidad y coste-flujo
La relacin que existe entre la velocidad de circulacin y el flujo en un arco
es una formulacin fundamental de la Ingeniera de Trfico. El concepto fue
desarrollado inicialmente para tramos largos de autopista, de tneles o de calles
sin interrupciones. La relacin flujo-velocidad se representa usualmente como
en la figura 10.1; a medida que el flujo crece, la velocidad tiende a decrecer,
con un tramo inicial en el que las variaciones son pequeas; cuando el flujo
alcanza valores prximos a la capacidad del arco, la tasa de reduccin de la
velocidad se incrementa.
o,
V
e
l
o
c
i
d
a
d

S

(
k
m
/
h
)
Flujo V
(vehculos/h)
V
mx
V
mx
Flujo V
(vehculos/h)
T
i
e
m
p
o

d
e

v
i
a
j
e

(
m
i
n
/
k
m
)
Figura 10.1. Relacin tpica flujo-velocidad y coste-flujo para un arco largo.
El flujo alcanza el valor mximo con la capacidad y cuando se intentan
forzar los volmenes de trfico ms all de este valor se alcanza una regin
inestable caracterizada por velocidad y flujos bajos.
En la asignacin de trfico y por razones prcticas, este tipo de relacin
se trata en trminos de tiempo de viaje por unidad de longitud en funcin del
flujo, o ms generalmente, como relacin coste-flujo, tal y como tambin se
muestra en la figura 10.1.
Los mtodos de asignacin que consideran los efectos de la congestin,
requieren la utilizacin de funciones que relacionan los atributos del arco (ca-
pacidad, velocidad a flujo libre) y el flujo sobre la red con las velocidades o
los costes resultantes. En trminos generales, tales funciones pueden ser ex-
presadas como:
C
a
= C
a
({V}) (10.1)
en las que el coste en el arco a depende de su propio flujo y de los flujos en
otros arcos de la red que interactan con el flujo propio. Esta relacin es impor-
tante en reas urbanas en las que hay numerosas interacciones entre los flujos
y demoras de los diferentes arcos, por ejemplo, en intersecciones prioritarias
(ceda el paso) o en rotondas. En el caso en que se consideren arcos de extensin
suficiente, en los que el tiempo perdido en recorrerlos es predominante con
respecto a las demoras en las intersecciones, la formulacin se puede simplificar
reduciendo la dependencia al flujo del arco individual y sus caractersticas. En
este caso los costes se denominan separables y se puede escribir:
C
a
= C
a
(V
a
) (10.2)
Asignacin
;o
Esta hiptesis simplifica la estimacin de estas funciones adems del de-
sarrollo y empleo de tcnicas idneas de asignacin. Es necesario recordar que
esta simplificacin es menos verdadera cuanto ms densa y congestionada es
el rea urbana en estudio.
Se han propuesto varias funciones que pueden representar la relacin
(10.2). El hecho de que el principal objetivo de este epgrafe sea la asigna-
cin del trfico permite concentrar la atencin solamente en un reducido n-
mero de este tipo de funciones, y en particular slo sobre las que poseen
buenas propiedades matemticas. Desde el punto de vista de la asignacin es
importante, en efecto, que la curva de coste-flujo posea algunas propiedades,
tales como:
Realismo; es decir, la modelizacin del tiempo de viaje debera ser suficien-
temente verdadera.
La funcin ha de ser continua y diferenciable.
La funcin tiene que ser no-decreciente y montona; el aumento del flujo no
debera reducir el tiempo de viaje. Esto es no slo razonable sino tambin
deseable, como se ver ms adelante.
La funcin debe permitir la existencia de una regin de carga excesiva, por
ejemplo, no debera generar tiempos de viaje infinitos, incluso cuando el
flujo supera la capacidad del arco. Esta posibilidad puede aparecer en una
fase del proceso iterativo de asignacin cuando el trfico asignado a un arco
es superior a su capacidad; en este caso es mejor que la formulacin genere
un elevado tiempo de viaje en lugar de un valor infinito, lo que resultara
en un error de ejecucin. Por lo dems, pueden ocurrir ciertamente en la
prctica fenmenos de sobrecarga durante breves perodos de tiempo sin
que stos originen demoras infinitas. La curva de la figura 10.1 describe
este fenmeno.
Por razones prcticas la relacin coste-flujo debe ser sencilla de transferir
de un contexto a otro; bajo esta ptica es mejor utilizar parmetros estn-
dares de la ingeniera del trfico como son velocidad a flujo libre, la capa-
cidad, el nmero de intersecciones por km.
La curva de coste-flujo debera crecer con el flujo, excepto quizs en el
caso de valores bajos de dicho flujo donde los tiempos de viaje no varan con
pequeos incrementos de vehculos. En todo caso el coste total incurrido por
todos los vehculos en un arco, viene dado por V
a
C
a
(V
a
). A este respecto, es
interesante tener en cuenta el correspondiente coste marginal, es decir la con-
;1
tribucin al coste total producido por la aadidura marginal de un vehculo
al flujo:

C
V C V
V
C V V
C V
V
ma
a a a
a
a a a
a a
a
o[ ]
o
+
o
o
( )
( )
( )

(10.3)
En el lado derecho de la ecuacin se pueden observar dos trminos, el
primero corresponde al coste medio en el arco y el segundo al incremento de
coste (demora) total producido sobre el trfico restante por la introduccin en
el flujo de un vehculo adicional. ste es un efecto externo y corresponde a los
costes adicionales soportados por el resto de los usuarios del arco cuando se
aade un nuevo vehculo al mismo. Ya que la curva coste-flujo es creciente,
esta contribucin es siempre mayor de cero. Est claro que en trminos eco-
nmicos el coste medio y el marginal sern los mismos en la parte plana de la
curva, si sta existe.
Como se dijo, se han sugerido mltiples formas funcionales para la ecuacin
de coste-flujo basadas en la hiptesis de que se modeliza en condiciones esta-
cionarias y/o algunas tipologas de comportamientos medios. Branston (1976)
proporciona una buena resea de problemas prcticos que aparecen cuando se
tienen que calibrar las curvas de coste-flujo; en particular se refieren a:
Problemas derivados de la definicin de la extensin del rea de observacin
en particular en las zonas congestionadas y donde, por ejemplo, una intersec-
cin situada aguas arriba produce un estrangulamiento y sus efectos se hacen
sentir en el resto de la red. En efecto, la localizacin exacta de los lugares
donde medir los flujos y las demoras en trminos de espacio ocupado por las
colas, influyen relevantemente en la calidad de los resultados obtenidos.
Problemas derivados de la hiptesis de que las demoras slo dependan del
flujo sobre el arco propio; tal hiptesis, en la mayor parte de las redes urba-
nas densas, es irreal, constituyendo un hecho particularmente crtico para
la estimacin de las curvas de coste-flujo.
Branston (1976) reexamina tambin las curvas de Coste-flujo propuestas
por otros autores. Algunas de las curvas ms utilizadas son las siguientes:
Smock (1962), que para un estudio de Detroit propone una curva de coste- 1.
flujo del tipo:
t = t
0
exp(V/Q
s
) (10.4)
Asignacin
;:
donde t es el tiempo de viaje por unidad de longitud, t
0
es el tiempo de viaje
por unidad de longitud en condiciones de flujo libre y Q
s
es la capacidad
del arco en condiciones estacionarias.
Overgaard (1967), generaliza la (10.4) como sigue: 2.
t = t
0
(V / Qp)
(10.5)
donde Q
p
es la capacidad real del arco, y y son parmetros a calibrar.
El Bureau of Public Roads (1964) en EE.UU. propuso la que es probable- 3.
mente la funcin ms comnmente utilizada:
t = t
0
[1 + (V / Q
p
)
] (10.6)
Finalmente, el Department of Transport en UK ha producido un vasto 4.
nmero de curvas de coste-flujo para una gran variedad de tipologas de
enlaces de nivel urbano, suburbano e interurbano. Algunas poseen una
forma general que tiene en cuenta la primera curva velocidad-flujo s(V):

s V
S V F
S
S S
( )
<

0 1
0
0

11
2 1
1 1 2
F F
V F F V F
d V F
s s
( ) ,
]
( )
S S
1 1 2
/ 1+ / 8 )( / -1)
]]
>
V F
2

(10.7a)
(10.7b)
(10.7c)
donde
S
0
es la velocidad a flujo libre.
S
1
es la velocidad para la capacidad igual al flujo F
2
.
F
1
es el mximo flujo que corresponde a las condiciones de flujo libre y d
es la distancia o longitud del arco.
La relacin tiempo-flujo T(V) resulta ser, por tanto:

T V
d S V F
d S V ( )
/
/ (
<
0 1

))
/
+
s s
( )
d
S SS F SS V
F V F
V F
0 01 1 01
1 2
2
1 8

d / S + /
1
V F >
2

(10.8a)
(10.8b)
(10.8c)
;
donde SS
01
es:

SS
S S
F F
01
0 1
1 2

(10.9)
La tabla 10.1 presenta algunos valores usuales de estos coeficientes (De-
partment of Transport, 1985).
Tabla 10.1. Coeficientes usuales de curvas velocidad-flujo en U.K.
Tipo S
0
km/h S
1
km/h
F
1
pcu/h/
carril
F
2
pcu/h/
carril
Calle rural; 2 carriles, uno por sentido 63 55 400 1.400
Calle rural; 2 carriles, dos por sentido 79 70 1.600 2.400
Calle urbana, perifrica; 2 carriles, uno
por sentido
45 25 500 1.000
En algunos casos se considera un punto lmite en la reduccin de la velo-
cidad; por ejemplo, puede asumirse que la velocidad mantenga el valor corres-
pondiente a F
2
para V > F
2
. Todas las curvas coste-flujo vistas anteriormente
proporcionan informacin til acerca de los tiempos de viaje en el arco. Sin
embargo, normalmente se reconoce que la mayor parte de los usuarios mini-
mizan la combinacin de atributos del arco, lo cual incluye tiempo y distancia;
por tanto, la prctica convencional recomienda el empleo de una versin sim-
plificada del concepto de coste generalizado, es decir una combinacin lineal
ponderada del tiempo y de la longitud:
C
a
= (tiempo de viaje)
a
+ (longitud del arco)
a
(10.10)
Asimismo, dicho coste puede medirse en unidad de tiempo o unidades
monetarias generalizados. Tambin se puede incluir un factor relativo a los
costes directos (out-of-pocket o costes pagados en el momento del viaje, es de-
cir un pago en efectivo) como, por ejemplo, la aplicacin de un peaje en un
determinado arco.
La calibracin de la relacin coste-flujo requiere tiempo y datos de buena
calidad: es necesario, en efecto, contar con observaciones de tiempos de viaje
en los arcos para diferentes niveles de flujo. Por esta razn, muchos pases
han desarrollado curvas propias que utilizan en sus estudios particulares y
dichas relaciones, por tanto, raramente son calibradas. A este propsito deben
Asignacin
;
estudiarse las limitaciones de las curvas de coste-flujo relativas a los arcos en
las reas urbanas expuestas en el epgrafe 11.3.
Sush et al. (1990) desarrollaron una novedosa aproximacin para estimar
curvas de coste-flujo basada en conteos de trfico; utiliza un mtodo de op-
timizacin bi-nivel que, esencialmente, trata de establecer los parmetros de
las curvas de flujo minimizando una funcin que mide la diferencia entre el
flujo asignado y el observado. El valor de esta aproximacin es limitado por
los errores en el proceso de asignacin, como se discute en el epgrafe 11.3: as
por ejemplo, han de tenerse en cuenta los posibles errores en la red, en la matriz
de los viajes, en la hiptesis de informacin perfecta y en la hiptesis de que
todos los usuarios perciben los costes en el arco de la misma forma. Las curvas
de flujo estimadas con este mtodo de optimizacin bi-nivel internalizan estos
errores y, por tanto, tambin la dificultad de transferirlas a otras realidades y,
consecuentemente, a otras mejoras de la red.
10.2. MTODOS DE ASIGNACIN DE TRFICO
10.2.1. Introduccin
Durante la aplicacin del clsico proceso de asignacin de trfico se utilizan
una serie de reglas y principios para cargar una determinada matriz de viajes
a la red y obtener as una serie de flujos en los arcos. Sin embargo, stos no
slo son resultados interesantes en el proceso de asignacin; tal proceso tiene
diferentes objetivos que es importante tener en cuenta en detalle, aunque no
todos reciben la misma atencin en todas las situaciones y no todos pueden ser
logrados con un mismo grado de exactitud. Los principales objetivos son:
Primarios: 1.
Obtener buenos resultados agregados de red, es decir, por ejemplo, flujos
totales sobre autopistas, beneficios totales por servicios de autobs.
Estimar costes (tiempos) de viaje entre zonas para un nivel dado de de-
manda.
Conseguir valores razonables de flujos en los arcos e identificar los ar-
cos ms congestionados.
Secundarios: 2.
Estimar los recorridos utilizados entre cada par O/D.
;
Analizar qu pares O/D utilizan arcos o rutas o recorridos particulares.
Obtener los flujos de vehculos que realizan giros para disear futuras
intersecciones.
En trminos generales se puede lograr una mayor exactitud en los objetivos
primarios que en los secundarios, y dentro de cada grupo es ms fcil satisfacer
los primeros de la lista; ciertamente es ms factible que los modelos estimen
correctamente los valores agregados antes que los desagregados.
Los requerimientos bsicos para un modelo de asignacin son los siguientes:
Una matriz de viajes que exprese la demanda estimada. Normalmente la
matriz se refiere a una franja horaria punta en un rea congestionada, pero
se puede contar tambin con otras matrices que se refieran a otras horas del
da. A veces, en el caso de redes no-congestionadas, se utilizan matrices
diarias. Sin embargo, la conversin de la matriz diaria en matriz horaria
raramente es satisfactoria en trminos de congestin, porque las primeras
son simtricas mientras las horarias raramente lo son. Las mismas matrices
pueden estar disponibles en trminos de desplazamientos de personas en
cuyo caso deberan ser convertidas en desplazamientos de vehculos, ya
que la capacidad y la relacin velocidad-flujos de la red estn descritas en
estos trminos.
Una red, es decir, los arcos y sus propiedades incluyendo las curvas de coste-
flujo.
Principios y reglas de seleccin de los recorridos (rutas) relevantes para el
problema a examen.
10.2.2. Eleccin del recorrido en coche
La premisa bsica a tener en cuenta en la asignacin es la hiptesis de que el in-
dividuo es un usuario racional que elige el recorrido que le supone costes indi-
viduales percibidos (esperados) ms bajos. La eleccin del recorrido depende
de un cierto nmero de factores como son el tiempo de viaje, la longitud o
distancia, los costes monetarios y el carburante. Influyen tambin la conges-
tin y las colas as como los tipos de maniobras requeridas, los tipos de calles
(autopistas, calles principales, secundarias, el paisaje), la sealizacin, las obras
en los viales, la fiabilidad del tiempo de viaje y la costumbre. La elaboracin de
una expresin del coste generalizado que incluya todos estos elementos es una
tarea bastante compleja. Adems, no es fcil en la prctica representar todos
Asignacin
;o
estos factores en un modelo de asignacin del trfico, y por tanto es necesario
realizar algunas aproximaciones inevitables.
La aproximacin ms comn consiste en considerar slo dos factores en la
eleccin del recorrido: el tiempo y el coste monetario, siendo estos ltimos a
menudo estimados de forma proporcional a la distancia o longitud del viaje. La
mayor parte de los programas de asignacin al trfico permite al modelizador
asignar pesos al tiempo de viaje y a la distancia, para as representar la percep-
cin de los conductores respecto de estos dos factores. La suma ponderada de
estos dos factores es por lo tanto el coste generalizado de transporte utilizado
en la estimacin de la eleccin del recorrido. Muchas aplicaciones sugieren
que, al menos en el caso del trfico automovilstico urbano, el tiempo sea el
factor predominante en la eleccin de dicho recorrido.
Outram y Thompson (1978), contrastaron los objetivos declarados por los
conductores en la eleccin de recorridos con su comportamiento real, y obser-
varon que el porcentaje de usuarios que lograron sus objetivos fue relativamente
bajo. Los mismos autores investigaron la combinacin de tiempo y distancia en
la especificacin del coste generalizado que proporciona una mejor explicacin
de la eleccin del recorrido. Ellos encontraron que la combinacin tiempo y
distancia solamente logra explicar un 60-80% de los recorridos realmente ob-
servados en la prctica. Dado que la contribucin marginal de otros factores en
la explicacin de la eleccin del recorrido es muy baja, las partes no-explicadas
tienen que deberse a factores como las diferencias en las percepciones, la in-
formacin imperfecta sobre los costes de recorrido o sencillamente a errores.
En general el hecho de que diferentes usuarios elijan diferentes recorridos
cuando se desplazan entre el mismo par O/D se atribuye a dos factores diferentes:
Las diferencias individuales de los usuarios sobre qu es lo que constituye 1.
el mejor recorrido; no slo individuos diferentes pueden incorporar dis-
tintas caractersticas en sus costes generalizados sino que tambin pueden
percibirlos de modo distinto.
Los efectos de la congestin que afectan primero a los recorridos ms cortos 2.
y que hacen que sus costes generalizados aumenten hasta ser comparables
a los recorridos inicialmente menos atractivos.
Ejemplo 10.1: considrese una hipottica ciudad con un recorrido interior de
baja capacidad (1.000 vehculos/hora) y otro exterior (circunvalacin) ms largo
pero que permite una mayor velocidad con una capacidad de 3.000 veh/hora
(ver Figura 10.2). Se aprecia que durante la hora punta de la maana se dirigen
;;
hacia la ciudad 3.500 usuarios y que todos ellos querran utilizar el recorrido
ms corto, es decir el que pasa por el centro de la ciudad. Est claro que no
es posible que todos los usuarios utilicen dicha ruta, ya que estara bastante
congestionada incluso antes de alcanzar la capacidad. Muchos usuarios, por lo
tanto, optarn por el segundo recorrido evitando largas colas y demoras. Presu-
miblemente los usuarios experimentarn ambos recorridos hasta encontrar una
solucin ms o menos estable, que corresponde a la condicin en la que ninguno
pueda mejorar el tiempo propio de recorrido cambiando dicho recorrido. ste
es el caso tpico de equilibrio de Wardrop, que ser tratado en detalle en los
epgrafes siguientes. La distribucin de los flujos entre los recorridos, en este
caso, se debe a las restricciones de capacidad.
Centro ciudad
(1.000 v/h)
Circunvalacin (3.000 v/h)
A
B
Figura 10.2. Ciudad servida por una circunvalacin y un acceso interior.
Sin embargo no todos los 3.500 usuarios se comportarn del mismo modo;
en efecto, parte de ellos preferirn siempre la circunvalacin por sus condicio-
nes de flujo ininterrumpido o por su paisaje as como otra parte valorar otras
caractersticas del recorrido por la ciudad. Tambin estas diferencias en los
objetivos y en las percepciones contribuirn a distribuir los flujos a travs de
los diferentes recorridos; a tal efecto generalmente se le denomina componente
estocstico de la eleccin de ruta o recorrido.
Diferentes modelos representarn mejor el fenmeno aqu citado. Una po-
sible clasificacin de los mtodos de asignacin del trfico se ilustra en la ta-
bla 10.2. Los detalles y las caractersticas de cada mtodo se discutirn a con-
tinuacin.
Cada mtodo de asignacin tiene varias fases, las cuales han de ser tratadas
secuencialmente. Las funciones fundamentales son:
Identificar un conjunto de recorridos que pueden ser atractivos para los
usuarios; estos recorridos se esquematizan en una determinada estructura
Asignacin
;8
particular denominada rbol y esta fase es, por lo tanto, a menudo llamada
de construccin de rboles.
Asignar un porcentaje apropiado de la matriz de viajes a estas rutas o rboles;
as se determinan los flujos en los arcos de la red.
Investigar la convergencia; muchas tcnicas siguen un procedimiento itera-
tivo de sucesivas aproximaciones a la solucin ideal, por ejemplo, al equi-
librio de Wardrop; la convergencia a la solucin debe ser controlada para
decidir cundo detener el proceso iterativo.
10.2.3. Construccin de los rboles
La construccin de los rboles es una fase importante en cualquier mtodo de
asignacin por dos razones relacionadas. La primera es que, en la mayor parte
de los algoritmos, la construccin de rboles se ejecuta varias veces, al menos
una vez por iteracin. La segunda es que un buen algoritmo de construccin
de rboles puede producir ahorros sustanciales de tiempo y costes y ha de ser
un instrumento eficiente que pueda tambin ser correctamente programado.
Van Vliet (1978), ha realizado una buena recopilacin y discusin de los algo-
ritmos ms importantes utilizados para la construccin de rboles de recorrido
mnimo. Este epgrafe se basa fundamentalmente en ese estudio.
En general existen dos algoritmos fundamentales que pueden ser utilizados
en la bsqueda de los caminos mnimos (ms econmicos) en las redes viales;
uno de ellos debido a Moore (1957) y el otro a Dijkstra (1959). Ambos sern
estudiados utilizando una notacin conveniente basada en los nodos de un
grfico de red; la longitud (coste) de un arco entre A y B en la red se indicar
por d
A,B
. La ruta, recorrido o itinerario se define por una serie de nodos unidos,
A-C-D-H, etc., en tanto que la longitud del recorrido es la suma aritmtica de
las correspondientes longitudes de los arcos que lo componen. Sea d
A
la m-
Tabla 10.2. Clasificacin de los modelos de asignacin del trfico
Incluye efectos estocsticos?
No S
Incluye restriccin de
capacidad?
No Todo o nada
Puramente estocstico
(Dial y Burrel)
S Equilibrio de Wardrop
Equilibrio estocstico
del usuario
;,
nima distancia para alcanzar el nodo o el centroide A desde el nodo raz S del
rbol, si P
A
es el nodo predecesor de A entonces el arco (P
A
, A) es parte
del recorrido mnimo de S a A. El procedimiento de construccin de un rbol
de rutas o recorridos mnimos (o de mnimo coste) desde S a todos los dems
nodos puede describirse de la siguiente manera:
Inicializacin: se fija para todos los nodos d
A
= (es decir, un valor de
la distancia suficientemente grande que va a depender del tipo de ordenador
y del compilador que posea), excepto para el nodo raz cuyo coste (d
s
) se fija
en cero; se confecciona una lista L que deber contener todos los nodos ya
alcanzados desde S y susceptibles de ser el nuevo pivote segn el algoritmo
correspondiente pero no completamente examinados como predecesores del
resto de los nodos. Los nodos contenidos en esta lista L sern aquellos a par-
tir de los cuales se pueden alcanzar el resto de los nodos (copa del rbol, a
partir de S, con sus respectivas ramificaciones extendindose hasta alcan-
zar todos los nodos). Por tanto, inicialcense todas las entradas L
i
en L a cero
y todos los P
A
, entre los cuales estar el prximo candidato a ser pivote a un
valor predefinido conveniente.
Proceso: partiendo del origen S y considerando el nodo A como nuevo
pivote:
Se examina cada arco (A,B) de salida desde el nodo pivote A; si 1. d
A
+ d
A, B
< d
B

entonces se escribe d
B
= d
A
+ d
A, B
, P
B
= A y se suma B a la lista L.
Se quita A de la lista 2. L; si la lista de nodos est vaca se para el proceso y
se pasa al paso 3.
Se selecciona otro nodo de la lista y se vuelve al paso 1 con el nodo selec- 3.
cionado como posible nodo pivote a examinar.
Llegados a este punto deben considerarse tres observaciones. En primer
lugar, generalmente en los recorridos no se permite utilizar centroides, por
tanto en el primer paso, si B es un centroide no debera ser aadido a la lista
L. La segunda concierne a la diferencia sustancial existente entre el algoritmo
de Moore y el de Dijkstra y que se refiere al procedimiento de seleccin del
nodo de la lista L. Moore selecciona el nodo que est ms arriba en la lista, es
decir el primer nodo que ha entrado; Dijkstra selecciona el nodo ms cercano
al origen, es decir el nodo L
i
tal que d
L
i
sea mnimo. Eso requiere clculos
adicionales (incluida la ordenacin de los nodos), pero asegura que cada arco
slo sea examinado una vez. Es sabido que el algoritmo de Dijkstra es superior
Asignacin
8o
al de Moore, en particular para redes grandes, aunque algo ms difcil de pro-
gramar. Finalmente, estos rboles son almacenados a menudo en ordenadores
de dos maneras: como un conjunto de nodos predecesores ordenados donde el
nodo A es el predecesor de B si el arco (A,B) forma parte del rbol o como un
conjunto de arcos predecesores con idntica definicin.
Van Vliet (1977) ha identificado un algoritmo menos conocido pero con
prestaciones muy interesantes para el caso de redes grandes. Se trata del algo-
ritmo de DEsopo descrito y probado por Pape (1974). El algoritmo de DEsopo
utiliza una tabla de doble entrada tal que el nodo B sea introducido al prin-
cipio o al final de la lista dependiendo de su estatus. Si B no ha sido previa-
mente extrado del rbol, ser integrado al final de la lista; si ya est en la lista,
no es necesario realizar ninguna insercin; pero si B ya ha sido insertado en L,
examinado y eliminado de la lista entonces puede ser insertado en la parte alta.
Es posible utilizar un vector sencillo para registrar el estatus de cada nodo con
tres valores potenciales (+1 cuando el nodo nunca ha estado en L, 0 cuando el
nodo est en L, 1 para aquellos nodos que ya estuvieron en L y salieron de l
porque fueron elegidos pivote. Este ltimo (estatus = 1) es el estatus de todos
los nodos cuando el algoritmo termina. Tal y como indica Van Vliet (1977), el
algoritmo de DEsopo puede reducir el tiempo de clculo al 50% con respecto
al de Moore, siendo adems sus prestaciones muy cercanas y a menudo mejores
a las del algoritmo de Dijkstra; tambin es ms sencillo de programar.
Los rboles tienen adems otras dos ulteriores aplicaciones importantes
en la planificacin del transporte. A menudo se utilizan para obtener infor-
maciones sobre los costes en una red. Por ejemplo, se puede saber el tiempo
total de viaje entre dos zonas siguiendo la secuencia de arcos en el rbol que
los conecta acumulando sus tiempos de viaje. Esta operacin a menudo se de-
nomina de extraccin de las propiedades de un rbol (skimming). De los r-
boles construidos, por ejemplo, en funcin del tiempo de viaje, pueden a su
vez extraerse otros atributos como los costes generalizados, la distancia, o el
nmero de nodos, etc. Los rboles pueden ser tambin utilizados para propor-
cionar informaciones sobre qu pares O-D utilizan ciertos arcos particulares.
Estos procedimientos, denominados a menudo anlisis de arcos especficos
o seleccionados permiten identificar qu pares O-D podran quedar afectados
por una modificacin de la red. Adems, dada una determinada rea de estudio
es posible utilizar dicho anlisis tambin para delimitar el cordn externo de
una sub-rea ms pequea y su correspondiente matriz de viajes; en este caso
los arcos seleccionados se utilizan para identificar los puntos de entrada y
81
salida para dicha sub-rea y los rboles son utilizados para asociar las zonas
originales a zonas externas para la nueva sub-rea.
10.3. ASIGNACIN TODO O NADA
El mtodo de eleccin del recorrido y asignacin ms simple es la asignacin
todo o nada. Este mtodo supone que no hay congestin, que todos los con-
ductores consideran los mismos atributos, su percepcin, su importancia o peso
en la eleccin de ruta de la misma manera. La ausencia de congestin significa
que los costes de los arcos son fijos, mientras la suposicin de que todos los
usuarios perciben el coste de la misma forma significa que todos los que viajan
entre i y j deben elegir la misma ruta o recorrido; por tanto dichos usuarios
son asignados a un solo recorrido entre i y j y ningn usuario es asignado a
otros recorridos menos atractivos. Estas hiptesis son razonables en redes no
densas y no congestionadas, con pocas alternativas de recorrido y con costes
de recorrido muy diferentes entre ellos.
El algoritmo de asignacin lo constituye el propio procedimiento de carga
de la matriz T a los rboles de camino mnimo y de la determinacin de los
flujos V
A, B
en los arcos (entre los nodos A y B). Todos los algoritmos de carga
de la red comienzan con una fase de inicializacin, en este caso imponiendo que
todos los V
A, B
= 0, y a partir de aqu, se pueden aplicar mtodos para resolver
el problema: aproximacin par por par y aproximacin en cascada, es decir,
todos a la vez o en cascada.
Par por par: ste probablemente es el mtodo ms simple, lo cual no quiere
decir el ms eficiente. En este caso se parte de un origen y un destino a la vez.
Primero se inicializa todos los V
A, B
= 0. A continuacin para cada par (i,j):
se fija B igual al destino 1. j;
si (A, B) es el arco predecesor de B entonces se incrementa 2. V
A, B
en T
ij
, es
decir: V
A, B
= V
A, B
+ T
ij
;
se fija B igual a A; 3.
si A = 4. i el procedimiento se termina [es decir, se pasa a examinar el prximo
par (i, j)], en otro caso se vuelve al punto 2.
En cascada: este mtodo se denomina en cascada porque, a partir de un
origen i, carga sobre los arcos los flujos acumulados de los nodos siguiendo los
rboles de mnimo coste. Sea V
A
el flujo acumulado en el nodo A:
Asignacin
8:
se fijan todos los 1. V
A
= 0 excepto para el destino en que V
j
= T
ij
;
se fija B igual a la mayor distancia al nodo ms lejano desde 2. i;
se incrementa 3. V
A
en V
B
donde A es el nodo predecesor de B, es decir,
V
A
= V
A
+ V
B
;
se incrementa 4. V
A, B
en la cantidad V
B
, es decir V
A, B
= V
A, B
+ V
B
;
se fija B igual al siguiente nodo ms lejano; si B = 5. i entonces el origen ha
sido alcanzado y el proceso vuelve a comenzar por el origen siguiente. En
caso contrario volver al punto 3.
De este modo V
B
representa el nmero total de viajes que desde i atraviesan
el nodo B en ruta hacia el destino ms lejano de i. Seleccionando los nodos
en orden inverso respecto de la distancia, cada nodo es examinado una sola
vez. Este algoritmo requiere que los rboles sean almacenados en trminos de
predecesores ordenados por distancia al origen.
Ejemplo 10.2: sea la sencilla red de la figura 10.3 y la siguiente matriz a
ella asociada: A-C = 400, A-D = 200, B-C = 300 y B-D = 100. En la parte (a)
de dicha figura se presentan los costes (tiempos) de viaje sobre cada arco; en la
parte (b) se representan los rboles correspondientes relativos a dichos costes
junto con los flujos despus de la asignacin, mientras que stos son mostrados
en la parte (c) de la figura 10.3.
La asignacin todo o nada generalmente tiene un inters muy limitado
para el planificador, porque slo puede ser utilizada para representar algunos
tipos de lneas de deseo, es decir las que los usuarios desearan recorrer en
ausencia de congestin. Sin embargo su caracterstica prctica ms importante
es que constituye la base para la construccin de otros tipos de tcnicas de
asignacin, por ejemplo, las de equilibrio y las estocsticas.
10.4. MTODOS ESTOCSTICOS
Los mtodos estocsticos de asignacin de trfico ponen de manifiesto la va-
riabilidad por parte de los usuarios de la percepcin de los costes y la medida
en que tratan de minimizar a la vez distancia, tiempo de viaje y costes genera-
lizados. En los mtodos estocsticos es necesario tambin tener en cuenta los
recorridos siguientes al recorrido mejor o second best routes (en trminos de
costes calculados por el analista o modelizador); y este hecho genera problemas
posteriores, ya que el nmero de las rutas second-best alternativas entre cada
par O-D puede resultar extremadamente amplio.
8
De los diversos mtodos propuestos slo dos son relativamente acepta-
dos: los mtodos basados en la simulacin y los basados en proporciones. Los
primeros utilizan los resultados de una simulacin Monte Carlo para represen-
tar la diferente percepcin de los costes que tienen los usuarios. Los segundos,
en cambio, asignan flujos a las diferentes rutas alternativas de recorrido de
proporciones calculadas utilizando expresiones tipo logit.
10.4.1. Mtodos basados en la simulacin
Son muchas las tcnicas que utiliza la simulacin Monte Carlo para representar
la variabilidad por parte de los usuarios en la percepcin de los costes de los
arcos, y en particular destaca la tcnica desarrollada por Burrel (1968) que ha
sido profusamente utilizada durante muchos aos. Normalmente estos mtodos
se basan en las siguientes hiptesis:
(a) 5
3
10
10
3
4 8
4
8
4
4
2
2
3
6
6
2
5
A
B
C
D
(b) 600
200
200
300
100
100
100
300
300
300
300
200
200 200
400 400
400
A
A
C
C
D
D
(c) 600 400
500 300
300
300
300
200
200
100
400
300
400
0
0
0
0
0
A
C
D
B
Figura 10.3. Red simple, sus rboles y flujos de carga de una matriz de viajes.
Asignacin
8
Por cada arco de una red deberan distinguirse los costes objetivos o medidos/
estimados por un observador (modelizador) de aquellos subjetivos o perci-
bidos por cada conductor o usuario. Se acepta adems que el coste de arco
estimado por dicho modelizador sea slo la media de los costes percibidos
por todos los usuarios. Se supone que estos costes percibidos se distribuyen
aleatoriamente segn una cierta funcin de probabilidad como, por ejemplo,
la representada en la figura 10.4. Las distintas implementaciones de estos
mtodos difieren en las hiptesis acerca de la forma de dichas distribuciones
de probabilidad; en efecto, mientras Burrel supone una distribucin unifor-
me, otros modelos consideran una distribucin normal. En uno y otro caso
es necesario obtener o calibrar una desviacin estndar o un intervalo para
la distribucin de los costes percibidos; en general se supone que:
Media del coste en el arco
P
r
o
p
o
r
c
i
n

d
e

c
o
n
d
u
c
t
o
r
e
s
Coste
Figura 10.4. Distribucin de los costes percibidos sobre un arco.
Las distribuciones de los costes percibidos por los usuarios son indepen-
dientes.
Los usuarios eligen el recorrido que minimiza sus costes de recorrido per-
cibidos, es decir la suma de los costes de cada arco usado.
En trminos generales estos algoritmos pueden describirse como se explica
a continuacin: se selecciona una distribucin de costes percibida para cada
arco (y un parmetro de dispersin ). Se subdivide el nmero de individuos
que viajan entre cada par O/D en N estratos de forma que, en cada uno de ellos,
se acepta que sus usuarios perciben los mismos costes.
Hgase 1. n = 0.
Hgase 2. n = n+ 1.
8
Para cada par 3. i, j:
Se calcula el coste percibido por cada arco efectuando una extraccin
de la correspondiente distribucin de costes utilizando nmeros alea-
torios.
Se construye la ruta de mnimo coste percibido de i a j y se asignan
T
ij
/ N viajes que se suman a los flujos que resultan sobre la red.
Si 4. n = N se para, en otro caso vulvase al paso 2.
En la prctica se realizan diferentes atajos para reducir el tiempo de clculo,
por ejemplo:
Generar nuevos conjuntos de costes aleatorios por origen y no por par
O-D.
Utilizar N igual a 3 5 y generar un conjunto de costes aleatorios para
cada matriz y no para cada par O-D u origen.
Utilizar valores pequeos de N, incluso 1 en algunas circunstancias.
Este tipo de aproximacin utiliza la simulacin para reducir el nmero
de recorridos second best a tener en cuenta. Si se considera necesario, se
puede utilizar una gama ms amplia de rutas (recorridos) es decir, se puede
incrementar el valor de N y/o el parmetro de dispersin de los costes de
arco. La formulacin de Burrell tiene la ventaja de asignar una probabilidad
ms alta a aqullos recorridos que el modelizador ha estimado ms eco-
nmicos, como consecuencia de las variaciones estocsticas en los costes
de arco. Si un recorrido es costoso, es menos probable que se comporte
como el ms econmico. Aunque la distribucin uniforme se sabe, es ms
eficiente en trminos de tiempo de clculo, no es, sin embargo demasiado
realista. Una funcin mejor, pero ms costosa en trminos de tiempo de
ejecucin, es la Normal con variancia proporcional al coste medio esti-
mado por el modelizador. Como en todos los mtodos Monte Carlo, los
resultados finales dependen de las series de nmeros aleatorios utilizados
en la simulacin, aunque este problema puede reducirse aumentando el
nmero N de iteraciones. Hay sin embargo, dificultades ms serias con
este enfoque como, por ejemplo:
Los costes de arco percibidos no son independientes porque en reali-
dad los conductores tienen preferencias, por ejemplo, prefieren los ar-
cos de autopista para evitar intersecciones o calles locales. La hiptesis
Asignacin
8o
de independencia de los costes percibidos puede conducir a cambios
en la distribucin del trfico poco realistas entre recorridos paralelos
conectados por calles locales.
No se tiene en cuenta de modo explcito el efecto de la congestin.
En compensacin, estos mtodos a menudo producen dispersiones razona-
bles de los viajes y son relativamente simples de programar, no requiriendo la
eleccin y/o la estimacin de relaciones flujo-velocidad (lo cual, no obstante,
puede llegar a ser un problema en determinados casos).
10.4.2. Mtodos estocsticos proporcionales
Contrariamente al mtodo de asignacin Todo o Nada que asigna todos los
viajes a un nodo individual de salida, todos estos mtodos estn basados en un
algoritmo de carga de la red y distribuyen los viajes que llegan al nodo entre
todos los posibles nodos de salida. Muy a menudo en la implementacin de
estos mtodos se invierte el problema de modo que la divisin de los viajes
en un nodo de llegada se realiza en base a su procedencia y no con respecto
al nodo destino. Sea el nodo B de la figura 10.5, en el que hay un nmero de
arcos posibles de entrada definidos por A
1
, A
2
, A
3
, A
4
, A
5
para la demanda
de i a j (pasando por B), se define un factor de reparto f
i
, tal que:

f d d
f d d
i
i
i
i i
>
< s <
0
0 1
si
si
A B
A B
donde d
A
i
representa el coste mnimo de viaje desde el nodo de origen al nodo
A
i
. La primera condicin requiere que f
i
sea igual a cero si el nodo inicial A
i

est ms lejos del origen que B, asegurando de esta forma que los viajes sean
asignados a las rutas ms eficientes desde el origen. Los viajes T
B
que pasan
por B se reparten de acuerdo a la siguiente ecuacin:
Destino Origen
A
4
A
2
A
1
A
3
A
5
B
i
j
Figura 10.5. Arcos que convergen en un nodo B.
8;

F
T f
f
i
i
i
i
( , ) A B
B

(10.11)

El procedimiento de asignacin ahora es equivalente al proceso de cascada
del mtodo Todo o Nada. Los algoritmos que se utilizan en este procedimiento
difieren principalmente en la forma de clculo de f
i
. El mtodo Single-path,
debido a Dial (1971), requiere que:
f
i
= exp(d
i
) (10.12)
donde d
i
es el sobrecoste originado por viajar desde el origen al nodo B,
pasando por el nodo A
i
en lugar de pasar por el recorrido de coste mnimo.
Por lo tanto si A
i
est en el recorrido o ruta de coste mnimo resulta que d
i

es igual a cero y f
i
= 1. Los nodos que pertenecen a la ruta ms costosa tienen
sus d
i
> 0 y sus f
i
son menores de 1. De este modo los recorridos ms cortos
son favorecidos con respecto a los ms costosos.
Inicialmente Dial describe un algoritmo de doble-paso que utiliza una
formulacin tipo logit para distribuir los viajes de i a j entre las rutas o recorri-
dos alternativos r:

T
T C
C
ijr
ij ijr
ijk
k
exp
exp
( )
( )
O
O

(10.13)
El parmetro puede ser utilizado para controlar el reparto de viajes entre
rutas. El algoritmo requiere un paso hacia adelante y otro atrs:
En el paso hacia adelante se toma cada nodo A en orden creciente de dis- 1.
tancias d
A
y se define un peso por cada arco de salida (A, B), tal que:
w
(A, B)
= W
A
exp(d
(A, B)
) si d
A
< d
B
y cero en otro caso; donde W
A
es el peso
acumulado de A definido:
W
A
=
A'
w
(A', A)
y W
I
= 1 (con A como predecesor de A).
El paso hacia atrs es idntico al algoritmo 2. single-pass con la excepcin
de que los pesos w
(A, B)
se utilizan para calcular la distribucin de los viajes
en lugar de los factores de reparto F
i
.
Asignacin
88
Ejemplo 10.3: un problema prctico del algoritmo de Dial es el relativo a
la distorsin que se presenta en la eleccin entre una ruta principal y otra de
carcter secundario. Por ejemplo, considere una ciudad servida por una cir-
cunvalacin y tres recorridos urbanos que se diferencian muy poco entre ellos
(ver Figura 10.6). Asimismo se sabe que hay 4.000 viajes entre A y B y que
los cuatro recorridos tienen ms o menos el mismo coste.
Circunvalacin
A B
Ruta 3
Ruta 2
Ruta 1
Figura 10.6. Ciudad servida por una circunvalacin y tres recorridos urbanos.
En este caso el algoritmo de Dial distribuir los 4.000 viajes de la siguiente
forma: 1.000 a lo largo de la circunvalacin y 1.000 a cada uno de los recorridos
urbanos. Sin embargo, la mayor parte de los usuarios consideraran este pro-
blema como si estuvieran disponibles dos alternativas: la circunvalacin y los
recorridos por el centro de la ciudad. Recurdese a este respecto la discusin
acerca de la propiedad de independencia de las alternativas inherentes al modelo
logit vista en el Captulo 5. El algoritmo de Dial presenta dificultades cuando
se consideran todos los recorridos posibles, aun cuando algunos varan poco
o son combinaciones de arcos que pueden diferir en un pequeo porcentaje de
coste. En trminos de comportamiento, Dial ignora la correlacin entre recorri-
dos similares y, por lo tanto, en la prctica, asigna ms trfico a las secciones
densas de redes con arcos cortos en comparacin con partes menos densas con
arcos relativamente ms largos. De hecho, las estrategias de codificacin de
redes pueden afectar a la asignacin de los flujos.
10.5. ASIGNACIN CON CONGESTIN
10.5.1. Equilibrio de Wardrop
Si se prescinde de los efectos estocsticos y se concentra la atencin en las
restricciones de capacidad, pueden utilizarse otros modelos diferentes para
asignar viajes a la red. Los modelos con restricciones de capacidad utilizan
8,
funciones que relacionan el flujo con los costes (tiempos) de viaje sobre los
arcos. Estos modelos generalmente buscan, con diferente xito, la forma de
aproximarse formalmente a las condiciones de equilibrio enunciado por War-
drop (1952):
Bajo condiciones de equilibrio, el trfico se distribuye en las redes con-
gestionadas de modo tal que ningn viajero puede reducir su propio coste de
viaje cambiando el recorrido.
Si todos los viajeros perciben los costes de la misma forma (sin ningn
efecto estocstico), el equilibrio de Wardrop se puede enunciar as:
Bajo condiciones de equilibrio, el trfico se distribuye en las redes con-
gestionadas de modo tal que todos los recorridos utilizados entre un par O-D
tienen el mismo y mnimo coste mientras todos los recorridos no utiliza-
dos tienen costes ms altos o iguales.
Generalmente a este principio se le denomina Primer Principio de Wardrop
o sencillamente equilibrio de Wardrop. Es evidente que si estas condiciones no
fueran vlidas, al menos algunos conductores deberan ser capaces de reducir
sus costes cambiando el recorrido.
Ejemplo 10.4: sea de nuevo el caso de la circunvalacin y del recorrido
individual urbano estudiado en el epgrafe 10.2.2 (Figura 10.2), se supone que
la restriccin de capacidad para cada recorrido se sustituye por dos relaciones
correspondientes tiempo-flujo como las indicadas en la figura 10.7.
Los flujos sobre los dos recorridos han de satisfacer el equilibrio de War-
drop cuando los correspondientes costes son idnticos. En este caso es relati-
vamente simple escribir las dos ecuaciones del tiempo de viaje en funcin del
flujo e igualarlas para encontrar la solucin de equilibrio, as:
t
b
= 15 + 0,005 V
b
(10.14a)
t
t
= 10 + 0,02 V
t
(10.14b)
donde t
b
y t
t
son los costes de viaje (tiempo en minutos) por la circunvalacin y
por la ruta urbana respectivamente, y V
b
y V
t
son sus flujos correspondientes.
Igualando t
b
y t
t
se puede encontrar, en este caso sencillo, la solucin directa al
equilibrio de Wardrop como una funcin del flujo total V
b
+ V
t
= V:
15 + 0,005 V
b
= 10 + 0,02 V
t
Asignacin
,o
y de aqu:
V
b
= 0,8 V 200 (10.15)
La expresin (10.15) tiene sentido solamente para flujos no negativos, es
decir, para V mayor o igual que 200/0,8 = 250. Para V < 250, C
t
< C
b
, V
b
= 0 y
V
t
= V, todo el trfico ir a travs del recorrido urbano. Para situaciones en las
que V > 250 se utilizarn ambas rutas; se propone al lector que verifique que
para V = 2.000 los flujos de equilibrio son V
b
= 1.400 y V
t
= 600 y los costes
de cada recorrido son 22 minutos.
Se podra aplicar el mismo procedimiento para la asignacin de flujos sobre
redes, en que los costes de viaje considerados en cada ruta entre dos puntos
sean los mismos bajo las condiciones de equilibrio de Wardrop. El problema
es que en la mayora de los casos no es posible resolver algebraicamente el
problema del equilibrio planteado y para su solucin es necesario utilizar otros
algoritmos.
En esta lnea se han propuesto varios algoritmos que logran una aproxima-
cin razonable al equilibrio de Wardrop: algunos son simples aproximaciones
heursticas y otros, ms interesantes, siguen un esquema de programacin ma-
temtica bastante ms riguroso. Para comparar dichos algoritmos es importante
valorar si se cumplen las siguientes propiedades:
Alcanzan una solucin estable?
Convergen a una solucin correcta (equilibrio de Wardrop)?
Son eficientes en trminos de requisitos computacionales?
Figura 10.7. Curvas tiempo-flujo para las rutas de la figura 10.2.
Tiempo
Recorrido centro ciudad Circunvalacin
Tiempo
Flujo V Flujo V
30 30
200 200 400 400 600 600 800 800 1.000 1.000
25 25
20 20
15 15
10 10
5 5
,1
A menudo se utiliza el indicador para valorar en qu medida la solucin
se acerca al equilibrio de Wardrop. Dicho indicador se define en la siguiente
ecuacin:

o
T C C
T C
ijr ijr ij
ijr
ij ij
ij
( )
*
*

(10.16)
C
ijr
C
*
ij
es el exceso de coste de viaje sobre una ruta particular con respecto
al mnimo coste de viaje para el par (i, j). Estos costes se calculan despus
de que se haya realizado la ltima iteracin y se hayan conseguido los flujos
totales para cada arco. Por tanto, es una medida del sobre-coste total debido
al hecho de utilizar recorridos peores (diferentes de los de coste mnimo) que
el ptimo, donde el denominador permite conseguir una medida concreta en
trminos relativos antes que en trminos absolutos.
Wardrop, 1952, propuso tambin una forma alternativa de asignacin del
trfico a la red que toma el nombre de Segundo Principio de Wardrop:
Bajo condiciones de equilibrio social en redes congestionadas, el trfico
debera distribuirse de tal modo que los costes medios (o totales) de viaje
sean mnimos.
Este segundo principio contrasta con el primero, el cual se esfuerza en
modelizar el comportamiento individual del usuario que busca minimizar sus
costes de viaje. El segundo principio va dirigido al planificador y a los inge-
nieros de transportes que intentan organizar el trfico de modo que se mini-
micen los costes totales de viaje y as conseguir un equilibrio social ptimo.
Generalmente los flujos que resultan de los dos principios no son los mismos,
y slo puede esperarse que, en la prctica, el trfico se site en la red siguiendo
una aproximacin del primer principio de Wardrop, es decir el equilibrio del
usuario individual. Es interesante constatar que el objetivo de la tarificacin
vial por congestin es lograr acercarse a este ptimo social o Segundo Prin-
cipio de Wardrop.
10.5.2. Mtodos de adaptacin de velocidad
Algunos de los mtodos heursticos iniciales se basaban en la hiptesis de asig-
nar todos los viajes de cada par O/D a una nica ruta (todo o nada), aunque se
reconociese el hecho de que la velocidad y, por tanto el tiempo de viaje, estaba
Asignacin
,:
influenciada por el nivel de flujo. El ms simple de estos mtodos consiste en
recalcular los tiempos de viaje en los arcos despus de una asignacin todo o
nada, para as conseguir que sean coherentes los costes con los niveles de flujo
corriente. Utilizando los nuevos costes y rboles (de mnimo coste), se efec-
ta una nueva asignacin todo o nada. Es fcil confirmar que este mtodo es
pobre en cuanto a que los recorridos seleccionados oscilan y el flujo estimado
no converge nunca. En el caso de la circunvalacin y del recorrido urbano del
ejemplo 10.4 con V > 250, los flujos oscilan de tal forma que todo el flujo se
asigna a la ruta por la ciudad en la primera iteracin y todos a la circunvalacin
en la siguiente. Este fenmeno sucede obviamente tambin en las redes ms
amplias, aunque en algunos casos puede ser difcil de identificar.
En un intento de reducir estas oscilaciones de recorridos y flujos se ha
propuesto utilizar, en la siguiente iteracin, una media de las velocidades per-
tinentes de dos o ms asignaciones todo o nada. Este procedimiento se deno-
mina de adaptacin ponderada de velocidades, en contraste con el origina-
rio denominado de adaptacin directa. Este mtodo, sin embargo, slo puede
proporcionar una mejora aparente en cuanto a que la principal debilidad de
ambos, en contradiccin por tanto al principio de Wardrop, es que asignan
todo el trfico a un recorrido individual para cada par O/D. En efecto, si se re-
considera el caso del ejemplo 10.4, es fcil observar que tambin el mtodo de
la adaptacin ponderada de velocidad carga todo el trfico alternativamente
sobre un recorrido en una iteracin y sobre el otro en la siguiente.
Ambos mtodos producen soluciones inestables, son intrnsecamente no
convergentes y, en redes ms amplias, el empleo de la media de las variaciones
de velocidad slo disfraza este fenmeno.
En trminos algortmicos los dos mtodos se pueden describir como sigue:
Seleccionar un conjunto inicial de costes de arco corrientes, normalmente 1.
referidos a condiciones de flujo libre; hgase n = 0.
Construir un conjunto de rboles de rutas de mnimo coste con los costes 2.
corrientes y asignar (con el mtodo todo o nada) la matriz a los recorridos
para conseguir una nueva serie de flujos; incrementar n en uno, es decir,
hacer n = n + 1.
(a) En el caso de adaptacin directa de velocidades se recalculan los costes 3.
de los arcos en relacin a los nuevos flujos.
(b) En el caso de adaptacin ponderada de velocidades se calculan los
costes correctos de los arcos como la media aritmtica de los costes de las
dos ltimas iteraciones.
,
Si los flujos o los costes normales del arco no se han modificado signifi- 4.
cativamente en dos iteraciones consecutivas se para el procedimiento; en
otro caso, se vuelve al paso 2.
Como se ha sugerido anteriormente, probablemente estos algoritmos no
se pararn nunca en el paso 4 a menos que se imponga un lmite arbitrario del
nmero n de iteraciones.
10.5.3. Asignacin incremental
La asignacin incremental constituye un mtodo indudablemente ms inte-
resante y realista. En este caso el analista fracciona el total de la matriz de de-
manda T en un nmero de matrices a travs de una serie de factores propor-
cionales p
n
comprendidos entre cero y uno, tal que
n

p
n
= 1. Las matrices
fraccionadas son cargadas, segn un procedimiento incremental, sobre los r-
boles de mnimo coste que de iteracin a iteracin han sido calculados en base
a los costes de arco de los flujos acumulados. Valores usuales de p
n
son: 0,4,
0,3, 0,2 y 0,1. El algoritmo se puede describir as:
Seleccionar un conjunto inicial de costes de arco (actualizados), normal- 1.
mente en condiciones de flujo libre, y hacer todos los flujos V
a
= 0; selec-
cionar un conjunto de factores p
n
de fraccionamiento de la matriz T de
viajes, tal que
n

p
n
= 1; hacer n = 0.
Construir los rboles de mnimo coste (uno por cada origen) utilizando los 2.
costes actualizados; hacer n = n + 1.
Cargar toda la fraccin de demanda 3. T
n
= p
n
T al rbol de mnimo coste con
el mtodo todo o nada; de este modo se consigue un conjunto de flujos
auxiliares F
a
; los flujos acumulados mediante la suma de los flujos sobre
cada arco, provenientes de otras iteraciones, son:

V
n
a
=
V
a
n
1
+ F
a
Calcular un nuevo conjunto de costes de arco actualizados sobre la base 4.
de los flujos V
n
a
; si no ha sido asignada toda la fraccin de T se vuelve al
paso 2; de otro modo, parar.
Aunque el nmero de fracciones en que ha sido subdividida la demanda sea
muy amplio y los incrementos que se utilizan (p
n
T) sean muy pequeos, este
algoritmo no necesariamente converger al equilibro de Wardrop. La tcnica
de la carga incremental, en efecto, presenta la desventaja de que un flujo ya
Asignacin
,
asignado a un arco no puede ser suprimido en ste y asignado a otro; por tanto,
si en una de las iteraciones iniciales se asigna demasiado flujo a un arco (p. ej.,
a un arco con baja capacidad), las condiciones de equilibrio de Wardrop no se
alcanzan y el algoritmo no converge a una solucin correcta. No obstante el
mtodo de la asignacin incremental tiene dos ventajas:
es muy sencillo de programar;
sus resultados pueden ser interpretados como la acumulacin de la conges-
tin en los perodos punta.
Ejemplo 10.5: considrese, como en los casos anteriores, el ejemplo de los
dos recorridos, la circunvalacin (bypass) y el recorrido urbano del ejemplo
10.4. Se subdivide la demanda de 2.000 viajes en cuatro incrementos de 0,4, 0,3,
0,2 y 0,1, es decir 800, 600, 400 y 200 viajes. Para cada incremento, calcular
los nuevos costes de viaje utilizando la ecuacin (10.14). La siguiente tabla
sintetiza los resultados de este algoritmo:
N Incremento Flujo ciudad Coste ciudad Flujo bypass Coste bypass
0 0 0 10 0 15
1 800 800 26 0 15
2 600 800 26 600 18
3 400 800 26 1.000 20
4 200 800 26 1.200 21
Se puede comprobar que el algoritmo no converge a una solucin correcta
de equilibrio y el error proviene de haber asignado demasiado flujo (800) al
arco urbano en la primera iteracin. En efecto, dado que no es posible reducir
tal flujo en las sucesivas iteraciones, dicho flujo y el coste sobre este recorrido
quedan sobrevalorados. Si se calcula el valor del indicador , resulta:
= [800 (26-21) + 1.200 (21-21)] / (2.000 21) = 0,095
Es posible comprobar que utilizando un nmero mayor de incrementos
ms pequeos se puede aproximar a una verdadera solucin de equilibrio. Se
observa adems que si se comienza con un incremento de 0,3 veces el total de la
demanda, la solucin que se alcanza es la de equilibrio, aunque esto solamente
es una casualidad aplicable a este caso sencillo.
,
10.5.4. Mtodo de los promedios sucesivos
Se han desarrollado varios algoritmos iterativos para tratar de superar, al me-
nos en parte, el problema de asignar demasiado flujo a un arco con capacidad
restringida. En un algoritmo iterativo de asignacin, el flujo actualizado de
un arco se calcula como una combinacin lineal de los flujos asignados en las
iteraciones anteriores y el flujo auxiliar resultante de una asignacin todo o nada
en la iteracin actual. El algoritmo puede ser descrito de la siguiente manera:
Seleccionar un conjunto de costes de arco iniciales (actualizados), normal- 1.
mente en condiciones de flujo libre; se inicializa haciendo todos los flujos
V
a
= 0; hacer n = 0.
Construir los rboles de mnimo coste con los costes actualizados y hacer 2.
n = n + 1.
Cargar toda la matriz 3. T, con mtodo todo o nada, a los rboles de coste
mnimo para as conseguir un conjunto de flujos auxiliares F
a
;
Calcular el flujo actualizado como: 4.
V
n
a
= (1 )
V
a
n
1
+ F
a
(10.17)
con 0 1.
Calcular un nuevo conjunto de costes de arco en base a los flujos 5. V
n
a
. Si
los flujos o los costes de arco no se han modificado significativamente en
dos iteraciones consecutivas, el procedimiento se para; en caso contrario
ir al paso 2. Alternativamente, se puede utilizar el indicador de la ecua-
cin (10.16) para decidir si parar el procedimiento o no. Otro criterio peor
pero comnmente utilizado para definir el punto de parada, consiste en
fijar sencillamente el mximo nmero de iteraciones; en este caso se
calculara para conocer lo cerca que se est de la solucin del equilibrio
de Wardrop.
Las implementaciones de estos algoritmos difieren en cmo asignar un
valor a . Una regla simple es poner constante, por ejemplo, igual a 0,5 aunque
la implementacin que proporciona los resultados mejores se debe a Smock
(1962), en el que = 1/n. El lector puede verificar que en este caso se asigna el
mismo peso a cada flujo auxiliar F
a
y, por esta razn, se denomina el Mtodo
de Promedios Sucesivos (Method of successive averages o MSA en ingls). Se
ha demostrado que (vase, p. ej., Sheffi, 1985) haciendo = 1/n, se llega a una
Asignacin
,o
solucin convergente al equilibrio de Wardrop, aunque no muy eficientemente.
Como se demostrar en el Captulo 11, el algoritmo de Frank-Wolfe estima los
valores ptimos de que garantizan y agilizan la convergencia.
Ejemplo 10.6: considrese el problema del recorrido urbano y la circunva-
lacin del ejemplo 10.5 con = 1/n. En la tabla siguiente se sintetizan los pasos
para el clculo del algoritmo MSA.
Iteracin Flujo ciudad Coste ciudad Flujo bypass Coste bypass
1
F 2.000 0
V
n
1 2.000 50 0 15
2
F 0 2.000
V
n
1/2 1.000 30 1.000 20
3
F 0 2.000
V
n
1/3 667 23,3 1.333 21,7
4
F 0 2.000
V
n
1/4 500 20 1.500 22,5
5
F 2.000 0
V
n
1/5 800 26 1.200 21
6
F 0 2.000
V
n
1/6 667 23,3 1.333 21,7
7
F 0 2.000
V
n
1/7 572 21,4 1.428 22,1
8
F 2.000 0
V
n
1/8 750 25 1.250 21,25
9
F 0 2.000
V
n
1/9 667 23,3 1.333 21,7
10
F 0 2.000
V
n
0,1 600 22 1.400 22
Se puede observar que para aproximarse a la solucin correcta es nece-
sario un cierto nmero de iteraciones. En este caso, el valor de despus de
diez iteraciones es cero. Tambin es posible notar que el algoritmo ya estuvo
,;
prximo a la solucin correcta de equilibrio en las iteraciones 3, 6 y 9, aunque
de hecho slo es alcanzada en la iteracin 10. Ello es debido a la naturaleza
rgida de la regla de clculo de ; en efecto, para redes ms reales el nmero
de iteraciones para conseguir convergencias satisfactorias puede ser muy al-
to. Otra leccin que se obtiene de este ejemplo es que fijar el nmero mxi-
mo de iteraciones no representa una buena aproximacin desde el punto
de vista de la evaluacin. Arcos y costes totales pueden variar considerable-
mente de iteracin en iteracin y ello puede influenciar la factibilidad de un
proyecto de mejora de algunos arcos de la red.
10.6. ASIGNACIN AL TRANSPORTE PBLICO
10.6.1. Introduccin
En este epgrafe se describen los problemas de la modelizacin de la eleccin
de ruta y la asignacin de los viajeros en el caso de redes de transporte pblico.
Por mltiples motivos estos problemas son ms difciles de tratar que los de la
asignacin al transporte privado; los requisitos de clculo generalmente son
ms complicados y, adems, los mtodos ms eficientes requieren importantes
hiptesis simplifcatorias.
Estas dificultades de modelizacin conjuntamente con el bajo perfil que ha
caracterizado las polticas sobre transporte pblico en el pasado, han hecho que
se hayan destinado menos recursos en investigacin para esta modalidad de
transporte que para el privado. Evidentemente es posible invertir esta tendencia
dedicando mayor atencin a las mejoras de los servicios actuales y, en general,
a la eficiencia operativa del transporte pblico.
En este epgrafe por tanto, se tratarn en primer lugar los aspectos ms
significativos que diferencian la asignacin al transporte pblico en relacin
con la eleccin de ruta de los vehculos privados. Posteriormente se describirn
a grandes rasgos algunos mtodos o aproximaciones que han sido aplicados
para afrontar estos problemas desde un punto de vista prctico.
10.6.2. Caractersticas de la asignacin al transporte pblico
10.6.2.1. La oferta
La red de servicios de transporte pblico es diferente a la de transporte privado,
en tanto que incluye, como arcos, secciones de los servicios de los autobuses o
Asignacin
,8
trenes que transitan entre dos paradas o estaciones. En el transporte pblico,
el concepto de capacidad del arco se asocia a la capacidad de cada unidad
(autobs o tren) y a su correspondiente frecuencia. Adems, el tiempo de viaje
tiene una componente pura a bordo del medio ms otra relativa al tiempo de
espera en las paradas y otra ms debida al tiempo andando hacia y desde la
parada para llegar al punto de destino. Muchas secciones del transporte pblico
utilizan los arcos viales dado que los servicios de autobs y algunos tranvas
(LRT) recorren las calles de una ciudad. Otras secciones o servicios utilizan
en cambio arcos completamente diferentes, por ejemplo, carriles exclusivos
para buses, trazados reservados a los trenes, etc. Generalmente la naturaleza
de estos arcos genera una red ms compleja, como puede verse en el ejem-
plo de la figura 10.8.
10.6.2.2. Los pasajeros
En el transporte pblico la eleccin del recorrido se refiere a la eleccin de los
pasajeros y no de los vehculos. Los pasajeros pueden caminar hasta la parada,
hacer intercambio entre dos servicios y tambin efectuar parte del recorrido
en coche y luego tomar el transporte pblico. Ello comporta la necesidad de
construir y precisar los arcos peatonales y de transbordo entre diferentes servi-
cios, entre diferentes modos de transporte pblico (autobs, tren) y entre infra-
estructuras de transporte pblico y privado (p. ej., Park and Ride).
10.6.2.3. Los costes monetarios
En las redes de transporte individual es normal suponer que los costes moneta-
rios estn asociados directamente con el consumo de carburante, que es a su vez,
proporcional a la distancia de viaje. stas son obviamente aproximaciones y
son generalmente aceptadas porque los conductores no perciben estos costes de
modo tan directo como un pasajero de transporte pblico percibe su tarifa.
En aos recientes ha aumentado la variedad de estructuras tarifarias de
transporte pblico; existen hoy tarifas variables con la distancia, tarifa nica
independiente de la distancia del viaje, tarifas zonales para una o ms zonas
geogrficas particulares, billetes combinados que incluyen transbordos (vlido
para dos o ms servicios), tarifas limitadas en el tiempo (p. ej., tarifas v-
lidas para cualquier nmero de embarques en una hora), diarias, semanales u
otros bonos o pases para un servicio dado o que cubren una o ms zonas y
modos.
,,
1
16
41
15
16
17
14
19
9
23
18
20
21
22
8
2
3
24
25
7
27
20
28
29
37
36
35
39
11
10
34
4
30
6
31
32
38
12
11
33
13
40
17
5
Centroide
Nodo
Lnea de Bus
Lmite de Zona
Conector
LEYENDA
4
5
5
5
4
6
2
3
2
1
5
N Lnea Bus
Figura 10.8. Un ejemplo de red de transporte pblico.
Asignacin
oo
Esta amplia variedad tarifaria dificulta el trato de tarifas en los modelos
de eleccin de recorrido y asignacin, en cuanto a que los costes monetarios
no dependen directamente de la distancia y s generalmente de la localizacin
del origen y del destino y del recorrido seleccionado.
10.6.2.4. Definicin de coste generalizado
En el caso de una asignacin de demanda al transporte pblico el coste gene-
ralizado de viaje puede ser definido como sigue:
C
ij
= a
1
t
ij
v
+ a
2
t
ij
w
+ a
3
t
ij
t
+ a
4
t
ij
n
+ a
1
n
+ a
5
F
ij
(10.18)
donde
t
ij
v
es el tiempo de viaje a bordo del modo para ir de i a j;
t
ij
w
es el tiempo andando para llegar o ir desde la parada (estacin);
t
ij
t
es el tiempo de espera en la parada;
t
ij
n
es el tiempo de transbordo;

n
es una penalidad intrnseca o resistencia al trasbordo, medida en uni-
dad de tiempo (usualmente de 2 a 5 minutos);
F
ij
es la tarifa pagada para desplazarse entre i y j;
de a
1
a a
5
son coeficientes asociados a los elementos de coste respec-
tivos.
Usualmente a a
1
a
5
suele otorgrsele el valor 1 segn se deseen medir los
costes generalizados de transporte en unidad de tiempo o coste respectivamente.
Tambin es habitual encontrar que a
2
, a
3
, y a
4
sean dos o tres veces el valor de
a
1
, es decir los viajeros perciben el tiempo de espera o caminando dos o tres
veces ms que a bordo del medio.
En trminos de modelizacin, el software debera ser capaz de tratar todas
estas variables y producir una buena estimacin de cada uno de estos compo-
nentes de tiempo (a bordo, peatonal, de espera, de intercambio) a menos que
sus valores no sean proporcionados externamente. El tiempo de viaje a bordo
del modo depende de la velocidad alcanzable y del nmero y de la duracin
de las paradas en el recorrido; el tiempo utilizado caminando depende de la
proximidad de la parada ms cercana (ms atractiva) y se suele utilizar, en algu-
nos casos, aproximadamente un valor medio del tiempo para la zona completa;
el tiempo de transbordo vara en funcin de la configuracin y de la distancia
entre las paradas y las estaciones; por fin el tiempo de espera depende esen-
o1
cialmente de la frecuencia del servicio y de su fiabilidad. Una formulacin
general del tiempo de espera es:

t
h
h
w
+ ( )
2 2
2
o

(10.19)
donde h es tiempo entre dos pasos de bus (intervalo) previstos por la progra-
macin del servicio y es su desviacin estndar (cuanto menos regular es
el servicio, mayor es el tiempo de espera). Esta formulacin supone que los
pasajeros llegan aleatoriamente a la parada y que los autobuses tienen capacidad
ilimitada, de modo que todos pueden subirse a bordo. El problema relativo a
la congestin del autobs es difcil de resolver, pero si los algoritmos utiliza-
dos no lo consideran es probable que las cargas producidas no sean reales en
trminos de capacidad real del servicio (vase De Cea y Fernndez, 1989). Si
el servicio es perfectamente regular, es decir si = 0, entonces el tiempo pre-
visto de espera es la mitad del intervalo entre el paso de dos autobuses conse-
cutivos. Es sabido, sin embargo, que si la frecuencia del servicio es baja, los
pasajeros tienden a llegar justo pocos minutos antes de la siguiente salida, as
que el lmite superior del tiempo de espera puede ser establecido entre 5 y
10 minutos; obviamente los pasajeros llegarn tanto ms cerca del horario de
salida programado cuanto ms fiable resulte el servicio.
10.6.2.5. El problema de las lneas comunes
ste es probablemente uno de los problemas ms difciles y tpicos en la asig-
nacin al transporte pblico. El problema surge cuando, al menos para algunos
pares O/D, hay secciones en recorrido donde transita paralelamente ms de un
servicio de los ofertados, de forma que los pasajeros pueden elegir aqul que se
acomoda mejor a sus exigencias. Para dichos pasajeros esta eleccin no es trivial
(habra sido preferible que el usuario hubiese sabido que un servicio expreso
iba a llegar tres minutos despus del ms lento que ha tomado) ni simple desde
el punto de vista modelstico. En efecto, mientras en el transporte privado nor-
malmente un conductor elige un recorrido individual entre el conjunto de todos
los recorridos posibles, en el caso del transporte pblico, los usuarios pueden
elegir un conjunto de itinerarios prefijados, de forma que cuando una lnea
de bus susceptible de ser utilizada llega primero a la parada, va a determinar
cules de los itinerarios factibles realmente van a ser escogidos. La eleccin
es por tanto ms compleja y necesita un trato ms detallado.
Asignacin
o:
No es posible presentar aqu una discusin completa de los algoritmos ms
apropiados para la asignacin al transporte pblico. Se describirn, por tanto,
los principales mtodos o aproximaciones a la modelizacin, primeramente la
eleccin del recorrido y posteriormente la asignacin. Estos enfoques difieren
en el modo en que se tratan algunas de las problemticas citadas anterior-
mente, en particular las que conciernen a la superposicin de las lneas y a las
de la eleccin de los mtodos de asignacin: todo o nada, estocsticos o con
restriccin de capacidad.
10.6.3. Modelos de eleccin de ruta en el transporte pblico
Antes de discutir los problemas de la eleccin del recorrido en presencia de
lneas comunes es til definir con mayor detalle algunos trminos como re-
corrido o ruta, lnea y seccin.
Una lnea de transporte pblico, o sencillamente una lnea, es una flota de
vehculos que transitan entre dos puntos (terminales) de una red, generalmente
con las mismas caractersticas de dimensin, capacidad, velocidad, etc. La
parada de los vehculos en cada nodo a lo largo de sus recorridos permite a los
usuarios subir o bajar de los autobuses (o trenes, etc.). Por tanto cada lnea se
define por las caractersticas del vehculo, la secuencia de los nodos que ella
sirve y la frecuencia de los servicios ofrecidos.
Una seccin de lnea es una porcin cualquiera de una lnea de transporte
colectivo entre dos nodos, no necesariamente consecutivos.
Una ruta o recorrido de transporte pblico es cualquier itinerario que un
usuario puede seguir sobre la red del transporte colectivo para desplazarse
entre dos nodos. La porcin de recorrido entre dos nodos de intercambio con-
secutivo se denomina seccin de ruta, a la que se asocian una serie de lneas
atractivas o comunes.
Una estrategia es una serie de reglas que permiten al viajero alcanzar el
mismo destino.
Ejemplo 10.9: considrese la red de transporte pblico de la figura 10.9;
una estrategia simple de recorrido podra ser:
Tomar la lnea 2 para bajarse en H; trasladarse a la lnea 3 y luego bajar en
la parada J.
En cambio una estrategia ms compleja podra ser:
o
Esperar hasta 3 minutos a la lnea 5 o hasta 4 minutos a la lnea 2; o tam-
bin tomar la lnea 1; si est viajando en la lnea 5 y se ve un vehculo de
la lnea 4 en la parada F se puede realizar un cambio de lnea y bajar en la
parada J; al contrario, si en F no se observa ningn vehculo de la lnea 4
se contina en la 5 hasta J; si se toma en cambio un transporte pblico en la
lnea 2 y, si en H se observa la existencia de un vehculo de la lnea 4 que
est partiendo, se transfiere a la lnea 4, en otro caso se espera a la lnea 3
para llegar a J, etctera.
Lnea 1
Lnea 2
Lnea 3
Lnea 4
Lnea 5
6 min 14 min
14 min
4 min
4 min
20 min
8 min
Nodo A F H J
Figura 10.9. Red simple de transporte pblico con los tiempos relativos de viaje.
Durante muchos aos la eleccin de la ruta que minimiza el tiempo de viaje
ha constituido la aproximacin convencional al problema. Sin embargo, una
buena estrategia flexible produce tiempos de viaje esperados ms breves con
respecto a la aproximacin convencional; en efecto, dicha estrategia flexible es
ms realista y permite al usuario obtener ventaja de la variabilidad del tiempo
de espera con respecto a una eleccin ms oportuna de un buen servicio pero
con frecuencias ms bajas (vanse los trabajos de Spiess y Florian [1989]).
Para cada nodo se puede definir tambin una serie de lneas atractivas que
seran parte de una buena estrategia para alcanzar un determinado destino j.
Dada una estrategia, un desplazamiento real se desarrolla en base al siguiente
mecanismo:
Situar al viajero en el nodo 1. i de origen.
Abordar el primer bus que llega y que pertenece a la serie de lneas atrac- 2.
tivas para los pasajeros de i.
Descender del bus en un nodo predeterminado. 3.
Asignacin
o
Si todava no es su destino, se emplaza 4. i en el nodo correspondiente y se
vuelve al paso 2; en otro caso, el viaje ha finalizado.
Obsrvese que aunque este mecanismo tenga el nodo de destino bien de-
finido, el origen no forma parte de la estrategia. Una estrategia es el conjunto
de reglas que permite a los usuarios alcanzar su destino partiendo de un nodo
cualquiera de la red. Esta exposicin se explica por las siguientes notaciones
adicionales:
S
jk
= conjunto de secciones de lnea que conectan directamente los nodos
j y k;
L
j
+
= conjunto de secciones de lnea en salida (en entrada se utiliza el en
lugar del +) del nodo j;
v
s
= flujo sobre la seccin de lnea s;
t
s
= tiempo de viaje a bordo del vehculo sobre la seccin de lnea s;
f
s
= frecuencia asociada a la seccin de lnea s;
g
j
= nmero de viajes hacia el destino j;
V
jk
= flujo total sobre la seccin de ruta jk.
Entonces, se puede identificar el conjunto de lneas atractivas que provienen
del nodo j utilizando la variable X
s
; donde X
s
es igual a 1 si la seccin s de la l-
nea, perteneciente al conjunto de secciones que van de j a k, es atractiva, en otro
caso es igual a cero. Luego para un par de nodos jk dados, los valores asociados
X
s
(s S
jk
) definen el conjunto ptimo o atractivo de las lneas hacia k.
El total del tiempo de espera para los usuarios que se desplazan de j a k

w
V
f X
jk
jk
s s
s S
jk

(10.20)
El problema de encontrar una estrategia ptima para desplazarse desde
todos los orgenes a un destino se puede escribir as:

Minimizar

v t w
s s jk
jk s
+

(10.21)
s.a.

v g V
s j s
s L
j
s L
j
+
e

e
+

(10.22)
o

v
X f V
f X
X f w
s
s s jk
s s
s S
i
j
s s jk

e

(10.23)
El primer trmino de la funcin objetivo (10.21) representa el tiempo de
viaje a bordo mientras que el segundo es el tiempo total de espera. Esta funcin
objetivo es lineal en las variables v
s
y w
jk
y el principal problema se genera por
la no linealidad de las restricciones (10.23). Spiess (1983) ha demostrado que
estas restricciones pueden ser relajadas de la siguiente manera:
v
s
f
s
w
jk
(10.24)
Se puede introducir adems la restriccin (10.23) dentro de la funcin
objetivo:

Minimizar

V t X f
f X
jk s s s
s
s s
s S
ij
jk
+
e
1

(10.25)
sometida a (10.22). ste es un problema (0,1) de programacin hiperblica. En
este caso pueden seguirse dos aproximaciones diferentes. Una de ellas, pro-
puesta por Spiess y Florian (1989), utiliza programacin lineal para resolver el
problema; la otra, propuesta por De Cea y Fernndez (1989) usa una formulacin
de programacin hiperblica, no lineal. Si no hay problemas de congestin ni
restricciones de capacidad, lo expuesto anteriormente se puede simplificar ya
que el conjunto de estrategias ptimas no depende del flujo actual. El algoritmo
de Florian y Spiess ha sido implementado en el software EMME/2 (Babin et al.,
1982) y el algoritmo de De Cea-Fernndez en Santiago de Chile. Las pruebas
realizadas con la aproximacin de De Cea-Fernndez resultan cerca de 2,5 veces
ms rpidas que las de Florian-Spiess y casi 50 veces ms rpidas que una buena
aproximacin convencional. Estas mejoras en las prestaciones, que son cruciales
para modelizar problemas de dimensiones reales, se alcanzan a costa de mayor
memoria adicional, aunque hoy en da esto ya no es un problema significativo.
10.6.4. Asignacin de viajes al transporte pblico
Una vez identificado el mejor conjunto de segmentos de lnea que unen los
orgenes y los destinos es necesario realizar la asignacin de los viajes a estas
Asignacin
oo
lneas. La mayor parte de los programas tratan de conseguir una distribucin
razonable y realista de los viajes entre los recorridos factibles. En las aproxima-
ciones convencionales, en las que las problemticas de las lneas comunes no se
afrontan explcitamente, resulta que la amplia distribucin de viajes se genera
teniendo en cuenta una serie de criterios; por ejemplo: distinguir explcitamente
los diferentes puntos de acceso (paradas, estaciones) para cada zona y construir
para cada punto de acceso, y no simplemente para los centroides, los rboles
de mnimo coste hacia todos los destinos. De este modo se identifican varios
recorridos alternativos, uno por cada punto de acceso diferente. Los usuarios
pueden asignarse a estos recorridos utilizando una funcin multinominal logit
en la que los costes son los costes de los arcos entre los orgenes y los destinos
para cada ruta o recorrido.
Spiess y Florian (1989) realizan la fase de asignacin siguiendo estrategias
ptimas identificadas. La asignacin, por tanto, se consigue asignando a cada
arco el porcentaje de volumen acumulado aguas arriba del nodo y que corres-
ponde a la frecuencia ofertada por el arco. De Cea y Fernndez (1989), siguen
una aproximacin parecida pero en dos pasos:
En el primero, una vez que ha sido localizada la serie de lneas comunes 1.
para todos los pares (i,j) se construye una nueva red en base a los nodos y
las secciones de ruta. Es de destacar que las secciones de ruta contienen
solamente las lneas que minimizan el tiempo total de viaje esperado en
la seccin; ellas tienen asociado un tiempo de viaje (t
r
) y una frecuencia
( f
r
) correspondiente a la suma de las frecuencias atractivas (las de las l-
neas comunes). Con estos dos elementos se puede obtener un coste de viaje
compuesto a lo largo de esta seccin de ruta, y por lo tanto para encontrar
la mejor ruta puede utilizarse un algoritmo apropiado y eficiente de cons-
truccin de rboles de mnimo coste. Cargando estos rboles resulta un
conjunto de flujos de seccin de ruta (v
r
).
A continuacin se descomponen los flujos de la seccin de ruta en las sec- 2.
ciones de lnea que la conforman:

v
f v
f
s
s r
r

(10.26)
Hasta aqu no se ha tratado el problema referente al empleo de sistemas
particulares de tarificacin. Si el sistema de tarificacin es proporcional a la
longitud de viaje se pueden reconvertir las unidades de tiempo en unidades
o;
de costes y, a partir de aqu, aadir a dicho tiempo de viaje sobre cada arco la
tarifa. Este tipo de estructura tarifaria, en todo caso, no es muy comn. Podra
asimismo introducirse un sistema tarifario nico (tarifa plana o flat fare) aun-
que es preciso indicar que el tratamiento de esquemas ms complejos desde
el punto de vista modelstico puede aadir tambin dificultades al diseo del
algoritmo.
En muchos casos prcticos no es posible modelizar toda la complejidad de
un sistema tarifario y por tanto, han de realizarse determinadas aproximaciones
de acuerdo a las tipologas ms comunes de billetes utilizados. Por ejemplo,
en el caso de un sistema tarifario zonal la asignacin se puede elaborar en
base solamente al tiempo de viaje mientras que el coste de la tarifa slo ser
aadido al final. Esta solucin no tiene en cuenta a los usuarios que dispongan
de contratos especiales de transporte (bono-buses), aunque dicho sistema de
tarificacin zonal puede resultar en todo caso bastante bueno en ciertas situa-
ciones como, por ejemplo, el acceso al centro de Londres.
Finalmente, se debe subrayar que la asignacin al transporte pblico pre-
senta, generalmente, los mismos lmites que los identificados para las redes de
transporte privado. Adems es correcto afirmar que la asignacin en situaciones
de congestin est menos desarrollada que la de situaciones sin congestin. En
el caso de redes congestionadas se presentan dos efectos: el primero concierne
a la capacidad limitada de las unidades de transporte (autobuses, trenes), lo
que provoca que algunos usuarios no puedan realizar sus estrategias ptimas,
lo cual supone en general un incremento de su tiempo de viaje; el segundo es
que hay una interaccin entre transporte pblico y circulacin privada debida
al hecho de que se utilizan las mismas calles, de forma que el consiguiente
incremento de trfico sobre un modo influir en el tiempo de viaje del otro.
Los mtodos actuales que afrontan estos problemas son bastante aproximados;
se tratarn algunos desarrollos de este tema en el prximo captulo.
10.7. CONSIDERACIONES PRCTICAS
El submodelo de asignacin representa una fase crtica en la elaboracin del
proceso completo de modelizacin del sistema de transportes. A diferencia de
los otros tres submodelos, no existe ningn procedimiento unificado de ca-
libracin que pueda asegurar que la fase de asignacin reproduzca las ob-
servaciones de la mejor forma posible. Los procedimientos ms acreditados
de validacin externa del modelo son los que utilizan los conteos de trfico
Asignacin
o8
o/y los conteos sobre cordones. En particular los procedimientos siguientes
pueden aplicarse a todos los tipos de paquetes de asignacin, incluso a los de
transporte pblico y a los mtodos de equilibrio como los que se tratarn en
el prximo captulo.
Validacin y doble validacin de la red. sta es una de las causas ms
relevantes de error en la asignacin del trfico. Hay numerosas posibilidades
de cometer un error en la codificacin de una red: omisin de arcos y nodos
anteriormente considerados irrelevantes, codificacin equivocada de las dis-
tancias, empleo de sentidos de marcha errneos, falta de penalidades por las
maniobras de giros, especificacin de restricciones de capacidad y curvas de
flujo no correctos, etc. En este sentido, aunque los buenos paquetes de software
detectan muchos de estos errores de entrada, es muy importante la utilizacin
de visualizaciones grficas de la red as como editar el grafo representativo y
esquematizado de dicha red. Adems, no es recomendable subestimar el tiempo
necesario para codificar y comprobar su bondad para un estudio determinado.
Por ello, cualquier apoyo tcnico-cientfico para agilizar y aumentar la precisin
del proceso vale muchos das de trabajo, por ejemplo, el uso de cartografa
digital y sistemas de informacin geogrfica.
Un mtodo adicional para comprobar una red es cargarla con una matriz
unitaria (un slo desplazamiento por celda) y luego analizar los flujos mode-
lizados. Ello facilitar la deteccin de los arcos no utilizados (quizs porque
se codificaron con una velocidad demasiado baja o con longitudes demasiado
largas) y de los demasiado cargados: ambos extremos pueden indicar errores
de codificacin. La impresin o mejor, el ploteo de algunos rboles de ruta
mnima tambin puede ser til para la verificacin de la red; del mismo modo
la individualizacin de recorridos ms breves dispersos y de los nodos no alcan-
zables puede ser de ayuda para identificar posibles causas de problemas.
Si algunos recorridos pareciesen demasiado improbables se debera mejorar
la conexin de los centroides a la red, aunque debe tenerse en cuenta que en con-
diciones de congestin otros recorridos pasarn a ser atractivos para los usuarios
y por lo tanto sern utilizados por stos. En el caso de modelos de asignacin
de mayor detalle (microsimulacin), pueden detectarse posteriormente proble-
mas adicionales ya que la cantidad de datos es ms numerosa. Ello tambin
es vlido en la asignacin de transporte pblico donde la conexin a las para-
das de los autobuses o a las estaciones es crtica para una buena representa-
cin de la eleccin del recorrido. Lo mismo ha de decirse para las infraestruc-
o,
turas intermodales, para las frecuencias y para las velocidades. La regla base
es pues: antes de ir a la siguiente fase en la comprobacin del modelo, se ha de
estar seguro de que todos los datos observables (medibles), estn representados
correctamente sobre la red. Entonces lo primero es comprobar la conectividad,
posteriormente los atributos de los arcos y despus los datos detallados, por
ejemplo, los flujos de saturacin, la regulacin semafrica, etctera.
La adaptacin de la funcin de coste generalizado. Se trata aqu de
determinar los pesos asignados al tiempo, a la distancia y a cualquier otra va-
riable incluida en la funcin de coste generalizado (tipologa del arco, calidad
del escenario en el que se viaja, etc.). Como criterio de ajuste se podra utilizar
un estadstico con forma de Chi-cuadrado:

flujos observados - flujos modelizados
flujos observado
a a
( )
2
ss
a
a
Cuanto ms bajo es el valor de este estadstico mejor es el ajuste (menor el

error). Esto puede ser aplicado a los conteos en el cordn o a grupos de conteos
de trfico sobre la parte de la red considerada como ms crtica, por ejemplo, la
que se refiere a las calles principales y a las secundarias. El valor del estadstico
para toda la red tambin proporciona un indicador de adaptacin general.
Normalmente un buen punto de partida consiste en suponer que solamente
el tiempo explica la eleccin del recorrido; si se utiliza esta hiptesis, se ha de
ejecutar completamente el modelo de asignacin con la matriz del ao base y,
posteriormente, se calcula el estadstico indicado anteriormente. A continua-
cin se inicia de nuevo la ejecucin del modelo con un incremento del peso
asociado a la distancia (o a otros factores) y se recalcula el estadstico de modo
que se puedan elegir los parmetros que proporcionen la mejor adaptacin. Ha
de resistirse a la tentacin de mejorar el ajuste de cada paso con una variacin
trivial de la velocidad del arco o de la penalidad de giro, ya que stas reducen
el valor del modelo para realizar previsiones. Los errores efectivos descubiertos
en esta fase deben, naturalmente, ser corregidos; el modelo debera ser luego
tambin re-elaborado para el resto de los coeficientes del coste generalizado.
Cabe sealar que el estadstico propuesto lneas atrs da un peso mayor a
la misma diferencia absoluta si se trata de bajos niveles de f lujo que
a los ms altos. Si no se desea que esto suceda, se debe calcular el indicador para
diferentes intervalos de flujo. El porcentaje de infra o supravaloracin de flujos
Asignacin
1o
puede proporcionar algunas indicaciones de la distorsin que si persiste debera
ser estudiada ms a fondo. Tambin ha de sealarse que si las capacidades de
arco estn bien identificadas y codificadas y hay una considerable conges-
tin, la asignacin de equilibrio tiende a proporcionar una buena adaptacin
a los flujos observados, hasta el punto de disfrazar algunos errores presentes
en los dems submodelos.
Otra forma complementaria de comprobar la buena calibracin de una red
es mostrar en un grfico los tiempos de recorrido en el modelo con aquellos
observados en la red mediante vehculo flotante. Para ello se seleccionan nor-
malmente tramos con unos cinco o ms arcos para obtener tiempos de recorri-
do significativos y que no dependan mucho de variaciones en las demoras en
intersecciones.
Hay evidencia de que diferentes tipos de usuarios asignan pesos distintos a
los componentes del coste generalizado; por ejemplo, los viajes de los vehculos
pesados son ms sensibles a la distancia y a la pendiente que los coches. En
este caso, las clases deberan ser asignadas separadamente en la red utilizando
coeficientes apropiados a cada caso.
En el caso del transporte pblico los pesos relativos del tiempo andando, de
espera y a bordo del vehculo son parte del proceso de calibracin. Las penalida-
des de intercambio o transbordo desarrollan un papel parecido y proporcionan
un elemento adicional para hacer que el modelo sea ms realista.
Los conteos de pasajeros en el transbordo y en las paradas deberan con-
siderarse separadamente para la calibracin de estos pesos. Una aproximacin
similar a la de Sush et al. (1990) podra ser conveniente para mejorar el ajuste
una vez que el resto de los errores de la funcin de coste generalizado fueran
reducidos a lo mnimo. lvarez (1995) ha estudiado con buenos resultados un
mtodo de optimizacin analtica para conseguir el mejor ajuste del modelo
de asignacin.
Afinamiento del modelo de asignacin. Se trata aqu de investigar para
obtener los mejores parmetros de dispersin en un modelo de asignacin
estocstica. Esta fase debera ser desarrollada con particular cuidado, ya que
segn la implementacin, estos parmetros pueden tener diferentes interpre-
taciones y dimensiones. La documentacin de los programas de clculo debe
examinarse en detalle para guiar este proceso, pues cada paquete difiere en
sus detalles prcticos.
Modelos detallados de asignacin a nivel urbano como los que se describen
en el prximo captulo, proporcionan oportunidades adicionales para refinar el
11
modelo de asignacin. Estos modelos son mucho ms poderosos pero tambin
pueden, inadvertidamente, ocultar errores ms sustanciales en el proceso de
codificacin. Ejemplos de este tipo son el ajuste de los parmetros de acepta-
cin de brechas en intersecciones, la representacin de las maniobras de giro
obstaculizadas en los semforos, etc. Debera prestarse particular atencin
para asegurar que estas correcciones correspondan a las actuales condiciones
de la ingeniera del trfico y no manipular simplemente los parmetros para
mejorar el ajuste del modelo.
Ha de tenerse presente que ningn modelo de asignacin reproducir exac-
tamente las observaciones. Siempre habr variaciones y errores en los conteos
de trfico y en las matrices de viaje, as como un porcentaje del comportamiento
real de eleccin de ruta quedar sin explicar. Lo que realmente importa, sin
embargo, es que los costes resultantes sean lo ms precisos posibles y que el
modelo constituya una base vlida para comparar alternativas a nivel tctico
o estratgico.
EJERCICIOS
10.1. La red vial representada en la figura 10.10 conecta dos zonas residen-
ciales, A y B, con dos centros comerciales importantes, L y M. Los tiempos
de viaje entre los nodos se indican en minutos y todos los arcos son de doble
sentido. Supngase que inicialmente los costes de estos arcos son indepen-
dientes del nivel de trfico.
5 13
13 9
9
9
9 7 7 15
7 3
7
7 3
9
9
11
12
12
11
11
2
2
A C F L
M
I
B D
E H K
G J
Figura 10.10. Red simple para el ejercicio 10.1.
Utilizar un procedimiento sistemtico para encontrar los recorridos ms a)
rpidos entre los orgenes A y B y los destinos L y M; calcular los corres-
pondientes tiempos de viaje.
Asignacin
1:
Durante la hora punta del sbado por la maana el nmero de vehculos b)
que viajan de A y B hacia L y M son los siguientes:
A L = 600 A M = 400
B L = 300 B M = 400
Estimar los flujos de trfico sobre cada arco en el perodo considerado.
Supngase ahora que los tiempos de viaje sobre cada arco aumentan en c)
0,02 minutos para cada vehculo/hora. Utilizar una tcnica incremental
de carga de la red para obtener un conjunto de flujos calculados con res-
triccin de capacidad. Calcular los tiempos de viaje finales por cada par
O-D.
Utilizar una tcnica iterativa de carga de la red para obtener los flujos y d)
los costes en las condiciones indicadas en el punto (c).
10.2. Un rea de estudio contiene dos zonas residenciales A y B y tres
zonas de actividad laboral J, K y L. Las zonas estn conectadas por una red
vial como la indicada en la figura 10.11, en la que adems se sealan los costes
de viaje en ambas direcciones; se supone adems que los costes son indepen-
dientes de los flujos de trfico.
4 8 5 5 5
5 5 7 5
4
4 4
4 6
4
3 6 7
2 2
2
A
C F L I
B
D
E H K
G J
Utilizar un procedimiento sistemtico para obtener las rutas de mni- a)
mo coste entre los nodos A y B y los destinos J, K y L y obtener la matriz
de costes de viaje C.
El nmero total de viajes con origen y destino en cada zona en la hora b)
punta de la maana es:
1
Origen Viajes Destino Viajes
A 1.000 J 700
B 2.000 K 1.000
L 1.300
Ejecutar un modelo gravitacional restringido a origen en el que la funcin
de friccin sea proporcional a exp (0,1 C
ij
) y obtener la matriz de viajes.
Utilizar esta matriz para calcular los flujos en todos los arcos de la red.
Ejecutar un modelo gravitacional doblemente acotado con el mismo tipo de c)
funcin de friccin y obtener una nueva matriz de viajes y flujos de trfico.
Contrastar los resultados conseguidos en los casos (b) y (c).
10.3. Considrese la red elemental representada en la figura 10.12 en la
que hay 100 vehculos/hora entre A y X y 500 entre B y X. Los tiempos de
viaje en funcin del flujo se indican en la figura en minutos y el flujo q en
vehculos/hora.
t = 10 + 0,001 q
t = 3,4 + 0,001 q t = 12,0 + 0,001 q
t = 2,0 + 0,01 q
t = 1,0 + 0,001 q
A C X
B D
E
Utilizar una tcnica incremental de carga de la red con fracciones del 40, a)
30, 20 y 10% del total de la demanda para obtener una aproximacin a la
asignacin de equilibrio.
Utilizar una tcnica iterativa de carga de la red para conseguir el mismo b)
resultado. Cuntas iteraciones son necesarias para alcanzar un buen nivel
de convergencia?
11.
Equilibrio entre oferta y demanda
11.1. INTRODUCCIN
E
n el Captulo 10 se han expuesto las tcnicas de asignacin a transporte
pblico y privado identificando las dos motivaciones principales por
las que, en la prctica, la demanda entre un mismo par O/D se reparte
entre diferentes rutas. La primera de ellas se refiere a la diferente per-
cepcin de los costes del arco y de viaje por parte de los usuarios. La segunda
hace referencia a los efectos de la congestin, y para estudiar este problema y
como esquema general de referencia, se utilizaron los principios de Wardrop.
En particular el primer principio de Wardrop afirma que bajo condiciones de
congestin los usuarios entre un mismo par O/D se reparten entre diferentes
recorridos hasta que ninguno pueda reducir su propio coste de viaje cambiando
el recorrido; y si todos los usuarios perciben los costes de la misma manera,
quedan establecidas las condiciones de equilibrio a partir de las cuales todas
las rutas o recorridos utilizados entre dos puntos tienen el mismo y mnimo
coste y todas aquellas no utilizadas tienen costes iguales o mayores.
Las tcnicas de asignacin sobre redes congestionadas, tal y como se ex-
puso en el anterior captulo, tratan de aproximarse a este tipo de equilibrio.
Se ha comprobado que estos mtodos heursticos a menudo fracasan a la hora
de alcanzar el verdadero equilibrio de Wardrop. Es por ello que este problema
merece una atencin ms profunda. En el epgrafe 11.2 se estudiar la asigna-
cin de equilibrio mediante una estructura de programacin matemtica ms
rigurosa, aunque en dicho epgrafe slo se har referencia al caso en que los
costes en un arco nicamente dependen de los flujos que recorren ese mismo
arco; en ese mismo epgrafe tambin se tratar el equilibrio estocstico y so-
cial. En el apartado 11.3, en cambio, se extender la asignacin de equilibrio
a los problemas en que el coste en un arco, o las posibles demoras, dependan
de los flujos del resto de los arcos de la red. Esta formulacin ms general es
1o
apropiada para redes urbanas, donde las demoras en las aproximaciones, por
ejemplo a una rotonda, dependen ms que nada de los flujos que circulan en
la interseccin. En el subttulo 11.4 se extender el tratamiento de equilibrio a la
eleccin modal y al modelo de distribucin; el objetivo en este caso es asegurar
que los tiempos de viaje implcitos en los costes utilizados para ejecu tar estos
modelos sean coherentes con los obtenidos durante la asignacin. Sin embargo,
como se ha visto en el caso de la asignacin, en condiciones de congestin con
mtodos que ajustan slo velocidades, la simple iteracin de los ltimos tres
submodelos no garantiza convergencia a condiciones de equilibrio. En este
epgrafe se describen algunos de los mtodos ms interesantes, aportndose
asimismo algunas consideraciones prcticas sobre este tema. Por fin en el
epgrafe 11.5 se tratar el problema de la modelizacin del horario de salida
mediante la extensin de las formulaciones estudiadas, para as tener en cuenta
esta importante reaccin conductual.
11.2. EL EQUILIBRIO
En este epgrafe se exponen los mtodos concebidos concretamente para lo-
grar soluciones del modelo de asignacin del trfico que satisfagan el primer
principio de Wardrop. Para afrontar esta problemtica se seguir una combi-
nacin de aproximaciones intuitivas y analticas, aunque en estas ltimas no
se profundizar ms all de lo necesario para saber utilizar las tcnicas de
asignacin de equilibrio. Los lectores interesados en los aspectos ms tericos
de la asignacin de equilibrio pueden consultar el excelente libro de Sheffi
(1985) o ms recientemente el texto de Bell y Iida (1997).
11.2.1. Enfoque de programacin matemtica
Antes de todo, se han de tener en cuenta algunas propiedades intrnsecas del
equilibrio de Wardrop, y en particular la que se refiere a que todos los recorri-
dos utilizados (para cada par O-D) deberan tener el mismo coste de viaje
(mnimo), y todos los recorridos no utilizados deberan tener costes superiores
o al menos iguales. Esto puede escribirse como:

c
C T
C T
ijr
ij ijr
ij ijr
>
>
* *
* *

0
0
1;
donde
{
T
*
ijr}
es un conjunto de flujos de ruta que satisface el primer principio
del equilibrio de Wardrop, de forma que todos los costes han sido calculados
despus de que T
*
ijr
hayan sido cargados. En este caso los flujos vienen dados
por:

V T
a ijr
ijr
ijr
a
o

(11.1)
donde
a
ijr
vale 1 si la ruta r entre i y j utiliza el arco a y cero en otro caso. El
coste a lo largo de una ruta o recorrido puede calcularse como:

C c V
ijr ijr
a
a a
a
o ( )
*

(11.2)
Aunque Wardrop present este principio en 1952, tuvieron que pasar cuatro
aos ms para que Beckman et al. (1956) propusieran un esquema riguroso para
expresar dicho principio en trminos de programacin matemtica; y pasaron
algunos aos ms hasta que fue propuesto y probado un algoritmo vlido para
las aplicaciones prcticas.
El enfoque de programacin matemtica expresa el problema de obtener
el equilibrio de Wardrop en trminos de minimizacin de una funcin objeti-
vo sometida a restricciones que representen las propiedades de los flujos. El
problema puede escribirse as:

Minimizar
Z T C
ijr a
V
a
a

( ) u u d
0

(11.3)

s.a.
T T
ijr ij
r

(11.4)
T
ijr
0
(11.5)
Es importante destacar que la funcin objetivo corresponde a la suma de
las reas debajo de las curvas de coste-flujo para todos los arcos de la red.
El por qu (11.3) es un objetivo razonable de minimizacin que satisface el
equilibrio de Wardrop, es algo que se tratar de demostrar ms adelante; antes
es necesario considerar las propiedades generales de este problema de progra-
macin matemtica.
Las dos restricciones (11.4) y (11.5) han sido introducidas para asegurar
que slo se opera en el espacio de soluciones factibles, es decir con flujos de
ruta no negativos provenientes de la matriz de viajes. El papel de la segunda
18
restriccin (no negatividad de los viajes) es importante pero no esencial a este
nivel de discusin del problema. El lector interesado en este problema puede
recurrir al libro de Sheffi o a los clsicos artculos sobre este tema como los
de Fernndez y Friesz (1983), y Florian y Spiess (1982).
Se puede demostrar que la funcin objetivo Z es convexa ya que sus deri-
vadas primera y segunda no son negativas. En efecto:

o
o

o
o

( )
o
o
[
Z
T T
C
V
C
V
T
ijr ijr
a
V
a
a
a
a
V
a
a
ijr
a
( ) ( ) ) u u u u d
d
d
d
0 0
pero de (11.1) se tiene:

o
o

V
T
a
ijr
ijr
a
o
Ahora, como V
a
slo depende de T
ijr
si el recorrido pasa por este arco,

d
d
d
V
C C V
a
a a a
V
a
( ) ( ) u u
[
0
se tiene que

o
o

Z
T
C V c
ijr
a a
a
ijr
a
ijr
( )o

(11.6)
la derivada segunda de Z con respecto del flujo de ruta es:
o
o

o
o

o
o

2
2
Z
T T
C V
C V
V
V
T
C
ijr ijr
a a
a
ijr
a a a
a
a
a
ijr
ijr
a
( )
( )
o o
d
d
d
aa a
a
a
ijr
a
ijr
a
V
V
( )
d
o o

(11.7)
Esta expresin slo es mayor o igual a cero si la derivada de la relacin
coste-flujo es positiva o cero. sta es una condicin general de convergencia
del equilibrio de Wardrop a una solucin nica. El significado de esta con-
dicin es que las curvas de coste-flujo no deberan tener secciones donde los
costes decrezcan cuando los flujos aumenten: deben ser curvas de crecimiento
monotnico.
Ya que el problema identificado por (11.3) a (11.5) es un problema de opti-
mizacin restringida, su solucin se puede encontrar utilizando el mtodo de
Lagrange. El Lagrangiano se puede escribir as:
1,

L T Z T T T
ijr ij ijr ij ij ijr
r ij
,| |
( )
( )
+
,
,
]
]
]

(11.8)
donde
ij
son los multiplicadores de Lagrange que corresponden a las restric-
ciones (11.4).
Derivando (11.8) con respecto a
ij
se obtiene, naturalmente, la corres-
pondiente restriccin. Derivando con respecto a T
ijr
e igualando a cero (para
optimizar), se tiene:

o
o

o
o

L
T
Z
T
c
ijr ijr
ij ijr ij
| |
Dos posibilidades con respecto del valor de T
*
ijr
ptimo. Si T
*
ijr
= 0:

o
o

L
T
ijr
0 , ya que la funcin es convexa
Si T
*
ijr
0 entonces:

o
o

L
T
ijr
0
Esto puede ser trasladado a las siguientes condiciones de optimalidad:

|
|
ij ijr ijr
ij ijr
c ijr T
c ijr
* *
*
,
,
s V
V
donde

0
donde T
ijr
*
> 0
En otras palabras,
ij
*
ha de ser igual a los costes a lo largo de las rutas con
T
ijr
positivo y debe ser menor (o al menos igual) a los costes a lo largo de las
dems rutas (por ejemplo, donde T
ijr
= 0). Por tanto,
ij
*
es igual al coste mnimo
de viaje de i a j:
ij
*
= c
ij
*
.
En este sentido, el conjunto de T
ijr
*

que minimiza (11.7) tiene las siguientes
propiedades:

c c T
c c T
ijr ij ijr
ijr ij ijr
> V
V >
* *
* *

0
0
por tanto la solucin satisface el primer principio de Wardrop.
:o
Ejemplo 11.1: considrense el recorrido urbano y la circunvalacin del
ejemplo 10.4. La figura 11.1 muestra la relacin coste-flujo, de forma que el
rea sombreada es la funcin objetivo que se desea minimizar. Naturalmente
un modo para minimizar dicha rea es tener un flujo igual a cero, es decir
V
b
= V
t
= 0; en todo caso esta solucin es trivial y tambin de escaso inters.
Lo que se desea conseguir es una solucin que satisfaga el total de la demanda
(2.000 vehculos) como se indica en la figura 11.2, en la que las dos funciones
de flujo ahora estn situadas en el mismo eje de abscisas pero desarrolladas en
direccin opuesta, separadas por el flujo total que debe ser distribuido entre
las dos rutas.
Coste
30
500 1.000
20
10
0
0
V
Coste
30
500 1.000
20
10
0
0
V
Figura 11.1. Curvas de coste-flujo para la circunvalacin y para el recorrido urbano.
En la figura 11.2a es fcil ver que la suma de las reas cubiertas por las cur-
vas de coste-flujo es mnima para C
b
= C
t
; como puede verse en la figura 11.2b
cualquier desplazamiento desde la igualdad aade una nueva seccin de rea.
Como se aprecia, la solucin de equilibrio comporta un flujo circulante por el
centro de la ciudad de 600 vehculos y 1.400 por la circunvalacin. Merece la
pena resaltar que el coste para cada recorrido es de 22 minutos y el coste total
en la red es de 44.000 vehculos-minuto.
En esta explicacin de la asignacin de equilibrio se han omitido algunos
detalles como por ejemplo, el de la unicidad de la solucin. En efecto, puede
demostrarse que slo los costes de arco c
a
*
, los costes interzonales c
ij
*
y los
flujos de arco V
a
*
son nicos en el punto ptimo de equilibrio. Los flujos de
ruta T
ijr
*

no son, en general, nicos. Esto significa que puede haber muchas
combinaciones de rutas y de viajes que las utilizan, que producen el mismo
flujo de arco as como que soportan el mismo coste de arco; como todos los
:1
recorridos utilizados (para un par O-D) tienen el mismo coste mnimo, los
totales de los costes interzonales son los mismos. Ello se puede comprender
fcilmente si se piensa en diferentes zonas con origen externo que producen
viajes en la entrada de la interseccin A y posteriormente salen a diferentes
destinos en la interseccin B, como puede verse en la figura 11.2; aunque estos
viajes puedan distribuirse en diferentes modos entre las rutas del centro ciudad
y de la circunvalacin, en condiciones de equilibrio, los flujos en arcos y los
costes de arco permanecern iguales.
10 10
20 20
30 30
40
0
2.000
500
1.500
1.000 1.500
500
2.000
0
40
50
C
b
(a)
V
t
V
b
C
t 50
0 0
10 10
20 20
30 30
40
0
2.000
500
1.500
1.000 1.500
500
2.000
0
40
50
C
b
(b)
V
t
V
b
C
t 50
0 0
Figura 11.2. Equilibrio en una red simple.
11.2.2. Mtodos solucin
En el epgrafe anterior se ha descrito el problema matemtico de asignacin de
equilibrio y se ha mostrado la importancia de su correcta resolucin. El pro-
blema de programacin matemtica no es lineal y puede resolverse de varias
::
formas. Aunque la teora de la asignacin de equilibrio requiera cierta base
matemtica resulta que las aplicaciones de estos principios y algoritmos de
solucin son relativamente sencillos. El algoritmo ms comnmente utilizado
se debe a Frank y Wolfe, y se considera una importante mejora de los mtodos
iterativos heursticos tratados en el epgrafe 10.5.4.
11.2.2.1. Algoritmo de Frank-Wolfe
Seleccionar un conjunto inicial idneo de costes de arco, generalmente 1.
tiempos de viaje C
a
(0) a flujo libre. Al inicio del proceso hacer todos los
flujos V
0
a
= 0; tambin n = 0.
Construir el conjunto de rboles de mnimo coste con los costes de que se 2.
dispone; hacer n = n + 1.
Cargar toda la matriz 3. T sobre estos rboles con el mtodo todo o nada; de
este modo se consigue un conjunto de flujos auxiliares F
a
.
Calcular los flujos correspondientes: 4.
V
n
a
= (1 )V
n
a
1
+ F
a
eligiendo de modo tal que el valor de la funcin objetivo Z sea mnima.
Calcular un nuevo conjunto de costes de arco en base a los flujos 5. V
n
a
; si los
flujos (o los costes de arco) no se han modificado significativamente en dos
iteraciones consecutivas, se para; en otro caso se vuelve al paso dos.
Con respecto al mtodo iterativo heurstico, la principal mejora reside
en el paso 4, donde se calcula utilizando una formulacin de programa-
cin matemtica en lugar de reglas predefinidas. Esta forma de proceder es
suficiente para garantizar una convergencia eficiente hacia el equilibrio de
Wardrop.
El algoritmo de Frank-Wolfe puede visualizarse como una aproximacin de
tipo descendente al problema de la minimizacin de la funcin objetivo. Una
forma de explicar este enfoque es asimilarla al conjunto de reglas que deben
seguirse para encontrar el punto ms bajo de un valle cerrado envuelto en
una espesa niebla (o ms concretamente quizs, encontrar la cima de una
montaa en un da de espesa niebla), pero en este caso, las reglas expuestas
anteriormente se deben utilizar en una direccin de subida en lugar de en una
de descenso. El conjunto idneo de reglas para el problema de la bsqueda del
valle es:
:
Elegir la direccin que parezca ms idnea para descender; con niebla densa 1.
(nmero de puntos denso), dicha direccin depender esencialmente de la
topografa local.
Caminar en la direccin elegida hasta que se comience a subir de nuevo. 2.
Detenerse momentneamente en este punto, elegir otra direccin de pen- 3.
diente que permita descender y progresar como en el punto 2 hasta que se
llegue a un punto en el que no haya ms direcciones de descenso. En este
caso se habr llegado al fondo del valle.
Lo citado hasta aqu es lo que bsicamente ha de realizarse para utilizar
el algoritmo de Frank-Wolfe, aunque en un espacio no expresamente tridi-
mensional sino evidentemente multidimensional. En cada paso de la iteracin
se tiene una posible solucin factible (una posicin en el valle) de forma que
el algoritmo utiliza la ltima asignacin todo o nada para proporcionar una
direccin de descenso. Con este fin, la utilizacin de dicha asignacin todo
o nada en la ltima asignacin puede contemplarse como una aproximacin
local para minimizar la funcin objetivo Z. Puesto que la solucin factible
se precisa para el flujo de ruta {T
ijr
}, Frank-Wolfe busca una segunda posi-
ble direccin atractiva {W
ijr
} utilizando una aproximacin lineal de Z (mediante
desarrollos en serie de Taylor):

Z W Z T
Z
T
W T
ijr ijr
ijr
ijr ijr
ijr
' ( )
( )
( )
+
o
o

( )
+

Z T C W C T
ijr ijr ijr ijr
ijr
ijr
ijr

(11.9)
Aqu el nico trmino que no es fijado por la solucin factible {T
ijr
} es
C
ijr
W
ijr
por tanto si se desea minimizar una aproximacin local de Z se deben
elegir los recorridos o rutas W
ijr
tales que minimicen los correspondientes
multiplicadores C
ijr
. Una forma de hacerlo es elegir rutas que sean factibles
a coste mnimo, por ejemplo las de la asignacin todo o nada con los costes
ms recientes.
En trminos generales el algoritmo de Frank-Wolfe tiende a converger r-
pidamente en las primeras iteraciones, pero ms lentamente cuando se acerca
al ptimo. ste es un problema bien conocido y para agilizar la convergen-
cia, se han sugerido varias mejoras; vase, por ejemplo, el trabajo de Arezki
(1986).
:
11.2.3. Equilibrio social
Todo lo tratado hasta aqu aplica en gran parte el primer principio de Wardrop
a los problemas del equilibrio del usuario (UE). El segundo principio de War-
drop especifica que los usuarios deberan elegir rutas que minimicen los costes
totales (o el coste medio para una matriz fija). sta es una solucin de ptimo
social y es una receta para el planificador que no trata de representar el com-
portamiento espontneo de los usuarios.
Es fcil ver que el segundo principio de Wardrop puede ser incluido en un
programa matemtico del siguiente tipo:

Minimizar
S T V c
ijr a a
a

( ) u

(11.10)
s.a. (11.4) y (11.5).
La funcin objetivo tambin puede expresarse de la siguiente forma:

Minimizar
S T Cm
ijr a
V
a
a

0
( ) u u d

(11.11)
donde Cm
a
es el coste marginal de viajes en el arco a.
Este problema puede resolverse con una simple adaptacin del algoritmo
de Frank-Wolfe, consistente en reemplazar la funcin objetivo utilizada en la
estimacin de los parmetros en el paso 4 por (11.10) o por (11.11). Es sencillo
ver que en la solucin a este problema los costes marginales de todas las rutas
utilizadas entre dos puntos son iguales y mnimos.
Las soluciones de estos dos problemas no son las mismas; en otras palabras,
el equilibrio (egosta) del usuario genera soluciones con costes totales ms altos
que en el caso del equilibrio social. La diferencia est en los efectos externos
debidos a la congestin. El usuario percibe slo su coste individual y no dis-
tingue las demoras adicionales generadas a otros usuarios como consecuencia
de la incorporacin de su vehculo al arco. La tarificacin vial urbana por con-
gestin (road pricing o peaje urbano), en particular en su versin electrnica,
representa una forma de lograr que dicho usuario perciba este coste marginal
en lugar de su coste medio individual.
Ejemplo 11.2: sea de nuevo el problema del recorrido urbano y la circun-
valacin considerada en ejemplos anteriores, se trata de obtener el modelo de
:
flujo que minimiza el total del gasto (o dicho de otra forma, en el caso de una
matriz fija de viajes, minimizar la media de los costes de viaje). Los costes
totales son:

E V V
b b b
+ ( ) 15 0 005 ,

para la circunvalacin

E V V
t t t
+ 10 0 02 , (( )
para el centro ciudad
y los respectivos costes marginales son:

o
o
+ ( )
o
o
+ ( )
E
V
V
E
V
V
b
b
b

15 0 01
10 0 04
,
,
t
t
t
Igualando los dos trminos y sabiendo que V
b
+ V
t
= 2.000 se puede resolver
el sistema y encontrar as las condiciones de equilibrio social:
Ruta urbana Circunvalacin Total
Flujo 500 1.500 2.000
Coste marginal 30 30
Coste medio 20 22,5
Coste total 10.000 33.750 43.750
Observar que el coste total sobre la red ahora es de 250 vehculos-minuto
menos que el que haba en la solucin del equilibrio del usuario obtenida en
el ejemplo 11.1. Naturalmente no se puede esperar que, con estos valores, los
usuarios elijan la circunvalacin, en cuanto a que, indudablemente, algunos de
ellos podrn reducir su coste de viaje eligiendo la ruta urbana. Para conseguir
el ptimo social deberan incrementarse los costes de los usuarios que pasan
por el centro de la ciudad en 2,5 minutos, por ejemplo haciendo pagar este
hecho en forma de un peaje. Ello representara sencillamente un traslado de un
consumo privado a uno colectivo con el resultado de ahorrar en la utilizacin
de los recursos (tiempo y combustible).
:o
11.2.4. Asignacin de equilibrio estocstico
Hasta ahora se han tratado los modelos de asignacin estocstica pura as como
los de asignacin de equilibrio del usuario. En el primer caso se ha visto que
la distribucin de flujos entre las rutas que conectan dos puntos se produce
por la variabilidad en la percepcin de los costes de ruta; en el segundo caso
en cambio, se debe a los efectos de las restricciones de capacidad. En realidad,
ambos tipos de efectos desarrollan su papel correspondiente en la eleccin de
ruta. Los modelos que prueban a incluir ambos efectos se denominan modelos
de equilibrio estocstico del usuario (Stochastic User Equilibrium o SUE en
ingls) y buscan las condiciones de equilibrio en que:
cada usuario elige la ruta de mnimo coste de viaje percibido: en otras pala-
bras, bajo condiciones de SUE ningn usuario puede reducir el coste propio
percibido de recorrido y por tanto todos quedan sobre su recorrido factible.
La diferencia entre equilibrio estocstico y de Wardrop es que en el modelo
SUE cada conductor define el coste de viaje individualmente en lugar de utilizar
una sola definicin de costes aplicable a todos los conductores.
Estos modelos que incorporan propiedades estocsticas y de equilibrio son
tericamente atractivos aunque presentan dificultades operativas y prcticas
de aplicacin. Desde un punto de vista prctico su principal dificultad reside
en las propiedades de convergencia de estos algoritmos.
Para examinar este problema, la convergencia se define de la siguiente
manera: un algoritmo de asignacin se dice convergente si:
comenzando con un conjunto particular de costes de arco C
a
, por ejemplo
costes a flujo libre en la primera iteracin y los costes calculados en funcin
de los flujos en la segunda iteracin y
asignando una matriz, en base a reglas especficas, por ejemplo las del algo-
ritmo de Dial, y produciendo nuevos flujos de arco {V
a
}, resulta que:
C
a
= C
a
{V
a
}
En otras palabras, los costes que resultan de los nuevos flujos son prctica-
mente los mismos que los utilizados para encontrar las rutas y la asignacin de
trfico. Si el algoritmo no convergiese, la solucin (flujos y costes) dependera
del momento de parada del proceso iterativo, puesto que sera una decisin
arbitraria. Diferentes analistas que afrontasen este mismo problema pero que
:;
realizasen diferente nmero de iteraciones, encontraran costes diferentes y
evidentemente en el caso de que se estuviese evaluando un proyecto de trans-
portes, esto no sera una caracterstica deseable.
Puede demostrarse que, bajo circunstancias especficas, se pueden formular
algoritmos SUE convergentes (Sheff 1985). De hecho, un algoritmo prctico
para elaborar un modelo de asignacin SUE es justamente una extensin del
mtodo de promedios sucesivos (algoritmo MSA) descrito en el epgrafe 10.5.4.
Este algoritmo puede describirse como se indica a continuacin:
Considerar el conjunto de costes factibles 1. C
a
= C
a
(0), es decir, los costes de
viaje a flujo libre; hacer V
a
= 0 para todos los arcos a, y tambin n = 0.
Hacer 2. n = n + 1 y construir un conjunto de rboles de mnimo coste con
los costes factibles.
Asignar el total de la matriz de viajes a la red utilizando los rboles cons- 3.
truidos en el paso anterior con un mtodo estocstico apropiado, por ejem-
plo Burrell; se obtienen los flujos auxiliares F
a
.
Calcular los flujos factibles como: 4.
V
n
a
= (1 )V
n
a
1
+ F
a
con = 1 / n
Hallar un nuevo conjunto de costes de arco factibles en base a los flu- 5.
jos V
n
a
; si los flujos o los costes factibles de arco no se han modificado
significativamente en dos iteraciones consecutivas, parar; en caso contrario,
volver al paso 2.
Este algoritmo siempre tiende a producir pequeas variaciones en los flujos
y en los costes en cuanto a que es pequeo para valores grandes de n. Sin
embargo, es importante confirmar que se converge a la solucin correcta SUE.
Sheffi (1985) demostr que este algoritmo converge a una solucin SUE en
el lmite, es decir despus de un nmero elevado de iteraciones, quizs 500 o
ms. La convergencia de este algoritmo no es montona porque la direccin de
la bsqueda slo es descendiente en promedio. La velocidad de convergencia
depende del nivel de congestin de la red y del parmetro de dispersin.
La convergencia del algoritmo MSA para un problema SUE es bastante
lenta en redes congestionadas. Sheffi (1985) demostr tambin que para redes
muy congestionadas, el equilibrio del usuario (UE) proporciona una buena
aproximacin al SUE y converge ms rpidamente. Ello sugiere que el empleo
de SUE slo podra ser ventajoso para problemas de asignacin en redes poco
o medianamente congestionadas.
:8
11.3. EXTENSIN DE LA ASIGNACIN DE EQUILIBRIO
11.3.1. Limitaciones de los mtodos clsicos
En los epgrafes anteriores han sido descritos los mtodos clsicos ms impor-
tantes para la asignacin del trfico. Antes de estudiar mtodos ms detallados
y de algn modo avanzados, es til analizar las principales limitaciones de
estas aproximaciones.
11.3.1.1. Limitaciones debidas a la modelizacin de la red con nodos y arcos
Estas limitaciones son debidas a diferentes razones: a la agregacin de los
destinos representados por los centroides individuales (efectos finales), a los
giros penalizados y a prohibiciones no precisadas en la red, al hecho de que no
todos los arcos reales son considerados en una red (red incompleta), y an ms
al hecho de que los viajes intrazonales no estn tratados completamente.
El principal problema de las redes incompletas se produce en los arcos muy
congestionados, en cuanto a que algunos viajes de media-larga distancia pueden
utilizar calles secundarias (atajos): en este caso, la introduccin de mejoras en
la red puede aliviar la congestin atrayendo algunos de estos viajes que podran
parecer viajes generados cuando no lo son. Aunque la conexin de la red a
los nodos centroides se efecta con mucha atencin, los efectos finales son
inevitables. Ello hace que los flujos de arco estimados en las proximidades
de los conectores al centroide sean menos fiables, tendiendo probablemente a
sobrevalorar los mismos.
Una forma de tratar mejor las demoras en intersecciones es expandir los
nodos de modo que estn representadas todas las maniobras de giro (vase el
ejemplo de la figura 11.3) y luego penalizar o eliminar los arcos que representan
maniobras prohibidas. Pueden, por tanto, penalizarse ciertas maniobras particu-
larmente complicadas. Por ejemplo una vuelta en redondo puede penalizarse
asocindole un tiempo o coste mayor. Existen excelentes programas de software
que proporcionan formas semi-automticas para realizar esta expansin y que
permiten eliminar o penalizar maniobras. Alternativamente, este paso debe ser
realizado a mano durante la fase de construccin de la red. Aun as, es bastante
difcil que todas las maniobras de giro sean representadas correctamente en
su verdadero coste.
Por otro lado, el tratamiento de los viajes intrazonales origina problemas
puesto que algunos de dichos viajes pueden utilizar en la realidad arcos prin-
:,
cipales de la red y, sin embargo, no aparecer en la red modelizada. Es difcil
desarrollar un buen mtodo que tenga en cuenta esta cuestin en la asignacin.
Las complicaciones originadas por estos problemas son an ms difciles
de tratar cuando las zonas son grandes y la representacin de la red dispersa.
Como siempre, una definicin ms detallada de la red y del nmero de zonas
aumenta el realismo de la simulacin pero tambin los costes de adquisicin
y elaboracin de los datos.
11.3.1.2. Errores en la definicin de los costes medios percibidos
Ciertamente no existen en la literatura al respecto suficientes estudios sobre
cmo estos errores pueden variar con el tiempo, con el motivo del viaje, con
su longitud, con el ingreso, con la capacidad de previsin y con el mbito de
referencia. An ms, cuando se desea prever los componentes del coste, por
ejemplo los consumos de carburante, se suelen realizar hiptesis simplistas
que, efectivamente, pueden dar lugar a errores posteriores.
11.3.1.3. No todos los viajeros perciben los costes del mismo modo
Los mtodos estocsticos permiten considerar este fenmeno aunque de forma
aproximada en cuanto a que, por razones econmicas, el nmero de elementos
de aleatoriedad debe ser limitado. Otra posibilidad para tratar este fenmeno
consiste en considerar diferentes clases de usuarios, cada una con su propio
conjunto de costes percibidos. En efecto, se puede expresar un problema de
asignacin determinstica de equilibrio con mltiples clases de usuarios, cada
una con su propio conjunto de parmetros para definir los costes percibidos de
arco; vase, por ejemplo el trabajo de Laurent (1998). En este caso la conver-
gencia a una solucin nica se consigue bajo las mismas condiciones que las
(a) (b)
Figura 11.3. Representacin de una interseccin como simple nodo (a), y con un
grfico expandido representativo de los giros (b).
o
requeridas para el problema del usuario individual. Adems el problema y la
solucin pueden tambin extenderse a modelos de demanda elstica, combina-
cin de eleccin modal y asignacin. Existen varios paquetes software como
SATURN y EMME/2 (INRO, 1996) que ofrecen esta flexibilidad.
Los modelos para mltiples clases de usuarios (cada uno con diferente
disponibilidad a pagar por una mejora del servicio) son a menudo cruciales en
los estudios de demanda para el sector privado en el caso de concesiones de
servicios ferroviarios y carreteras de peaje. En efecto, en el caso de carreteras
con peaje determinados usuarios pueden tener una mayor disponibilidad a
pagar por el servicio porque sus costes estn cubiertos por sus empresas; otros
usuarios, sin embargo, pueden ser muy sensibles al precio, como las personas
de ingresos bajos o que tienen limitados sus recursos disponibles. Estas cate-
goras de usuarios se pueden representar bien en los modelos, pero obviamente
es necesario disponer de serios estudios de preferencias declaradas/reveladas
para determinar los parmetros correctos de cada caso.
11.3.1.4. Hiptesis relativa a la disposicin de informacin perfecta
acerca de los costes en todas las partes de la red
Aunque esta hiptesis es comn a todos los modelos es, evidentemente, op-
timista en exceso, al menos hasta que los viales que conforman las redes a
estudio sean suficientemente informatizados. Los mtodos usuales ignoran
algunos efectos importantes, como el hecho de que los conductores slo tienen
informacin parcial acerca de las condiciones de trfico sobre la ruta en fun-
cin de la ltima vez que pasaron por ella, as como de los problemas en otros
puntos de la red dependiendo de la propia experiencia, de la predisposicin a
utilizar nuevas rutas y del empleo de servicios de informacin sobre el trfico.
Adems, est demostrado que muchos usuarios a la hora de elegir ruta estn in-
fluenciados fuertemente por la sealizacin vial y que, a veces, las calles indi-
cadas no son las ms convenientes (Wootton et al., 1981). La influencia de la
sealizacin vial mediante mensajes variables y de las tecnologas avanzadas
de ayuda a la definicin de rutas en parte de la flota vehicular son elementos
a considerar en futuros modelos de asignacin de trfico (ver varios artculos
sobre este tema en Papageorgiou, 1991).
11.3.1.5. Variacin diaria de la demanda
Las variaciones diarias de la demanda impiden en la prctica que se alcance
un verdadero equilibrio. En este sentido, el equilibrio de Wardrop representa
1
el comportamiento medio si todos los viajeros pensaran del mismo modo y
tuvieran informacin perfecta. Su solucin en todo caso, tiene la propiedad de
la estabilidad y su interpretacin es lo suficientemente apreciable para justi-
ficar su uso eficiente en la prctica. Aun as, es slo una aproximacin de las
condiciones de trfico en un da cualquiera y esto debe tenerse en cuenta al
interpretar los resultados.
Anlogamente, la demanda de viajes as como los flujos son tambin va-
riables a lo largo del da. Ello hace que los modelos diarios (24 horas) sean
mediocres en trminos tanto de asignacin como de tiempo y coste. Para la
modelizacin y la asignacin en las reas urbanas congestionadas es esencial
la consideracin de perodos punta y valle; aunque tambin en ese caso se sabe
que la congestin vara en torno a la hora punta muy rpidamente, afectando
a los tiempos de viaje y a su fiabilidad.
Adems, para el mismo viaje, 10 minutos de retraso en salir pueden producir
un retraso mucho mayor a la llegada a destino porque durante este tiempo ha
aumentado la congestin en la red. Los costes sobre los arcos cambian dinmica-
mente en respuesta al trfico; algunos usuarios conocen muy bien este fenmeno
y planifican por tanto sus desplazamientos, en cambio otros no tienen suficiente
experiencia para hacerlo. En realidad, los problemas de eleccin de ruta dependen
fuertemente del tiempo, siendo necesario indicar a este propsito que las aplica-
ciones de las tcnicas de asignacin dinmica estn progresando rpidamente.
11.3.1.6. Estimacin imperfecta de los cambios en el tiempo de viaje
con los cambios en los flujos estimados en los arcos
Este problema es en parte debido a la naturaleza de las relaciones coste-flujo
utilizadas. Como ya se expuso en el epgrafe 10.1.3, es normal aceptar que el
tiempo de viaje sobre el arco slo dependa de los flujos de ese mismo arco. Sin
embargo, se ha visto que en las reas urbanas, las demoras en un arco dependen
tambin en general de los flujos en otros arcos de la red. ste es el caso de in-
tersecciones con prioridad por seal de Stop o Ceda el Paso, por ejemplo. Este
aspecto ser estudiado ms adelante, ya que se requiere una modelizacin ms
exhaustiva de dichas demoras con respecto a las consideradas en las curvas
convencionales de flujo.
11.3.1.7. Errores en los datos de entrada
La exactitud de un modelo de asignacin tambin depende del rigor de otros
componentes y en particular de la confiabilidad de la matriz de viajes que va
:
a ser cargada. As, pueden producirse errores a la hora de convertir matrices
de pasajeros en flujos de vehculos y este hecho contribuye a limitar dicha
exactitud. An ms, ya se ha visto que rara vez es posible contar con matrices
de viaje altamente confiables.
11.3.2. Mtodos de interaccin entre intersecciones
Como ya se ha citado anteriormente, algunas de las hiptesis simplificatorias
implcitas en los modelos clsicos de asignacin del trfico hacen que tales
modelos no sean suficientemente reales, sobre todo para reas urbanas conges-
tionadas. En efecto, para mejorar los modelos de eleccin de ruta y asignacin,
se debera mejorar la modelizacin de las demoras en intersecciones as como
sus aspectos dinmicos. Adems deben considerarse las interacciones entre
el control del trfico y la seleccin de ruta, as como tambin tratar separada-
mente las diferentes clases de vehculos. A continuacin se tratarn una a una
estas cuestiones.
11.3.2.1. Mejoras en la modelizacin de las demoras
Hasta ahora se ha considerado el trfico como una variable continua que opera
bajo condiciones de estacionalidad. En realidad el trfico est compuesto por
entidades discretas (vehculos) que forman colas en las intersecciones y em-
botellamientos en mbito urbano. Si un modelo particular de asignacin carga
sobre una interseccin un trfico superior a su capacidad, es muy probable que
los flujos aguas abajo de la interseccin resulten sobreestimados; esto ocurre
porque el modelo no reconoce el lmite superior de capacidad de la interseccin
y por tanto los flujos estimados por dicho modelo aguas abajo sern mayores
que los reales. Como consecuencia algunos recorridos que podran utilizar estos
arcos pueden ser ignorados por el modelo. El tratamiento simplista hace que las
demoras se estimen mal y se omitan recorridos potenciales importantes.
En este caso son necesarios dos tipos de mejoras. La primera consiste en
considerar la naturaleza fsica de las colas en las intersecciones y sus efectos
en la limitacin del trfico aguas abajo; la segunda en modelizar el hecho de
que, cuando la demanda crece y decrece antes, durante y despus de la hora
punta, las colas en las intersecciones dependen del tiempo. El segundo problema
puede ser tratado utilizando modelos de colas en funcin del tiempo como los
propuestos por Kimber y Hollis (1979). Estas aproximaciones modelizan la
forma en la que los atascos y las demoras cambian a medida que se desarrolla

la demanda de trfico en el tiempo, y tambin tienen en cuenta la presencia de
las colas al principio del perodo de inters.
El primer problema, en cambio, requiere un modelo fsico de formacin de
los atascos, lo cual puede lograrse con una simple conversin de los vehculos
de la fila a lo largo de la misma o, en modelos ms detallados, a travs de la
simulacin de las colas actuales. Un aspecto crucial se refiere a la capacidad de
representar las situaciones en las que una cola comienza a atascar, aguas arriba,
una interseccin y las demoras adicionales que origina sobre otros flujos.
11.3.2.2. Naturaleza dinmica de la formacin de las colas y sus efectos
sobre la eleccin de ruta
ste es un problema difcil que modelos como SATURN (Hall et al., 1980)
resuelven dividiendo los perodos de estudio en intervalos ms pequeos, usual-
mente 10 15 minutos, y luego estudiando cada intervalo de tiempo como
un problema de asignacin en condiciones estacionarias. De esta forma se
pueden capturar algunos de los efectos propios del aumento de la congestin,
aunque se acepta que todos los vehculos en el mismo intervalo estn some-
tidos al mismo conjunto de costes. Otros modelos asignan los vehculos bien
sea individualmente o bien en pequeos grupos (paquetes), distribuyndolos
secuencialmente durante cada intervalo de tiempo. Este enfoque, seguido por
ejemplo por CONTRAM (Leonard y Gower, 1982) proporciona una represen-
tacin mejor de las demoras que los vehculos soportan en cada fase de su paso
en la red. Es sabido que SATURN no trata los vehculos individualmente sino
como parte de un pelotn simulado en una porcin de tiempo menor del minuto
(1 a 5 segundos). En ambos casos, los correspondientes modelos presentan un
elevado nivel de detalle y por tanto son clasificados como modelos de (meso)
simulacin. No obstante ambos se basan an en la hiptesis de informacin
perfecta sobre las condiciones del sistema.
11.3.2.3. Interaccin entre control del trfico y demoras
ste es un problema difcil de tratar correctamente y en detalle. Muchas reas
urbanas de gran dimensin tienen sistemas de control del trfico (ATC), es
decir, control informatizado de los semforos para reducir las demoras y, en
algunos casos, para organizar atractivas ondas verdes. Tales sistemas se
planifican para hacer frente de modo satisfactorio a los actuales esquemas de
trfico y pueden permitir un 10-20% de ahorro de tiempo con respecto de las
situaciones sin coordinacin semafrica. El problema es que el patrn de flujos

de trfico (conjunto de flujos en los arcos), depende del conjunto de las mejores
rutas disponibles; stas dependen, a su vez, de los tiempos de los semforos
de cada interseccin. Sin embargo, algunos modelos que intentan combinar
asignacin y control del trfico han enfrentado serios problemas; vase por
ejemplo Allsop y Charlesworth (1977) y Smith (1979, 1981).
Una solucin consiste en establecer un problema de asignacin con regula-
ciones semafricas fijas, conseguir un conjunto futuro de flujos de arco y luego
ejecutar un software como TRANSYT (Robertson, 1969) para optimizar la
regulacin de estos flujos. El proceso debera repetirse con los nuevos tiempos
de semforo, lo que generara nuevas rutas y flujos, con la esperanza de que
estas iteraciones converjan a una solucin estable y autoconsistente. En este
caso, el problema es que la solucin depende considerablemente del punto de
partida; en efecto, si por ejemplo un corredor resultase muy utilizado en la pri-
mera iteracin, TRANSYT producira temporizaciones semafricas tendentes
a reducir demoras, aumentando as el nmero de viajes que usan el corredor
en el futuro. En los problemas de asignacin/control de trfico esta forma de
proceder tiende tambin a favorecer soluciones del tipo todo-nada.
11.3.2.4. Mltiples clases de vehculos
En el caso de modelos detallados de asignacin, coches, autobuses, camiones y
vehculos a dos ruedas necesitarn probablemente un tratamiento diferenciado.
La evaluacin de su impacto debe ser separada: sus impactos ambientales son
diferentes, pueden estar sometidos a esquemas especficos de organizacin del
trfico (por ejemplo, restriccin en la circulacin de camiones) y pueden utilizar
diferentes criterios para la eleccin de ruta o para la minimizacin de los costes
monetarios en lugar del tiempo. Los modelos clsicos de asignacin del trfico
consideran una matriz individual de viajes apta para ser representada bien por
unidad de coches equivalentes (PCUs) o bien por combinaciones apropiadas de
matrices de vehculos y sus valores PCU. Existen diferentes modelos capaces
de tratar separadamente tres o ms clases de vehculos e incluso permitir el
empleo selectivo de los arcos, de las maniobras de giro y de los costes; ver
por ejemplo Van Vliet et al. (1987). Un ejemplo particular es el que se refiere
a los vehculos obligados a seguir un recorrido especfico, principalmente los
autobuses. En este caso usualmente son precargados a la red, de forma que sus
impactos puedan ser considerados sobre el resto del trfico para los objetivos
de asignacin.

11.3.2.5. Fiabilidad del tiempo de viaje
La variabilidad y poca confiabilidad del tiempo de viaje en las reas urbanas
congestionadas se ha convertido en un problema significativo para muchos
tipos de desplazamientos. A medida que el trfico crece en las redes particu-
larmente cargadas es especialmente difcil estimar el tiempo de viaje requerido
para desarrollar un desplazamiento determinado. En estos casos, los usua-
rios deben planear una holgura adicional para evitar, por ejemplo, perder un
avin o una reunin de negocios. En cambio, en el caso de otras actividades
los usuarios pueden aceptar sencillamente las consecuencias negativas de los
retrasos previstos: viajes de compras o turismo. Los beneficios derivados de in-
crementar la fiabilidad del tiempo de viaje y los ahorros significativos de re-
cursos producidos por ello, son un argumento usualmente utilizado para es-
tablecer tasas o precios de circulacin en ciudades congestionadas. Por ello,
para poder desarrollar funciones de coste generalizado idneo que incorporen
estos efectos, pueden utilizarse datos de preferencias declaradas/reveladas,
los cuales permiten calcular un valor subjetivo de la fiabilidad del tiempo de
viaje. Obviamente es necesario definir una medida de tal fiabilidad, como por
ejemplo, la desviacin estndar esperada del tiempo de viaje o el coeficiente
esperado de la variacin del tiempo de viaje. Cabe destacar el nfasis sobre la
medida subjetiva de la variabilidad del tiempo de viaje.
Una exigencia igualmente importante consiste en desarrollar modelos que
ligan la variabilidad del tiempo de viaje con la congestin y las condiciones
de la oferta (con servicios para la gestin de los incidentes, redundancia de la
red, etc.). Indicar aqu que, por diferentes razones, sta es un rea de investi-
gacin poco desarrollada. Ante todo hace falta sealar que la adquisicin de
datos a menudo es una actividad muy cara, en cuanto a que para poder notar
variaciones sistemticas y aleatorias es necesario disponer de viajes o despla-
zamientos repetidos (mismo tiempo de salida, mismo origen y distancia) sobre
un amplio nmero de das; y ello debe ser repetido para diferentes horarios del
da y para muchos pares O/D.
En segundo lugar, es preciso destacar que los modelos de oferta tienen que
ser razonablemente simples para que sean de utilidad en los modelos estratgi-
cos a gran escala, o sensibles a instrumentos clave de poltica (nuevas medidas
de control del trfico, paneles de mensajes variables, recorridos guiados) para
la planificacin tctica de detalle.
Willumsen y Hounsell (1998) proporcionan un estudio general que puede
ser utilizado en los modelos estratgicos en el mbito de una intervencin de ta-
o
rificacin vial por congestin. En este estudio se utiliz un nmero considerable
de observaciones relativas a una red congestionada (Londres) y se extendieron
sus valores ejecutando simulaciones con ms de 2.000 pares O/D y durante un
gran nmero de das. Como variables independientes fueron seleccionadas el
tiempo de viaje actual (JT), el tiempo de viaje a flujo libre (FFTT) y un ndice
de congestin definido como CI = JT / FFTT.
Fueron calibrados diferentes modelos para estimar las desviaciones estndar
del tiempo de viaje segn diferentes condiciones de congestin, y para obtener
un buen compromiso entre sencillez y realismo los autores recomendaron el
siguiente modelo:
= 0,9FFTT
0,87
(CI 1)
En trminos prcticos el modelo ofrece una forma simple que relaciona
la desviacin estndar del tiempo de viaje con las condiciones de la red y es
relativamente insensible a la longitud del viaje, presentando por tanto una buena
adaptabilidad tambin en contextos diferentes del de Londres. La ventaja de esta
forma de resolver el problema es que la variabilidad del tiempo de viaje puede
ser estimada despus de la asignacin y luego incorporada dentro de los dems
modelos de eleccin (eleccin de la hora del da, del modo y del destino).
De este modo pueden evitarse complejas interacciones entre congestin,
variabilidad del tiempo de viaje y elecciones de recorrido.
11.3.3. Simulacin y equilibrio
En los epgrafes anteriores han sido expuestos dos de los modelos ms cono-
cidos para planificar detalladamente esquemas de organizacin del trfico
urbano, los modelos CONTRAM y SATURN. Otro modelo de esta extensa
familia es NETSIM (Lieberman, 1981), utilizado principalmente en EE.UU.
Con respecto a los modelos clsicos estudiados anteriormente, estos modelos
de simulacin resultan ms laboriosos en trminos de adquisicin de datos,
calibracin y recursos de ordenador. Sin embargo, los datos requeridos son, en
todo caso, necesarios para planificar cualquier esquema de gestin del trfico,
y hoy en da hay versiones disponibles para ordenador personal. Sin embargo,
en la eleccin del modelo a utilizar juegan un papel importante aspectos como
los requisitos en trminos de recursos del ordenador, formacin, calibracin,
validacin e interpretacin de los resultados. Adems, es necesario destacar
que los modelos de simulacin no son el nico instrumento con que es posible
;
estudiar las exigencias particulares de una asignacin de trfico en las reas
urbanas. En efecto, se han desarrollado tambin modelos ms simples basados
en aproximaciones ms clsicas para afrontar problemas como la interaccin
arco-interseccin y, en alguna medida, la formacin dinmica de las colas. Un
ejemplo de estos modelos es TRIPS (MVA Sistemtica, 1982). No es objetivo
de este libro la exposicin ms detallada de estos paquetes comerciales.
Ser presentado no obstante, el ejemplo de SATURN con la finalidad de exa-
minar el modo en que estos modelos pueden afrontar el equilibrio de Wardrop.
En particular SATURN utiliza dos modelos complementarios (Van Vliet, 1982).
El primero es un modelo de simulacin basado en la utilizacin de perfiles de
flujo cclico para representar el movimiento de grupos (pelotones) de vehculos
sobre una red. Este modelo considera la interaccin de diferentes flujos en ro-
tondas y en intersecciones semaforizadas con preferencia, y utiliza informacin
relativa a los flujos sobre cada arco de la red para estimar capacidad, colas y
demoras. Por lo tanto, es necesario un modelo de asignacin para cargar una
matriz de viajes sobre una red y para obtener una estimacin de flujos. En par-
ticular, para ello se utiliza un segundo modelo de asignacin que es capaz de
converger al equilibrio de Wardrop y al equilibrio estocstico. El enlace entre
los dos modelos se realiza a travs de los volmenes de los arcos (de la asig-
nacin a la simulacin) y a travs tambin de la curva velocidad/flujo (de la
simulacin a la asignacin), tal y como se ilustra en la figura 11.4.
El modelo de simulacin es utilizado, por lo tanto, para generar relaciones
idneas coste-flujos (curvas de coste-flujo) necesarias para la asignacin. Las
curvas son producidas para cada arco en trminos de volumen sobre el arco
mismo y tienen forma polinmica.
C(V
a
) = a
0
+ a
1
V
n
a
(11.12)
Datos de la red
Nueva curva coste-ujo
C
a
(V
a
) = a
0
+ a
1
V
a
n
Nuevos ujos de arco
Matriz de viajes
Asignacin
Simulacin
Figura 11.4. Ciclo simulacin-asignacin en el software SATURN.
8
Sin embargo, estas relaciones se calculan para el modelo de simulacin
usual de modo que se tenga en cuenta la interaccin y las restricciones gene-
radas por los flujos sobre otros arcos de la red. De hecho han de realizarse
varias iteraciones antes de que el recorrido entero converja hacia un conjunto
de flujos y costes congruentes entre ellos.
En trminos tericos, lo que SATURN intenta realizar es la diagonaliza-
cin de las curvas de coste-flujo. En redes congestionadas y bien conectadas
como las de las reas urbanas, el coste sobre el arco depende no slo del flujo
que transita por ese arco sino tambin de los dems flujos sobre la red (aunque
depender especialmente de los flujos que convergen en la misma interseccin).
Ello puede escribirse como:
C
a
= C
a
(V
1
, V
2
, , V
a
, V
n
)
Si se fijan todos los flujos excepto el existente en el arco V
a
y se vara V
a
de
cero a la capacidad de dicho arco a, se puede calibrar una curva de coste-flujo
que, en esta iteracin slo dependa de V
a
. Por lo tanto, se puede elaborar poste-
riormente un modelo de asignacin convencional de equilibrio de Wardrop utili-
zando por ejemplo, el algoritmo de Frank Wolfe y as conseguir un nuevo conjun-
to de flujos sobre todos los arcos y ejecutar de nuevo el programa de simulacin.
La condicin estricta para la convergencia de este tipo de esquemas requiere que
las demoras en un arco dependan principalmente de los flujos sobre dicho arco
y, en menor medida, de los flujos en el resto de los arcos (Sheffi, 1985). Sin
embargo, en la prctica, esta condicin se satisface rara vez ya que las demoras,
por ejemplo, en las intersecciones con preferencia o en las rotondas dependen,
sobre todo, de los flujos de los arcos que tienen la preferencia (los flujos circu-
lantes respectivos en las rotondas y en las calles principales).
Ejemplo 11.3: sea la sencilla red de la figura 11.5 que corresponde a dos
rutas desde un origen a un destino que convergen en un nodo. El flujo total es
de 100 vehculos de A a Z.
Se considera primeramente el caso en el que ambos flujos se entrelazan
(merge); por tanto las demoras en cada arco tambin dependen de los flujos en
el otro arco. Se supone ahora que las curvas de coste-flujo son las siguientes:

C V V V V
C V V V V
1 1 2 1 2
2 1 2 2 1
8 0 3 0 2
13 0 4 0 2
( , ) , ,
( , ) , ,
+ +
+ +
,
El problema se puede resolver encontrando un punto de equilibrio en
V
1
= 83,5 y V
2
= 16,5 con un coste mnimo de 36,35. No obstante, es til una
representacin que muestre el intervalo de valores de V
1
, su coste de arco y el
coste total:
V
1
C
1
C
2
Coste total
0 28,0 53,0 5.300
10 29,0 51,0 4.880
20 30,0 49,0 4.520
30 31,0 47,0 4.220
40 32,0 45,0 3.980
50 33,0 43,0 3.800
60 34,0 41,0 3.680
70 35,0 39,0 3.620
80 36,0 37,0 3.620
83 36,3 36,4 3.632
84 36,4 36,2 3.633
90 37,0 35,0 3.680
100 38,0 33,0 3.800
Como puede verse, la solucin es un punto de equilibrio nico y estable.
Si algunos flujos se desplazan por el arco 2, se incrementa la demora en dicho
A
V
1
V
2
Z
Figura 11.5. Red sencilla con una interseccin con preferencia.
o
arco y por lo tanto los usuarios volvern a la ruta original. Lo mismo sucede
si se desplaza ms trfico al arco 1. El hecho de que el coste total sea mnimo
en otro punto, aproximadamente para V
1
= 75, es otro ejemplo de la diferencia
entre equilibrio social y equilibrio individual del usuario.
Considere ahora un problema levemente diferente con el mismo tipo de
red. Ahora la interseccin prev que quien provenga del arco 1 ha de ceder el
paso; el flujo procedente del arco 2 tiene la preferencia de paso y por tanto su
tiempo de viaje no depende del flujo sobre el arco 1. La nueva relacin ser
entonces:

C V V V V
C V V V
1 1 2 1 2
2 2 1 2
8 0 1 0 2
20 0 05
( , ) , ,
( , ) ,
+ +
+

Puede utilizarse el mismo tipo de tabla para ilustrar las posibles soluciones
de este problema de asignacin. En este caso la solucin V
1
= 60 y V
2
= 40 no es
estable. El traslado de flujo al arco 1 har disminuir los costes en el arco 1 ms
rpidamente que en el arco 2, as que se vuelve a la solucin V
1
= 100 y V
2
= 0.
Sin embargo, el traslado del flujo al arco 2 tiene el efecto opuesto, incrementa
ms lentamente los costes sobre el arco 2 que sobre el arco 1 conduciendo,
por tanto, a otra solucin: V
1
= 0 y V
2
= 100. Estas dos soluciones extremas son
estables, aunque no con costes iguales en cada ruta, y representan equilibrio
del usuario ya que los costes de las rutas no utilizadas son mayores que los
costes sobre las rutas utilizadas.
Cualquier desviacin de estos puntos extremos producir nuevos costes que
llevarn la solucin al punto de partida. Es importante destacar que las ecua-
ciones elegidas son sencillas pero no improbables, y tambin que la ecuacin
de los flujos sin preferencia muestra que la demora depende principalmente
del flujo en el arco con preferencia, contraviniendo por tanto, el requerimiento
bsico para una solucin nica.
V
1
C
1
C
2
Coste
0 28 25,0 2.500
10 27 24,5 2.475
20 26 24,0 2.440
30 25 23,5 2.395
40 24 23,0 2.340
1
50 23 22,5 2.275
60 22 22,0 2.200
70 21 21,5 2.115
80 20 21,0 2.020
90 19 20,5 1.915
100 18 20,0 1.800
El hecho de que la solucin V
1
= 100 sea preferible porque tiene un coste
total menor, es relevante slo en trminos de diseo de la red. Por ejemplo,
se puede pretender estimular a los usuarios a que elijan el arco 1 e ignorar el
arco 2. Sin este consejo, los usuarios pueden elegir la forma de generar uno u
otro de los dos puntos extremos o bien uno de ellos en una determinada oca-
sin particular y el otro el da siguiente. En realidad puede ocurrir que no se
converja a una solucin estable de equilibrio; buenos modelos de asignacin
pueden no converger sencillamente porque representan bien esta caracterstica
de la realidad.
SATURN y los modelos del mismo tipo, por tanto, pueden considerarse
solamente como un enfoque razonable prctico del equilibrio ideal de Wardrop
en las reas urbanas congestionadas. Normalmente dichos modelos ofrecen
indicadores prcticos para estimar cun cerca del equilibrio se encuentra la
solucin en un paso cualquiera. Para planificar medidas de gestin del trfico
u otras intervenciones en las reas urbanas, los modelos de simulacin repre-
sentan, sin embargo, el estado del arte en la asignacin detallada del trfico.
11.3.4. Asignacin al transporte pblico con congestin
En el captulo anterior ha sido tratada la asignacin del transporte pblico con
costes fijos. Ello significa que los costes del arco no dependen del nmero de
pasajeros a bordo del autobs o del tren, no habiendo limitaciones a la capacidad
de carga de cada unidad. Este enfoque es razonable en todos aquellos casos
en los que el objetivo del proceso de planificacin es proporcionar suficiente
capacidad para todos los pasajeros en la ruta seleccionada. Con ello se tiene
la ventaja de facilitar la solucin de los problemas de asignacin al transporte
pblico.
Hay, sin embargo, situaciones en las que no es posible proporcionar al trans-
porte pblico una capacidad ilimitada que evite la congestin, o simplemente
:
que tal capacidad no est disponible en el ao de referencia del anlisis. En
estos casos la eleccin de ruta por parte de los pasajeros probablemente est
influenciada por la aglomeracin a bordo de los vehculos; algunos viajeros
se desplazarn de los recorridos abarrotados a otros menos congestionados
aunque estos ltimos resulten menos atractivos en trminos de tiempo y coste
de viaje.
Este epgrafe enfoca los problemas de asignacin en los que los tiempos
de viaje en el arco no son constantes. La dependencia de los costes de arco del
flujo de pasajeros puede adoptar diferentes formas. Desde el punto de vista
de encontrar una solucin, las formas ms convenientes de dicha dependencia
son funciones continuas no decrecientes de los correspondientes flujos en los
arcos. Esta dependencia entre coste del arco y la demanda de transporte pblico
puede representar una disminucin efectiva de velocidad del vehculo a causa
del nmero de pasajeros o puede ser interpretada como un coste generalizado
que incluye un trmino de falta de confort que aumenta a medida que el
vehculo se encuentra ms abarrotado.
En este contexto, el problema de asignacin al trfico no es separable del
nodo de destino, ya que los costes de arco dependen del total del flujo de pa-
sajeros. El volumen total del transporte colectivo es la suma de los volmenes
directos hacia cada uno de los destinos. Debido a que el coste esperado para
cualquier estrategia dada no es fijo, sino que depende de los volmenes tota-
les, slo las estrategias con el mnimo coste esperado sern utilizadas por los
viajeros (Wardrop, 1952).
Spiess (1984) expone cmo el problema anterior puede ser formalizado y
solucionado aplicando el mtodo de aproximaciones lineales sucesivas (Frank
y Wolfe, 1956). Una ventaja importante de este mtodo es que han de ser
computados y memorizados slo los volmenes totales, ya que los volmenes
dependientes de los destinos se tratan implcitamente. Este enfoque se puede
implementar en un software como el EMME/2, por ejemplo.
Una variante de este proceso se utiliz para modelizar el abarrotamiento
en el metro de Londres (para el London Transport). En lugar de utilizar una de
las funciones de congestin por defecto basadas en la capacidad nominal, se
modific el proceso incluyendo el perfil actual de densidad de los trenes y carga
de los pasajeros durante los perodos punta (Abraham y Kavanagh, 1992).
Sin embargo hay condiciones en las que no es razonable aceptar que los cos-
tes de arco slo dependan del nivel de pasajeros en el arco. Por ejemplo, la de-
mora en las paradas puede depender del nmero de pasajeros a bordo (autobs,

tren/metro), ya que algunos pasajeros quizs no puedan embarcar. En este caso
las demoras o los costes generalizados en el arco dependern significativamente
tambin de los flujos en el resto de los arcos: la situacin puede ser parecida
en las demoras originadas en las intersecciones viales.
En estos casos la modelizacin de la congestin debera realizarse utili-
zando funciones de coste generalizado asimtrico. Aqu el tiempo de espera
percibido por un servicio (lnea) para un pasajero que tiene que embarcar,
depende del nmero de pasajeros a bordo as como la demora del vehculo en
la parada depende de los pasajeros que suben y bajan. Tal fenmeno es real;
sin embargo, su inclusin en los modelos de asignacin resulta en que la con-
vergencia hacia una solucin nica no est garantizada.
De Cea y Fernndez (2000) han desarrollado un modelo de equilibrio
multimodal con mltiples clases de usuarios que incorpora funciones de coste
generalizado asimtrico para la asignacin al transporte pblico (y sin embargo,
simtrico para asignacin vial). El modelo combina destino, eleccin de modo
y asignacin en una funcin de equilibrio. El destino y la eleccin modal se
tratan mediante una formulacin logit jerrquico (destino en nido superior), y
el problema se combina con la asignacin de equilibrio con restricciones de ca-
pacidad. El problema es formulado como una desigualdad variacional de forma
que para su solucin se utiliza un algoritmo de diagonalizacin. Aun recono-
ciendo que no hay garanta de convergencia a una solucin nica, los autores
afirman haber llegado a dicha convergencia en todas las aplicaciones por ellos
realizadas. Esta cuestin es una extensin importante del ya sofisticado modelo
ESTRAUS para Santiago.
11.4. EQUILIBRIO DEL SISTEMA DE TRANSPORTES
11.4.1. Introduccin
La tipologa de los problemas de equilibrio tratada en los prrafos anteriores
se refiere a un modo individual de transporte en la red. Este tipo de com-
portamientos puede modelizarse utilizando el primer principio de Wardrop
para posteriormente, y con un algoritmo idneo, identificar las rutas y los
flujos de forma tal que los costes generados sean consistentes para todos
los usuarios. Como se ha citado antes, tambin es vlido un principio pareci-
do en los problemas de congestin o de capacidad de las redes de transporte
pblico.
El problema resulta ser ms complejo cuando se tienen en cuenta las interac-

ciones entre dos o ms modos. stos pueden adoptar las siguientes formas:
Congestin generada por los coches, influye en el tiempo de viaje de los
autobuses en ciertas rutas y, por ello, modifica las estrategias de asignacin
de los usuarios de transporte pblico; la congestin generada por los auto-
buses (y los sistemas de LRT en la calle) y las maniobras a la hora de parar
influyen evidentemente en la capacidad y en la velocidad de los coches y,
por tanto, en sus elecciones de ruta.
Interacciones debidas a las operaciones park-and-ride y kiss-and-ride
por los autobuses y los sistemas guiados o con carriles exclusivos. La ven-
taja de estos modos combinados de transporte depender de la conges-
tin vial, de la frecuencia del servicio y de las tarifas modales y de aparca-
miento, tambin teniendo en cuenta que todos estos factores estn, por lo
general, mutuamente interrelacionados.
Las aproximaciones prcticas a este problema generalmente son del tipo de
las tratadas en el epgrafe 10.5, referentes a los ajustes de velocidades. Se acepta
inicialmente que el tiempo de viaje en bus y sus volmenes en la red son fijos
y conocidos; se asignan los coches a la red en equilibrio y los viajeros a la red
de transporte colectivo resultando en nuevas frecuencias y nuevos tiempos de
viaje; se repite el proceso hasta que se alcanza un equilibrio. Naturalmente si
no se est dispuesto a modificar las frecuencias de los autobuses en relacin a
la demanda, el problema puede converger rpidamente.
Para el transporte combinado el problema es ms difcil porque sus
usuarios, a causa de la congestin en la red vial, pueden decidir cambiar su
estacin de park-and-ride y ello, a su vez, determina una variacin de los ni-
veles mismos de congestin. Aunque en la situacin actual fueran pocos los
viajes combinados, no incluirlos en los procedimientos de equilibrio puede dar
lugar a graves problemas en previsiones anuales de redes seriamente conges-
tionadas (ver ESTRAUS, 1989).
En todos los casos estudiados en las lneas anteriores se ha supuesto como
hiptesis que la matriz de viajes se mantiene fija para cada modo (demanda
inelstica). Sin embargo, como se ha tratado en captulos precedentes, dicha
hiptesis de matriz fija debe ser tratada con cautela, al menos cuando se estn
considerando cambios relevantes en la red de transporte o cuando se refiera a
horizontes lejanos de planificacin. En efecto, es necesario aceptar el hecho de
que en algunos casos la demanda es en particular elstica con respecto de los

costes de viaje y de ruta, lo cual comporta la necesidad de considerar la influen-
cia de la congestin y de las demoras en la eleccin de modo y de destino.
A este nivel de anlisis, la eleccin modal se modeliza usando los tiempos
de viaje de cada modo y cada par O-D. Si los tiempos de viaje y demoras cam-
bian como resultado de la asignacin, el modelo deber ejecutarse nuevamente
para obtener un reparto modal ms consistente. Ello tambin es vlido para los
modelos de distribucin de viajes en los que el tiempo representa una variable
explicativa importante de la funcin de friccin o impedancia.
Procediendo as se llega a tener un conjunto anidado de modelos en los
que es necesario asegurar que los costes de viaje utilizados en todos ellos
sean consistentes entre s. Una estrategia iterativa ingenua: ejecutar todos los
modelos, obtener nuevos tiempos de viaje y repetir el proceso hasta la conver-
gencia, tiene todas las caractersticas de ser una aproximacin no-convergente.
En efecto, es probable que las oscilaciones entre los diferentes valores sean
una caracterstica ms o menos recurrente de este tipo de tcnicas; es por ello
deseable usar soluciones ms robustas.
Una de las mejores reseas del estado del arte sobre estos modelos est
en Fernndez y Friesz (1983). Antes de comenzar a sintetizar este trabajo se
van a exponer algunos ejemplos para entender correctamente cmo se puede
desarrollar la modelizacin de equilibrio.
11.4.2. Combinacin de eleccin modal y asignacin
Para afrontar razonablemente los problemas hasta aqu indicados puede pro-
cederse a englobar el mayor nmero posible de submodelos en uno solo, sobre
todo si en el mismo proceso se incluye la asignacin.
Es importante sin embargo, no comprometer demasiado el realismo de la
modelizacin para la bsqueda del equilibrio, sobre todo en las decisiones a
corto plazo.
Sea primeramente el problema general en que una curva tpica de demanda
puede invertirse para expresar los costes de viaje en funcin del nmero de
viajes C
ij
= g
ij
(T
ij
), tal y como se muestra en la figura 11.6.
Naturalmente los costes de viaje entre i y j no sern nunca iguales a cero,
por tanto es razonable suponer que habr un coste mnimo C
ij
min
asociado a un
valor mnimo de la demanda T
ij
m
. Es interesante intentar construir un modelo
que combine demanda y asignacin.
Considrese, en primer lugar, la siguiente funcin objetivo:
o

Minimizar

Z c g t t
a
V
a
a
ij
T
ij
ij

[
( ) ( ) u u d d
0 0

(11.13)
s.a.

T
T T
ijr
ij ijr
r
>
0

(11.14)

V T
a ijr ijr
a
ijr
o

(11.15)
La derivada de Z con respecto de T
ijr
es:

o
o

Z
T
C g
ijr
ijr ij
Figura 11.6. Curva de demanda invertida.
Demanda D
Coste C
Demanda D
C
min
D
mx
Coste C
;
Procediendo a analizar el comportamiento de Z con respecto a T
*
ijr
, resulta
que:

Si T
*
ijr
= 0, entonces
o
o
Z
T
ijr
0 y c
ijr
g
ij
(11.16a)

Si T
*
ijr
0, entonces
o
o

Z
T
ijr
0 y c
ijr
= g
ij
(11.16b)
Por lo tanto, si se utiliza una ruta particular, su coste viene determinado
por el valor en la curva de demanda, es decir:
g
ij
(T
ij
) = c
*
ij
La funcin de demanda invertida puede tener una forma muy general. Sin
embargo, en algunos casos, conseguir funciones analticas concisas puede ser
muy difcil.
Sea ahora el problema ms simple en el que slo se combinan la eleccin
del modo y la asignacin. En este caso el problema de asignacin con demanda
elstica se puede reformular como una extensin del problema de asignacin
con demanda inelstica.
Si T
ij
es el nmero total de viajes en todos los modos (transporte pblico
y privado) entre i y j, y T
c
ij
representa los realizados en coche, evidentemente
la demanda restante T
b
ij
= T
ij
T
c
ij
es satisfecha por transporte pblico. Para
cargar los viajes no realizados en coche pueden establecerse nuevos arcos
ficticios entre cada par O-D para representarlos configurando as una red am-
pliada.
Transporte pblico
A
B
Red base
T
T
b
T
c
1
T
c
2
T
Figura 11.7. Red ampliada.
8
Una simplificacin podra ser concentrar estos arcos ficticios en uno slo
para cada par O-D, como se indica en la figura 11.7.
Los viajes en transporte pblico pueden escribirse as:
T
b
ij
= T
ij

r
T
ijr
(11.17)
por lo que el problema de minimizacin queda:

Minimizar

Z c v v g t t g t t
a
V
a
a
ij
T
ij
ij
ij
T
ij
c
T
ij
ij
+
[
( ) ( ) ( ) d d d
0 0
sometida a las mismas restricciones (ver Gartner, 1980; Sheffi, 1985).
La primera integral es la funcin objetivo convencional de una asignacin
de equilibrio. La segunda es, en este contexto, una integral cuyos lmites son
dos constantes (0 y el nmero total de viajes) y, por tanto, puede ignorarse en
el proceso de optimizacin.
De esta forma, puede considerarse aqu una pseudo curva coste-flujo para
viajes en coche mediante un cambio de origen, es decir modificando los lmites
de integracin iniciales (del intervalo T
c
ij
a T
ij
al intervalo comprendido entre
0 y T
b
ij
).
g'
ij
(t) = g
ij
(T
ij
t)
con lo que la funcin objetivo puede ser escrita as:
Minimizar

Z c g t t
a
V
a
a
ij
T
ij
b
ij

[
( ) ( ) u u d d
0 0

(11.18)

sta es ahora una funcin objetivo compuesta en la que ambos trminos
pueden ser interpretados como el rea bajo la curva coste-flujo; en el segundo
caso, una pseudo curva coste-flujo. El problema, por tanto, ahora puede resol-
verse utilizando un algoritmo estndar de asignacin de equilibrio como el de
Frank-Wolfe. Sin embargo, no es necesario fijar una red ficticia explcitamente,
ya que slo es necesario construir la correspondiente curva coste-flujo, es decir:
Se construye una pseudo curva coste-flujo para cada par 1. i, j utilizando un
modelo existente de reparto modal, por ejemplo un logit binomial.
Se hace 2. n = 0; se asigna toda la T
ij
a las rutas de coste mnimo a flujo libre
y se denotan los flujos resultantes como V
a
sobre los arcos reales, y como
T
ij
(n) para los arcos ficticios.
,
Se hace 3. g'
ij
(n) = g'
ij [
T
ij
(n)
]
, es decir los pseudo costes de arco corrientes como
deducidos del total de los viajes menos el nmero de viajes en coche de i a j.
Se define una matriz 4. W
ij
(n) para asignar a la red real, tal que:

W n
T g n c
ij
ij ij ij
( )
( )
*
>
si
0 en otro caso

Se estiman las nuevas rutas de coste mnimo y se asigna la matriz 5. W
ij
(n)
sobre tales rutas para as obtener nuevos flujos de arco reales F
a
(n).
Se combinan los viajes entre 6. i y j y los flujos reales de la siguiente forma:

T n T n W n
V n V n F n
ij ij ij
a a a
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
+ +
+ +
1 1
1 1
| |
| |
donde es elegido para minimizar la funcin objetivo (11.18).
Se hace 7. n = n + 1 y se vuelve al paso 2 a menos que alguno de los criterios
de convergencia haya sido satisfecho, en cuyo caso se termina el proce-
dimiento.
En los pasos 3 y 4 se calculan los costes en la pseudo-curva de flujo y se
contrastan con los costes mnimos corrientes de la red real. Posteriormente,
si g'
ij
< c
*
ij
, se asigna T
ij
(total de los viajes) a los arcos ficticios; en otro caso, se
asignan a la red real. Es decir, se efecta una nueva asignacin auxiliar todo o
nada a la red ampliada utilizando el algoritmo de Frank-Wolfe. La implementa-
cin de este algoritmo slo requiere pequeas modificaciones en la codificacin
del mtodo de asignacin de equilibrio de Frank-Wolfe.
11.4.3. Mtodos de equilibrio para la eleccin de modo, destino y ruta
11.4.3.1. Combinacin de destino y asignacin
Este modelo deriva de la siguiente minimizacin:
Minimizar Z c T T
a
V
a
a
ij ij
ij

[

( ) ( ) u u
|
d
0
1
1 log

(11.19)
s.a.
T
ijr
0

j
T
ij
O
i
= 0
(11.20)
o

i
T
ij
D
j
= 0 (11.21)
Se puede demostrar que la ecuacin (11.19) es una funcin convexa y que,
utilizando el Lagrangiano, la solucin viene dada por:

T a b c
ij i j ij
* *
exp( ) |
donde la asignacin de equilibrio se utiliza para la estimacin de c
*
ij
.
Tambin se puede utilizar el algoritmo de Frank-Wolfe para resolver este
problema, aunque Evans (1976) ha estudiado un algoritmo ms eficiente que
comporta una solucin iterativa del modelo gravitatorio y del problema de
asignacin de equilibrio con demanda inelstica.
11.4.3.2. Combinacin de distribucin, reparto modal y asignacin
El paso siguiente consiste en combinar la distribucin, el reparto modal y la
asignacin en un esquema de optimizacin individual y resolver simultnea-
mente tres problemas. Este enfoque ha sido seguido por muchos autores, entre
ellos Florian y Nguyen (1978) que tienen en cuenta las ventajas del modelo com-
binado de distribucin y reparto modal tratado en el Captulo 6 para formular
el problema de la siguiente forma:
Minimizar Z T T T T u c
ij ij
ij
ij ij
ij
ij a
V
a
a
+ + +

[
t t u u
c c b b b
log log ( ) ( ) d
0

(11.22)
s.a.

( ) T T O
ij ij i
j
c b
+

(11.23a)

( ) T T D
ij ij j
i
c b
+

(11.23b)

T T
ijr ij
r
c c

(11.24)

V T V
a ijr
a
ijr a
ijr
+
o
c b

(11.25)
adems de las restricciones de no negatividad de T
c
ij
, T
b
ij
y T
c
ijr
donde los ndices
c y b se refieren respectivamente al modo coche y al modo transporte pblico,
y donde:
1
u
b
ij
es el tiempo de viaje en transporte pblico, considerado independiente
de los volmenes de trfico;
V
a
b
es la contribucin del trfico pblico a flujo libre en el arco a; puede
ser igual a cero para modos de transporte guiado restringido o con vas
reservadas;
Florian y Nguyen (1978) han demostrado que con las hiptesis usuales para
C
a
la funcin objetivo es la suma de funciones convexas y, por lo tanto, tambin
es convexa y el problema tiene, en general, una solucin nica de la forma:

T a b c
ij i j ij
c c
exp ( )
*
|

(11.26a)

T a b u
ij i j ij
b b
exp ( ) |

(11.26b)
Adems, el reparto modal se convierte en un logit binomial con parmetro
de escala . Dichos autores han desarrollado una adaptacin del algoritmo de
Frank-Wolfe para solucionar este problema. Su principal innovacin se refiere
al mtodo para encontrar la direccin de bsqueda utilizando un enfoque de
programacin lineal que se traduce en el algoritmo ms simple de Hitchcock
para los problemas de transporte en este caso. En efecto, este algoritmo en los
problemas de esta dimensin requiere pocos requisitos computacionales. El
algoritmo completo se puede sintetizar as:
Obtener una posible solucin inicial para 1. T
c
ij
, T
b
ij
y V
a
c
.
Para cada arco 2. a se computa el coste actualizado C
a
= C
a
(V
a
).
Para cada par O-D se determina la ruta ms corta 3. T
ij
; c
*
ij
c
es el coste de viaje
a lo largo de dicha ruta.
Calcular: 4.

C C T
C C T
ij ij ij
ij ij ij
c c c
b b b
log
log
+ +
+ +
*
*
t t
t t
Si 5. c
c
ij
> c
b
ij
hacer y
c
ij
= 0; en otro caso hacer y
b
ij
= 0.
Resolver el problema de transporte de Hitchcock para conseguir nuevas 6.
demandas auxiliares y
c
e y
b
.
Inicializar 7. w
a
= 0 para todos los arcos a; para todas las (i, j) fijar w
a
= w
a
+ y
c
ij

para a en la ruta T
ij
.
:
Obtener la longitud ptima 8. que minimice la funcin objetivo (o una
versin linealizada de ella) y revisar la demanda y los flujos as:

T T y T
T T y T
V V w V
ij
c
ij
c
ij
c
ij
c
ij
b
ij
b
ij
b
ij
b
a a a a
+
+
+
|
|
|
( )
( )
( )
Si se alcanza una convergencia idnea se para, en caso contrario ir al paso 2. 9.
En este problema, el nico parmetro a calibrar es y para calibrarlo Flo-
rian y Nguyen (1978) proponen utilizar una media ponderada de los costes de
viaje. Tambin reconocen que en algunos casos puede ser ventajoso utilizar
dos parmetros diferentes de calibracin, uno de ellos para el transporte p-
blico y otro para el privado; en este caso se puede utilizar el mismo algoritmo
solucin.
11.4.3.3. Combinacin generacin, distribucin, eleccin modal
y asignacin de viajes
Safwat y Magnanti (1988) han dado un paso ms desarrollando un programa
matemtico llamado STEM (Simultaneous Transportation Equilibrium Model).
Tambin han proporcionado formas funcionales caracterizadas por una mayor
flexibilidad respecto de las producidas para las formalizaciones normales de
maximizacin de la entropa. Sin embargo, sus funciones de demanda an son
menos generales que las utilizadas en los modelos secuenciales de transportes.
Emplean una medida flexible de la desutilidad del viaje U
ij
definida por:
U
ij
= u
ij
+ A
j
(11.27)
donde es un parmetro de calibracin, u
ij
es el coste percibido de viaje entre
i y j, y A
ij
es el efecto compuesto de diferentes variables socioeconmicas que
influyen en la atraccin de viaje, por ejemplo una suma ponderada de los em-
pleos, reas comerciales, etctera.
Safwat y Magnanti (1988) ligan la generacin de viajes a una medida sis-
temtica de la accesibilidad expresada como:

S u A
i ij j
j
+
max log 0, exp( ) |

(11.28)

La distribucin de los viajes viene dada por un modelo logit:

T
u A
u A
G
ij
ij i
ij j
j
i
+
+
exp
exp
( )
( )
|
|

(11.29)
Safwat y Magnanti sostienen que esta forma es ms general que la del
modelo gravitacional porque incluye variables socioeconmicas y una funcin
de utilidad flexible. Es fcil ver que si se hace A
j
= logD
j
, como se hizo en el
Captulo 5, el modelo se convierte en un modelo gravitacional simplemente
acotado con funcin de impedancia exponencial. Un modelo de gravitacin
doblemente acotado puede aproximarse, en cambio, con un valor de muy
pequeo y positivo. La eleccin modal en este modelo es anloga a la eleccin
de ruta. Cada usuario individual selecciona el modo que le resulta ms atrac-
tivo. La eleccin de ruta y el modo se combinan entonces dentro del esquema
de asignacin de equilibrio.
El mtodo de solucin propuesto por Safwat y Magnanti (1988) es de nue-
vo una adaptacin del algoritmo de Frank-Wolfe; el lector puede analizar su
publicacin para tener mayores detalles sobre este mtodo. El modelo STEM
ha sido aplicado en un pequeo nmero de estudios en Egipto y en Texas, y
estas aplicaciones han demostrado que el modelo requiere una buena cantidad
de recursos de ordenador.
11.4.4. Consideraciones prcticas
La modelizacin del sistema de transporte requiere encontrar el equilibrio
adecuado entre la riqueza conductual, los costes de adquisicin de los datos, la
eficiencia computacional y la capacidad de realizar previsiones. Los modelos
de equilibrio analizados en los prrafos anteriores intentan alcanzar la eficien-
cia computacional sin comprometer demasiado los aspectos relacionados con el
comportamiento en la estimacin de la demanda. Sin embargo, estos modelos
de equilibrio del sistema limitan los tipos de funciones de demanda que pueden
ser usados. Estas limitaciones, efectivamente, son anlogas a las impuestas
para proporcionar funciones de flujo que garanticen buenas propiedades de
unicidad y convergencia en la asignacin en equilibrio. En particular, debera
ser posible invertir las funciones de demanda, que tendran que ser simtricas
y negativas definidas.
Safwat y Magnanti (1988) analizaron cunta flexibilidad puede conservarse

con estas restricciones y concluyeron que la riqueza conductual del modelo no
es significativamente inferior a la de la mayor parte de los modelos agrega-
dos de transporte. Sin embargo, si se desea explotar el poder de los modelos
de demanda desagregada, se requerir una aproximacin al equilibrio de los
sistemas de transporte ms concisa y elaborada.
Se han efectuado mltiples experimentos para implementar esquemas ms
ambiciosos de equilibrio del sistema. Uno de stos ha sido el que se ha puesto en
prctica en parte del estudio de transportes de Santiago de Chile (ESTRAUS,
1989), cuya discusin en detalle excede de los objetivos de este libro. Sin embar-
go teniendo en cuenta el estado del arte sobre estos temas, se puede responder,
al menos parcialmente, a las dos siguientes preguntas clave:
es realmente importante alcanzar el equilibrio del sistema?
son necesarios ordenadores muy potentes?
La respuesta a la primera pregunta se ha visto que es S. Si no se intenta
alcanzar el equilibrio del sistema, la solucin final del modelo de transporte
puede depender fuertemente de los costes iniciales adoptados para ejecutar
cada submodelo. Esta dificultad puede incluso distorsionar la seleccin de los
mejores proyectos (vase por ejemplo, Arezki et al., 1991). Esta cuestin debera
influir a la hora de alcanzar el equilibrio en los problemas de modelizacin
del transporte. Actualmente, los software modernos como la combinacin de
SATURN y SATCHMO (Willumsen et al., 1993), permiten buscar soluciones
de equilibrio que comprendan la eleccin del horario de salida, del destino,
del modo y de la ruta.
La respuesta a la segunda pregunta era tambin afirmativa hacia finales
del siglo XX; felizmente hoy no lo es. Naturalmente, para obtener el equilibrio
completo del sistema hace falta ms tiempo que en el caso de la asignacin de
equilibrio con pocas iteraciones retroactivas para la distribucin y la eleccin
modal. Pero las soluciones no son comparables en cuanto a que, en el primer
caso, se consigue una solucin convergente y nica mientras que en el segundo
el logro de una solucin estable slo puede ocurrir aleatoriamente, probable-
mente en situaciones de baja congestin. Dependiendo del rango del compor-
tamiento de las respuestas del modelo, resulta que un verdadero equilibrio
de sistema requiere un tiempo CPU de 4 a 40 veces superior con respecto al
requerido para una simple pasada, utilizando un sistema de modelos de equi-
librio slo a nivel de asignacin. En todo caso, no se requiere una cantidad de

datos superior a la necesaria para una modelizacin de no-equilibrio. Dado
que la capacidad de los ordenadores ms o menos se duplica cada 18 meses la
restriccin computacional no debera ser una limitante.
La utilizacin de programas comerciales puede mejorar la eficiencia y
ciertamente hace ms fcil realizar mayor nmero de aproximaciones. Por
ejemplo, una versin del avanzado modelo ESTRAUS para Santiago se puede
transferir sin problemas al paquete de EMME/2, aparentemente con ventajas
en trminos de velocidad de convergencia y tiempos de clculo (Florian et al.,
1999). En este caso, la aplicacin se refiere a un modelo de equilibrio de la red
multiclase, multimodal a demanda variable, donde el modelo de eleccin modal
viene dado por una estructura de logit jerrquico agregado con un modelo de
distribucin de viajes multiproporcional tipo entropa. El tiempo de viaje en
los modos de transporte pblico depende del tiempo de viaje sobre los dems
vehculos que usan la red vial; no obstante, no se han tenido en cuenta las
restricciones de capacidad en la asignacin a transporte pblico como en la
nueva versin desarrollada por De Cea y Fernndez (2000).
Florian et al. (1999) han desarrollado una formulacin de desigualdad
variacional que captura todas las componentes del modelo de forma integrada.
El algoritmo solucin, basado en una descomposicin Gauss-Seidel en bloques,
unida al mtodo de promedios sucesivos, proporciona un algoritmo eficiente
que resuelve, de forma secuencial, los modelos de equilibrio de la red con de-
manda fija y los modelos multidimensionales de la distribucin de los viajes.
La implementacin, por ejemplo sobre un Pentium II a 450 MHz, requiere un
tiempo de clculo de unos 200 minutos para alcanzar la solucin de equilibrio,
partiendo de una demanda inicial igual a cero (tiempo de viaje en situacin de
flujo libre). En muchos casos se puede comenzar a partir de una red previa,
cargada de forma ms real y, de esta forma, el tiempo de clculo puede ser
reducido en dos tercios.
Existe un potencial conflicto entre la formulacin del equilibrio del sistema
y el realismo del modelo. Nadie pretende que el sistema real de transportes
est siempre en equilibrio: informacin imperfecta, variaciones diarias y es-
tacionales en la demanda, influencia de variables no introducidas en el mode-
lo, inercias e histresis, contribuyen a afirmar que es improbable alcanzar el
equilibrio. La conveniencia de adoptar el esquema de equilibrio consiste en la
posibilidad de obtener una solucin nica que no dependa del estado inicial de
algunos algoritmos o de una eleccin arbitraria del nmero de iteraciones. Si
tal solucin no est garantizada, siempre existe el riesgo de que la valoracin
o
de algn proyecto o de alguna poltica de intervencin sean espreas; los re-
sultados (A es mejor que B) pueden depender de elecciones arbitrarias acerca
del punto de partida o del nmero de iteraciones.
Naturalmente, como ya se ha visto, la garanta de una solucin nica para
los problemas de equilibrio del sistema impone algunas restricciones sobre las
formas funcionales a utilizar en los submodelos. Soluciones con formula ciones
logit lineales en los parmetros son ms simples de desarrollar que otras for-
mas ms ricas desde el punto de vista conductual. La introduccin de funcio-
nes ms realistas (como las asimtricas) para las demoras en las interacciones
o para el coste generalizado bajo restricciones de capacidad para el transporte
pblico, generalmente no garantizan la convergencia a una solucin nica. En
estas circunstancias hay muchas formas prcticas para facilitar dicha conver-
gencia o la estabilidad de la solucin, pero no hay garantas de que la solucin
encontrada sea nica y correcta (es decir, la que resuelva la formulacin del
equilibrio del sistema). Es probable que se realicen muchas investigaciones
en los prximos aos para mejorar la riqueza conductual de los modelos de
transporte, asegurando a la vez una buena convergencia y el equilibrio com-
pleto del sistema.
El equilibrio en el sistema de los transportes y en el mercado no es un fin
en s mismo. Hay buenas razones para sospechar que el equilibrio no existe en
la realidad, ni siquiera en el caso de la red ms simple. Los sistemas reales
estn en permanente mutacin ya que, entre otros aspectos, los viajeros ex-
perimentan nuevos recorridos, nuevos modos y nuevos destinos, familias que
cambian de residencia, de trabajo, de comportamientos comerciales, sociales,
estilo de vida. Sin embargo, el estado del arte de la modelizacin dinmica de
los fenmenos todava no alcanza los niveles de progreso de la modelizacin
de equilibrio.
La idea que subyace aqu es que para proporcionar criterios objetivos sobre
decisiones de planificacin de transporte es necesario utilizar modelos y eso
requiere comparar alternativas de intervencin en el sistema. Por lo tanto, re-
sulta entonces de capital importancia la utilizacin coherente de modelos para
estimar las prestaciones de estas intervenciones y, de esta manera, comparar
alternativas bajo los mismos supuestos y condiciones.
Encuadrar los esfuerzos de modelizacin del transporte en el interior de
un esquema general de equilibrio parece un prerrequisito para asegurar la con-
sistencia. sta no es, naturalmente, una condicin suficiente; de hecho, puede
suceder en determinados casos que modelizaciones parciales del sistema sean
;
suficientes para discriminar un proyecto bueno de otro menos bueno. Sin em-
bargo, el estado del arte de la modelizacin de equilibrio es tal que raramente
se tiene que sacrificar demasiado realismo para conseguirlo. El estado del arte
en este campo est en constante superacin y ofrece ya una base slida para
su uso en la prctica.
11.5. ELECCIN DEL HORARIO DE PARTIDA Y ASIGNACIN
11.5.1. Introduccin
La prolongacin de los perodos punta es un fenmeno ampliamente observado
en reas urbanas extensas. A medida que la congestin aumenta y para evitar
ms demoras, los usuarios tienden a variar sus horarios de salida prolongando
as la duracin del perodo punta. En muchas reas urbanas congestionadas
es comn observar perodos punta que cubren buena parte de la maana y/o
de la tarde abarcando horas que previamente eran consideradas valle. En dife-
rentes casos, se ha detectado que el cambio del horario de salida representa la
segunda respuesta ms probable a las variaciones en las condiciones de viaje;
la primera es el cambio de ruta. Ello se debe principalmente al deseo de evi-
tar la congestin pero responde tambin a la estructura de las tarifas de los
peajes viales y a la tarificacin del transporte pblico.
Las aproximaciones tradicionales a la modelizacin de este fenmeno son
bastante simples. Siempre se puede establecer una hiptesis pragmtica sobre
la duracin de los perodos punta en el futuro y sobre cmo se repartir la de-
manda esperada a lo largo de este perodo. Por tanto, se requiere sencillamente
una descomposicin de la demanda en los futuros perodos punta de forma que
se generen niveles razonables de congestin y de demoras. Sin embargo, estas
aproximaciones prcticas se prestan a decisiones arbitrarias que influyen en
la valoracin de los proyectos y en las polticas de intervencin, y descuidan
el hecho de que viajando en un horario deseable se incrementa la desutilidad
del viaje.
En los prrafos siguientes se exponen las metodologas actuales para la
modelizacin de la eleccin del horario del da en que comenzar el viaje. Por
su estrecha relacin con la asignacin y las demoras, esta problemtica integra
tanto la asignacin como la eleccin del modo. En particular se estudiar pri-
meramente el enfoque de la eleccin del horario de viaje y posteriormente se
examinarn los modelos de oferta a ella adjunta. Por fin se expondr un modelo
8
combinado simple de eleccin del horario de salida y asignacin del cual sern
citadas las principales limitaciones y algunas indicaciones de mejora futura.
11.5.2. Principios bsicos en la eleccin del horario de partida
Un concepto bsico en relacin a la eleccin de la hora de salida es que el usuario
tiene un horario preferido de viaje y que alejarse de l le resta utilidad, cono-
cida como desutilidad programada. El momento preferido del viaje puede ser
definido como el horario preferido de partida o el horario de llegada preferido;
este ltimo es ms importante para algunas actividades (por ejemplo, trabajo
con horario fijo, reuniones de trabajo, visitas al teatro). La desutilidad progra-
mada puede aadirse as a la desutilidad del tiempo de viaje para conformar
una funcin de utilidad combinada que incluye el horario de salida variable.
El trabajo de Small (1982) es la base de la mayor parte de las aplicaciones
de estos conceptos. Si se refiere al horario de llegada, la funcin de Small
adopta la siguiente forma:

U C d
L
( ) ( ) ( ) ( ) ( ) t o t | t t t SDE SDL o
donde es el horario de llegada y C es la duracin del viaje, expresada como
una funcin del horario de llegada, en cuanto a que las condiciones de trfico
varan segn la hora del da. SDE y SDL (Schedule Delay Early y Late) son la
antelacin y el retraso programado y denotan la diferencia entre el horario de
llegada seleccionado y el horario de llegada preferido (Preferred Arrival Time,
PAT) en el caso de que se desee adelantar o aplazar la llegada respectivamente.
Por tanto SDE y SDL pueden ser definidos como:

SDE max PAT
SDL max PAT

( , )
( , )
t
t
0
0
Los parmetros , , y son positivos; , y miden la desutilidad
asociada al incremento de una unidad respectivamente de C, SDE y SDL; es
un factor fijo de penalizacin para la llegada anticipada, y d
L
es una variable
dummy para las llegadas atrasadas (igual a 1 si > PAT y cero en otro caso).
La penalizacin fija es a menudo omitida en la funcin e incluida dentro del
parmetro de utilidad del retraso programado posteriormente.
La funcin de utilidad definida anteriormente se puede tratar como la suma
de un trmino que expresa la duracin del viaje y de otro trmino que expresa
la variacin de utilidad asociada con el horario de llegada ( SDE()
,
SDL() d
L
), definido como el trmino de la utilidad programada. El trmino
de utilidad programada se maximiza cuando los viajeros llegan en el horario
preferido de llegada ( = PAT, que hace la utilidad programada igual a cero).
Por tanto, cuando la duracin del viaje es constante y no es posible intercam-
biar duracin y utilidad programada, la distribucin de los horarios actuales
de llegada es idntica a la distribucin de los PATs. Sin embargo, cuando la
duracin del viaje vara segn la hora del da y si la desutilidad programada
tiene un peso inferior respecto al beneficio consecuente con la reduccin del
tiempo de viaje, los viajeros se alejarn de su horario preferido, y eso determina
una distribucin del horario actual de llegada ms amplia con respecto de la
distribucin de los PATs (horarios preferidos).
Los parmetros de estas funciones de utilidad combinada pueden estimarse
con tcnicas de preferencias declaradas/reveladas; vase por ejemplo Small
(1982) y Bates (1966). Obsrvese la figura 11.8 donde en el eje de ordenadas
est la desutilidad programada expresada en unidades de tiempo (horas) de
duracin del viaje y en el de abscisas el horario de llegada anticipada o aplazada
con respecto al PAT (horas).
Tiempo de llegada
Desutilidad
programada
Pendiente = 0,60
Pendiente = 2,50
= 0,50
Anticipacin Retardo
Figura 11.8. Esquema idealizado de la utilidad (o desutilidad) programada expre-
sada en minutos equivalentes de tiempo de viaje.
Los coeficientes de la figura reflejan una funcin de desutilidad ideal. La
asimetra de la funcin ha sido observada en muchos estudios de preferencias
declaradas/reveladas; 5 minutos de retraso en el horario de llegada general-
mente se percibe como peor que 5 minutos de antelacin. En este caso ideal,
llegar 30 minutos antes del horario preferido (PAT), estara justificado si el
individuo pudiera ahorrar ms de 0,30 h 18 minutos de tiempo de viaje. Lle-
oo
gar en cambio 30 minutos ms tarde respecto de la PAT dara lugar a una pe-
nalizacin adicional equivalente a 30 minutos de tiempo de viaje ms una
penalidad adicional de 1,25 h o bien 90 minutos. Por tanto, estos 30 minutos
de retraso en el horario de llegada estaran slo justificados si el individuo
pudiera ahorrar ms de 2 horas de tiempo de viaje, un acontecimiento bastante
improbable. Naturalmente, grupos diferentes de individuos tendrn valores
diferentes para , y y tambin diferentes PATs.
La formulacin base (omitiendo el trmino de penalidad ) fue extendida
por Hyman (1997) para incluir un intervalo de indiferencia alrededor de la PAT,
durante el que las llegadas no incurren en una desutilidad programada, por
ejemplo llegar a la hora deseada ms o menos 5 minutos. Hendrikson y Plank
(1984) propusieron una forma cuadrtica de la funcin de utilidad mientras
que Polak et al. (1991) formularon un modelo lineal compuesto. Addison y
Heydecker (1998) examinaron tres casos de funciones continuas: una hiprbola
simple truncada, una hiperblica y una funcin no convexa. A pesar de estos
esfuerzos, las aplicaciones prcticas generalmente utilizan funciones lineales,
con o sin desutilidad fija para las llegadas aplazadas.
11.5.3. Modelos simples de equilibrio oferta/demanda
Las funciones de utilidad asociadas a la demanda de viaje por hora del da
pueden combinarse con las caractersticas de la oferta para generar un perfil
de demanda de equilibrio en el tiempo que surge de la interaccin entre las
preferencias y las elecciones de los viajeros. Esto se puede ilustrar en una red
simple con un par O-D conectado a un arco con un cuello de botella entre
ellos (Figura 11.9). Vickrey (1969) examin el equilibrio con un nmero fijo de
viajeros idnticos que se desplazaban sobre un arco individual donde la nica
demora ocurra en el estrechamiento de la calle con capacidad fija. En este caso,
las demoras son proporcionales a la longitud de la cola. Aplicando el principio
de equilibrio, es decir que ningn viajero puede incrementar su utilidad modi-
ficando su horario de salida, Arnott et al. (1993, 1994) extendieron el modelo
de Vickrey y calcularon el perfil de salida resultante de los viajeros.
Cuello de botella
ORIGEN DESTINO
Figura 11.9. Red simple.
o1
La figura 11.10 ilustra el perfil de salida de equilibrio de un grupo de via-
jeros con caractersticas homogneas. El perfil est completamente definido
por expresiones cerradas para tasas de salida (q
1
y q
2
), del horario de la pri-
mera y ltima llegada
1
y
2
y del horario
p
en que la tasa de salida vara de
q
1
a q
2
y se realiza la mxima cola.
Varios autores han extendido el modelo de Vickrey para tener en cuenta
la heterogeneidad de los viajeros con respecto a los PATs y/o a los parmetros
asociados a la duracin del viaje y al retraso sobre el horario programado.
Hendrikson y Kocur (1981) tuvieron en cuenta el problema de Vickrey cuando
los viajeros tienen una distribucin de PATs. Arnott et al. (1994) han afron-
tado el problema de la heterogeneidad segmentando la poblacin en subgru-
pos homogneos en relacin con el valor de sus PATs y de los parmetros de
la utilidad.
S
a
l
i
d
a
s
/
l
l
e
g
a
d
a
s

a
c
u
m
u
l
a
d
a
s
C
o
l
a

m
x
i
m
a
Tiempo
Llegadas
pendiente h
(capacidad)
Salidas
pendiente q
2
Salidas
pendiente q
1
p
PAT
1
Figura 11.10. Perfil de salidas de equilibrio para viajeros homogneos.
11.5.4. Asignacin de equilibrio con demanda variable
Las aplicaciones prcticas de estos principios implican que el problema debe
ser encuadrado en el contexto de la modelizacin de la asignacin de equilibrio
con demanda variable, en cuanto a que dicho problema requiere determinar los
flujos y los niveles de demanda para cada perodo de tiempo. Dado el progreso
alcanzado en combinar modelos de asignacin con modelos de eleccin tipo
logit, parece natural utilizar un enfoque parecido para incluir la eleccin del
horario de viaje. Willumsen et al. (1993) suponen que, para cada par O-D, C()
sea variable en el perodo punta (calculado a travs de la asignacin de equili-
brio) pero constante en los perodos fuera de punta. Esta hiptesis y el uso de
o:
una funcin de utilidad lineal en los parmetros como la de Small, permiten
encuadrar el problema en una formulacin simple que combina un modelo logit
de eleccin de hora y asignacin de equilibrio. La eleccin del horario de viaje
es entonces una eleccin discreta: viajar ahora o viajar durante un perodo
anterior o durante un perodo posterior. Aproximaciones parecidas han sido
propuestas por Hendrikson y Plank (1984) y Caja et al. (1992).
Estas aproximaciones, aunque cualitativamente superiores para ignorar el
problema presentan algunas limitaciones, entre ellas las siguientes:
Desatienden las interacciones entre perodos de tiempo. Los viajes despla-
zados de la hora punta a otros perodos aumentan los tiempos de viaje en
estos ltimos y, en consecuencia, es necesario calcular de nuevo C(). Dado
que no es posible en general estimar una funcin para C(), la eleccin del
horario del da no se puede tratar completamente y, por tanto, este mtodo
constituye un enfoque parcial de la dinmica entre diferentes perodos de
tiempo.
El horario de salida debera ser una variable continua y su discretizacin
a perodos de tiempo es una aproximacin bastante gruesa. El empleo de
intervalos de tiempo relativamente pequeos (por ejemplo 15 minutos en
lugar de la hora punta/fuera de punta) constituye una mejora pero aun as
sigue siendo una aproximacin.
Para el caso de eleccin del horario del da las formulaciones logit lineales
en los parmetros pueden ser menos apropiadas. Ello se debe al hecho de
que las alternativas en este caso estn correlacionadas, en cuanto a que los
tiempos de viaje en un cierto perodo de tiempo dependen de los tiempos
de viaje en el resto de los perodos.
El problema de la interaccin entre intervalos de tiempo utilizando un
modelo mejor de eleccin de horario de salida ha sido acometido de modo
prctico por HCG et al. (2000) en el software HADES (Heterogeneous Arrival
and Departure times based on Equilibrium Scheduling theory). HADES es un
modelo de horario de salida para viajeros heterogneos que interacta con un
software comercial de asignacin. Teniendo en cuenta por un lado los tiempos
de viaje en la red y los PATs de los viajeros, y por otro, los parmetros de la
utilidad, HADES produce una matriz O-D en funcin del tiempo. El proble-
ma del equilibrio se aborda a travs de un proceso iterativo entre la componente
de la demanda (HADES modelo de horario de salida) y la de la oferta (modelo de
asignacin externo) como puede verse en la figura 11.11.
o
Tiempo de llegada
preferido
Matriz O/D en
funcin del tiempo
Duracin del viaje
sobre la red
Caractersticas
del comportamiento
Modelo
de tiempo
de salida
Modelo
de
asignacin
Figura 11.11. Esquema operativo de HADES combinado con un modelo de asig-
nacin.
Addison y Heydecker (1999) han examinado el problema del equilibrio
dinmico del usuario con un modelo de eleccin de horario de salida, foca-
lizando la atencin en la relacin entre el perfil de la demanda de equilibrio
(asumiendo como fija la demanda total) y el trmino de retraso programado de
la funcin de utilidad. La expresin as determinada fue utilizada para calcular
los perfiles de demanda de equilibrio utilizando un modelo determinstico de
teora de colas de trfico, y proponer un operador iterativo para hallar los per-
files de equilibrio de la demanda para modelos de trfico ms realistas. ste
es un campo en el que probablemente se realizarn bastantes progresos en el
futuro gracias a desarrollos tericos y al empleo de mejores modelos de asig-
nacin dinmica.
El empleo del modelo de eleccin logit para la eleccin de horario de salida
ha sido criticado por diferentes autores, entre otros Bates (1996). Esta crtica
nace de las hiptesis de independencia de las componentes aleatorias de la utili-
dad de las diferentes alternativas a las que est sometido el logit multinominal.
Adems, este modelo no puede tratar los problemas de heteroscedasticidad que
probablemente se presenten cuando los trminos de error sean proporcionales
a una potencia del retraso programado (desutilidad no lineal a desplazamientos
con respecto de los PATs).
o
De hecho, en este caso la hiptesis de independencia de la componente
aleatoria de la utilidad es restrictiva y no realista porque es probable que los
intervalos adyacentes estn correlacionados, en cuanto a los atributos no ob-
servados (componente aleatoria de la utilidad), influyendo de modo similar
en las preferencia por alternativas. Tambin Small (1987) subraya el hecho
de que estas correlaciones se presentan inevitablemente cuando la variable
dependiente es una discretizacin de una variable continua, como sucede con
la variable tiempo en este caso.
Sin embargo los modelos de eleccin tipo logit han sido ampliados y mejo-
rados de diversas formas para tener en cuenta diferentes niveles de correlacin
estocstica entre alternativas, como se expuso en los Captulos 7 y 8, relajando
as el requerimiento de independencia de las componentes aleatorias entre las
alternativas.
Muchos investigadores han puesto de manifiesto que se puede realizar una
representacin ms detallada de los comportamientos de eleccin de horario de
viaje teniendo en cuenta todas las actividades que motivan a los viajeros en sus
desplazamientos. Ello es ciertamente correcto, pero como indica Mahmassani
(2000) el problema no es sencillo y para obtener una solucin es probable que
se tenga que esperar hasta que existan mtodos mejores de adquisicin pasiva
de datos y lleguen a ser de uso comn en la prctica. Nuevas tcnicas de medi-
cin que utilizan GPS (Global Positioning Systems), telfonos porttiles (ahora
omnipresentes) y PDAs (Personal Digital Assistants) son seguramente las que
revolucionarn la adquisicin de datos en este campo.
11.5.5. Conclusiones
La literatura sobre este tema evidencia la existencia de diversas aproximaciones
para modelizar la eleccin de horario de salida y la correspondiente falta de
consenso al respecto. Para lograr integrar este importante aspecto del com-
portamiento de viaje en la modelizacin tradicional del transporte se requiere
ms experiencia e investigacin.
Las aproximaciones de equilibrio dinmico estudiadas ofrecen la posibi-
lidad de incorporar la eleccin de horario de salida, posiblemente dentro de
un contexto estocstico as como de un submodelo robusto de asignacin para
estimar el tiempo de viaje sobre una base continua. Sin embargo, tal tratamiento
explcito del tiempo requiere una descripcin dinmica de los flujos en la red
y eso tiene como consecuencia dificultades no slo analticas sino tambin
o
computacionales. La implementacin prctica del problema en esta forma tiene
an que esperar a posteriores desarrollos.
Una mejor va de solucin podra ser superar las limitaciones de los mode-
los disponibles como SATCHMO y HADES, tanto en su consistencia interna
como en el tratamiento del tiempo en el modelo de eleccin (Polak, 1999). Sin
embargo, la importancia reconocida de esta respuesta conductual a la conges-
tin (y a precios diferenciados) hace indispensable el estudio de mejores formas
prcticas para incorporar estos efectos dentro de la mayor parte de los modelos
de transporte para reas urbanas.
EJERCICIOS
11.1. Una autopista de 12 km conecta dos reas urbanas. La funcin de oferta
para cada uno de los tres carriles por sentido de marcha del arco vial se puede
aproximar por:

t
q
+ 20
200
donde t es el tiempo de viaje en minutos y q el flujo por carril en unidades de
coches equivalentes por hora.
La autopista normalmente se utiliza para automviles y autobuses directos,
sin paradas, a lo largo del recorrido: los correspondientes tiempos de viaje de los
vehculos son t
c
y t
b
. En hora punta el servicio de autobs tiene una frecuencia
igual a un autobs por minuto y la funcin de demanda para los viajes en coche
se ha estimado mediante la siguiente funcin:
V
c
= 3.480 60 t
c
donde V
c
es el flujo total en el coche por hora y sentido. De modo anlogo, la
funcin de demanda para los viajes en autobs es:
V
b
= 4.200 75 t
b
donde V
b
es el nmero de pasajeros por hora y sentido. Se puede aceptar que
tanto t
c
como t
b
puedan ser calculados utilizando las funciones de oferta ex-
puestas arriba y que un autobs sea equivalente a 2 automviles.
Cul es el estado inicial de equilibrio? Si cada autobs tiene 60 plazas a)
(asientos), cul es su factor de carga (ocupacin dividida por la capacidad)?
oo
Supngase ahora que uno de los carriles pueda ser utilizado exclusivamente b)
por autobuses. Cul es el nuevo estado de equilibrio y el nuevo factor de
carga para los autobuses?
Discutir las hiptesis implcitas en las funciones de demanda utilizadas c)
arriba.
11.2. Dos ciudades distanciadas por 60 kilmetros estn conectadas por
una carretera de doble sentido en la que los coches circulan todo el da. La
demanda en la hora punta, para viajes en coche entre las dos ciudades, viene
bien descrita por la siguiente funcin:
q = 6.000 1.500t
donde q es la demanda en vehculos por hora y t el tiempo de viaje en horas.
La relacin entre tiempo de viaje y flujo para la carretera es:
t = 0,9 exp (0,0003q)
Estimar cuntos viajes de personas y vehculos se generan cada da en a)
condiciones de equilibrio si cada coche transporta como media 1,5 pasa-
jeros.
Supngase que se pone en funcionamiento entre las ciudades un servicio b)
ferroviario frecuente pero lento, en el que cada tren tiene una capacidad
nominal de 300 pasajeros. Durante la hora punta la compaa ferroviaria
est dispuesta a poner en lnea un tren cada 10 minutos con un tiempo de
viaje estimado en 90 minutos. Si se supone que los pasajeros utilizan el
modo ms rpido de transporte disponible es ste un nivel de servicio
inteligente? Justificarlo.
11.3. Sea la red y las condiciones descritas en el ejercicio 10.3.
Expresar la funcin objetivo del programa matemtico correspondiente a)
al equilibrio individual de Wardrop en trminos de flujos y las relaciones
tiempos de viaje/flujo de la figura.
Calcular los flujos de equilibrio en cada arco y los tiempos de viaje para b)
cada grupo de viajeros. Hallar el valor de la funcin objetivo de arriba, en
condiciones de equilibrio y el tiempo de viaje total gastado en el sistema.
Supngase que los ingenieros de trfico locales han decidido poner una c)
limitacin de velocidad en el arco CD de forma que el nuevo tiempo de
viaje en funcin del flujo sea:
o;
t = 5,2 + 0,001q
Calcular las nuevas condiciones de equilibrio en trminos de flujos y tiem-
pos de viaje y demostrar que bajo estas condiciones el tiempo de viaje total
gastado en el sistema es menor que en el caso b.
11.4. La red en la figura 11.12 representa la carga durante la hora punta
con 100 vehculos que viajan de A a D. Las ecuaciones expresan el tiempo
de viaje en cada arco en minutos como una funcin del flujo q en el arco en
vehculos por hora. Todos los arcos son unidireccionales.
Identificar los recorridos de mnimo coste utilizados, sus flujos y los corres- a)
pondientes costes de equilibrio. Cul es el tiempo de viaje total gastado
en la red?
Si se acepta que el arco C-B sea peatonalizado y por consiguiente no dis- b)
ponible para el trfico vehicular, identificar los nuevos flujos de equilibrio,
los costes y el tiempo de viaje total gastado en la red.
Discutir los resultados. c)
8 + 0,1 q
6 + 0,1 q
4 + 0,02 q
19 + 0,01 q
21 + 0,01 q
A C D
B
12.
Modelos simplificados de demanda
de transporte
12.1. INTRODUCCIN
D
urante muchos aos, la principal preocupacin en la modelizacin de
transportes ha sido el enriquecimiento de su contenido conductual, y
el perfeccionamiento de los mtodos de toma de datos como formas
de mejorar su exactitud y realismo adems de reducir los costes. Una
lnea paralela de investigacin ha consistido en intentar mejorar la modeliza-
cin de transportes prestando mayor atencin al uso de datos disponibles y a
la comunicabilidad de modelos con caractersticas y resultados ms simples.
Esta corriente de investigacin ha tenido un fuerte impacto en la prctica, ya
que no solamente supone una reduccin de costes, sino tambin requerimientos
menos onerosos de toma de datos y su procesamiento. Es probable que en el
futuro se mantenga este inters por las tcnicas simplificadas de modeliza-
cin (ver Ortzar, 1992). Los modelizadores de las empresas consultoras y de
la administracin han de estudiar a veces propuestas de transporte en plazos
muy cortos. El desarrollo de mtodos simplificados cada vez mejores y bien
fundamentados para realizar estas tareas ser siempre bienvenido.
La idea de utilizar modelos de respuesta rpida ms sencillos no es nueva.
Desafortunadamente la no utilizacin de modelos formales para la evaluacin
de proyectos de transporte est mucho ms extendida de lo que los documentos
oficiales y la literatura tcnica pueden hacer pensar. La idea de prescindir de los
modelos formales slo significa que los gestores estn utilizando sus propios mo-
delos mentales basados generalmente en la experiencia para tomar las decisio-
nes. Estos modelos pueden ser poderosos y ciertamente ms sensibles hacia
variables polticas y sociales que cualquier desarrollo matemtico formal.
Los modelos mentales se forman y perfeccionan mediante observaciones,
analogas, discusiones, experimentos y errores. Son esenciales para hacer uso
de los modelos formales, interpretar sus resultados y aadir alguna conside-
Modelos simplificados de demanda de transporte
;o
racin que se encuentre fuera del mbito analtico. Para este fin, la capacidad
reducida el del procesamiento numrico de los modelos mentales no es una
limitacin grave. Sin embargo tienen dos carencias principales: a veces fallan
completamente, por ello al considerar las consecuencias de un crecimiento
exponencial o las interconexiones entre decisiones aparentemente no relacio-
nadas, como impuestos (tasas) y eleccin modal. La segunda desventaja de
los modelos mentales es que normalmente no estn abiertos a discusin y
carecen de transparencia para calificar las recomendaciones derivadas de su
uso. Son por ello difciles de transferir de un usuario a otro.
Existe un amplio rango de metodologas de modelizacin entre los dos ex-
tremos: usar slo modelos mentales o basarse en tcnicas de simulacin muy
complejas y avanzadas. Una de las dimensiones a considerar es la forma en la
que se representa el espacio y por tanto la distancia como elemento clave en el
transporte. Algunos modelos ignoran completamente el espacio; por ejemplo
aquellos que se concentran en las implicaciones financieras de las subvenciones,
impuestos, etc. Pueden ser modelos simples como los de elasticidad los que
se emplean a veces para evaluar incrementos tarifarios o cambios en el precio
del combustible e impuestos sobre vehculos. En otros casos pueden incluir
interacciones ms complejas, por ejemplo entre los diferentes impuestos y
licencias que afectan a la propiedad y uso del automvil.
Algunos autores han defendido la utilizacin de tcnicas de modelizacin
estructural; ver por ejemplo el interesante trabajo de Roberts (1975) con res-
pecto al consumo de combustible. En este caso se utiliza un grfico orientado
para relacionar los elementos del sistema de transportes, por ejemplo el nmero
de coches, impuestos sobre el combustible, mejora en los consumos de com-
bustible, emisiones y costes. Estas conexiones pueden tener asociados diferen-
tes pesos para representar la fuerza relativa de cada relacin. Si se sustituyen
estos pesos por ecuaciones, calibradas a partir de observaciones reales, se aca-
ba teniendo un modelo de interaccin no espacial. Khan y Willumsen (1986)
desarrollaron un modelo de este tipo para el estudio de la motorizacin en
los pases menos desarrollados. La filosofa del modelo se basaba en que en los
pases en desarrollo la tasa de motorizacin no debe slo proyectarse sino que
debe contemplarse junto con las necesidades de invertir en infraestructura y
consumo de combustible. El modelo inclua, adems de las variables antes
mencionadas, funciones que representaban el consumo de combustible y la
necesidad de gastos adicionales para el mantenimiento de carreteras y nueva
construccin. Algunas de estas variables, en particular la construccin e im-
el
;1
portacin de vehculos, tienen fuertes consecuencias en la balanza de pagos de
estos pases y deben analizarse antes de decidir actuaciones que disminuyan las
restricciones a la propiedad y uso de los vehculos (ver ms detalles en 13.3).
Una mejor representacin del espacio puede obtenerse con modelos ideali-
zados del tipo propuesto por primera vez por Smeed (1968) y utilizado tambin
por Wardrop (1968) para el estudio, entre otros aspectos de intervencin, de las
limitaciones del coche para viajes al trabajo en reas urbanas. Como cada vez
ms gente utiliza el coche para los viajes al trabajo, se necesita dedicar ms
espacio a carreteras y aparcamientos, e incluso realizar cambios radicales en la
naturaleza del rea urbana. Estos modelos se han utilizado raras veces para
la toma de decisiones, pero han servido para ilustrar algunos aspectos impor-
tantes de la intervencin en poltica de transportes.
La siguiente fase en la modelizacin del espacio implica realizar sim-
plificaciones de las tcnicas de modelizacin ms convencionales como las
expuestas en este libro. Los modelos de planificacin simplificada (o esque-
mtica) han sido especficamente desarrollados para conseguir una respuesta
rpida con requerimientos limitados en la toma de datos. Estos modelos se
presentan en el apartado 12.2. Aumentando el grado de realismo se llega a la
idea de utili zar modelos simplificados de reparto modal, como los expuestos
en el apartado 12.3. El epgrafe 12.4 trata de un grupo importante de modelos
que hacen uso de datos disponibles, en particular, de aforos de trfico. Las
especiales caractersticas de los sistemas de transporte en corredores, permiten
realizar otro tipo de simplificacin, presentada en el apartado 12.5. Finalmente
la interpretacin de los resultados de un modelo y la utilizacin de los mismos
se mejoran mediante el uso de tcnicas especiales de aprendizaje. Los juegos
de simulacin se han desarrollado con este fin y se tratan en el ltimo epgrafe
de este captulo.
12.2. MTODOS SIMPLIFICADOS DE MODELIZACIN
Varios autores han desarrollado modelos simplificados de planificacin como
herramientas para planear un amplio rango de aspectos. Como lo seala en
OECD (1974) y Sosslau et al. (1978), stos son modelos que disponen de un
mayor nivel de detalle que los mtodos de redes idealizadas mencionados en el
apartado anterior pero mucho ms simples que los programas convencionales.
Esta caracterstica facilita el anlisis de un amplio conjunto de estrategias sobre
transporte y usos del suelo a un nivel limitado de resolucin, sin necesitar gran
;:
cantidad de datos o las hiptesis rgidas de los modelos espaciales idealizados.
Su desarrollo prctico se extiende desde programas de modelizacin agregada
convencional a escala gruesa, hasta tcnicas ad hoc desarrolladas a partir de
hiptesis e ideas simplificadas.
La mayora de los mtodos de planificacin simplificada aprovechan la
transferencia de los parmetros y de las relaciones de un rea a otra o de
un pas a otro. Slo se hacen dependientes de la localizacin ciertos aspec-
tos de los modelos, normalmente las caractersticas de la red, poblacin, nive-
les de renta, etc. En un extremo de los modelos de planificacin simplificada
se encuentran aquellos que suponen una alta regularidad en el comportamiento
humano en el campo de los transportes. Un ejemplo tpico de estos ltimos
es el UMOT (Mecanismo Unificado de Viaje), modelo propuesto por Zahavi
(1979). Este modelo se basa en la hiptesis de que las siguientes relaciones son
transferibles en el tiempo y el espacio (regiones, pases):
Tiempo medio diario de viaje por persona, es decir una hiptesis de presu-
puestos de tiempo de viaje constantes.
Gasto medio diario de viaje, como funcin del ingreso y la motorizacin, es
decir una relacin de presupuesto en unidades monetarias.
Nmero medio de viajeros por hogar, como funcin del tamao familiar y
la motorizacin.
Coste unitario de posesin y operacin de vehculos.
Relacin velocidad-intensidad segn tipo de va.
Umbral de distancia diaria de viaje que justifica la posesin de vehculo.
Estas relaciones fueron desarrolladas por Zahavi a partir de la recopilacin
de una amplia base de datos en todo el mundo. UMOT slo necesita como input
especfico de localizacin los siguientes datos:
Nmero de hogares y sus tamaos en el rea de estudio.
Distribucin del ingreso de los hogares.
Coste unitario de viaje por modo.
Longitud de la red viaria del rea de estudio.
Una caracterstica interesante del UMOT es que produce los siguientes
resultados:
Motorizacin por hogar segn grupo de ingreso.
Reparto modal agregado para todo el rea de estudio.
;
Tiempos y velocidades medias de viaje.
Otros indicadores de rendimiento como el gasto total y los tiempos de viaje.
El modelo UMOT tuvo algn xito como herramienta para la comprobacin
de diferentes opciones de intervencin en materia de poltica de transportes,
por ejemplo polticas tributarias sobre el combustible y la adquisicin de ve-
hculos, polticas de subsidio para transporte pblico e incluso programas de
inversin en infraestructuras. Sin embargo el modelo ha sido examinado por
Downs y Emmerson (1983) y Willumsen y Radovanac (1988) entre otros, y
se ha encontrado que, en general, no representaba bien situaciones en otros
pases, pese al gran nivel de agregacin utilizado. De hecho, se comprob que
la transferencia de las relaciones y de los gastos medios de tiempo y dinero
no era lo suficientemente consistente como para garantizar el uso de UMOT,
ni siquiera despus de que los mismos autores introdujeran mejoras al modelo
original.
En el otro extremo, existen programas para microordenadores capaces de
ejecutar los modelos clsicos de cuatro etapas utilizando parmetros tomados
de otros modelos, en particular generacin de viajes con tasas de viaje estndar,
distribucin de viajes utilizando modelos gravitacionales, reparto modal logit
binomial y asignacin de trfico. Estos modelos estn restringidos usualmente
por el nmero de zonas, arcos y modos que pueden utilizarse, pero proporcionan
un mtodo aproximado para el anlisis de problemas de transporte con una
respuesta muy rpida (ver Sosslau et al., 1978).
Las tcnicas de planificacin simplificada ofrecen ventajas en trminos
de simplicidad, rapidez de respuesta y escasos requerimientos de datos. Sin
embargo, se apoyan demasiado en la transferencia de relaciones y parmetros
de un contexto a otro. Esto puede hacer menos fiable el anlisis a menos que se
lleve a cabo slo como un tanteo inicial para la seleccin de posibles soluciones
para una consideracin posterior ms detallada.
12.3. MODELOS DE DEMANDA INCREMENTAL
Se han desarrollado un cierto nmero de mtodos para llevar a cabo anlisis
rpidos del impacto sobre la demanda debidos a cambios en las tarifas, niveles
de servicio u otros atributos de un modo de transporte particular. Los mtodos
ms conocidos se encuentran dentro de la denominacin de anlisis de elas-
ticidad y el modelo de pivoteo (pivot-point). En los dos casos, el objetivo es
;
estimar pequeos cambios en la demanda resultantes de variaciones (pequeas)
en uno de los atributos (raramente en ms) de nivel de servicio, en un momento
determinado del tiempo.
12.3.1. Anlisis de elasticidad
Sea una situacin inicial en la que el nivel de demanda de un modo determinado
es T
0
, y su nivel de servicio S
0
(normalmente un vector que incluye atributos
como el tiempo de viaje, tarifa, tiempo de espera, etc.). La elasticidad de la
demanda con respecto al nivel de servicio (para un nivel determinado de de-
manda y nivel de servicio) viene dada por:

E
S T
T S
S T T
T S S
s

o
o
=

0
0
0 0
0 0
( )
( )

(12.1)
y por tanto:

T T
E T S S
S
s

0
0 0
0
( )

(12.2)

La parte izquierda de esta ecuacin representa la variacin de la deman-
da en el modo analizado y se alcanza como consecuencia de un cambio rela-
tivo en el nivel de servicio de tamao (S S
0
) / S
0
. Este tipo de clculo se utiliza
a menudo para la revisin de tarifas o frecuencias de servicio de transporte
pblico.
Esto es, por supuesto, una aproximacin que supone que se ha calculado
E
s
de antemano (quizs a partir de una serie temporal de datos), que la elastici-
dad es constante (o que la funcin de demanda es lineal, lo cual no es muy
probable) y que todo lo dems permanece igual. Este resultado es una aproxi-
macin razonable para pequeos cambios en las variables de nivel de servicio
(LOS).
Ejemplo 12.1: la elasticidad tarifa/demanda del transporte pblico se toma
a menudo como 0,30. Si un sistema de transporte pblico lleva 200.000 pa-
sajeros en el perodo punta, a una media de 80 peniques/viaje:
Estimar la prdida de demanda si la tarifa media se incrementa en un 2,5%.
Analizar la sensibilidad del resultado respecto al valor de la elasticidad.
;
En este caso T
0
= 200.000; E
s
= 0,30; y (S S
0
) / S
0
= 0,025. Utilizando la
expresin (12.2), se obtiene:
T T
0
= 0,30 200.000 0,025 = 1.500 pasajeros
Si E
s
= 0,2 la reduccin esperada en la demanda sera de 1.000 pasajeros.
Si fuera 0,4 se obtendra una reduccin de 2.000 pasajeros.
12.3.2. Modelos de pivoteo (pivot-point)
Este mtodo se ha desarrollado para estimar la demanda futura de viajes en
base al conocimiento de los niveles actuales de demanda y a las variaciones
en las variables de nivel de servicio para cada alternativa. En este caso se ne-
cesita conocer la funcin de demanda pero no los valores especficos de las va-
riables de nivel de servicio que, se supone, no van a cambiar; por ejemplo el
valor de los costes de aparcamiento en las diferentes partes de la ciudad. La
nica informacin que se necesita es el reparto de mercado actual de cada modo
y los cambios propuestos de las variables de nivel de servicio. Posteriormente
se utiliza una forma incremental del modelo de demanda para pivotar en
torno a la situacin actual.
La forma incremental de un modelo de eleccin modal logit multinomial
viene dada por (Kumar, 1980):

p
p V V
p V V
k
k k k
j j j
j
0 0
0 0
exp ( )
exp ( )

(12.3)
donde p'
k
es la nueva proporcin de viajes que utilizan el modo k; p
k
0
en la pro-
porcin original de viajes en el modo k y (V
k
V
k
0
) es la variacin de utilidad
de usar el modo k, variacin generada por cambios en los atributos de nivel de
servicio del modo k.
Hay formas incrementales disponibles para funciones ms complejas, como
las correspondientes al modelo logit anidado (ver Bates et al., 1987; Martnez,
1987).
Ejemplo 12.2: considrese un sistema de transporte con tres modos: coche,
autobs y ferrocarril, con proporciones del 0,4, 0,45 y 0,15 respectivamente.
Supngase que la funcin de utilidad tiene la siguiente forma lineal:
V
k
= 0,10t
k
0,20w
k
0,05C
k
/ I+
k
;o
donde t
k
representa el tiempo de viaje a bordo, w
k
el tiempo de espera y C
k
/ I el
coste dividido por el ingreso;
k
es una penalizacin modal.
Supngase tambin que se est interesado en los cambios en la frecuen-
cia que reduciran el tiempo de espera del ferrocarril de 10 a 7,5 minutos, e
incrementaran los del autobs de 3 a 4 minutos. De aqu se obtendra para el
ferrocarril:
V
r
V
r
0
= 0,2(7,5 10) = 0,5
y para el autobs:
V
b
V
b
0
= 0,2(4 3) = 0,2
La variacin en el reparto modal sera por lo tanto:
p'
r
= {0,15 exp (0,5)} / {0,15 exp (0,5) + 0,45 exp (0,2) + 0,4}
el lector puede verificar que esta expresin tiene como resultado:
p'
r
= 0,24 y p'
b
= 0,36
De la misma forma, el modelo de gravedad incremental simplemente aco-
tado puede escribirse como:

T
GT a
T a
ij
i ij j ij
ij j ij
ij
0
0
exp ( )
exp ( )
|
|
A
A
GC
GC
(12.4)
donde G
i
representa los viajes totales generados en la zona i, GC
ij
la diferen-
cia en el coste generalizado entre el ao de diseo y base, y a
j
los factores de
crecimiento que reflejan los cambios en los destinos j.
Por lo general no es difcil desarrollar formas incrementales para la ma-
yor parte de los modelos de eleccin de viaje. Por ejemplo, Abraham et al.
(1992) desarrollaron un modelo incremental para Londres utilizando mode-
los de eleccin modal y gravitacional doblemente acotados para diferentes tipos
de usuarios y modos. Este modelo fue implementado en EMME/2 utilizando
sus capacidades de elaborar instrucciones macro. De igual forma, SATCHMO
tiene mdulos para desarrollar modelos logit incrementales de eleccin de
modo, destino y otros (ver Willumsen et al., 1993).
;;
La formulacin de modelos incrementales o de pivoteo es muy til, ya
que slo se necesita tener en cuenta los cambios de los costes generalizados
o de las funciones de utilidad y no de cada uno de los valores absolutos. Por
ello, si no se estn introduciendo nuevos modos, las penalizaciones modales
se pueden ignorar ya que se cancelan en GC. Una ventaja adicional es que
el modelo conserva la mayor parte de las matrices actuales (o del ao base),
reteniendo cualquier asociacin especial detectada en los datos pero nunca es
tenida completamente en cuenta en un modelo. Esto es de inters especial al
tratar la eleccin de destino cuando un modelo de gravedad no haya funcionado
suficientemente bien (ver apartado 5.8.7). El modelo incremental de gravedad
representar las variaciones en las pautas de viaje que resultan de modificar
los costes de viaje, las generaciones y atracciones.
12.4. ESTIMACIN DE MODELOS A PARTIR DE AFOROS DE TRFICO
12.4.1. Introduccin
Los mtodos convencionales de adquisicin de informacin origen-destino,
por ejemplo, encuestas domiciliarias o encuestas pantalla son costosas, en-
gorrosas y causan molestias a los usuarios. El problema es an mayor en los
pases en desarrollo en los que los rpidos cambios en los usos del suelo y en
la demografa acortan la vida til de los datos. La necesidad de desarrollar
mtodos de bajo coste para la estimacin de matrices O-D actuales y futuras
es evidente.
Los aforos de trfico pueden contemplarse como el resultado de combinar
una matriz de viajes y unas pautas de eleccin de ruta. Como tales, ofrecen
informacin directa sobre la suma de todos los pares O-D que utilizan los
arcos aforados. Los aforos de trfico son muy atractivos como fuente de datos
ya que no son molestos para los viajeros, estn generalmente disponibles, son
relativamente baratos de llevar a cabo y su realizacin automtica est bastante
avanzada. La idea de estimar matrices de viajes o modelos de demanda a partir
de aforos de trfico, merece un serio anlisis y se han desarrollado un cierto
nmero de metodologas para ello.
Considrese un rea de estudio que se divide en N zonas interconectadas
por una red viaria que consiste en un conjunto de arcos y nodos. La matriz
de viajes para este rea de estudio consta de N
2
celdas, o (N
2
N) celdas si
se pueden desechar los viajes intrazonales. La etapa ms importante para la
;8
estimacin de un modelo de demanda a partir de aforos es la identificacin
de los caminos seguidos por los viajes desde cada origen hasta cada destino.
La variable p
ij
a
se utiliza para definir la proporcin de viajes que van desde la
zona i a la zona j atravesando el arco a. De esta forma, el flujo (V
a
) en un arco
concreto a, es la suma de todas las contribuciones de todos los viajes entre
zonas a ese arco. Matemticamente se puede expresar as:

V T p p
a ij ij
a
ij
a
ij
s s
, 0 1
(12.5)
La variable p
ij
a
puede obtenerse utilizando distintas tcnicas de asignacin
que van desde una asignacin simple todo-o-nada hasta una complicada asigna-
cin de equilibrio. A partir de todos los p
ij
a
y de los aforos de trfico observados
(V

a
), habr un nmero N
2
de incgnitas T
ij
a estimar desde un conjunto de L
ecuaciones lineales simultneas (12.5), donde L es el nmero total de aforos
de trfico realizados.
En principio, se necesita un total de N
2
aforos consistentes e independien-
tes para determinar unvocamente la matriz de viajes T. En la prctica, el n-
mero de conteos de trfico observados es mucho menor que el nmero de in-
cgnitas T
ij
, por ello es imposible obtener una solucin nica al problema de la
estimacin de matrices. En general habr ms de una matriz de viajes que, al ser
cargada en la red, reproduzca satisfactoriamente los aforos. Existen dos mtodos
bsicos para resolver este problema: mtodo estructurado y no estructurado.
En el caso del mtodo estructurado el modelizador restringe el espacio posible
de soluciones para la matriz estimada, imponiendo una estructura particular
que se obtiene habitualmente de un modelo de demanda de viajes existente, por
ejemplo un modelo de gravedad o de demanda directa. El mtodo no estruc-
turado descansa en principios generales como el de mxima verosimilitud o
maximizacin de la entropa para obtener el mnimo de informacin adicional
requerida para la estimacin de una matriz. Estos dos mtodos generales se
vern ms adelante pero primero se ha de considerar la relacin entre eleccin
de ruta y estimacin de modelos.
12.4.2. Eleccin de ruta y estimacin de matrices
Robillard (1975) clasific los mtodos de asignacin para la estimacin de ma-
trices de viaje a partir de aforos en dos grandes grupos: asignacin proporcional
y no proporcional. Los mtodos de asignacin proporcional consideran que la
;,
proporcin de conductores que eligen cada ruta es independiente de los niveles
de demanda. El ejemplo ms comn es la asignacin todo-o-nada, y en este
caso p
ij
a
se define como:

p
i j a
ij
a
1 si los usuarios desde a utilizan el arco
e 0 n n otro caso
Los mtodos de asignacin estocstica puros, como los de Burell y Dial,

tambin entran en este grupo pero en estos casos p
ij
a
puede asimismo tomar
valores intermedios entre 0 y 1.
Las tcnicas de asignacin no proporcional tienen en cuenta explcita-
mente los efectos de la congestin y, por tanto, la proporcin de viajeros
que utilizan cada arco depende de los flujos en los mismos. Los mtodos de
asignacin en equilibrio y estocstica en equilibrio son miembros de este
grupo.
Se considera que las tcnicas de asignacin no proporcional son ms rea-
listas para condiciones de congestin. Sin embargo, la ventaja de los mtodos
de asignacin proporcional es que permiten la separacin de los problemas de
eleccin de ruta y de estimacin de matrices. Se puede suponer que la propor-
cin de viajes que utilizan cada arco p
ij
a
es independiente de la matriz de viajes
que se va a estimar. Por el contrario, la eleccin de ruta no proporcional requiere
la estimacin conjunta o iterativa de la eleccin de ruta y de las matrices de
viaje para que ambas sean consistentes. En lo que resta de captulo se supondr
que los mtodos de asignacin proporcional son una aproximacin razonable
a la eleccin de ruta. Ms adelante se sealan las extensiones necesarias para
abordar los mtodos no proporcionales.
12.4.3. Estimacin de modelos de transporte a partir de aforos
El calibrado de modelos gravitacionales fue uno de los primeros mtodos apli-
cados en la estimacin de matrices de viaje a partir de aforos de trfico. La idea
bsica es plantear una forma particular del modelo de gravedad y examinar lo
que ocurre cuando se asigna a la red. Por ejemplo, en el caso de viajes inter-
urbanos la matriz de viajes podra ser:

T
PP
d
ij
i j
ij
o
2
8o
donde P
j
es la poblacin del rea urbana j, d
ij
es la distancia entre ambas reas
y es una constante de calibracin, en este caso la nica. Si una matriz de este
tipo se asigna a la red, se obtiene:

V
p PP
d
p PP
d
a
ij
a
i j
ij
ij
ij
a
i j
ij
ij

o
o
( ) ( )
2 2

(12.6)
Obsrvese que en la expresin derecha de esta ecuacin la nica incgnita
es . Las otras variables se obtienen de datos externos o de un modelo de elec-
cin de ruta. Se puede generalizar algo ms este modelo e incluir otros factores
de generacin/atraccin de viajes tales como empleo, produccin industrial, su-
perficie comercial, etc. Si se escribe la parte de gravedad del modelo como:

G
OD
d
ij
i j
ij
2
y se permiten k motivos de viaje (o varios tipos de productos si se trata de
transporte de mercancas), se puede escribir:

V p O D d p G
a ij
a
k i
k
j
k
ij
ij k
k ij
a
ij
k
ij k

o o / ( )
2

(12.7)
En este caso hay
k
parmetros de calibrado, pero se supone una vez ms
que el resto de los datos estn disponibles. Es relativamente simple obser-
var que las
k
pueden estimarse utilizando tcnicas de mnimos cuadrados.
En este caso se postula que V
a
' = V
a
+
a
donde
a
es un trmino de error. Si se
efecta cambio de variable, como por ejemplo:

X p G
k ij
a
ij
k
ij
Se puede escribir:

+
V X
a k k
k
o o
0

(12.8)
donde
0
es el trmino independiente, que se puede considerar como la parte
del flujo no representada por el modelo de gravedad, por ejemplo trfico local
o intrazonal. Este tipo de metodologa fue utilizada por los primeros investi-
gadores en este rea, Low (1972) para reas urbanas y Holm et al. (1976) para
la planificacin de redes interurbanas en Dinamarca.
81
La ecuacin (12.7) tiene una deficiencia obvia. Si un O
i
y un D
j
especfi-
cos doblasen su valor absoluto, entonces el nmero de viajes entre estas dos
zonas se cuadriplicara cuando obviamente sera ms probable que tambin
se duplicase. Para mejorar este hecho, se puede utilizar el siguiente modelo
convencional:

T O D A B f
ij k i
k
j
k
i
k
j
k
ij
k
k
,
]
]
o

(12.9)
donde:

k
es un parmetro de escala que permite utilizar diferentes unidades de
T
ij
y O
i
k
, D
j
k
.
A
i
k
y B
j
k
son los factores de balanceo que, como se sabe, se expresan por:

A
B D f
B
A O f
i
k
j
k
j
k
ij
k
j
j
k
i
k
i
k
ij
k
i

1
1
( )
( )
con f
ij
k

como funcin de resistencia al viaje, por ejemplo, exp (
k
C
ij
).
La estimacin de este modelo ms convencional a partir de los aforos de
trfico representa un gran esfuerzo ya que los parmetros de calibrado son
ahora A
i
k
, B
j
k
,
k
y
k
. Esto induce a buscar mtodos de calibracin alternati-
vos, por ejemplo regresin no lineal, como la utilizada por Hgberg (1976) o
Robillard (1975).
Tamin y Willumsen (1989) generalizaron este mtodo siguiendo las suge-
rencias de Wills (1986) para combinar en un nico modelo las caractersticas
de los modelos de gravedad y de oportunidades de intervencin (OP). Wills ha
propuesto un modelo flexible gravedad-oportunidad (GO) para distribucin de
viajes en el cual las formas estndar de los modelos de gravedad y de oportuni-
dad se obtienen como casos especiales. La eleccin entre las metodologas de
gravedad y de oportunidad se decide empricamente permitiendo la estimacin
de los parmetros que controlan la forma funcional global del mecanismo de
la distribucin de viajes.
Se puede definir una transformacin
dj
i
tal que
dj
i
sea igual a 1 si el destino
j est en la d
sima
posicin en orden ascendente de distancia desde i, y cero en
8:
el resto de los casos, de forma que la matriz de viajes ordenada (por oportuni-
dades) pueda obtenerse de la siguiente transformacin:

Z T
id dj
i
ij
j
,
]
]
o

(12.10)
Mientras que la transformacin de ordenacin
dj
i
produce una matriz de
viajes ordenada, su inversa (
dj
i
)
1
permite recobrar la matriz de viajes obser-
vada mediante:

T Z
ij dj
i
id
d
,
]
]
( ) o
1

(12.11)
Debe observarse que esta clase de transformacin es aplicable a cualquier
variable basada en la matriz O-D, en particular a la matriz de coste y al factor
de proporcionalidad, adems de a la matriz de viajes. Se puede definir tambin
una transformacin directa Box-Cox sobre la variable y, tal como en (8.2), as:

y
y
y
t
t
t t
t
( -1)/
log =
=
0
0
y una transformacin Box-Cox inversa como:

y
y
y
( / ) 1
0
0
t
t
t t
t
( +1)
exp =
1/
=
Ambas transformaciones pueden combinarse en una nueva funcin que se

presenta como una combinacin convexa en .

y y y
( , ) ( ) ( / )
( ) ,
t t t
+ s s 1 0 1
1

(12.12)

El modelo propuesto puede finalmente escribirse como:

T O D A B f
ij k i
k
j
k
i
k
j
k
ij
k
k
,
]
]
o

(12.13)
donde:

f F
ij
k
dj
i
id
k
d
,
]
]
( ) o
1

(12.14)
8

F U U
id
k
ip
k
p
d
ip
k
p
d
j
(
,
\
,
(

j
(
,
\
,
(
( , ) ( , ) t t
1

(12.15)

U D C
ip
k
m pk
i
m ip
,
]
]
exp log ( ) 1 t |

(12.16)
y

D D
dk
i
dj
i
j
k
j
,
]
]
o

(12.17)
A partir de esta forma general se pueden obtener varios casos especiales,
asignando valores particulares a y . Se pueden identificar tres casos extre-
mos que generan modelos especficos: el de gravedad (GR), el logartmico de
oportunidad puro (LO) y el exponencial de oportunidad puro (EO).
Tamin y Willumsen (1989) desarrollaron tres mtodos de estimacin para
calibrar la forma general a partir de aforos: mnimos cuadrados no lineales
(MCNL), mnimos cuadrados no lineales ponderados (MCNLP) y mxima
verosimilitud (MV). El modelo general fue comprobado para transporte de
mercancas en Bali, Indonesia (Tamin y Willumsen 1988) y para transporte
de viajeros en Ripon, Reino Unido (Tamin y Willumsen, 1989). En ambos casos
se contaba con un conjunto de conteos y con una matriz observada obtenida
por otros mtodos independientes. En el caso de trfico de mercancas, aunque
los aforos de trfico no estaban clasificados por tipo de camin, fue posible
discriminar hasta nueve tipos diferentes de productos, uno de ellos camiones
sin carga. Se necesitan datos de aproximacin para los valores de O
j
k
y D
j
k
,
por ejemplo los niveles de produccin de ciertas mercancas. El parmetro
k

juega el doble papel de convertir estas aproximaciones primero en toneladas
y despus en camiones.
Las principales conclusiones de esta investigacin fueron:
Los modelos GO y OP son ms costosos que los modelos GR, ya que re-
quieren frmulas ms complejas y procedimientos que llevan ms tiempo
resolver.
Un buen ajuste en base a aforos de trfico tambin produce un buen ajuste
de la matriz de viajes.
Para la estimacin de los p
ij
a
se utiliz la asignacin todo o nada y la estocs-
tica de Burrell; sin embargo, el ajuste obtenido no mejor al incorporarse el
efecto estocstico como podra esperarse.
n 1
8
Aunque el GO fue el mejor modelo respecto al ajuste con los aforos de trfico
observados, no puede garantizarse que produzca tambin el mejor ajuste a
una matriz de viajes observada independientemente. De hecho, el modelo
que mejor ajusta a la matriz de viajes es el modelo de gravedad GR con el
mtodo MCNL y con asignacin Burrell.
Holm et al. (1976) han ampliado la metodologa del modelo de gravedad
para incluir algunas caractersticas de la asignacin en equilibrio. Utilizaron una
carga iterativa con = 1 / n (ver el apartado 10.5.4) para obtener la proporcin
de viajes que utilizan cada arco. Sin embargo este enfoque es heurstico, ya
que bajo condiciones estrictas de equilibrio, por lo general, las proporciones
no son nicas.
Otros modelos, como los de demanda directa, tambin se pueden utilizar en
este mtodo de estimacin. Una ventaja de este mtodo es que una vez calibrado
el modelo de demanda, puede utilizarse tambin para la prognosis suponiendo
que los valores futuros de parmetros como O
i
y D
j
estn disponibles o sean
de fcil estimacin.
12.4.4. Estimacin de matrices a partir de aforos de trfico
Las tcnicas de maximizacin de entropa y minimizacin de la informacin
han sido utilizadas como herramientas en la construccin de modelos para
la planificacin del transporte urbano y regional durante muchos aos, es-
pecialmente despus de los trabajos desarrollados por Wilson (1970). En el
Captulo 5 se ha presentado la generacin de un modelo de gravedad conven-
cional a partir de una formulacin de maximizacin de la entropa. En este
contexto, la maximizacin de la entropa produce una matriz de viajes sen-
cilla y poco sesgada que es consistente con la informacin disponible, infor-
macin que se representa mediante restricciones a un problema de maximi-
zacin (de una funcin entrpica). En el caso del modelo de gravedad, las
restricciones representan informacin sobre viajes totales zonales y costes
totales.
Esta idea fue utilizada por Willumsen (1978) para obtener un modelo que
estima matrices de viaje a partir de aforos de trfico. El problema puede formu-
larse como:

Maximizar

S T T T T
ij ij ij ij
ij
( ) ( )
log

(12.18)
8
sujeto a:

V T p
a ij ij
a
ij

(12.19)
para cada arco a con aforo, y T
ij
0
Las restricciones (12.19) reemplazan a las restricciones de totales zona-
les (de destino de viaje) y de los costes del modelo de gravedad. El uso del
mtodo de Lagrange permite encontrar la solucin formal a este problema
como:

T p X
ij a ij
a
a
a
p
ij
a
a

j
exp ( ) t

(12.20)
donde
a
son los multiplicadores Lagrangianos correspondientes a las restric-
ciones (aforos), y:

X
a a
exp ( ) t
La disponibilidad de un matriz antigua o simplemente una matriz estimada
(o acotada) de un estudio previo puede proporcionar alguna ventaja. Deno-
minando t a esta matriz, llamada a veces matriz de referencia, la funcin
objetivo expandida es:

Maximizar

S T t T T t T t
ij ij ij ij ij
ij
ij ij 1
+
( / ) ( log / )

(12.21)
sujeta a las mismas restricciones (12.19) y a la no negatividad. Esta funcin
objetivo es, desde luego, convexa y el trmino constante t
ij
, puede eliminarse
efectuando la derivada del modelo.
Utilizando la misma metodologa y el mismo cambio de variables, puede
comprobarse que la solucin formal es:

T t p t X
ij ij a ij
a
ij a
p
ij
a
a a

j
exp ( ) t

(12.22)
Ejemplo 12.3: sea la red simple esquematizada en la figura 12.1. Esta red
tiene dos orgenes (1 y 2) y dos destinos (3 y 4). En ella pueden verse los flujos
de todos los arcos. Tambin puede observarse que solamente hay seis matri-
ces de viajes (enteras) que pueden reproducir los flujos observados, como se
muestra a continuacin.
8o
Matriz Primera Segunda Tercera Cuarta Quinta Sexta
i

j
3 4 3 4 3 4 3 4 3 4 3 4
1 8 0 7 1 6 2 5 3 4 4 3 5
2 2 5 3 4 4 3 5 2 6 1 7 0
S (T
ij
) 11,07 7,46 5,98 5,78 6,84 9,96
S
1
(T
ij
/ t
ij
) 5,79 3,69 3,7 5,07 7,22 12,2
La formulacin de maximizacin de la entropa intenta identificar la ma-
triz de viajes ms probable que sea consistente con la informacin disponible,
en este caso cinco aforos de trfico. El lector puede verificar que slo tres de
estos aforos son independientes (ver apartado 12.4.5). Por lo tanto el problema
no est especificado.
Los valores de la funcin objetivo S(T
ij
) se muestran tambin en esta tabla.
A partir de los mismos, la matriz de viajes ms probable sera la cuarta, (5, 3,
5, 2), ya que tiene un valor mximo de la entropa. Si se dispone de una matriz
de partida, entonces se utilizara una segunda funcin objetivo (12.21).
15
7
8
3
3
2 4
10
5
5 6
Figura 12.1. Red simple con aforos de trfico.
Supngase que se dispone de la matriz de partida (3, 2, 1, 3). Los nuevos
valores de la funcin de entropa tambin se sealan en la tabla. La matriz de
viajes ms probable en estas circunstancias sera la segunda (7, 1, 3, 4). En la
mayora de los problemas prcticos no se pueden calcular directamente los va-
lores de la entropa de todas las matrices posibles. Obsrvese por ejemplo, que
la reduccin del nmero de aforos incrementa el nmero de matrices posibles.
Ms importante, flujos del orden de cientos o miles incrementan enormemen-
te el nmero de posibles matrices enteras de viajes. Lo que se necesita es un
mtodo de solucin que no requiera la enumeracin de matrices posibles.
8;
Existen varios posibles mtodos para resolver el modelo (12.22). El ms
ampliamente utilizado es el multiproporcional. Este mtodo, en esencia, es
una extensin de los mtodos biproporcionales y triproporcionales sealados
en el Captulo 5. En este caso en vez de balancear la matriz de viajes tratando
de hacer el ajuste a los totales zonales (y totales de coste en el caso del m-
todo triproporcional), se llevan a cabo correcciones sucesivas de la matriz de
partida para reproducir los aforos observados. Hay un factor de correccin X
a

para cada aforo de trfico y su clculo requiere la estimacin iterativa de los
mismos hasta que los flujos observados en cada arco se reproduzcan dentro
de una tolerancia aceptable.
Si no se dispone de una matriz de partida se puede tomar t como la matriz
unidad. En efecto, una formulacin de maximizacin de la entropa puede con-
siderarse que genera como la matriz de viajes ms probable aquella que tiene el
mismo nmero de viajes en cada celda, a menos que las restricciones indiquen
otra cosa. En otras palabras, la maximizacin de la entropa es equivalente a mini-
mizar la diferencia entre una matriz de referencia uniforme y la matriz estimada.
El anlisis detallado del modelo de estimacin de matrices mediante maxi-
mizacin de la entropa (ME2) y el de mtodos derivados de ste, basados
en los principios de minimizacin de la informacin, se desarroll por Van
Zuylen y Willumsen (1980). Ambos modelos son prcticamente equivalentes
y comparten la mayora de sus propiedades. El modelo ME2 reproduce las
observaciones V
a
' dentro de una tolerancia dada siempre que las restricciones
definan un espacio razonable, es decir, las ecuaciones (12.19) deben tener al
menos una solucin con una T
ij
no negativa. Una condicin adicional para la
matriz de partida t se seala ms adelante.
Puede demostrarse que minimizar el negativo de la funcin objetivo (12.21)
es aproximadamente equivalente a minimizar la funcin:

S T t
T t
T
ij ij
ij ij
ij
2
2
0 5
( / )
, ( )

(12.23)
sta es una medida tipo del error de la diferencia entre los valores de t
ij

y T
ij
. En efecto, el negativo de S
1
(T
ij
/ t
ij
) es tambin una medida natural de la
diferencia entre los valores de las celdas. Es cero cuando t
ij
= T
ij
y se incrementa
positivamente segn aumenta la diferencia. La matriz estimada es aquella que
ms se asemeja a la matriz de partida y que al cargarse a la red reproduce los
aforos de trfico.
e minimizar e
88
El modelo puede recibir otras fuentes de datos siempre que sea posible
introducirlas como restricciones lineales. Un ejemplo de este tipo puede ser
la informa cin sobre la distribucin de la longitud de viajes (LDV) que se
espera exista en el rea de estudio. Cabe la posibilidad de expresar este tipo
de informacin como restricciones equivalentes a los rangos de coste, como
se vio en el Captulo 5; por ejemplo:

1
T
T P
ij ij
k
k
ij
o

(12.24)
donde T es el nmero total de viajes, P
k
es la proporcin de viajes en k rangos
de coste (longitud),
ij
k
es 1 si los viajes entre i y j tienen su coste en el rango k
y cero en el resto de los casos.
Los sistemas de transporte pblico con un sistema tarifario zonal o basado
en otra variable permiten la introduccin de restricciones de este tipo para la
estimacin de las matrices de viajes utilizando conteos de pasajeros y datos
de venta de billetes (de Cea y Cruz, 1986). Adems el problema matemtico
puede escribirse tambin como una combinacin de restricciones de igualdad
y desigualdad mejorando la aplicacin de este tipo de mtodos. Por ejemplo,
el planificador puede saber que la capacidad de un arco es Q
a
pero no dispone
de un aforo del mismo o que dada la capacidad disponible de un aparcamiento
no pueden dirigirse un nmero mayor de D
j
'
viajes. Este tipo de informacin
puede incorporarse como restricciones de desigualdad, por ejemplo:

T p Q
ij ij
a
a
ij
s

para algn arco a (12.25)

T D
ij j
i
s

para algn destino j (12.26)
La solucin a este programa es tambin un modelo multiplicativo; Lamond
y Stewart (1981) han demostrado cmo se puede aplicar el algoritmo multi-
proporcional para el uso de restricciones de desigualdad; de aqu que se pueda
aplicar el mismo mtodo de resolucin para este modelo expandido. Una de
las caractersticas del modelo ME2 (extendido) es su naturaleza multiplicativa.
Esto significa que si una celda de la matriz de referencia es cero, ser tambin
cero en la matriz solucin, lo que podra causar algn problema si la celda de
la matriz de referencia fuera cero al azar (p. ej., debido a la tasa de muestreo
adoptada en el estudio) en vez de representar un par O-D sin ningn viaje. Una
solucin pragmtica a este problema para matrices de partida poco densas es
alimentar las celdas vacas con un valor muy pequeo, por ejemplo 0,5 viajes.
8,
Las restricciones mediante un algoritmo multiproporcional o cualquier otro
asegurarn que algunos de estos viajes crezcan a uno o ms viajes completos
mientras que otros acabarn con valor nulo.
Ejemplo 12.4: sea la misma red que en el ejemplo 12.3 pero supngase
ahora que slo se tienen dos aforos en los arcos 5-6 y en el 2-5 (15 y 7 respec-
tivamente).
La siguiente tabla 12.1 muestra la aplicacin del algoritmo multiproporcio-
nal a este problema. En la tabla se seala en primer lugar la solucin completa
para el caso de una matriz de partida uniforme. Caso A.
Tabla 12.1. Solucin multiproporcional para dos conteos de trfico
Aforo
Flujo
modelizado
Ratio
Viajes por par O-D
1-3 1-4 2-3 2-4
A Matriz inicial 1 1 1 1
Iteracin 15 4 3,75 3,75 3,75 3,75 3,8
1 7 7,5 0,933 3,5 3,5
Iteracin 15 14,5 1,034 3,88 3,88 3,62 3,6
2 7 7,24 0,967 3,5 3,5
Iteracin 15 14,76 1,016 3,94 3,94 3,56 3,6
3 7 7,11 0,984 3,5 3,5
Iteracin 15 14,89 1,008 3,97 3,97 3,53 3,5
4 7 7,05 0,992 3,5 3,5
Iteracin 15 14,95 1,004 3,99 3,99 3,51 3,5
5 7 7,03 0,996 3,5 3,5
B Matriz inicial 3 2 1 3
Iteracin 15 15,03 0,998 4,81 3,21 1,75 5,2
5 7 6,98 1,002 1,75 5,3
C Matriz inicial 3 2 0 3
Iteracin 15 15,06 0,996 4,82 3,21 0 7
6 7 6,97 1,004 0 7
D Matriz inicial 3 2 0,5 3
Iteracin 15 15,04 0,998 4,81 3,21 1 6
6 7 6,98 1,002 1 6
,o
Como se puede ver, solamente se realizan cinco iteraciones para llegar a
una convergencia del 5% de tolerancia. La solucin {3,99; 3,99; 3,5; 3,5} no
coincide con la solucin de maximizacin de la entropa del ejemplo 12.3 porque
el nmero de aforos no es el mismo.
El Caso B resuelve el problema con una matriz de partida {3; 2; 1; 3} y de
nuevo con slo cinco iteraciones se llega a una convergencia satisfactoria. La
solucin {4,81; 3,21; 1,75; 5,25} es diferente, demostrndose as cmo puede
usarse la informacin de una matriz de viajes antigua para la actualizacin de
matrices. Respecto a matrices antiguas siempre hay alguna informacin que
se puede utilizar.
El caso C ilustra lo que ocurre cuando hay un cero en la matriz de partida.
Existe una solucin pero el cero se conserva. Finalmente el caso D muestra el
efecto de alimentar el cero de la matriz de partida con 0,5. La solucin esta
vez {4,81; 3,21; 1,0; 6,0} afecta slo a viajes que en origen contenan cero.
Tabla 12.2. Solucin multiproporcional para tres conteos de trfico
Aforo
Flujo
modelizado
Ratio
Viajes por par O-D
1-3 1-4 2-3 2-4
A Matriz inicial 1 1 1 1
Iteracin 15 4 3,75 3,75 3,75 3,75 3,75
1 7 7,5 0,933 3,5 3,5
10 7,25 1,379 5,17 4,83
Iteracin 15 15,05 0,997 5,32 2,68 4,65 2,35
10 7 7 1 4,65 2,35
10 9,97 1,003 5,33 4,67
B Matriz inicial 3 2 1 3
Iteracin 15 15,11 0,992 6,51 1,51 3,41 3,56
14 7 6,97 1,004 3,42 3,58
10 9,94 1,006 6,55 3,45
C Matriz inicial 3 2 0 3
Iteracin 15 17,15 0,875 8,75 0,13 0 6,12
20 7 6,12 1,143 0 7
10 8,75 1,143 10 0
,1
Tabla 12.2. Solucin multiproporcional para tres conteos de trfico (cont.)
Aforo
Flujo
modelizado
Ratio
Viajes por par O-D
1-3 1-4 2-3 2-4
D Matriz inicial 3 2 0,5 3
Iteracin 15 15,1 0,994 6,98 1,05 2,96 4,01
19 7 6,97 1,004 2,97 4,03
10 9,95 1,005 7,01 2,99
Sea ahora el efecto de incrementar el nmero de aforos a tres, incluyendo
el arco 6-3. Los resultados correspondientes se indican en la tabla 12.2. Obsr-
vese que el nmero de iteraciones necesarias se ha incrementado. Este nmero
depende no tanto del nmero real de aforos utilizado sino de cmo estos aforos
pueden eliminar las holguras de la matriz.
En este caso se eliminan mediante estos aforos tres de los cuatro grados de
libertad. La solucin en el caso A {5,33; 2,68; 4,67; 2,35} es la que maximiza
S (T
ij
) y si se redondea a valores enteros coincide con la solucin del ejemplo 12.3.
La solucin para el caso B {6.55; 1,51; 3,45; 3,58} tiene las mismas propie-
dades respecto a S
1
(T
ij
). El caso C es interesante porque demuestra que en esta
ocasin la introduccin de un cero en la matriz de partida hace que el algoritmo
no converja ni siquiera despus de 20 iteraciones. El lector puede verificar que
el forzar la celda 2-3 a cero hace que el problema no tenga solucin: hay siete
viajes que salen del nodo 2 pero solamente cinco pueden alcanzar su destino. El
caso D ilustra el efecto de alimentar la celda vaca con 0,5 viajes. El algoritmo
converge ahora a una solucin razonable.
12.4.5. Aforos de trfico y estimacin de matrices
Llegados a este punto, se puede preguntar si cualquier conjunto de aforos es
apropiado para la estimacin de una matriz de viajes. Por ejemplo, es posible
que ciertas combinaciones de aforos hagan imposible la estimacin de una
matriz que los satisfaga? Estos problemas sern tratados desde el punto de
vista de independencia e inconsistencia de los aforos de trfico.
12.4.5.1. Independencia
No todos los aforos contienen la misma cantidad de informacin. Por ejem-
plo, en la figura 12.2 el trfico del arco c est constituido por la suma de los
,:
trficos de los arcos a y b. Realizar un aforo en el arco c es redundante y se
puede decir que en este caso slo dos aforos son independientes.
Siempre que se pueda plantear una ecuacin de continuidad de flujo del
tipo flujos entrantes a un nodo igual a flujos salientes del nodo, sus aforos
sern linealmente dependientes. En este caso siempre se puede describir un
flujo como una combinacin lineal del resto. Obsrvese que un conector de
centroide asociado al nodo 5 eliminara la dependencia en la figura 12.2.
5
V
c
= 150
V
a
= 70
V
b
= 80
Figura 12.2. Aforos dependientes.
12.4.5.2. Inconsistencia
Errores de aforo y el hecho de que a menudo los aforos se obtienen en mo-
mentos diferentes (horas, das, semanas) conducen a inconsistencias en las
medidas de los flujos. En otras palabras, no se cumplirn las relaciones de
continuidad en los flujos. Si el aforo V
c
de la figura 12.2 fuera 160 en vez de 150,
las ecuaciones correspondientes seran inconsistentes y ninguna matriz de via-
jes podra reproducir estos flujos. Una forma de reducir este problema es intro-
ducir un trmino de error en las ecuaciones o eliminar las inconsistencias de
antemano.
Se pueden tambin identificar dos causas de inconsistencia en los flujos;
la primera es simplemente el hecho de que los errores en los aforos pueden
llevar a situaciones en las que el flujo total hacia un nodo no sea igual al
flujo total desde el mismo nodo, no cumplindose de esta manera las condi-
ciones de continuidad en los flujos. La segunda causa es el desajuste entre el
modelo de asignacin de trfico utilizado y los flujos observados. Por ejemplo,
un modelo de asignacin puede no asociar viajes a un arco que tiene un flujo
observado (aunque ste puede ser pequeo). En estas condiciones no habr
,
ninguna matriz de viajes capaz de reproducir los flujos observados utilizando
el modelo de eleccin de itinerario.
Ejemplo 12.5: es til distinguir entre estos dos tipos de inconsistencias, la
primera a nivel de flujo y la segunda a nivel de itinerario. Supngase que se
tienen observaciones del flujo en cuatro arcos (identificados por los pares de
nodos que los delimitan) y que se pretende encontrar las matrices no negativas
que satisfagan estos flujos y un modelo de eleccin de itinerario como se seala
en la figura 12.3.
Sea primero el caso en el que el aforo x tiene un valor de 8, haciendo
as que el flujo total hacia el nodo 6 sea igual a 15 y el flujo desde este nodo
igual a 16.
(a)
5
B D
A C
6
6
3
x
10
6
8
1
2
3
4
(b)
B D
5 A C
6
1
2
3
4
Figura 12.3. Un ejemplo de inconsistencias de itinerarios con aforos: (a) red e
intensidades, (b) elecciones de ruta supuestas.
Estos aforos son inconsistentes quizs porque fueron tomados en das di-
ferentes o simplemente por un error de aforo. Se puede eliminar esta incon-
sistencia incrementando arbitrariamente los flujos en los arcos (1, 6) o (2, 6)
en un viaje o reduciendo los flujos de los arcos (6, 3) o (6, 4) en un viaje. Se
puede ser algo ms sistemtico y realizar los ajustes necesarios para conservar
las condiciones de continuidad de los flujos. Por ejemplo, si lo que se desea es
minimizar la suma de los cuadrados de los incrementos/reducciones, el cambio
ptimo sera 0,25 viajes en cada arco.
Un mtodo alternativo es buscar una solucin de mxima verosimilitud a
este problema como sealaron Van Zuylen y Willumsen (1980). Esta solucin
supone que las intensidades de los arcos tienen una distribucin Poisson y que
las observaciones disponibles son muestras de esta distribucin. Se utiliza la
mxima verosimilitud para generar un modelo que produzca estimaciones me-
,
joradas y consistentes de los flujos. Por otra parte, el calibrado del modelo a
partir de aforos como se seal en el apartado anterior, acepta que haya errores
en los flujos observados. Estos mtodos no estn limitados, por tanto, por los
problemas de independencia y consistencia.
Sea ahora el caso en el que el aforo x sea 7. Puede verse que las condiciones
de continuidad de flujo se cumplen en este caso. Sin embargo, la asignacin
supuesta sealada en la figura 12.3b es incompatible con los flujos mostra-
dos en la figura 12.3a. Ninguna matriz de viajes puede reproducir el aforo de
8 en el arco (6, 3) porque el nico camino que lo utiliza, B-C est limitado a
un mximo de 5 por el arco (2, 6).
El conjunto de ecuaciones lineales que corresponden a este ejemplo viene
dado por:
arco (1, 5) T
AC
= 6 (12.27)
arco (5, 3) T
AC
= 6 (12.28)
arco (1, 6) T
AD
= 10 (12.29)
arco (2, 6) T
BC
+ T
BD
= 5 (12.30)
arco (6, 3) T
BC
= 8 (12.31)
arco (6, 4) T
AD
+ T
BD
= 7 (12.32)
Claramente las ecuaciones (12.30) y (12.31) son incompatibles con la no
negatividad de T
BC
. Lo mismo ocurre con las ecuaciones (12.29) y (12.32), ha-
ciendo imposible resolver este conjunto de ecuaciones. En problemas tan sim-
ples como ste, las inconsistencias pueden detectarse mediante la observacin
directa pero en redes ms complejas solamente se pueden identificar mediante
operaciones de filas y columnas en las ecuaciones lineales. Para redes grandes
estas operaciones no sern prcticas.
En este ejemplo simple no es difcil ver que el problema se origina en el
nico itinerario supuesto entre A y C. Si se permitieran dos itinerarios, uno
por el nodo 5 y otro por el nodo 6, se eliminara la inconsistencia. Adems,
los valores de la variable resultante p
6
AC
no podran elegirse arbitrariamente.
En efecto, una solucin posible requiere:
0,2 p
6
AC
0,5
El hecho de que las condiciones de continuidad en los itinerarios no se
cumplan, parece reflejar errores en la asignacin, mientras que las disconti-
,
nuidades en los flujos son sntomas de errores en los aforos. Parece razonable
desarrollar una tcnica para eliminar las inconsistencias en los flujos de los
aforos y as asegurar que se cumplen las condiciones de continuidad de los
flujos. Por otra parte, un mtodo razonable para tratar la falta de consistencia
a nivel de itinerarios puede ser la adopcin de un mejor modelo de asignacin.
En trminos generales, la consistencia a nivel de flujos es una condicin ne-
cesaria pero no suficiente para la consistencia de itinerarios. La condicin de
consistencia de itinerarios es, sin embargo, condicin suficiente para la con-
sistencia de los flujos.
El lector interesado puede verificar que hay solamente siete matrices de
viajes enteras diferentes que pueden satisfacer los flujos observados en el
ejemplo anterior.
12.4.6. Limitaciones del ME2
El programa ME2, debido a su simplicidad, eficiencia relativa y facilidad de
programacin, ha sido instalado y utilizado ampliamente, especialmente en el
Reino Unido. El modelo tiene algunas limitaciones conocidas y merece la pena
mencionarlas antes de sealar las oportunidades de mejora.
Una de las limitaciones aparece cuando el trfico ha crecido (o disminui-
do) fuertemente entre la matriz de viajes de referencia (o matriz antigua) y la
actual. Esto puede ocasionar distorsiones, ya que el modelo estima la matriz
ms cercana a la de referencia de forma que, al cargarse a la red, reproduzca los
aforos. En estos casos, es mejor probablemente considerar la estructura de la
matriz de referencia, por ejemplo la proporcin del total de viajes que aparecen
en cada celda y no el nmero absoluto de viajes en cada par O-D. Se tratara
entonces de encontrar la matriz con la estructura ms parecida a la de la matriz
de partida que reproduzca los aforos al ser asignada a la red. Esto puede tratarse
en primer lugar mediante un factor de crecimiento global, por ejemplo:

V
t p
a
a
ij ij
a
ij a

(12.33)
que se aplica a la matriz de partida antes de utilizar el modelo ME2. De esta
forma la estructura de la matriz de partida se conserva lo ms posible. La es-
timacin anterior de es nicamente una aproximacin. Para una metodologa
ms rigurosa, ver Bell (1983).
,o
Una segunda limitacin del ME2 es el hecho de que considera los aforos
de trfico como observaciones sin error sobre variables no estocsticas. En
efecto, el modelo da completa credibilidad a los aforos, y utiliza la matriz de
partida slo para compensar el hecho de que los aforos no contienen suficiente
informacin para la estimacin. Sin embargo, esto puede no ser apropiado en
la prctica. Para empezar, se debe tener en cuenta que los aforos no estn libres
de error. Adems de los errores de conteo, existe el problema de las variaciones
temporales (horarias, estacionales) como ya se ha citado anteriormente. Los
aforos obtenidos en diferentes das o a diferentes horas difcilmente pueden
considerarse observaciones sobre una variable no estocstica.
Willumsen (1984) ha sugerido un mtodo para compensar esta segunda
dificultad. Parte de la idea de que las funciones del tipo {X log X / Y X + Y}
pueden tomarse como medidas tiles de la diferencia entre X e Y. A partir de
aqu, se construye una funcin objetivo compuesta para satisfacer la siguiente
expresin:
Minimizar

S T T t T T V V v V v
ij ij ij ij ij a a a a a a
a ij
3
+ + +

( / ) ( / ) log log | (12.34)
donde:
V
a
es el valor real del aforo de trfico en a.
v
a
es el valor de una observacin del flujo realizada en a.

a
es un factor de ponderacin que depende de la confianza depositada
en la observacin v
a
.
El uso del mtodo de Lagrange conduce a la siguiente solucin:

T t X
ij ij a
p
ij
a
a
j

(12.22)

V v X
a a a
a
1/|

(12.35)
Este modelo puede resolverse utilizando de nuevo el algoritmo multipro-
porcional, pero en este caso se necesita tambin corregir las observaciones para
obtener una estimacin mejor de los verdaderos valores de los flujos. Obsrvese
que si
a
es muy grande, es decir, si se asigna un peso alto a los aforos que se
cree son muy precisos, V
a
tender hacia
a
. En el lmite con
a
= se vuelve
al modelo original en el que V
a
= v
a
. Por otra parte, cuanto ms pequeo sea
a
ms grande ser la credibilidad dada a la matriz de partida t.
,;
Se podra esperar que los pesos
a
dependiesen de la variabilidad de las
observaciones. Brenninger-Gothe et al. (1989) han examinado el modelo en
detalle. Han demostrado que un valor natural para los pesos
a
es la varianza
(o desviacin tpica) asociada a las observaciones. Si estos datos no estn dis-
ponibles pueden estimarse utilizando algunas hiptesis sobre la distribucin
de los trminos de error. Estos autores han ampliado el modelo considerando
pesos asociados tanto a la matriz de partida (
ij
) como a los aforos (
a
). De esta
forma, la nueva funcin objetivo se convierte en:
Minimizar

S T T t T t V V v V v
ij ij ij ij ij ij a a a a a a
a ij
3
+ + +

| ( / ) ( / ) log log

(12.36)
Las principales limitaciones del ME2 pueden reducirse utilizando mtodos
razonablemente simples. Sin embargo, otros autores han propuesto enfoques
alternativos para resolver el problema de la estimacin de matrices, algunos
de los cuales parten de bases diferentes.
12.4.7. Modelos mejorados de estimacin de matrices
Bell (1983) ha formulado un modelo que trata de conservar la estructura de
la matriz de partida, en el sentido descrito en el apartado anterior, aadien-
do una nueva restriccin y modificando de esta forma la formulacin mate-
mtica as:
Minimizar S
2
sujeto a:

V T p
a ij ij
a
ij

para cada conteo del arco a (12.19)

t

T t
ij ij
ij ij
/

(12.37)
y
T
ij
0
Adems de esto, Bell sugiere el uso del mtodo de Newton-Raphson para
resolver el modelo con una estimacin iterativa de . Alternativamente se puede
aceptar un valor inicial de , resolver el modelo estndar utilizando un mtodo
multiproporcional y posteriormente comprobar si es consistente con la ecuacin
(12.37). Se debe repetir el ciclo hasta que el valor de converja.
y
T
ij
TT 0
,8
La utilizacin del algoritmo de Newton-Raphson ofrece ventajas en tr-
minos de tiempo de clculo y es tambin til para conocer el efecto de los
errores en los aforos sobre la matriz de viajes estimada (Bell, 1983). Este tipo
de anlisis de sensibilidad es alternativo al tratamiento de los errores de los
aforos mencionado anteriormente. Sin embargo, el mtodo de Newton-Raphson
requiere una gran cantidad de memoria y por ello est restringido a redes de
tamao medio.
Una variante a la funcin objetivo estndar (S
1
) es linealizarla utilizando el
desarrollo en serie de Taylor, o construir una formulacin de mnimos cuadra-
dos generalizada. En ambos casos se trata tambin de minimizar la diferencia
entre las matrices de partida y estimada, sujetas a la misma restriccin (12.19).
Bell (1984) sugiri la solucin de expansin de series de Taylor, mientras que
McNeil y Hendrickson (1985) y Cascetta (1984) han desarrollado versiones en
las que se utilizan mtodos de mnimos cuadrados generalizados. Un proble-
ma es que bajo determinadas circunstancias estos modelos producen celdas
negativas en la matriz de viajes estimada, especialmente cuando la matriz de
referencia tiene originalmente valores pequeos. ste no es un caso poco fre-
cuente y por tanto esta caracterstica del mtodo lo hace poco deseable.
Maher (1983) ha propuesto el empleo de un mtodo bayesiano al proble-
ma de la estimacin de la matriz de viajes que en su forma funcional es equi-
valente al mtodo de los mnimos cuadrados generalizados. Se actualiza una
estimacin inicial de la matriz de viajes a partir de los aforos. Se supone que
ambos son variables con distribucin normal multivariada con covarianzas
conocidas.
Spiess (1987) ha desarrollado un modelo de mxima verosimilitud para la
resolucin de este problema. Considera una formulacin especfica donde para
cada par O-D se obtiene t
ij
mediante un proceso independiente de Poisson de
media
ij
T
ij
. Esto se corresponde con el problema de tomar una muestra de una
matriz de viajes existente con una tasa de muestreo de
ij
< 1. La probabilidad
de observar t
ij
es:

Prob ( exp Poisson O O O
ij ij ij ij ij
t
ij
ij ij ij
T t T T t ) ( ) / ! ,
]
]

( )

(12.38)

La probabilidad conjunta de observar la matriz de la muestra {t
ij
} es por
lo tanto:

Prob Prob exp t t T T t
ij ij
ij
ij ij
t
ij
ij
ij ij

,
]
]
,
]
]

( )

j j
O O ( ) /
iij
!

(12.39)

,,
La aplicacin de las tcnicas de mxima verosimilitud a este problema
requiere encontrar la matriz {T
ij
*} que satisfaga las restricciones y ofrezca la
mxima probabilidad (12.39) de observar {t
ij
}. Tomando logaritmos en la ecua-
cin (12.39) y adoptando la convencin habitual de que 0 log 0 = 0, se puede
formular el modelo de mxima verosimilitud como:

Max t T T t
ij ij ij ij ij ij
ij
( ( ) !) log log O O

(12.40)

sujeto a las restricciones habituales de no negatividad y a la ecuacin (12.19).
Separando el logaritmo en sumas y prescindiendo de las constantes, se puede
reescribir la ecuacin (12.40) como:

Min T t T
ij ij ij ij
ij
( ) O
log

(12.41)
Esta funcin objetivo es convexa en T
ij
; si el conjunto de constantes es
consistente y los flujos son admisibles se asegura la existencia de una solucin
ptima. Esta solucin puede obtenerse mediante cualquier mtodo estndar
de resolucin de problemas de programacin convexa. Sin embargo, Spiess
(1987) ha desarrollado un algoritmo que aprovecha algunas de las propiedades
especficas de este problema.
Para profundizar ms en este tema y las posibilidades de su ampliacin,
ver Cascetta y Nguyen (1988) y Willumsen (1991).
12.4.8. Tratamiento de la asignacin no proporcional
El modelo ME2 examinado en los apartados anteriores se basa en la hiptesis
de que se pueden obtener las proporciones de eleccin de ruta p
ij
a
independien-
temente del proceso de estimacin de matrices. En el momento en el que la
congestin tiene importancia en la eleccin de ruta, esta hiptesis es cuestio-
nable ya que dichas proporciones de eleccin de ruta y la matriz de viajes son
interdependientes.
El principal problema para incorporar el equilibrio de Wardrop en la es-
timacin de la matriz de viajes es que ahora las proporciones de eleccin de
ruta y la matriz de viajes que han de estimarse estn relacionadas. Una forma
de abordar este problema es adoptar un mtodo iterativo: suponer un conjun-
to de proporciones de la eleccin de ruta p
ij
a
, estimar una matriz T, cargarla a
la red y obtener un nuevo conjunto de proporciones de eleccin de ruta; repetir
ooo
el proceso hasta que dichas proporciones de eleccin de ruta y las matrices
estimadas sean consistentes entre s.
Este esquema general puede desarrollarse de diferentes formas. Por ejem-
plo, en el software SATURN (Hall et al., 1980) las proporciones de eleccin
de ruta se estiman utilizando el valor del algoritmo Frank-Wolfe en cada
iteracin (la combinacin lineal ptima de los flujos acumulados y auxiliares.
Ver apartado 11.2.2). En general es sabido que las rutas en condiciones de
equilibrio no son nicas. Sin embargo, este mtodo les supone nicos.
Una aproximacin o enfoque alternativo requiere replantear el problema
inicial en trminos de una matriz tridimensional (origen, destino, itinerario)
de la siguiente manera:

Maximizar

S
4
1
T T t
ijr ijr ijr
ijr
( / ) log

(12.42)
sujeto a:

T V
ijr ijr
a
ijr
a
o

(12.43)
y a: T
ijr
0
donde el ndice r indica la ruta o camino elegido,
ijr
a

es 1 si el itinerario r entre
i y j utiliza el arco a y cero en cualquier otro caso.
Siempre se puede reconstruir la matriz O-D {T
ij
} por agregacin de matri-
ces de flujos {T
ijr
}. De nuevo, la solucin a este problema es:

T t X
ijr ijr a
ijr
a
a
j
o

(12.44)
y:

T T
ij ijr
r

(12.45)
Los flujos de la matriz de partida pueden calcularse a partir de la matriz
de viajes de partida como t
ijr
= t
ij
/ R
ij
, donde R
ij
es el nmero de itinerarios
entre i y j. En este caso, las rutas pueden tomar cualquier valor ya que no se
suponen nicas. Se utiliza el algoritmo de Frank-Wolfe para la asignacin en
equilibrio, para identificar los caminos atractivos (los seleccionados en cada
paso del todo o nada) pero no para definir proporciones estrictas de la matriz
de viajes con ellos.
Este esquema es heurstico y es recomendable un algoritmo para su reso-
lucin como el siguiente:
oo1
Asignar, utilizando mtodos de asignacin en equilibrio, una matriz 1. {t
ij
}
del ao base a la red y almacenar las rutas (rboles de caminos) correspon-
dientes. Poner el contador del ciclo a 1.
Estimar una matriz de viajes 2. {T
ij
}
n
para la iteracin n, utilizando rutas
independientes {
ijr
a
} y flujos observados {V

a
}.
Asignar 3. {T
ij
}
n
al equilibrio, guardando las rutas (rboles) utilizadas en el
proceso.
Incrementar 4. n en 1 y volver al paso 2 a menos que los cambios en las rutas
{
ijr
a
} o en las matrices estimadas sean pequeos.
Para una comprobacin de este mtodo y para una comparacin con las
tcnicas de asignacin proporcional en el caso de un conjunto de datos para
Reading en el Reino Unido, ver Willumsen (1982).
Un mtodo ms general ha sido desarrollado por Fisk (1988), mtodo en
el cual se combina la estimacin de matrices por maximizacin de entropa
con la asignacin en equilibrio del usuario en una sola formulacin mate-
mtica. Otro mtodo similar ha sido propuesto por Oh (1989). Las necesidades
informticas de estos mtodos son muy elevadas, reducindose as su valor
prctico.
12.4.9. Estimacin de matrices de viaje y eleccin modal
La idea de ampliar este tipo de metodologas a la estimacin de matrices y a
la eleccin modal es muy atractiva. Considrese un modelo de eleccin de
modo/destino con una nica restriccin con la siguiente forma logit:

T O
S X
S X
ij i
j k p p ijk
p
d d k p p idk
p

exp
exp
( )
( )
u
u

(12.46)
donde la componente de eleccin modal del modelo viene dada por:

P
X
X
ij
k
p p p ijk
p
m p p ijm
p

exp
exp
( )
( )
u
u

(12.47)
T
ij
son los viajes entre las zonas i y j, O
i
es el nmero total de viajes que se
originan en la zona i, S
j,
una medida de la capacidad de atraccin de la zona
j, p
ij
k
la proporcin de viajes que utilizan el modo k entre las zonas i y j, X
ijk
p
la
oo:
variable explicativa de orden p para el modo k (por ejemplo, tiempo de viaje
en vehculo) y son los parmetros del modelo.
Aunque los desarrollos que se presentan a continuacin son para el caso
logit multinominal ms sencillo, pueden ampliarse fcilmente a la estimacin si-
multnea de formas logit anidadas ms generales (Ortzar y Willumsen, 1991).
12.4.9.1. Caso unimodal simple
Sea en primer lugar el caso de un nico modo con un parmetro de escala
a estimar, que multiplica a una variable de coste generalizado X
ij
. En este
sencillo ejemplo, la ecuacin (12.46) se reduce a:

T O
S X
S X
ij i
j ij
d d id
exp
exp
( )
( )

(12.48)
Ahora, supngase que se dispone de observaciones de flujos sobre un
conjunto de arcos V
a
y tambin que se conocen, del modelo de asignacin, las
proporciones p
ij
a
para todos los arcos con flujos observados. En tal caso, se
puede afirmar que la ecuacin (12.19) se cumple y para estimar el valor de
se puede, por ejemplo, intentar minimizar la siguiente funcin normalizada
no lineal (generalizada) por mnimos cuadrados:

S
V T p
V
a ij ij
a
ij
a
a
j
(
,
\
,
(
,
,
,
,
,
]
]
]
]
]
]

(12.49)
Para hallar el mnimo se necesita realizar la primera y segunda derivada
de S respecto a . Estas derivadas se incluyen en Ortzar y Willumsen (1991).
Desafortunadamente, incluso en este caso tan sencillo, las derivadas son intra-
tables por lo que puede ser difcil establecer una solucin nica a este problema.
12.4.9.2. Actualizacin con repartos modales agregados
Sea la transferencia del modelo (12.46)-(12.47) estimado con parmetros a
otro contexto. Se ignoran las constantes especficas de cada modo, ya que stas
aseguran la reproduccin de los repartos modales agregados para ese contexto.
Defnase la funcin de utilidad de transferencia como:
oo

V X M
ijk p ijk
p
p
k
j
(
,
\
,
(
+
u

(12.50)
donde X
ijk
p
son los valores zonales de nivel de servicio y variables socioeco-
nmicas en el nuevo contexto, y M son parmetros de escala en el sentido
antes sealado y (K 1) un conjunto de constantes especficas a estimar para
cada modo; K es el nmero total de modos.
En este caso se pueden encontrar estimadores de mxima verosimilitud
para y M pero slo es posible garantizar un ptimo nico cuando se fija ,
es decir, cuando slo se actualizan las constantes.
12.4.9.3. Actualizacin con aforos de trfico
Los principales problemas surgiran si interesase realizar combinaciones mix-
tas de modos y solamente se dispusiese de aforos para los modos puros. Por
ejemplo, sea el caso de eleccin entre coche, autobs y metro y combinaciones
de ste ltimo con los dos primeros.
Es obvio que incluso si se dispusiera de aforos separados para cada modo
puro, incluiran observaciones correspondientes a los movimientos mixtos.
Si se reduce el problema a una agregacin modal y se est interesado en la
estimacin del parmetro de escala y de un conjunto de constantes para los
modos puros, el problema puede resolverse utilizando una formulacin de
mnimos cuadrados generalizada similar a la indicada en (12.49), como qued
demostrado por Ortzar y Willumsen (1991).
12.4.9.4. Actualizacin con informacin combinada
Supngase que se desea actualizar y M de (12.50) y hay disponibles obser-
vaciones de repartos modales agregados P
k
y conjuntos de aforos de pasajeros
observados V para cada modo en competencia. El problema puede formularse
como de mxima verosimilitud o como de mnimos cuadrados generalizado.
En el primer caso, se tendrn diferentes funciones a maximizar y por tanto
diferentes condiciones de primer orden y ptimos, dependiendo de las hip-
tesis adoptadas sobre la distribucin de los errores de aforo. Las hiptesis ms
habituales han sido las de distribucin multinomial, distribucin Poisson inde-
pendiente y Normal independiente (ver Tamin y Willumsen, 1992). Como se
puede suponer que los datos de aforos son independientes de los datos de los
repartos modales agregados, la funcin del logaritmo de la verosimilitud toma
oo
la forma de suma de dos expresiones. Si se supone que los aforos no tienen
errores, resulta un caso final que requiere maximizar una funcin mucho ms
sencilla sujeta a (12.19). Hay expresiones para cada uno de estos dos casos en
Ortzar y Willumsen (1991). No existe garanta sin embargo, de que alguna
de las dos conduzca a un ptimo nico.
La formulacin de mnimos cuadrados tiene dos ventajas. La primera es
que no se necesitan hiptesis de distribucin del conjunto de datos. La se-
gunda es la posibilidad de incorporar diferencias explcitas en la precisin de
cada elemento del conjunto de datos antes de la estimacin. La necesidad de
normalizacin, que tambin es una caracterstica de esta metodologa, es aqu
muy evidente dado el distinto orden de magnitud de las diferencias entre los
valores observados y modelizados para ambos tipos de datos. Por ejemplo, la
diferencia mxima en el caso de repartos modales es justamente 1, mientras
que las diferencias en los datos de aforo pueden fcilmente elevarse a centenas
o miles.
El rango de metodologas disponibles en principio para resolver este im-
portante problema es difcil de evaluar sin recurrir a la experimentacin.
12.5. MODELOS MARGINALES Y DE CORREDOR
12.5.1. Introduccin
Se ha visto anteriormente cmo los enfoques convencionales de modelizacin
requieren a menudo grandes cantidades de recursos (especialmente tiempo de
clculo y experiencia tcnica), tienen una tasa de respuesta muy lenta y pueden
no ser sensibles a algunas opciones de intervencin poltica que necesiten ana-
lizarse as como que pueden estar basados en marcos tericos poco potentes
(ver por ejemplo, Supernak, 1983). Asimismo, en los captulos anteriores se ha
expuesto cmo evitar la mayor parte de los problemas ms usuales al respecto.
En este apartado se exploran algunas simplificaciones que pueden adoptarse
para acelerar el tiempo de respuesta de los ejercicios de modelizacin.
Los mtodos simplificados expuestos en los apartados anteriores raramente
satisfacen, por s solos, todas las necesidades de un proyecto a gran escala o un
cambio de poltica de transportes de importancia. La utilizacin de las tcnicas
de estimacin de matrices de viaje a partir de aforos puede ser aceptable para
situaciones en las que sea razonable una hiptesis de matriz fija, por ejemplo,
en el diseo de esquemas de gestin de trfico. Sin embargo, la adopcin de
oo
mtodos de estimacin de matrices a partir de aforos es todava muy dbil
en trminos de eleccin modal, la cual constituye un elemento importante en
la mayor parte de los anlisis de proyectos. Los mtodos de planificacin
esquemtica o simplificada ofrecen una respuesta rpida, pero con un riesgo
ms elevado en trminos de imprecisin en el anlisis. Es interesante explorar
si estos enfoques pueden combinarse para utilizar sus ventajas y evitar sus
carencias.
La idea bsica es adoptar una metodologa que utilice modelos ms sen-
cillos como marco de modelizacin y que los modelos de ltima generacin
se apliquen selectivamente a los elementos de decisin ms importantes. Las
revistas tcnicas dedican poco espacio a informar sistemticamente sobre las
simplificaciones que los planificadores y consultores adoptan en la prctica
por necesidad (Leamer, 1978). A veces, algunos artculos ilustran mejor estos
aspectos. Ver por ejemplo Ashley et al. (1985) y Clancy et al. (1985).
El primer elemento en el desarrollo de mtodos prcticos simplificados es
reconocer que siempre hay algn contexto de planificacin explcito o impl-
cito que ofrece experiencia local y datos. Cmo utilizar estos dos elementos
eficientemente debera ser siempre el primer paso. La buena asesora a quienes
toman decisiones bajo restricciones temporales, debe tratar aspectos como los
siguientes:
cmo simplificar o seleccionar los modelos de la mejor manera posible para
que representen adecuadamente los impactos del proyecto a analizar?
cmo hacer uso adecuado de los datos existentes y de la experiencia local?
cmo aprovechar algunas de las caractersticas especiales del problema a
tratar?
cmo tratar con los inevitables sesgos que aparecen con las respuestas sim-
plificadoras adoptadas en las preguntas anteriores?
12.5.2. Modelos de corredor
En los estudios de corredores surge una oportunidad tpica para simplificar las
tareas de modelizacin sin comprometer demasiado el realismo. Los corredores
son grupos simplificados de infraestructuras de transporte, bsicamente linea-
les, que a veces combinan carreteras de alta capacidad y arterias con restriccin
de accesos, con servicios de ferrocarril y de autobs. La naturaleza lineal de
estas infraestructuras puede ayudar a simplificar la modelizacin. Puede ser
suficiente modelizar el corredor lineal y considerar nicamente los puntos de
ooo
entrada y salida al mismo como orgenes y destinos. Es posible que exista un
destino principal en un extremo del corredor (por ejemplo el CBD) o que se
distribuyan a lo largo de toda su longitud.
En cualquier caso los problemas de asignacin sern siempre mnimos
y el esfuerzo de modelizacin puede concentrarse en aspectos tales como la
eleccin modal y, en algunos casos, la eleccin de destino. La informacin
bsica necesaria est constituida por los niveles actuales de demanda por modo
y tramo del corredor, datos sobre las variables de nivel de servicio para cada
modo y tramo y las caractersticas ms importantes de los viajeros
Una buena parte de estos datos se obtiene mediante entrevistas basadas en
el modo, a bordo (tren) o en los destinos principales (lugar de trabajo).
La simplificacin extrema de la estructura de la red genera ahorros con-
siderables en la toma de datos y codificacin. La transferencia de modelos de
eleccin discreta desde otros contextos puede llevarse a cabo utilizando las
tcnicas descritas en el apartado 9.4. Si es necesario, la transferencia de la
generacin de viajes puede llevarse a cabo mediante los mtodos sealados en
el apartado 4.5. Sin embargo, en la mayora de los casos se supone una matriz
de viajes multimodal fija para estos estudios. Si el estudio cubre varios aos
en el futuro, cabe la posibilidad de que sea necesario emplear tcnicas de ac-
tualizacin de matrices basadas en factores de crecimiento, como se indic
en el epgrafe 5.2.
Los modelos de corredor con restricciones de capacidad importantes re-
quieren algn cuidado especial. Los efectos de los cuellos de botella en el
corre dor deben tratarse especficamente y a veces se pueden aplicar modelos
de micro-asignacin a los mismos. Los modelos de demanda directa son tam-
bin elecciones recomendables para este tipo de problemas.
12.5.3. Modelos de demanda marginal
Al enfrentarse con problemas que no pueden ser tratados mediante un estudio
de transporte a gran escala por limitaciones de recursos y de disponibilidad de
tiempo, es deseable concentrar los esfuerzos en aquella parte de la demanda
de transportes que probablemente sea afectada por el proyecto o la actuacin
en cuestin. Si el proyecto no est basado en un corredor se requiere algo ms
de cuidado y atencin. Sin embargo, las caractersticas especiales del problema
pueden utilizarse a menudo para simplificar las tareas a realizar. Una metodo-
loga generalizada para este problema fue propuesta por De Cea et al. (1986).
Esta metodologa se resume a continuacin y se muestra en la figura 12.4.
oo;
Definicin del problema. Los pliegos de condiciones del estudio, si estu- 1.
vieran disponibles, deberan facilitar la identificacin de los principales
elementos del problema, ya sea un proyecto de inversin concreto o ya sea
la consideracin de una nueva actuacin de poltica en transportes. Los
pliegos de condiciones, sin embargo, no eximen al analista de identificar
consecuencias ms amplias de las alternativas a considerar.
Identificacin de la poblacin relevante y del impacto potencial del pro- 2.
yecto. En esta etapa se trata de identificar los impactos ms probables de
un proyecto o actuacin y los segmentos de poblacin que probablemente
se veran afectados. En principio cualquier cosa puede afectar a cualquier
otra, pero se deben tratar de identificar los efectos de primer orden y aque-
llos que ms probablemente perciban (prdidas o ganancias) los costes y
beneficios del proyecto.
Identificacin de los recursos tcnicos disponibles para analizar los prin- 3.
cipales impactos del proyecto en la poblacin relevante. La existencia de
datos, quizs no actualizados, de otros estudios y modelos y, especialmente
la experiencia local, pueden jugar un papel importante para ofrecer aseso-
ramiento rpido y slido a los gestores. La actualizacin de los conjuntos
de datos y el ajuste de los modelos existentes requiere normalmente menos
recursos que empezar desde cero. El conocimiento local puede ser crucial
en esta fase.
Seleccin de modelos 4. generales y de demanda marginal. Un elemento
clave de este mtodo es el uso de un modelo ms agregado y tosco para
estimar el nivel general de demanda y un modelo ms detallado de demanda
marginal para identificar los impactos especficos del proyecto sobre la
demanda general antes hallada. La eleccin de los modelos generales y
de demanda marginal depende de la naturaleza del problema y de los re-
cursos tcnicos disponibles. El modelo de demanda marginal se aplica a la
poblacin relevante solamente y debera, por supuesto, ser capaz de discri-
minar los impactos del proyecto y/o de las actuaciones sobre esa poblacin.
Al seleccionar estos modelos es importante contemplar la viabilidad de su
implementacin y utilizacin dentro del marco temporal y de recursos del
estudio. Las hiptesis de simplificacin adoptadas en esta fase deben estar
convenientemente documentadas.
Implementacin de los modelos y conjuntos de datos. Los modelos gene- 5.
rales y de demanda marginal se instalan en un ordenador junto con los
conjuntos de datos a utilizar y actualizar como parte del estudio. En muchos
oo8
casos ser necesario desarrollar programas cortos para pasar los datos a
formatos adecuados y realizar las comprobaciones necesarias y la produc-
cin de informes.
Aplicacin de los modelos generales y de demanda marginal al ao base y 6.
su validacin. Esto puede requerir alguna toma de datos adicional, ideal-
mente a pequea escala.
Aplicacin de los modelos generales y de demanda marginal para la prog- 7.
nosis en aos futuros. Esto requerir, en primer lugar, proyectar los valo-
res de las variables de planificacin para esos aos y despus aplicar los
modelos con y sin proyecto o bajo diferentes opciones de actuacin en
poltica de transportes.
Trminos de referencia
Identicacin de la poblacin
e impacto potencial
Recursos tcnicos disponibles
Evaluacin e indicadores
Seleccin de antecedentes (BM) y modelos
de demanda marginal (MDM)
Implementacin de modelos
y conjuntos de datos
Aplicacin de BM
al ao base
Aplicacin de MDM
al ao base
Aplicacin de BM
al ao de previsin
Aplicacin de MDM
al ao de previsin
Anlisis de sensibilidad
de variables clave
Figura 12.4. Fases en la evaluacin de proyectos utilizando mtodos de estimacin
de la demanda marginal.
oo,
Evaluacin. Los modelos ejecutados en los dos pasos anteriores deben 8.
producir los indicadores necesarios para una evaluacin de las opciones
abierta a los gestores. Debe ponerse especial atencin para enmarcar esta
evaluacin respecto a la prctica local y producir los indicadores que los
gestores consideren ms significativos.
Anlisis de sensibilidad. Las hiptesis simplificadoras adoptadas en las fa- 9.
ses anteriores y la incertidumbre sobre el futuro hacen necesario comprobar
la sensibilidad de los resultados obtenidos a las variaciones en los valores de
entrada y pesos adoptados en el estudio. El presupuesto y las restricciones
temporales limitan habitualmente la cantidad de tests de sensibilidad que
pueden efectuarse. Sin embargo, se pueden obtener las preferencias de los
gestores sobre los elementos que consideran que han de examinarse en estos
tests. Estos elementos pueden tomar la forma de preguntas como:
El proyecto sera an viable si se duplicase el precio del combus-
tible o la tasa de inters se incrementase en un 2%.
Estas preferencias podran utilizarse para seleccionar tests de sensibilidad
complementarios a los requeridos por las hiptesis simplificadoras adoptadas
anteriormente. sta es una metodologa pragmtica cuyas virtudes y limita-
ciones slo pueden confirmarse en la prctica.
De Cea et al. (1986) han seguido este enfoque para el estudio de una
ampliacin posible de la red de metro de Santiago (Chile). En resumen su
metodologa inclua:
Identificacin de la poblacin de inters como aquella que se encuentra en
zonas con acceso peatonal al metro antes y despus de la ampliacin poten-
cial, incluyendo viajes multimodales.
Utilizacin de tcnicas de estimacin de matrices de viaje basadas en aforos
de trfico para la obtencin de matrices generales para coche y transporte
pblico. Se hizo uso de un amplio conjunto de aforos complementado con
encuestas ad hoc en paradas de autobs y estaciones de metro.
Transferencia de un modelo desagregado de eleccin modal basado en el
corredor al rea de estudio mediante recalibrado de las constantes especficas
de los modos. La disponibilidad del modelo de corredor y datos adecuados
sobre nivel de ingreso hizo posible esta transferencia.
Evaluacin econmica, financiera y medioambiental del proyecto, comple-
mentada con anlisis de sensibilidad de los parmetros ms importantes.
o1o
El estudio completo fue realizado en cuatro meses. El anlisis coste-benefi-
cio predijo una rentabilidad razonable de la inversin. La ampliacin del metro
se llev a cabo ms tarde y los resultados confirman lo apropiado del estudio.
12.6. JUEGOS DE SIMULACIN
Los modelos matemticos no resuelven cualquier problema de transportes de la
vida real. La interpretacin de las soluciones matemticas es la que proporciona
utilidad para tomar decisiones sobre problemas de transporte. Los modelos
simplificados pueden ayudar a reducir el esfuerzo necesario para encontrar una
respuesta analtica y para facilitar la interpretacin sucesiva de esta solucin
en relacin con el problema real.
Se utilizan modelos conceptuales o mentales para entender, interpretar y
actuar en la vida profesional. Los modelos mentales son, en efecto, un requi-
sito previo para el desarrollo y aplicacin de los modelos matemticos que se
ejecutan en ordenador.
A pesar de su importancia los modelos mentales son difciles de examinar
debido a su carcter, lo cual conduce a menudo a problemas de comunicacin
bastante intratables. Si se desea mejorar la planificacin de transportes, los
mejores y ms ricos modelos en la mente de los planificadores y gestores
son, probablemente, tan importantes como el uso en ordenador de modelos de
comportamiento rigurosos y bien fundados. Dado el importante papel de los
modelos mentales en el uso y la aplicacin de modelos matemticos, parece
adecuado investigar tcnicas para mejorar los primeros con objeto de obtener
mejores soluciones con los segundos.
Pero cmo se adquieren, revisan, rechazan y mejoran los modelos men-
tales? Los factores principales parecen ser la educacin formal e informal,
las discusiones y debates, y, sobre todo, la experiencia prctica. Uno de los
problemas principales a los que se enfrenta la educacin y adiestramiento en
el planeamiento es cmo adquirir una experiencia realista. Esto es especial-
mente importante en el campo de los transportes, donde las consecuencias ms
importantes de una intervencin en transportes pueden darse despus de un
tiempo considerable. Adems, es sorprendentemente sencillo prestar demasia-
da atencin a detalles de tcnicas concretas, y perder de vista el proceso ms
amplio en el que estas tcnicas deben encajar.
La necesidad de mtodos para desarrollar una comprensin general del
sistema en vez de informacin detallada sobre sus partes ha sido reconocida
o11
en varias disciplinas, especialmente en el aprendizaje de la gestin y de los
negocios. Se han desarrollado algunas tcnicas de educacin con este fin: es-
tudio de casos, juegos de rol y diferentes tipos de ejercicios. Los juegos de simu-
lacin (gaming simulation) son una tcnica particularmente atractiva en este
campo. Fueron desarrollados originalmente con propsitos militares en forma
de juegos de guerra, pero desde que los ordenadores personales estn dispo-
nibles se han extendido a las ciencias empresariales, polticas, sociolgicas y
a la planificacin regional y de transportes.
Los juegos educativos son ejercicios de toma de decisiones secuenciales
estructurados respecto a un entorno artificial que representa el mundo real.
Este entorno artificial puede ser solamente un conjunto de instrucciones y ma-
terial grfico o puede contener un ejercicio elaborado de simulacin utilizando
programas de ordenador, modelos fsicos y presentaciones animadas. Como en
la vida real, los juegos tienen habitualmente una dimensin competitiva. Esta
caracterstica puede incorporarse al menos mediante dos formas: dividiendo
a los jugadores en equipos con objetivos parcialmente en conflicto (p. ej.,
propietarios de vehculos, oficiales de proteccin ambiental, residentes, etc.)
o enfrentando a cada jugador con un modelo informtico de un sistema com-
plejo ms un conjunto comn de condiciones iniciales y objetivos finales. Se
pueden utilizar indicadores clave para medir los logros de cada jugador en el
cumplimiento de estos objetivos. El primer mtodo refuerza la necesidad de
negociacin y compromiso, mientras que el segundo enfatiza la eficiencia en
los objetivos buscados. Ambos mtodos mejoran la comprensin de sistemas
complejos y apoyan el desarrollo de las aptitudes de aprendizaje. En ambos
casos el xito de los jugadores depende de su habilidad para aprender de las
consecuencias de sus propias decisiones y de las de los dems y del efecto de
fenmenos inesperados como huelgas o incrementos en el precio de los com-
bustibles. El objetivo final de cualquier ejercicio de juegos de simulacin es
aumentar la capacidad de aprendizaje mediante el enriquecimiento del modelo
conceptual que cada jugador tiene del sistema. Para una buena base sobre juegos
de simulacin, su diseo y las experiencias existentes, el lector puede consultar
los trabajos de Greenblat y Duke (1975) o Taylor (1971) y en el campo de los
transportes, Ortzar y Willumsen (1978).
Varios juegos de simulacin han sido desarrollados especficamente para los
transportes. Algunos de estos juegos abarcan problemas como la negociacin
del trazado de una nueva carretera o el planeamiento de nuevos servicios de
transporte pblico. Probablemente el juego ms ampliamente utilizado en el
o1:
campo de los transportes es GUTS (Willumsen y Ortzar, 1985). Los objetivos
originales de este juego basado en ordenador son:
El juego debe tratar el sector transporte de un rea urbana como un sistema,
es decir, debe destacar las interrelaciones entre los modos, la gestin de
trfico y las decisiones de inversin, as como las restricciones financieras.
De ah que el programa de ordenador contenga relaciones que reflejan estas
interacciones.
El juego debe ser realista pero manejable. Se deben incluir los tipos ms
comunes de decisiones de inversin y de gestin de trfico y simular las
restricciones financieras y de recursos ms importantes.
El modelo ha de permitir un rango de alternativas e incluso intereses en con-
flicto para ser alcanzados y, consecuentemente, el programa debe producir
no un nico sino varios indicadores de rendimiento. Al mismo tiempo, la
informacin disponible para los jugadores no debe ser demasiado diferente
de la disponible habitualmente para quienes toman decisiones.
El juego debe realzar la importancia del seguimiento continuo del funcio-
namiento de un sistema de transportes.
El modelo debe permitir la representacin de diferentes tipos de reas urba-
nas respecto a distribuciones de reas de residencia, empleo, motorizacin
y renta, as como tasas de crecimiento, usuarios de transporte pblico e
indicadores relacionados.
GUTS est desarrollado como un programa interactivo para ordenado-
res con modestos requerimientos de memoria. El modelo se basa en un rea
urbana simplificada con simetra circular. Dos modos de transporte, coche
y autobs, operan libremente y en competencia. El usuario puede tomar de-
cisiones sobre las tarifas y niveles de servicio del transporte pblico, la in-
troduccin de carriles bus, esquemas de licencia suplementaria, dotacin de
aparcamientos y costes de los mismos, as como grandes proyectos de infra-
estructura. El programa comprueba estas decisiones y ejecuta el modelo para
representar un ao de operacin del sistema de transportes. Al final de la eje-
cucin se obtienen indicadores sobre las intensidades de trfico, velocidades,
reparto modal y tiempo de viaje y gasto segn tipo de persona, adems de
informes del funcionamiento financiero de la empresa de autobuses. Tambin
se simulan cambios en los niveles de accesibilidad y el impacto de nuevas inver-
siones as como fenmenos inesperados que provocan cambios en la estructura
de costes de los modos de transporte que operan en la ciudad. La condicin de
o1
simetra que se impone a la ciudad simplifica el modelo acelerando el apren-
dizaje del usuario y mejorando el tiempo de ejecucin en el ordenador.
Juegos como GUTS pueden mejorar la planificacin de transportes de
varias formas. En primer lugar, en su modo habitual como herramienta
de aprendizaje, pueden utilizarse para la educacin de nuevos miembros de
un equipo y para desarrollar un lenguaje comn en toda la organizacin. En
segundo lugar, un modelo de este tipo puede contemplarse como una herra-
mienta simple de planificacin simplificada con gran valor para la discusin
de amplias opciones de poltica de transportes y concepciones particulares de
los gestores. GUTS y programas similares no son sustitutos de los modelos a
gran escala pero pueden contribuir a llenar la brecha existente entre estrategias
de alto nivel de agregacin y estudios especficos de modelizacin.
Un tercer elemento a considerar es el uso de herramientas de esta clase
como demostracin de las ventajas y limitaciones de los modelos matemticos.
Los dos extremos de rechazo total de los modelos de transporte o de su acep-
tacin a ciegas estn todava presentes en gran parte de las organizaciones
polticas y de planificacin. La simplicidad evidente de un juego de simulacin
combinada con su capacidad para representar las interacciones entre los mo-
delos y las decisiones, ofrece un buen ejemplo de lo que puede obtenerse con
un enfoque de modelizacin formal. La utilizacin y posterior crtica del juego
por parte de los polticos y planificadores les ayudara a comprender mejor las
actividades e intereses correspondientes.
El desarrollo y distribucin extendida de juegos de esta clase puede jugar
un importante papel en la mejora de la conciencia pblica sobre los problemas
de transporte, el papel de estrategias alternativas para resolverlos, sus impli-
caciones para la localizacin de recursos y la calidad de vida. El Gobierno
Holands ha sido pionero de estos mtodos mediante el desarrollo y la dis-
tribucin de un programa, Orculo de Trfico, para microordenadores que
permite la simulacin y discusin de diferentes escenarios futuros y polticas
de planificacin y gestin de transporte en Holanda.
EJERCICIOS
12.1. La red de la figura 12.5 representa un rea pequea con dos orgenes, A
y B y dos destinos, Y y Z. Se han realizado aforos de trfico de los volmenes
de coches que utilizan la red con los siguientes resultados:
o1
Arco Volumen
M-N 400
N-P 700
P-Q 500
Utilizar un modelo de maximizacin de la entropa para estimar una matriz a)
de viajes a partir de la informacin anterior. Suponer que se necesita una
matriz de referencia adecuada para este problema. Se considera aceptable
un error en el flujo modelizado del 3%.
Repetir los clculos anteriores suponiendo que la matriz de referencia viene b)
dada por:
Y Z
A 100 50
B 80 200
M N P
Q
R
A
Z
Y
B
12.2. La red de la figura 12.6 representa los arcos que conectan dos or-
genes, A y B y dos destinos, C y D en un pas en desarrollo. Las poblaciones de
los dos orgenes son 10.000 y 20.000 habitantes respectivamente y los merca-
dos que se encuentran en C y D son igual de atractivos en trminos de tamao
y precio. Las distancias de los arcos (en km) estn indicadas en la figura.
A C
Y X D
B
11
10
8
1
7
Figura 12.6. Red simple del ejercicio 12.2.
o1
Se han obtenido los siguientes aforos de personas en arcos:
Arco Personas/da
A-X 3.400
X-Y 11.900
Y-D 4.100
Calibrar un modelo del tipo:

T
bPD d
D d
ij
i j ij
n
j ij
n
j
donde P
i
es la poblacin de la zona i, D
j
es el ndice de atraccin para el mer-
cado de la zona j y d
ij
es la distancia de viaje entre i y j. Prubense al menos
dos valores de la potencia n, incluyendo n = 2 y n = 2,5.
12.3. Tres pueblos A, B y C estn conectados por un ro navegable en un
pas subdesarrollado. El pueblo A tiene una poblacin de 1.000 habitantes, el B
est a 30 km ro abajo y tiene una poblacin de 2.000 habitantes; el pueblo C est
a 10 km del B con una poblacin de 300 habitantes. El valor de las mercancas
vendidas en cada pueblo al da es de 500, 600 y 600 pesos respectivamente.
Dos observadores han pasado un tiempo tomando aforos direccionales de
los pasajeros que viajan en barco por el ro, con los siguientes resultados:
Seccin del ro Pasajeros por 1/2 da
A-B 45
B-A 60
B-C 360
C-B 560
Calibrar un modelo de gravedad de la forma sugerida en el ejercicio 12.2, a)
donde se sustituya D
j
por la poblacin de j. Utilizar n = 2,0.
Calibrar un modelo similar, pero reemplazando b) D
j
por el valor de las mer-
cancas intercambiadas en cada pueblo diariamente.
Cul es el mejor modelo? Justificar la respuesta. c)
o1o
12.4. La elasticidad de la demanda de autobuses a la tarifa en una deter-
minada regin toma un valor tpico de 0,3. El viajero medio entre la zona A y
el centro de la ciudad (CBD) tiene que pagar normalmente una tarifa de $2 por
viaje. La participacin del autobs respecto al total de viajes entre A y el CBD
es del 60%, utilizando el resto de los viajes el vehculo privado o el metro.
Si el nmero total de viajes entre ambas zonas es de 2.000, estimar la
prdida de clientes de los autobuses, utilizando el mtodo logit incremental, si
la tarifa se eleva a $3 por viaje, siendo iguales el resto de parmetros. Compa-
rar los resultados con el clculo ms elemental a partir de elasticidades. Discutir
los resultados. (Sugerencia: dada la expresin simple para la elasticidad logit
directa, estimar el parmetro
c
a partir de los datos).
13.
Otros tpicos de inters
E
ste captulo abarca cuatro aspectos importantes de la modelizacin del
transporte. El primero es la modelizacin del transporte de mercancas,
destacando en el epgrafe 13.1 las principales diferencias con la modeli-
zacin de la demanda de transporte de viajeros y diseando los mtodos
ms aptos para mercancas.
La seccin 13.2 se dedica a la previsin de variables de planificacin. Va-
riables tales como la poblacin futura, el empleo, las plazas de colegio, las reas
de compras y la distribucin de la venta son necesarias para realizar previsio-
nes utilizando modelos de planificacin de transporte. A veces estas variables
se obtienen exgenamente al estudio; en otros casos deben estimarse como
parte del propio ejercicio de planificacin. En cualquier caso, juegan un papel
clave a la hora de determinar la capacidad de prognosis de los modelos tratados
en este libro.
Una de las variables de planificacin ms importantes es la posesin de
coche, la cual se trata en el epgrafe 13.3, en el que se exponen modelos de series
temporales y economtricos para realizar prognosis respecto a la posesin de
coche. Adems se discuten otros enfoques ms recientes al respecto.
Los temas relacionados con el concepto, estimacin y aplicacin del valor
del tiempo se presentan en el epgrafe 13.4. Finalmente, en el apartado 13.5
se tratan el concepto y los mtodos utilizados en la evaluacin de los efectos
externos del transporte, como son los accidentes y la contaminacin. El libro
no estara completo sin tratar estos temas.
13.1. MODELOS DE DEMANDA DE MERCANCAS
13.1.1. Importancia
La mayor parte de este libro se ha concentrado en la modelizacin de la de-
manda de viajeros con especial nfasis en los problemas urbanos. Sin embargo,
o18
los movimientos de mercancas, especialmente en carretera, son una fuente
de congestin importante y de otros problemas de trfico. Los ruidos y la irri-
tacin provocados por los camiones pesados, los problemas causados por la
carga y descarga en la calle para los comercios y otros locales y la queja tpica
de que los camiones ocupan una gran parte de la capacidad de las carreteras
interurbanas son solamente algunos ejemplos de los problemas asociados con
este tipo de trfico.
Desafortunadamente, en las zonas urbanas las alternativas disponibles para
influir en el transporte de mercancas por carretera son muy limitadas. Princi-
palmente dichas limitaciones son: controles sobre la carga y descarga, lmites y
dimensiones de los vehculos permitidos en ciertas zonas (ruteo de camiones),
la provisin de centros importantes de intercambio de mercancas, la promo-
cin de accesos posteriores a locales y mejoras en la configuracin de nuevos
desarrollos urbanos.
La modelizacin de la demanda del transporte de mercancas por carretera
puede jugar un papel de especial importancia en pases en proceso de desarrollo,
donde son an ms urgentes los esfuerzos para incrementar las exportaciones
y ganar acceso a regiones subdesarrolladas. En estos casos, facilitar el trans-
porte de mercancas por carretera probablemente tendr un impacto importante
sobre el desarrollo econmico. Adems, la competencia entre la carretera y el
ferrocarril en algunos de estos pases, es clave en la distribucin de los recursos
de inversin y mantenimiento.
En el caso de los desplazamientos interurbanos las polticas de intervencin
tienen mayores posibilidades de influir en la eleccin del modo de transporte
de mercancas y en regular la competencia entre la carretera y el ferrocarril.
Mejorar la asignacin de los costes de los usuarios de la va pblica y dirigir las
subvenciones a servicios viales o ferroviarios son tambin opciones de poltica
importantes. El diseo de estas herramientas claves puede requerir esfuerzos
de modelizacin ms finos que los utilizados en estudios urbanos.
Dados todos estos aspectos, parece sorprendente la limitada investigacin
desarrollada para modelizar este tipo de movimiento en comparacin con los
esfuerzos realizados en demanda de viajeros. Por qu ha sucedido esto? Exis-
ten mltiples razones:
Hay muchos aspectos en la demanda de transporte de mercancas que la
hacen ms difcil de modelizar que los desplazamientos de pasajeros; ms
adelante se discuten algunos de ellos.
o1,
Durante bastante tiempo la congestin urbana ha tenido prioridad en la agen-
da poltica de la mayora de los pases industrializados y en este tema los mo-
vimientos de pasajeros juegan un papel mucho ms importante que los movi-
mientos de mercancas.
El movimiento de mercancas implica ms actores que el movimiento de
viajeros; existen empresas industriales que envan y reciben mercancas, los
agentes que organizan las entregas y los modos de transporte, transportistas
que transportan las mercancas, y muchos otros operadores que organizan
el transbordo, almacenamiento y servicios de aduana. En algunos casos
coinciden dos o ms de ellos, por ejemplo los operadores por cuenta propia,
aunque siempre existen objetivos contrapuestos que son realmente difciles
de modelizar en detalle en la prctica.
Las tendencias recientes en la investigacin del transporte de mercancas
se han concentrado en enfatizar el papel que juega el control de inventarios
y gestin de stock en el proceso general de produccin. Estas tendencias se
alejan de las tcnicas ms tradicionales de modelizacin de viajeros y poco
tienen que ver con ellas (vase Regan y Garrido, 2002).
En este apartado se resumirn los mtodos existentes en la literatura actual
para modelizar la demanda de transporte de mercancas. Se comienza con un
anlisis de las principales dificultades asociadas con este tipo de modelizacin.
A continuacin se estudia lo que probablemente es el mtodo ms tradicional
para tratar el problema, es decir, la adaptacin del modelo convencional de
demanda agregada de cuatro etapas al caso de las mercancas. Tambin se
tratan algunas extensiones de la metodologa desagregada, cerrndose este
epgrafe con algunas consideraciones prcticas para la implementacin de estos
conceptos. Para ms detalles vase el interesante libro de Harker (1987).
13.1.2. Factores que influyen en el movimiento de mercancas
Tal y como en el caso de la demanda de viajeros, es til en primer lugar con-
siderar los factores que deberan influir en el movimiento de mercancas. La
lista que se muestra a continuacin no es exhaustiva, pero cubre los ms im-
portantes:
Factores de localizacin. El transporte de mercancas es siempre una de-
manda derivada y normalmente forma parte de un proceso industrial. Por lo
tanto, la localizacin de las fuentes de materia prima y de otros componentes
o:o
del proceso industrial, as como la localizacin de los mercados intermedios
y finales para sus productos, determinarn los niveles de movimientos de
mercanca involucrados y sus orgenes y destinos.
La gama de productos requeridos y producidos es muy alta, mucho mayor
que incluso la segmentacin ms detallada o exagerada de la demanda por
tipo de persona y propsito de viaje. Una demanda dada de tornillos no se
puede satisfacer con cacahuetes. En cualquier estudio de demanda de trans-
porte de mercancas existirn muchas matrices de bienes.
Factores fsicos. Las caractersticas y la naturaleza de las materias primas y
de los productos finales influyen en la forma en que pueden transportarse:
a granel, embalados en camionetas ligeras, en vehculos acorazados cuando
son mercancas de alto valor, en contenedores refrigerados si son productos
perecederos, etc. Por lo tanto, existe una mayor variedad de tipos de ve-
hculos para transportar diferentes clases de mercancas que en el caso del
transporte de viajeros.
Factores operativos. El tamao de la empresa, su poltica de distribucin,
su dispersin geogrfica, etc. tienen fuerte influencia en el posible uso de
diferentes modos y estrategias de transporte.
Factores geogrficos. La localizacin y la densidad de la poblacin pueden
influir en la distribucin de los productos finales.
Factores dinmicos. Las variaciones estacionales en la demanda y en los gus-
tos de los consumidores juegan un papel importante en el cambio de los
patrones de movimiento de mercancas.
Factores tarifarios. Al contrario que en el caso de la demanda de viajeros,
las tarifas normalmente no se publican (aunque s las de referencia) porque
son mucho ms flexibles y sujetas a negociaciones y regateos.
13.1.3. Tarificacin de transporte de mercancas
Normalmente es muy difcil conseguir datos fiables sobre los precios del trans-
porte de mercancas. Por ejemplo, en Europa, tanto el transportista como su
cliente procuran mantenerlos confidenciales para mejorar su posicin al lle-
gar el momento de negociarlos. Los factores que afectan a las tarifas o a las
imputaciones del coste, y por lo tanto, a la eleccin del modo, pueden ser los
siguientes:
La duracin de los contratos de suministro. Puede obtenerse mejor precio
si el agente garantiza una demanda por uno o ms aos en lugar de un solo
o:1
viaje. La existencia de clusulas de revisin de precios ayuda a alargar los
contratos.
Los descuentos por volumen transportado. Siguiendo el argumento anterior,
un contrato que garantice viajes regulares con mayor volumen de mercancas
a transportar, probablemente se beneficiar de una tarifa ms baja.
La importancia de instalaciones terminales. La disponibilidad de una esta-
cin de ferrocarril cercana, o incluso en la propia empresa, reducira cier-
tamente el coste de transporte por ferrocarril; su ausencia incrementara la
probabilidad de utilizar el transporte carretero en todo el trayecto sin tener
en cuenta el ferrocarril o el transporte marino.
El uso de sistemas de transporte propios, especialmente en carretera. Algu-
nas empresas prefieren hacerlo de esta forma por razones no asociadas al
transporte (imagen, fiabilidad, integracin). Estas empresas van a tender a
extender el uso del transporte propio para los productos marginales en lugar
de pensar en un modo completamente nuevo.
Algunos modos son ms idneos para transportar determinadas mercancas.
Por ejemplo, las tuberas de distribucin son ideales para lquidos en masa
y para algunas suspensiones y los trenes calesita (que no paran) son ideales
para los movimientos desde minas de carbn a centros trmicos. Este encaje
entre las caractersticas del suministro y la demanda definitivamente influir
en las tarifas cargadas por estos productos.
Cadenas de transporte jerarquizadas. Por ejemplo, en el caso de los produc-
tos derivados del petrleo, la utilizacin de grandes buques petroleros hasta
las refineras para despus usar barcos ms pequeos u oleoductos hasta las
principales terminales, y luego ferrocarril hasta otras terminales y camiones
hasta las gasolineras y otros usuarios finales. Estas estructuras son difciles
de modificar a corto plazo ya que han evolucionado durante un largo perodo
y estn bien establecidas; por lo tanto, su mecanismo tarifario sera difcil
de cambiar.
13.1.4. Modelizacin agregada de la demanda de mercancas
La gran mayora de los modelos de demanda de mercancas que se han apli-
cado en la prctica son del tipo agregado (vase por ejemplo Van Es, 1982;
Friesz et al., 1983; Harker, 1985). Estas aplicaciones siguen el modelo clsico
de cuatro etapas con algunas adaptaciones especficas para este tipo de trans-
porte. Un ejemplo muy tpico de este enfoque es el trabajo realizado por Kim
o::
y Hinkle (1982), los cuales utilizaban el American Urban Transport Planning
Suite (UTPS) con algunas modificaciones para modelizar los movimientos de
mercancas estatales. En resumen, este enfoque implica:
La estimacin de la generacin y atraccin de mercancas por zonas.
La distribucin de los volmenes generados a fin de satisfacer las restric-
ciones de generacin y atraccin. Los mtodos usuales para esta tarea son
la programacin lineal o los modelos gravitacionales.
La asignacin de los movimientos origen-destino a modos y rutas.
A continuacin se examinarn con ms detalle stos y otros factores.
13.1.4.1. Generacin y atraccin de mercancas
Las tcnicas utilizadas para obtener la suma de los viajes generados depen-
den del nivel de agregacin originalmente previsto y del tipo de productos en
cuestin:
Para algunos productos homogneos como son el azcar, los productos deri-
vados del petrleo, el mineral de hierro, el carbn, el cemento, los fertilizan-
tes, el grano, etc., se pueden realizar encuestas directas sobre la oferta y la
demanda. stas pueden pronosticarse con los estudios de la propia industria
o sector. Este mtodo es til para los movimientos interurbanos pero no se
recomienda para problemas urbanos.
El uso de modelos macroeconmicos, por ejemplo, utilizando tablas input-
output basadas en datos regionales en lugar de nacionales.
Los mtodos de factor de crecimiento, tal y como los que se estudian en el
Captulo 4, se han utilizado frecuentemente en la prognosis de atracciones
y generaciones.
A menudo se utiliza la regresin lineal mltiple a nivel zonal para obtener
medidas ms agregadas de la generacin y atraccin de mercancas, espe-
cialmente en reas urbanas.
La demanda puede asociarse con la capacidad de los almacenes o con la
superficie total de las reas comerciales en cada zona (estudios urbanos) en
lugar de asociarla con los desarrollos industriales.
13.1.4.2. Modelos de distribucin
Diversos estudios a nivel urbano aplican sencillamente mtodos de factor de
crecimiento para observar las matrices relativas a los flujos de mercancas,
o:
tal y como se estudi en el Captulo 5. Sin embargo, muchos estudios sobre el
transporte de mercancas interurbanas han utilizado modelos sintticos agre-
gados incluso del tipo de demanda directa. A continuacin se analizarn bre-
vemente las dos tcnicas agregadas ms utilizadas en este mbito: el modelo
gravitacional y el enfoque de programacin lineal.
En el caso del modelo gravitacional es relativamente sencillo reinterpretar
su frmula como:

T A B O D C
ij
k
i
k
j
k
i
k
j
k k
ij
k
exp ( ) |

(13.1)
donde
k es un ndice del tipo de mercanca;
T
ij
k
son las toneladas del producto k transportado desde i hasta j;
A
i
k
, B
j
k
son factores de balanceo con su tpica interpretacin;
O
i
k
, D
j
k
son la oferta y la demanda del producto k en la zona i y j;
k
son parmetros de calibracin, uno por cada producto k; y
C
ij
k
son los costes generalizados de transporte por tonelada del producto k
entre las zonas i y j.
La idea de utilizar una frmula de funcin de costes generalizados para
la demanda del transporte de mercancas se debe, aparentemente, a Kresge y
Roberts (1971). sta se puede interpretar de la siguiente forma (quitando el
superndice k para simplificarla):

C f b s b s b w b p
ij ij ij ij ij ij
+ + + +
1 2 3 4
o

(13.2)
en la que:
ij
es la tarifa asociada a la utilizacin de un servicio desde i hasta j;
s
ij
es el tiempo para viajar puerta a puerta entre i y j;
s
ij
es la variabilidad del tiempo de viaje s;
w
ij
es el tiempo de espera o retraso desde el momento de pedir el servicio
hasta recibirlo; puede ser grande para el transporte martimo por ejemplo;
p
ij
es la probabilidad de prdidas o dao de la mercanca durante el trn-
sito.
Todos estos factores dependen tambin del modo a utilizar y hasta cierto
punto del producto que se transporta. Las constantes b
n
son, en general, pro-
o:
porcionales al valor de la mercanca. En el caso de la probabilidad de prdida,
el coste es por lo menos igual al valor de los bienes, aunque generalmente es
mayor debido a las penalizaciones que se imponen por retrasar la entrega. En el
caso de los retrasos, la variabilidad de los retrasos en los tiempos de transporte,
los valores de b
n
son, por lo menos, proporcionales a los valores de los bienes,
esencialmente debido al incremento en los costes de inventario. Las tcnicas
modernas de produccin industrial, tales como las que enfatizan entregas just
in time procuran minimizar estos factores as como los costes de stock. El
mnimo para b
1
hasta b
3
es el coste de la tasa de inters aplicada al valor de los
bienes durante el perodo de tiempo considerado.
En trminos generales, es importante considerar la contribucin relativa de
los costes de transporte (generalizados) al coste final del producto. Por ejemplo,
en el caso del trigo, el carbn, el cemento y los ladrillos, los costes de transporte
representan un elemento importante en su precio final; sin embargo, en el caso
de las comidas rpidas, bienes de consumo, chocolatinas o la electrnica, los
costes de transporte contribuyen poco (directamente) al precio final.
Otro enfoque para modelizar la distribucin es la programacin lineal (PL).
Normalmente toma la forma de un programa de minimizacin: minimizar los
costes totales de transporte (en trminos de dinero, raramente en trminos de cos-
tes generalizados), sujetos a las restricciones de oferta y demanda.

Minimizar

Z T C
ij ij
ij

(13.3)
s.a.

T D
ij j
i

(13.4)

T O
ij i
j

(13.5)
ste es el conocido problema de transporte de Hitchcock, que se puede
resolver muy fcilmente. Las formulaciones ms avanzadas pueden implicar
costes no lineales y quizs restricciones ms elaboradas que impliquen un
elemento de tiempo y tamaos mnimos de envo.
Este problema de minimizacin tiene sentido desde el punto de vista de
una empresa grande que intenta satisfacer a sus clientes a un coste mnimo.
Alternativamente, si una industria tiene varias fbricas con diferentes capaci-
dades de produccin y costes, la funcin objetivo puede ser la de maximizar
o:
las ganancias o minimizar los costes totales en el mercado. Desde el punto de
vista de la modelizacin, el enfoque PL tiene ms posibilidades de ser realista
cuando:
la industria se concentra en pocas empresas;
existen bienes de bajo valor y de relativamente altos costes de transporte;
existen pocos puntos (zonas) de demanda, quizs un monopsomio (un nico
comprador).
Sin embargo, hay que reconocer que aunque la PL pueda ser un modelo
bueno para el comportamiento de un nico cliente o empresa industrial, no
puede representar el comportamiento agregado de diversos productos. La so-
lucin PL tendera a ser demasiado dispersa, con destinos particulares servidos
solamente por algunos orgenes. Por otra parte, el modelo gravitacional es bas-
tante flexible. Cambiando el valor de se puede variar la importancia relativa
del coste en comparacin con las restricciones de oferta y demanda.
La relacin formal entre PL y el modelo gravitacional ha sido explorada
por Evans (1973). Ella ha mostrado que en el lmite, = 0 en (13.1) produci-
r una matriz de flujos en la que los costes de transporte no juegan ningn
papel (de hecho, sta es la solucin de Furness para el problema del factor de
crecimiento); mientras que un valor de muy grande generar una solucin
ms cercana a la de un modelo PL, es decir, donde son dominantes los costes
de transporte (en el lmite = se reproduce la solucin PL). Por lo tanto,
se puede utilizar la formulacin de un modelo gravitacional para representar
toda la gama de comportamiento del cliente en su eleccin de destino, tanto
cuando los costes de transporte son casi indiferentes (electrnica) como para
bienes a granel de bajo coste como cemento, arena, etc., donde los costes de
transporte son primordiales.
13.1.4.3. Eleccin del modo
Esencialmente, es decisin del agente qu transporte se va a utilizar para en-
tregar los bienes en su destino. Cuando se modeliza a este nivel tan agregado,
la eleccin del modo frecuentemente se trata utilizando una formulacin de
logit multinominal basada en los costes generalizados, tal y como se ha descrito
anteriormente. Esto puede resultar muy aproximado porque la informacin slo
captura aquellos elementos de la eleccin de modo que se han incorporado en
el concepto de costes generalizados visto anteriormente.
o:o
Las decisiones que toma el agente dependen, por supuesto, de las tarifas
aplicadas por los transportistas, las cuales tambin dependen de los volmenes
que mueven entre cada par O-D. Ya que el tamao de muchos de los envos es
significativo en trminos de cmo influyen en las tarifas de los transportistas,
existen ciertas interacciones dentro de la eleccin del modo que van ms all
de las que se dan entre los pasajeros y las empresas de transporte pblico. Este
problema a menudo se ignora en los niveles altos de agregacin.
En el caso de los flujos de mercancas dentro de un rea urbana la eleccin
del modo es trivial, ya que la cobertura de los modos que no son de carretera
es extremadamente limitada.
13.1.4.4. Asignacin
Es problema del transportista decidir la mejor ruta para llevar los bienes desde
su origen hasta su destino. En cierta medida ste es el problema menos difcil
de resolver. La utilizacin de restricciones de capacidad es probablemente
relevante en la mayora de las situaciones urbanas. Por otra parte, en el caso
del transporte interurbano puede ser suficiente usar un modelo de asignacin
estocstico. Sin embargo, es posible argumentar que diferentes tipos de ve-
hculos deben modelizarse de formas diferentes; por ejemplo, las furgonetas
ligeras pueden ser menos sensibles a la orografa de una ruta que los camiones
pesados; tambin, los vehculos que llevan bienes perecederos pueden dar ms
prioridad a la reduccin del tiempo de viaje que los que llevan, por ejemplo,
carbn a granel. Por lo tanto, se puede justificar el uso de mtodos de asignacin
de clases mltiples para trabajar con esta diversidad de conceptos de coste.
13.1.4.5. Equilibrio
Tal y como en el caso de la demanda de viajeros, el problema del equilibrio
del sistema o del mercado afecta a todo el ejercicio de modelizacin, pero
las tcnicas para conseguirlo an estn desarrollndose. Una de las primeras
formulaciones para este problema es la de Friesz et al. (1983), quienes desa-
rrollaron un modelo de equilibrio para una red de transporte de mercancas
(MERTM). Este modelo considera de forma explcita las decisiones tanto de los
agentes como de los transportistas para una red intermodal de mercancas con
costes no lineales y unas funciones de demora que varan con los volmenes
de mercancas.
El MERTM trata a los agentes y transportistas de forma secuencial; se su-
pone que los agentes son optimizadores a nivel de usuarios que intentan mi-
o:;
nimizar el precio de entrega de los bienes enviados, y, por lo tanto, se usa
el primer principio de Wardrop para replicar su comportamiento. Este sub-
modelo es un modelo elstico de demanda de transporte expresado como
un problema de programacin matemtica que puede resolverse mediante la
tpica extensin del algoritmo Frank-Wolfe, tal y como se trata en el Cap-
tulo 11. La asignacin de los transportistas se lleva a cabo mediante el uso de
una red percibida que incluye solamente los pares O-D, los nodos de trans-
bordo y los enlaces asociados considerados por los agentes cuando toman
sus decisiones.
El submodelo de los transportistas utiliza una descripcin completa de
las redes reales de transporte. Se supone que los transportistas minimizan sus
costes de operacin y se modelizan utilizando el segundo principio de War-
drop. Los diagramas de flujo de los transportistas individuales se agregan para
obtener los flujos globales en la red.
Un enfoque similar fue formulado por Moavenzadeh et al. (1983) para
planificar la demanda de transporte entre ciudades en Egipto. En este caso el
mtodo se bas en el modelo de equilibrio de transporte simultneo (METS)
(Safwat y Magnanti, 1988), tal y como se trat en el Captulo 11.
A un nivel de anlisis superior, puede ser que los modelos macroeconmi-
cos utilizados para generar los niveles totales de oferta y demanda y, en algunos
casos la matriz de flujos, utilicen costes de transporte que son inconsistentes
con los generados en otras partes del modelo. Consiguientemente, cuando se
emplean estos modelos de forma secuencial con un modelo detallado de red de
mercancas, es posible que los dos no converjan a soluciones estables.
Harker (1985) ha formulado un modelo denominado de equilibrio de pre-
cio espacial generalizado (MEPEG) que enlaza los conceptos de los procesos
espaciales y el equilibrio entre agentes y transportistas para predecir simult-
neamente:
la produccin y el consumo de los bienes;
la ruta elegida por los agentes de la carga;
la tarifa de transporte, y
la ruta elegida por el transportista.
Se ha desarrollado una variante del algoritmo de Frank-Wolfe para resolver
una implementacin particular de este problema y se ha aplicado a un proble-
ma a gran escala (con aproximadamente 3.560 nodos y 14.600 arcos) que con-
cierne a la economa del carbn en Estados Unidos.
o:8
13.1.5. Enfoques desagregados
Desde que se desarrollaron los modelos de eleccin discreta y su aplicacin
para modelizar la demanda de viajeros, la idea de ampliarlos para incluir los
movimientos de mercancas ha ganado en importancia; vase por ejemplo,
Gray (1982) y Van Es (1982). En el caso de las mercancas, la demanda de
transporte se analiza bajo la ptica de realizar un nmero de envos indivi-
duales, cada uno con sus propias caractersticas, para los cuales el agente que
organiza el transporte tiene que tomar un nmero determinado de decisiones.
Cada decisin se contempla como una eleccin entre un conjunto discreto de
alternativas. En cada caso existen un nmero de elecciones relacionadas, por
ejemplo: transportar x toneladas en el tiempo t del bien k mediante el modo de
transporte m desde el origen i hasta el destino j. Posteriormente el transportista
tiene que elegir la ruta para llevar a cabo esta tarea.
La flexibilidad general de los modelos de eleccin discreta permite la cons-
truccin de funciones de utilidad muy generales para este tipo de elecciones.
Pueden incluir, por ejemplo:
las caractersticas de los servicios de transporte: tarifas, tiempos, fiabilidad,
daos y prdidas, pedidos mnimos, etctera;
los atributos de los bienes transportados: tipo de producto, relacin volu-
men/peso, relacin valor/peso, si son perecederos o no, sistema de inventario
y propiedad;
las caractersticas del mercado: precios relativos, tamao de empresas, dispo-
nibilidad de instalaciones de carga y descarga, infraestructura general;
los atributos de la empresa agente de carga, esto es, su nivel de produccin,
precios de venta, localizacin, instalaciones de infraestructura disponibles,
poltica de almacenamiento, etctera.
Se ha encontrado que este tipo de enfoque tiene poca aplicacin a escala
nacional. Las principales razones son el conocimiento ms limitado de todos
los elementos implicados en el desarrollo de estas funciones de utilidades y los
grandes esfuerzos necesarios en la recogida de datos para estimar esta clase
de modelos.
Sin embargo, su aplicacin a submercados o mercancas particulares puede
proporcionar ideas muy valiosas para la formulacin de polticas. Por ejemplo,
Ortzar (1989) utiliz datos de preferencias declaradas para examinar la cues-
tin de ofrecer un nuevo servicio (contenedores refrigerados) para el transporte
o:,
martimo internacional de carga. Fowkes y Tweddle (2000) tambin han em-
pleado este tipo de enfoque. Los esfuerzos futuros en esta direccin probable-
mente sern fructferos tanto desde el punto de vista de la investigacin como
en la prctica.
13.1.6. Algunos aspectos prcticos
A pesar de los esfuerzos realizados en los ltimos aos, la modelizacin del
transporte de mercancas se ha desarrollado menos que la modelizacin de la
demanda de pasajeros. La vanguardia en investigacin y desarrollo parece estar
en la prognosis de la demanda de viajeros, y el transporte de carga sigue sus
pasos intentando adaptar los modelos a sus necesidades particulares.
Los problemas de recopilacin de datos pueden agravarse en el caso del
transporte de mercancas. Por ejemplo, para el enfoque desagregado la recogi-
da de datos sufre problemas de confidencialidad y fiabilidad. Incluso, para el
enfoque agregado la recoleccin de datos representa un esfuerzo mucho ma-
yor que en el caso de pasajeros debido a la gran dispersin de empresas y a las
importantes variaciones diarias y estacionales.
Asimismo, son limitadas las oportunidades de realizar entrevistas a la orilla
de la carretera, excepto en lugares donde sean inevitables demoras significa-
tivas (esperando un ferry, por ejemplo). En algunos casos, como en los viajes
internacionales, puede ser ventajoso recoger datos en aduanas o utilizar la
informacin de las hojas de ruta de los conductores.
Ejemplo 13.1: Tamin y Willumsen (1988) estimaron tres tipos de modelos
agregados para la isla de Bali, Indonesia: un modelo gravitacional (GR), uno de
oportunidades intervinientes (OP) y uno combinado (GO). Todos ellos fueron
estimados para cinco tipos diferentes de bienes pero slo se utilizaron conteos
de trfico. Las matrices de mercancas resultantes se compararon posteriormen-
te con las observadas en una gran encuesta efectuada en la isla. Se descubri
que aunque el modelo GO funcion un poco mejor que el gravitacional, la
ganancia de exactitud no compensaba el mayor esfuerzo computacional. El
modelo GR calibrado de esta forma fue capaz de discriminar entre los cinco
grupos de bienes, obteniendo un valor de diferente para cada uno. Este modelo
result muy superior a la simple aplicacin del mtodo de factor de crecimiento
de Furness. Para ms detalles vase Tamin y Willumsen (1992).
Dado que los modelos simplificados utilizan datos a bajo coste recogidos
de forma regular (conteos de trfico), puede ser posible hacerlos funcionar lo
oo
suficientemente a menudo como para actualizar pronsticos y sugerir medidas
correctoras para los planes, es decir, ofrecen la posibilidad de implantar un
sistema de planificacin continuada.
En el caso de modelizar mercancas en el mbito urbano lo normal es utili-
zar mtodos muy sencillos. Normalmente se basan en modelos de movimientos
de vehculos ignorando los bienes transportados, el tipo de localidad servida y
las actividades econmicas subyacentes que originan esta demanda. A menudo
se considera suficiente obtener una matriz de vehculos comerciales usando
entrevistas realizadas a la orilla de la carretera (en puntos cordn y lneas pan-
talla) y despus expandirla hasta el horizonte de planificacin mediante mtodos
de factor de crecimiento.
13.2. PREVISIN DE VARIABLES DE PLANIFICACIN
13.2.1. Introduccin
Tal y como se trat en el Captulo 1, los modelizadores siempre distinguen
entre variables endgenas, es decir, las que deben pronosticarse como parte
del ejercicio de modelizacin, como por ejemplo los flujos, y las exgenas o
variables independientes. Estas ltimas son necesarias para ejecutar los mo-
delos pero se supone que se originan de forma externa a los propios modelos.
Algunos ejemplos tpicos de dichas variables en el campo del transporte son, la
poblacin, el empleo, la posesin de coche y los ingresos. Los valores de estas
variables deben proporcionarse para el ao base y para cada uno de los aos en
los que se requiera realizar prognosis a partir de modelos de transporte.
El nivel de detalle y de desagregacin necesario para estas variables depen-
de del tipo de modelo utilizado. En trminos generales, un modelo de demanda
agregado tiene menos requisitos en este sentido que un modelo desagregado.
Por ejemplo, al nivel de la generacin de viajes un modelo agregado de regre-
sin lineal, basado en zonas, podra solamente necesitar datos de poblacin, po-
sesin de coches e ingresos medios por zona; sin embargo, un modelo de cla-
sificacin mltiple o de anlisis de categoras necesitara el nmero de hogares
en cada categora, siendo lo tpico 108 por zona, tal y como se analiz en el
Captulo 4, cuando el modelo se estratifica por ingresos (6 niveles), estructura
de hogares (6 niveles) y posesin de coche (3 niveles).
La importancia de estas variables en relacin a cmo influyen en la exac-
titud de todo el ejercicio de modelizacin es muy elevada, tal y como compro-
o1
baron Mackinder y Evans (1981) en un ensayo sobre 44 estudios de transporte
urbano en Gran Bretaa. Se descubri que todos los modelos sobreestimaban
algunos indicadores clave de rendimiento, pero el aspecto ms importante en
la explicacin de esta sobreestimacin eran los errores en los valores emplea-
dos para las variables de planificacin. De hecho, los errores de especificacin
jugaban un papel de bastante menor relevancia en las inexactitudes globales.
Es interesante resaltar que las variables de planificacin eran frecuentemente
errneas porque se basaban en las previsiones globales oficiales que tambin
estaban equivocadas.
Llegados a este punto, cabe preguntarse: cmo se pueden reducir al mxi-
mo posible los errores en estas variables de planificacin? ste es un problema
difcil que no tiene una respuesta nica o sencilla. Queda fuera del alcance de
este libro una discusin completa de las tcnicas disponibles para realizar pre-
visiones de estas variables, pero se recomienda que el lector consulte a England
et al. (1985) para mtodos prcticos. No obstante, a continuacin se procede
a discutir algunas de las ideas que subyacen a estas tcnicas para evaluar sus
ventajas y desventajas.
13.2.2. Utilizacin de previsiones oficiales
La alternativa aparentemente ms simple para tratar con variables de planifica-
cin es utilizar previsiones oficiales. En el Reino Unido, por ejemplo, existen
estimaciones a nivel de ayuntamiento local de:
poblacin, hogares, empleados residentes y empleos;
nmero de viviendas que disponen de 0, 1 y 2 o ms coches;
destinos de viajes en vehculo privado segn motivo de viaje.
A veces el Departamento de Transporte tambin produce previsiones de
la demanda futura expresada como vehculos-kilmetro esperados segn tipo
de vehculo. Otras instituciones oficiales proporcionaran otros tipos de pre-
visiones para las variables de planificacin, por lo menos a un nivel altamente
agregado.
Por supuesto, estas previsiones normalmente no estn a un nivel lo suficien-
temente desagregado como para ser tiles directamente en un ejercicio de mo-
delizacin detallado; sin embargo, reducen la cantidad de trabajo necesario para
generar los valores requeridos de las variables de planificacin a nivel zonal.
En el epgrafe siguiente se discuten algunas de las tcnicas para lograr esto.
o:
Hasta cierto punto, el problema de utilizar previsiones oficiales es que a
veces reflejan el efecto esperado de polticas econmicas y regionales cuyo
xito puede depender de otros factores incontrolables como el comercio y la
cooperacin internacional. Mackinder y Evans (1981) encontraron que los erro-
res en las previsiones de esos indicadores globales estaban detrs del problema
de los errores en las variables de planificacin a nivel local.
Se volver a este problema ms adelante. Cmo se pueden realizar previ-
siones de actividad de transporte con exactitud si hay errores significativos en
algunos de los datos clave utilizados en nuestros modelos de transporte?
13.2.3. Previsiones de la poblacin y el empleo
Siempre y cuando no se proporcionen estas variables de planificacin para las
ciudades o distritos, el equipo de planificacin tendr que desarrollar mtodos
para estimarlas. Existen varios mtodos disponibles, algunos ms apropiados
que otros para cada aplicacin particular.
13.2.3.1. Extrapolacin mediante tendencias
La extrapolacin directa de las tendencias actuales es el procedimiento ms
sencillo pero menos satisfactorio, incluso cuando slo se aplica a nivel del rea
de estudio completa. No tiene en cuenta las decisiones ya tomadas acerca de la
disponibilidad de suelo para desarrollos futuros; no evala las nuevas polticas
de desarrollo regional ni tampoco considera el crecimiento esperado en el
empleo en la zona del estudio. Adems, no proporciona ninguna informacin
acerca de la estructura etrea de la poblacin y ello es un elemento importante
en la modelizacin de la generacin de viajes.
13.2.3.2. Supervivencia de cohorte
Una tcnica de anlisis ms detallada considera los fallecimientos, nacimientos
y la migracin dentro y fuera del rea del estudio,
P
t
1
= P
t
0
+ B
t
0
t
1
D
t
0
t
1
+ NI
t
0
t
1
(13.6)
donde
P
t
1
es la poblacin en el momento t
1
;
P
t
0
es la poblacin en el momento t
0
;
B
t
0
t
1
son los nacidos que han sobrevivido en el perodo t
0
a t
1
;
o
D
t
0
t
1
son los fallecimientos en el mismo perodo;
NI
t
0
t
1
es la inmigracin neta en el mismo perodo.
Utilizada de esta forma tan agregada, la ecuacin (13.6) ignora la estruc-
tura etaria de la poblacin y puede subestimar o sobreestimar, por ejemplo, las
correspondientes tasas de fertilidad. Por esta razn este mtodo normalmente
se aplica a subgrupos de poblacin o cohortes, convirtindose en el enfoque
de supervivencia de cohortes. Esto implica los siguientes pasos:
La poblacin se separa en cohortes; los hombres se separan de las mujeres y 1.
cada grupo sexual se divide en estratos de edades (normalmente de 5 aos);
esto determina la estructura de la poblacin en el ao base.
A continuacin se aplican las tasas de fertilidad a las mujeres en edad de 2.
tener nios.
Los recin nacidos de distinto sexo conforman la primera cohorte para la 3.
siguiente ronda de clculos.
Se aplican las tasas de supervivencia por sexo a todas las cohortes co- 4.
menzando con la generacin ms joven; los supervivientes envejecen y se
mueven hacia la siguiente cohorte.
El proceso se repite desde la etapa 2 hasta alcanzar el perodo de pre- 5.
visin.
Si se incluye la migracin de la poblacin en las previsiones, se requiere
informacin adicional sobre la estructura etaria y sexual de los inmigrantes.
Es fcil adaptar el mtodo para incluir estos nuevos datos.
La informacin que demanda esta tcnica incluye el nmero inicial de per-
sonas, la estructura de sexo/edad de la poblacin y sus tasas de supervivencia,
fertilidad y migracin.
13.2.3.3. Probabilidades de transicin
Una interesante alternativa a los mtodos de supervivencia de cohortes es se-
guir ciclos familiares y emplear probabilidades de transicin que reflejen las
posibilidades de movimiento de una etapa en el ciclo a otra; por ejemplo, desde
pareja casada sin nios a pareja casada con un nio menor en edad escolar, y
desde entonces a pareja casada con dos nios, etc. Entonces se construye una
matriz completa de probabilidades de transicin que se puede procesar para
obtener la poblacin en hogares que estn en diferentes etapas del ciclo familiar
en los aos de prognosis. Este enfoque ofrece el potencial de proporcionar una
o
cuenta bastante detallada del crecimiento de la poblacin al nivel requerido
para modelizar la generacin de viajes. Sin embargo, la inseguridad acerca de
la estimacin y estabilidad de las probabilidades de transicin probablemente
sea mayor que la asociada a las tasas de fertilidad y migracin en los mtodos
de supervivencia de cohortes.
Tanto el mtodo de supervivencia de cohortes como las probabilidades de
transicin pueden adaptarse de forma til a un marco de planificacin continua,
en el que los datos recogidos peridicamente sobre tasas de fertilidad, migra-
cin y supervivencia y/o las probabilidades de cambios de estatus en el ciclo
familiar, permitan poner al da las estimaciones previas de la futura poblacin
y de esta forma los cambios en las tasas de generacin de viajes, etctera.
Los problemas encontrados cuando se pronostican cambios en el empleo
son similares. Las tendencias generales de empleo dependen de la poltica eco-
nmica, del comercio internacional y de los incentivos regionales. A un nivel
ms local toman un papel importante aspectos como la disponibilidad del
terreno y de mano de obra cualificada en el rea de estudio, as como el tipo
de actividad econmica prevaleciente. Adems, el tipo y los niveles de empleo
tambin juegan un papel clave a la hora de determinar los niveles de ingreso
disponible en los hogares del rea de estudio, lo cual influye en la posesin de
coche y en el comportamiento respecto a viajes.
13.2.3.4. Base econmica
En la prognosis del empleo es preciso distinguir entre actividades bsicas y
no bsicas. Las ltimas son aquellas que se crean en respuesta a las demandas
locales mientras que las actividades bsicas son aquellas que requieren algn
tipo de estmulo externo; stas producen bienes o servicios que son exportados a
otras reas o regiones. Las no bsicas producen bienes y servicios que atienden
a las necesidades de la poblacin local. Se sostiene que el crecimiento de las
actividades bsicas crea actividades adicionales no bsicas (tiendas, bancos,
servicios, etc.) para satisfacer las necesidades de poblacin adicional. Las acti-
vidades bsicas de una regin constituyen su base econmica y si se hacen ms
fuertes darn lugar al crecimiento econmico, del empleo y de la poblacin.
13.2.3.5. Anlisis insumo-producto
Finalmente, en la prognosis del crecimiento de una actividad en particular debe
observarse el crecimiento concomitante que genera en otras industrias que le
provean insumos. Algunas tendrn su base fuera del rea de estudio mientras
o
que otras se localizarn dentro. El uso de una matriz insumo-producto es el
mtodo tradicional para seguir estos enlaces a nivel nacional o regional. Tal
matriz muestra la cantidad de insumos desde otros sectores de la economa que
son necesarios para incrementar la produccin de una actividad en particular.
Es cuestionable la disponibilidad de estas matrices a nivel local; el nivel ms
bajo de desagregacin parece ser el regional.
13.2.4. Localizacin espacial de poblacin y empleo
Una vez estimados la poblacin y el empleo (en diferentes subgrupos) para el
rea de estudio, hace falta localizarlos en zonas especficas para aplicar los
modelos de transporte. Este trabajo normalmente se lleva a cabo en conjuncin
con las autoridades locales de planificacin, quienes han establecido planes
para el desarrollo futuro y la re-asignacin de usos del suelo para las zonas
del rea de estudio. En este proceso son tiles los pronsticos especficos de
edad o ciclo de vida, ya que diferentes tipos de urbanizaciones van a atraer a
diferentes tipos de familias.
La localizacin del empleo depende de su propia naturaleza; por ejemplo,
desarrollos industriales, servicios comerciales, etc. Los cambios importantes
en la localizacin de actividades probablemente deberan discutirse con los
organismos encargados de llevarlos a cabo. Los desarrollos industriales pueden
necesitar lugares especiales, un buen suministro de agua y acceso a importantes
carreteras, terminales de ferrocarril o puertos. En ausencia de controles res-
trictivos de planificacin, el empleo en oficinas tiende a localizarse cerca de
buenas instalaciones de comunicacin y lo ms cerca posible de otros desarro-
llos de oficinas.
Estos dos ejemplos muestran que en el anlisis final la localizacin de po-
blacin y empleo no es independiente del sistema de transportes. Los cambios
de accesibilidad probablemente afectarn al potencial de desarrollo en diferentes
partes del rea de estudio. Esto puede tenerse en cuenta durante las discusiones
con las autoridades de planificacin o, de manera ms formal, en un modelo
ms completo, tal y como se esboza en el epgrafe siguiente.
En resumen, la asignacin de poblacin y empleo a zonas, normalmente re-
quiere una combinacin de modelos formales y discusiones con las autoridades
de planificacin. Las formas prcticas en que se llevan a cabo estas tareas son
bsicamente aproximaciones heursticas y elecciones contexto-dependientes.
Parece difcil eliminar la falta de precisin actual acerca de los pronsticos na-
oo
cionales, regionales y locales para estas variables de planificacin y esto tiene
importantes implicaciones para todo el proceso de planificacin.
13.2.5. Uso de suelo y modelizacin del transporte
Un mtodo interesante para la prognosis de la poblacin y el empleo y su asig-
nacin a zonas, consiste en internalizar las variables de planificacin exgenas
en un modelo integrado de uso del suelo y transporte. ste ha sido un campo de
investigacin muy activo desde principios de los aos sesenta; ver por ejemplo
MacLoughlin (1969), Wilson et al. (1977) y Foot (1981). No obstante, despus
de un perodo inicial de declarado optimismo acerca del xito de estos modelos,
los investigadores se han vuelto ms modestos en sus aspiraciones al respecto
(vase Mackett, 1985).
La interaccin entre transporte y uso del suelo tiene doble importancia; en
primer lugar, si las estrategias de transporte cambian la accesibilidad de forma
significativa, cambiar la demanda por suelo generando nuevos desarrollos en
algunos lugares; posteriormente, esto afectar a los patrones de viajes (matrices
de viajes) y, por lo tanto, tendr un impacto sobre el rendimiento del sistema de
transportes. En segundo lugar, los cambios en el atractivo de algunos lugares
afectarn al valor de su suelo; esto se puede interpretar como la capitalizacin
de beneficios a usuario en los precios de suelo e implicar una transferencia de
beneficios a los propietarios. El tema de la capitalizacin plantea la pregunta
de quin gana y quin pierde como consecuencia de un plan de transporte, y
cmo las autoridades locales pueden recuperar, de los propietarios, una parte
del incremento en los precios del suelo.
13.2.5.1. Modelo de Lowry
Muchas de las aplicaciones prcticas utilizadas en el pasado han seguido las
lneas adelantadas por Lowry (1965) en los aos sesenta. Su modelo considera
las caractersticas espaciales de un rea urbana de acuerdo a tres sectores de
actividad: empleo en industrias bsicas, empleo en industrias que sirven a la
poblacin y el sector de hogares o poblacin.
El modelo de Lowry comienza con la asignacin a zonas del empleo bsico
que es especificado de forma exgena; a continuacin, la distribucin espacial
de los hogares y el empleo no bsico se asignan utilizando relaciones endge-
nas. Adems, existen restricciones en el nmero mximo de hogares de cada
zona (segn las normativas locales) y en los umbrales de empleo en el sector
o;
servicios para cada zona; se supone que los diferentes tipos de empleo en el
sector de los servicios tienen diferentes umbrales mnimos de viabilidad en
cualquiera de las zonas.
Las ecuaciones bsicas del modelo de Lowry pueden escribirse as:
P = EA (13.7)
E
S
= PB (13.8)
E = E
b
+ E
S
(13.9)
donde
P es un vector de poblacin en cada zona i.
E es un vector de filas para el empleo total en cada zona i.
E
b
y E
S
son vectores de fila para el empleo bsico y no bsico (servicios)
en cada zona i.
A y B son matrices zona-a-zona de accesibilidad lugar de trabajo-vivienda
y vivienda-centro de servicios.
Las variables de accesibilidad tienen dos componentes, la primera corres-
ponde a la tasa de participacin en cada zona (hogares por empleado para A
y empleo en servicios por hogar para B) y la segunda corresponde a ndices
adecuados de accesibilidad. Normalmente se calculan como:

A
E C
E C
ij
j ij
j ij
ij
exp
exp
( )
( )
|
|

(13.10)

B' E C E C
ij j ij j ij
ij

S S
exp exp ( ) ( ) o o

(13.11)
las cuales son ndices de accesibilidad derivadas directamente del modelo
gravitacional; vase el Captulo 5.
Lowry (1965) propuso una solucin secuencial a este problema que incluye
las restricciones y los umbrales mencionados anteriormente. Esfuerzos de inves-
tigacin ms recientes han enfatizado la solucin simultnea del modelo y sus
extensiones. La mayora de estas ltimas tienen que ver con una desagregacin
adicional en funcin de diferentes tipos de personas y hogares y su tratamiento
espacial. Por ejemplo, ciertos tipos de personas estarn ms dispuestos a pagar
o8
que otros por un incremento de accesibilidad, lo cual influye en los precios del
terreno y en el tipo de desarrollo que se lleve a cabo en diferentes zonas.
El modelo integrado de uso del suelo y transporte ha sido informatizado
en diversos programas disponibles en el mercado. Para asegurarse de que el
modelo sea tratable, se requiere cierto compromiso en el nivel de detalle de la
parte correspondiente al modelo de transporte; la esperanza es que lo que se
pierde en riqueza de la representacin del transporte se compense ampliamente
por las ganancias en la prognosis del empleo, poblacin y localizacin de hoga-
res en el rea del estudio. Sin embargo, un inconveniente importante de estos
modelos es que pueden sufrir gravemente de problemas de convergencia debido
a sus mecanismos de equilibrio extremadamente complejos. Para comparar las
diferentes implantaciones y extensiones de este enfoque, se dirige al lector a
Webster et al. (1988).
13.2.5.2. El modelo puja-eleccin (bid-choice)
Un enfoque ms contemporneo ha sido el adelantado por Martnez (1991), el
cual sigue dos lneas de modelizacin. La primera, propuesta originalmente por
Alonso (1964), es un modelo de oferta: el terreno se asigna al que presenta la
mayor puja. La proporcin P
h/i
de clientes tipo h que hacen una puja ganadora
para un lugar i dado, depende de si la disponibilidad a pagar de h DAP
hi
, es la
ms alta entre los pujadores g H. La suposicin de que DAP
hi
es una funcin
de los atributos de la parcela y el pujador, ms un trmino de error distribuido
IID Gumbel, lleva a una expresin tipo MNL:

P
H
H
h i
h hi
g g gi
/
exp ( )
exp ( )
DAP
DAP

(13.12)
donde es el parmetro de escala usual de la distribucin del error. El precio
de mercado esperado p
i
es igual a la puja mnima esperada de los compradores
potenciales, dado por

p H
i g gi
g
( / ) ( ) 1 log exp DAP

(13.13)
La segunda lnea de modelizacin es un modelo de maximizacin de los
excedentes del consumidor, o modelo de eleccin, derivado de la teora de
maximizacin de la utilidad siguiendo a Anas (1982). Los excedentes del con-
o,
sumidor CS
hi
del individuo h al elegir el lugar i corresponden a la diferencia
entre su disponibilidad a pagar y el precio del lote:

CS =DAP
hi hi i
p
Bajo algunas suposiciones simplificadoras la proporcin P
h/i
de consumi-
dores h que eligen el lugar i viene dada por:

P
S p
S p
h i
i hi i
j hj j
j
/

( ) ,
]
]
( )
,
]
]
exp DAP
exp DAP

(13.14)
Martnez (1991) posteriormente comprob que la distribucin de hogares
y empresas obtenida del modelo de pujas en las ecuaciones (13.12) y (13.13) es
idntica a la que se obtiene de la versin de eleccin en la ecuacin (13.14). Su
modelo de puja-eleccin se resume en estas ecuaciones que pueden simplificarse
an ms cuando se utilizan a nivel agregado.
El sistema de transporte se representa en este modelo mediante funciones
idneas de accesibilidad (a destinos) y de atraccin (respeto a los orgenes). La
tarea siguiente es la de especificar las funciones DAP; esto debe hacerse ms
o menos caso a caso, ya que la mejor funcin depender de la disponibilidad
de datos.
Estos modelos son potentes y flexibles. Responden a una necesidad urgente
de observar ms de cerca temas como la interaccin del transporte con el uso
del suelo, la recuperacin de excedentes y la redistribucin de los beneficios,
adems de los cambios en las formas de realizar viajes. La amplia disponibili-
dad de programas generales de estimacin ha permitido el desarrollo de estos
modelos y su aplicacin creciente a problemas prcticos.
Se ha discutido que este tipo de modelos probablemente funcionara me-
jor si existiesen menos restricciones en el mercado del suelo y en el tipo de
desarrollos permitidos por las autoridades locales. Probablemente es el caso
de varios pases en vas de desarrollo, tal y como informa Chadwick (1987).
Sin embargo, como se ha analizado en este apartado, la prognosis de las va-
riables de planificacin no es nada exacta y su internalizacin en un modelo
integrado del uso del suelo y el transporte probablemente no va a hacerlo ms
fiable ni robusto. A juicio de los autores de este libro, el grado de comprensin
acerca de este tema es probablemente incluso ms limitado que el del sector
nicamente de transporte. Este problema resalta de nuevo las ventajas de un
oo
enfoque de planificacin continua, donde la puesta al da de forma regular de
las previsiones y planes reduce el riesgo de prognosis inexactas.
13.3. PREDICCIN DE LA TASA DE MOTORIZACIN
13.3.1. Introduccin
Aunque el nmero total de coches privados activos en las carreteras de los
pases industrializados casi se dobl entre 1970 y 1986 (vase, por ejemplo,
de Jong, 1989), la tasa de crecimiento fue, en este perodo, dramticamente
ms alta en los pases en proceso de desarrollo. Por ejemplo, la cada en los
impuestos a la importacin para los coches pequeos por debajo de 850 cc en
Chile (desde 120 a slo el 10%) en 1977, implic que la tasa de motorizacin
promedio en Santiago subiera en ms del 100% en slo 5 aos (vase Fernndez
et al., 1983). Aun si el kilometraje anual por vehculo hubiera permanecido
constante durante este perodo, debe apreciarse que el incremento total en
pasajeros-kilmetro en coche represent un alto coste a la sociedad en trminos
de accidentes, combustible, contaminacin, congestin de trfico as como
costes adicionales en construccin de carreteras y su mantenimiento.
Un problema al que tienen que enfrentarse los planificadores de diferen-
tes naciones es que las previsiones sobre el nmero de coches y/o vehculos-
kilmetros para, por ejemplo, el ao 2010, implican que estos efectos adversos
puedan adquirir proporciones catastrficas. De hecho a finales de los 80 ya
haba ciudades como Atenas, Los ngeles, Mjico, Santiago, Sel y Tokio que
tenan psima fama por sus problemas de congestin y contaminacin.
Los modelos que pronostican cambios en la tasa de motorizacin, cons-
tituyen un insumo esencial de la planificacin del transporte y se han venido
desarrollando desde principios de los aos 40. Por lo general, se puede decir
que estos esfuerzos se han realizado con los tres motivos diferentes que se
muestran a continuacin:
Estudios de mercado para fabricantes de vehculos y empresas de combus-
tible, que no son de inters directo para los modelizadores de transporte,
ya que se preocupan ms de los atributos del vehculo tales como tamao,
capacidad de motor, etctera.
Estudios promocionados por los gobiernos con el objetivo de determinar las
necesidades de nuevas infraestructuras (principalmente, carreteras) a nivel
nacional; hasta finales de los 70 se utilizaban modelos simples de series-
temporales para este fin.
o1
Estudios locales, que normalmente forman parte de estudios de transporte
estratgicos y que han utilizado mtodos economtricos ms avanzados con
datos de corte transversal y/o longitudinales.
No se va a intentar abarcar aqu todos los aspectos del problema de pre-
visin de la tasa de motorizacin, ya que se han dedicado libros completos al
tema (vase, por ejemplo, Mogridge, 1983; Train, 1986). En este epgrafe se
van a tratar, de forma breve, los dos mtodos bsicos siguientes:
Extrapolaciones de series-temporales que emplean datos agregados a niveles
nacional y regional (bsicamente, el trabajo de John Tanner en el Transport
and Road Research Laboratory, del gobierno britnico).
Mtodos economtricos que utilizan datos desagregados a nivel de hogar,
ya que se ha razonado que la decisin de adquirir un coche no puede mode-
lizarse de forma correcta estrictamente a un nivel individual ni a un nivel
zonal (vase, por ejemplo, Bates et al., 1978).
Los mtodos modernos a veces incorporan parte de ambos enfoques y ex-
tienden sus estimaciones tambin al uso de coches. Crticas a stos y otros
mtodos han sido realizadas por Button et al. (1982) y de Jong (1989).
13.3.2. Extrapolaciones mediante series-temporales
Parece claro que la tasa de motorizacin (por ejemplo, coches/individuo) no de-
bera incrementarse de forma indefinida con el tiempo (es decir, por lo general
la gente que posee carnet de conducir no tiene varios coches por persona); por
esta razn las curvas de incremento normalmente presentadas para modelizar
este fenmeno tienen forma de S. Si el nmero de coches/persona en EE.UU. y
en el Reino Unido se grafican contra el tiempo, se consiguen aproximadamente
las formas mostradas en la figura 13.1.
Una curva que ha resultado popular en este campo ha sido la logstica,
promovida por Tanner (1978). Para ajustarla se necesitan los tres parmetros
siguientes:
C
0
, tasa de motorizacin en el ao base (coches/persona);
g
0
, tasa de incremento en la tasa de motorizacin en el ao base, dada por
1
C
c
t
d
d
evaluada en t = 0;
S, nivel de saturacin de la tasa de motorizacin.
o:
En curvas logsticas se tiene que:

d
d
C
t
aC S C
t t
( )

(13.15)
donde a es una constante. Solucionando esta ecuacin diferencial se obtiene:

C
S
b aSt
t

+ 1 exp ( )

(13.16)
donde b es una constante de integracin. Para encontrar los valores de a y b
se puede recurrir a las condiciones de borde para t = 0; a partir de (13.15) y
(13.16) se obtiene respectivamente:

g a S C C
S
b
0 0 0
1

+
( ) y
y sustituyendo estos valores en (13.16) finalmente se obtiene:

C
S
S C
C
g St
S C
t

+
,
,
]
]
]

,
]
]
]
1
0
0
0
0
exp

(13.17)
Por lo tanto, el conocimiento de C
0
y g
0
para un ao tomado como base
permite extrapolar C
t
para cualquier ao futuro si se conoce S; sin embargo,
S no se conoce y ha de estimarse. El mtodo de Tanner consiste en ajustar la
siguiente recta de regresin (vase la figura 13.2):
Figura 13.1. Curva del incremento en la posesin de coches.
1960 1970 1980 1988 85
Ao
Reino Unido
EE.UU.
1950
0
0,1
0,2
0,3
0,4
0,5
C
o
c
h
e
s

p
o
r

p
e
r
s
o
n
a
o
g = + C
t
Por definicin, la saturacin corresponde al momento en el que la tasa de
cambio en el nmero de coches por persona (g) es cero: en este caso se obtiene
S = /, y como se espera que sea positivo y menor que cero, se puede
deducir que S > 0.
Coches/persona
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
S
%

i
n
c
r
e
m
e
n
t
o

c
o
c
h
e
s
/
p
e
r
s
o
n
a

(
g
)
Figura 13.2. Determinacin del nivel de saturacin.
Desafortunadamente si se construye el grfico de la figura 13.2 con datos
de EE.UU. y el Reino Unido se obtiene lo que se muestra en la figura 13.3;
esto implica que el mtodo podra funcionar en el segundo caso pero es mucho
ms dudoso en el primero. Este mtodo ha sido muy criticado por Button et
al. (1982).
Con estos datos, Tanner (1974) calcul S = 0,45 para Gran Bretaa. En la
tabla 13.1 se comparan las previsiones para 1975 realizadas en aos diferentes,
con el nmero realmente observado de 0,25 coches/persona en aquel ao. Tal
y como se puede observar, el mtodo no es muy fiable.
En resumen, las principales objeciones al mtodo de extrapolacin logstica
son las siguientes:
El modelo no es sensible a las variables polticas. Por ejemplo es imposi 1. -
ble estudiar los efectos que tienen los cambios en los precios de coches, el
o
impuesto de circulacin, los impuestos de importacin, el precio del com-
bustible, etc. sobre la propiedad de coches. El mtodo tampoco considera
la influencia de variables econmicas; por lo tanto, si la correlacin entre
estas variables cambia con el tiempo pueden obtenerse resultados perver-
sos (por ejemplo, considrese el efecto del incremento en la propiedad de
coches producido por la crisis del petrleo en 1973, o el efecto mencionado
anteriormente de la reduccin de impuestos en Chile).
2. S se supone constante; sin embargo, puede que esto en la prctica no sea
as, ya que las actitudes suelen cambiar con el tiempo.
El modelo no produce informacin sobre diferentes tipos de coches o, an 3.
ms importante para la planificacin, sobre la proporcin de personas que
pertenecen a hogares con 0, 1, y 2 o ms coches.
Tabla 13.1. Errores de previsin utilizando extrapolacin
Ao base
Coches por persona Crecimiento previsto
En el ao base Previsto para 1975 Crecimiento actual
1960 0,11 0,28 1,14
1964 0,16 0,32 1,57
1966 0,18 0,31 1,67
1968 0,20 0,30 1,84
1969 0,21 0,28 1,66
1971 0,22 0,27 1,62
1972 0,23 0,26 1,48
Figura 13.3. Tasas de saturacin para EE.UU. y Reino Unido.
Coches/persona
Reino Unido
EE.UU.
0,1 0,2 0,3 0,4 0,5
0
2
4
6
8
10
12
14
0,6 0
I
n
c
r
e
m
e
n
t
o

p
o
r
c
e
n
t
u
a
l
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
o
13.3.3. Mtodos economtricos
Estos mtodos intentan explicar el comportamiento de los viajeros de forma
directa en vez de observar las tendencias generales, y normalmente utilizan
datos para un instante de tiempo. Se procede a examinar solamente dos mto-
dos; para una revisin ms amplia, vase de Jong (1989).
13.3.3.1. Mtodo de Quarmby y Bates (1970)
Este mtodo utiliza solamente dos variables independientes, los ingresos y la
densidad residencial, aunque reconoce la existencia de otros factores de inters
como el tamao del hogar y el precio de los vehculos. Las relaciones bsicas
del modelo son:

P
P
I D
b c
o 0
0
0
1
0

o

(13.18)

P
P
a b I D
c
2
1
1 1
1

exp ( )

(13.19)

P P P
0 1 2
1 + +

(13.20)
donde I es el ingreso anual por hogar (miles de $), D es el nmero de residen-
tes por acre y P
i
la probabilidad de tener 0, 1, y 2 o ms coches; a
i
, b
i
y c
i
son
parmetros a estimar.
Sustituyendo P
1
de (13.20) en (13.19) y tomando logaritmos se obtiene:

log log log
P
P P
a b I c D
2
0 2
1 1 1
1
+

(13.21)
entonces, ya que D es una variable discreta para cualquier segmento dado, se
puede considerar como constante y (13.21) se reduce a:

log constante
P
P P
b I
2
0 2
1
1
+
Es instructivo tener en cuenta que mientras suben los ingresos (I), tambin
sube el lado izquierdo de la ecuacin (13.21); por tanto se puede deducir que
(1 P
0
P
2
) tiende a cero o lo que es lo mismo, P
2
tiende a (1 P
0
). Sin embar-
oo
go, ya que P
0
es casi cero para los ingresos altos, significara que P
2
tendera a
1 y obviamente esto no es correcto ya que se esperara un lmite menor. Este
nivel superior o nivel de saturacin (S) de P
2
, puede incorporarse al modelo
mediante el ajuste de (13.21), resultando:

log log log
P
S P P
a b I c D
2
0 2
1 1 1
1 ( )
+

(13.22)
donde S debe determinarse de forma emprica; ahora, como esto es complicado
en la prctica, el procedimiento normal implica la prueba de diferentes valores
mediante un anlisis de sensibilidad. En la figura 13.4 se ilustran los tipos de
curva que produce este mtodo.
Ingreso
S
1
P
i
P
2
P
1
P
0
Figura 13.4. Tasa de motorizacin respecto a ingresos.
Ejemplo 13.2: teniendo en cuenta los datos de la siguiente tabla y suponien-
do un valor de S = 0,78, calcular los parmetros de los modelos de Quarmby y
Bates para un valor fijo de densidad residencial.
Ingreso P
0
P
1
P
2
1 0,61 0,34 0,05
2 0,35 0,47 0,18
3 0,22 0,44 0,34
4 0,16 0,37 0,47
5 0,10 0,30 0,60
6 0,08 0,24 0,68
o;
Si se toma el logaritmo de (13.18) para D fijo (ya que c
0
no tiene inters)
se obtiene:

log log log
P
P
a b I
0
0
0 0
1

y ajustando una recta de regresin a los datos se obtiene a
0
= 1,74 y b
0
= 1,60.
Por otra parte, si se sustituye S en la ecuacin (13.22) para la constante D, se
consigue:

log log
P
P P
a b I
2
0 2
1 1
0 78 1 , ( )
+
y ajustando otra recta de regresin a los datos, finalmente se obtiene a
1
= 0,10 y
b
1
= 0,84.
13.3.3.2. Mtodo del modelo regional de transporte por carreteras (MRTC)
(Bates et al., 1978)
Este mtodo combina las mejores propiedades y caractersticas de los dos en-
foques anteriores. En primer lugar, es necesario definir las siguientes variables:
P(1+) = % de hogares con uno o ms coches, con un nivel de saturacin
de S(1+);
P(2+) = % de hogares con dos o ms coches, con un nivel de saturacin
de S(2+).
Por lo tanto, las ecuaciones del mtodo anterior pueden derivarse como:

P P
P P P
P P
0
1
2
1 1
1 2
2
+
+ +
+
( )
( ) ( )
( )
pero debe destacarse que los niveles de saturacin son diferentes a los de Tan-
ner. El modelo entonces presenta la siguiente forma:

P
S
a
I
p
t
t
t
b
( )
( )
exp
1
1
1
1
1
+
+
+
j
(
,
\
,
(

(13.23)
o8

P
S
a b
I
p
t
t
t
( )
( )
exp
2
2
1
2 2
+
+
+
j
(
,
\
,
(

(13.24)
donde (I
t
/ p
t
) es el ingreso anual del hogar (/semana) deflactado por un ndice
de precios de coches. El modelo se estim utilizando datos britnicos corres-
pondientes al perodo 1969-75, dando los siguientes valores para los parmetros:

a b S
a b S
1 1
2 2
7 76 2 26 1 0 95
3 76 0 04 2
+
+
, , ( ) ,
, , ( )

0 60 ,
Para realizar estimaciones a futuro es necesario suponer una cierta distribu-
cin de ingreso (por ejemplo, del tipo Gamma); tambin, para convertir los re-
sultados modelizados en coches/persona (C
p
) es necesario emplear datos censa-
les. Por ejemplo, Bates et al. (1978) propusieron la siguiente regla de conversin:

C P P
p
+ + + ( ) , ( ) 1 2 17 2
Finalmente para obtener coches/hogar se requiere informacin acerca del
nmero medio futuro de personas por hogar.
13.3.3.3. Modelos de posesin y utilizacin de coche
Khan y Willumsen (1986) argumentaron que en los pases en proceso de desa-
rrollo, el crecimiento de la tasa de motorizacin (y uso de coches) compromete
los futuros recursos en inversiones adicionales en carreteras y su mantenimien-
to. Insistieron en que la posesin de coche debe considerarse como una variable
poltica ms que como un factor exgeno; para apoyar estas ideas, desarrollaron
modelos de posesin y uso de coche sensibles a polticas y los estimaron uti-
lizando datos de diferentes pases y perodos de tiempo. Estudiaron diversas
formas funcionales, de las cuales uno de los modelos ms tiles es:
log C
1.000
= 361 + 70,5 log GNPH 0,373 log PURTAX 2,58 log OWNTAX
0,682 log IMPDUTY 29,4 log FUELPR 2,04 log POPDEN
R
2
= 0,86
donde C
1.000
es el nmero de coches por 1.000 habitantes, GNPH es el producto
interior bruto por persona, PURTAX es el impuesto de compra asociado a los
coches; OWNTAX el impuesto asociado a la propiedad de coche, IMPDUTY
o,
el impuesto de importacin de los coches, FUELPR el precio por litro de com-
bustible y POPDEN es la densidad de la poblacin.
Se desarroll un segundo modelo para estimar el kilometraje anual medio
por coche, KM/C:
log KM/C = 5,76 0,434 log GNPH 0,368 log FUELPR 0,67 log ROADPOP
donde ROADPOP es la longitud de carretera pavimentada per cpita.
Finalmente, Khan y Willumsen (1986) desarrollaron tambin un modelo de
anlisis donde el nmero total de coches, los coches-km, consumo de combus-
tible, ingresos por impuestos, y costes de inversin en carreteras y su manteni-
miento, se calcularon para uno o ms aos en el futuro. Esto permite comparar
polticas alternativas respecto de impuestos de compra-venta e importacin y de
construccin de carreteras, en trminos de los costes implicados para el pas.
En la figura 13.5 se muestra la estructura general de estos modelos.
Costes
impuestos
Modelo
de previsin
Uso coche
coche-km
Modelo
de anlisis
Gastos en carreteras
Importaciones de combustible
Flota
de vehculos
Otros insumos
Gastos en carreteras Ingresos
Otros insumos
PNB poblacin
Figura 13.5. Modelo de anlisis de Khan y Willumsen.
Estos modelos se desarrollaron esencialmente como una herramienta de
investigacin y anlisis de polticas; se necesita aadir ms elaboracin al
modelo para aplicarlo a pases especficos. Aunque los modelos se escribieron
en FORTRAN son lo suficientemente sencillos como para permitir su uso en
cualquier hoja de clculo.
oo
13.3.4. Comparaciones internacionales
El uso de energa en el sector transporte crece ms que en cualquier otro
sector de la economa global. De este crecimiento, una proporcin importante
se origina en los pases emergentes. Esto refleja los bajos niveles de tasa de
motorizacin en dichos pases y los niveles casi saturados en naciones como
EE.UU. Por lo tanto, es importante comprender mejor cmo los incrementos
en la riqueza afectan a la posesin y uso del coche y cmo stos afectaran al
consumo de energa y (hasta que el hidrgeno pase a ser el combustible ms
comn) a las emisiones y a la formacin de gases invernadero.
Dargay y Gatley (1999) han realizado estudios globales sobre el efecto
del nivel de ingreso sobre la tasa de motorizacin, incluyendo comparaciones
internacionales como parte de este proceso. Utilizaron datos de ingreso y tasa
de motorizacin para el perodo 1960 a 1992 de 26 pases, desde EE.UU. hasta
India y China (pese a que los datos no estuvieron disponibles para todos estos
aos en todos los pases). Posteriormente, investigaron formas funcionales ap-
tas para modelizar la tasa de motorizacin como funcin del nivel de ingreso.
Despus de experimentar con varias formas funcionales, eligieron el modelo
Gompertz. La ecuacin de Gompertz para la tasa de motorizacin a largo plazo
V
*
como funcin del ingreso per cpita I, puede escribirse como:

V
I *
e o
|
exp ( )

(13.25)
donde y son valores negativos. El parmetro define el nivel de saturacin,
ya que para < 0:

lim
I
V
El parmetro especifica el valor de la funcin en I = 0, es decir:

V
I

0
*
o
e
Ya que el nivel de saturacin no puede ser 0, el valor de la funcin de
Gompertz se aproxima a 0 mientras crece negativamente.
La funcin de Gompertz tiene una elasticidad a largo plazo que puede
calcularse mediante la correspondiente diferenciacin:

q o|
| LR I
I e

(13.26)
o1
El nivel de ingreso que produce la mxima elasticidad se obtiene fijando
la derivada de la elasticidad en 0:

I
ME

1
|

(13.27)
y la mxima elasticidad se define por:

q o o
M

e
1
0 3678 ,

(13.28)
Dargay y Gatley (1999) reconocen que la tasa de motorizacin no puede
variar instantneamente; existen efectos de retraso e inercia que deben ser
considerados. Ellos postularon un mecanismo simple de ajuste parcial que
tendra en cuenta estos retrasos:

V V V V
t t t t
+
1 1
u( )
donde es la velocidad de ajuste (0 < < 1) y V
i
es la posesin de coche en el
tiempo t. Esto se convierte en:

V V
t
I
t
t
+

u o u
|
exp( ) ( ) e 1
1

(13.29)
Debido a una serie de razones tericas y prcticas, los autores restringen
los valores de , , y al mismo valor para todos los pases pero permiten que
sea especfico para cada pas. Entonces el modelo se convierte en:

V V
jt
j
I
jt
jt
+

u o u
|
exp ( ) ( ) e 1
1

(13.30)
donde el subndice j representa un pas determinado.
Utilizando sus propias series de datos, encontraron un nivel de saturacin
comn = 0,85 vehculos por persona (y 0,65 coches por persona) y un valor
de = 5,9. Tambin encontraron el valor de = 0,09, indicando que el 9% de
la respuesta total al ingreso se produce en el plazo de un ao. Los valores de
varan desde 0,3 hasta 0,2 en diferentes pases.
A partir del modelo, se puede estimar la mxima elasticidad del ingre-
so como aproximadamente 2,4 para coches; esto se consigue para niveles de
ingreso per cpita de unos $5.000 (dlares de EE.UU. al valor de 1985) para
pases con = 0,02.
o:
Dado el rango de pases en su base de datos, los modelos desarrollados por
Dargay y Gately (1999) son bastantes tiles para su aplicacin en pases dife-
rentes donde se disponga slo de series temporales limitadas para la previsin
de la tasa de motorizacin.
13.4. EL VALOR DEL TIEMPO DE VIAJE
13.4.1. Introduccin
La pregunta tiene valor el tiempo? es respondida afirmativamente por casi
todo el mundo. Un problema ms serio es qu valor? y bajo qu circunstan-
cias se puede o se debe medir.
Este tema ha generado un enorme debate en la literatura (vase, por ejemplo
Bruzelius, 1979) sencillamente porque los ahorros de tiempo representan el
beneficio ms importante en la evaluacin de proyectos de mejora del transporte
en todo el mundo. Sin embargo y a pesar de su importancia, no se ha logrado
un consenso acerca del tamao y la naturaleza de los valores utilizados en
evaluacin de los proyectos. No se intentar aqu revisar esta materia en gran
detalle, por lo que se remite al lector a los trabajos presentados en Gunn (1985a)
para un estudio ms amplio.
Por ejemplo, en Gran Bretaa (y otros pases como Chile) se recomiendan
valores de tiempo que corresponden a una proporcin fija del salario horario
medio. Por otra parte, en EE.UU., se han recomendado valores crecientes en
funcin del intervalo de tiempo ahorrado: 0-5 min., 5-15 min. y 15 o ms mi-
nutos (AASHTO, 1977). Claramente el uso de funciones de valoracin lineal
o no lineal debera llevar a diferentes beneficios y, por lo tanto, a diferentes
prioridades de inversin. Por ejemplo, la normativa britnica tiende a favorecer
esquemas que generan pequeos ahorros en el tiempo mientras la normativa
norteamericana favorece esquemas que generan ms ahorros de tiempo subs-
tanciales.
La mayora de los estudios distingue entre valores de tiempo subjetivos
(o de comportamiento) y de evaluacin. Los primeros corresponden a, por
ejemplo, el valor del parmetro asociado con el tiempo de viaje en vehculo en
las funciones de coste generalizado que se estudiaron en el Captulo 5 y que
deberan haberse derivado estimando un modelo de demanda con datos emp-
ricos. El valor para evaluacin es aquel que se utiliza, como indica su propio
nombre, para comparar esquemas alternativos que producen diferentes niveles
o
de ahorro de tiempo y otros recursos. Se argumenta, entonces, que el valor
del tiempo en el comportamiento refleja en mayor medida la disponibilidad a
pagar del viajero y no el valor intrnseco de un ahorro de tiempo en particular.
Por esta razn, a menudo el valor del tiempo utilizado en evaluacin de pro-
yectos es un valor de equidad, que se considera igual para todos los viajeros,
independientemente de su edad o grupo socioeconmico, tal y como se ver
a continuacin.
Por otra parte, se puede argumentar que el uso de diferentes valores del
tiempo para los diferentes propsitos de evaluacin y modelizacin de de-
manda, introduce inconsistencias en el enfoque en distintas etapas del mismo
ejercicio. Sin embargo, prcticamente no se discute que los valores subjetivos
del tiempo dependen fuertemente de la especificacin del modelo y de los
datos (vase Gaudry et al., 1989); esto es una propiedad no deseada, ya que lo
que interesa es realizar una evaluacin de proyectos consistente en una amplia
gama de modelos y reas.
13.4.1.1. Valores subjetivos y valores sociales del tiempo
La funcin de utilidad estimada mediante los modelos de eleccin discreta
de viaje puede utilizarse para calcular el valor subjetivo de ahorrar tiempo
(Subjective Value of Time o SVT) o de forma equivalente, la disponibilidad a
pagar para reducir el tiempo de viaje (en el vehculo, a pie o esperando) en una
unidad. Como se demostr en Jara-Daz (2000), ya que la utilidad del viaje
es realmente una funcin de utilidad indirecta condicional, la interpretacin
microeconmica SVT depende de los argumentos que se suponga entren en
la funcin de utilidad as como del tipo de restricciones consideradas; vase
tambin Bates (1987).
El anlisis de la valoracin del tiempo proviene de tres fuentes: las teoras
puras de asignacin del tiempo, el enfoque de produccin del hogar y la litera-
tura sobre demanda de viajes. Todo comenz con el enfoque de Becker (1965),
basado en la idea de que la utilidad depende de la cantidad de bienes finales
consumidos (por ejemplo, una comida preparada), cada uno de los cuales re-
quiere bienes de mercado y tiempo como insumos; ste fue el origen de un
valor del tiempo igual al salario horario, ya que el tiempo puede convertirse
en dinero dedicando ms tiempo al trabajo y menos a consumir. Despus de
sucesivos anlisis realizados por Johnson (1966), Oort (1969), De Serpa (1971)
y Evans (1972), este resultado elemental pronto se demostr limitado, pues el
tiempo en el trabajo debera entrar como argumento en la funcin de utilidad.
o
Posteriormente los modelos de eleccin modal para ingresos fijos introdu-
cidos inicialmente como enfoque de la tasa de gastos (Jara-Daz y Farra, 1987;
Jara-Daz y Ortzar, 1989), corroboraron tambin un valor del tiempo de via-
je no necesariamente relacionado con la tasa salarial. El resultado de este
grupo de artculos fue un marco en el que las acciones econmicas del indivi-
duo se observaban como si maximizaran una funcin de utilidad que dependa
de todas las actividades llevadas a cabo y de todos los bienes consumidos,
sujeto a tres tipos de restricciones: un presupuesto econmico, una restriccin
de tiempo y una serie de relaciones tcnicas entre bienes y tiempo (Jara-Daz,
1988).
Hasta ahora, se ha demostrado que el SVT refleja el valor de relajar el re-
quisito de tiempo mnimo de viaje. Analticamente esto es el ratio entre el mul-
tiplicador correspondiente a esa restriccin y la utilidad marginal del ingreso
(Marginal Utility of Income o MUI) y se puede demostrar que es igual al valor
del tiempo como recurso (o, de forma equivalente, el valor del ocio) menos el
valor de la utilidad marginal de viajar. El primero representa el valor de rea-
signar el tiempo de viaje ahorrado a otras actividades y viene dado de forma
analtica como el ratio entre el multiplicador de la restriccin de tiempo y la
MUI. El segundo, en cambio, es el valor perdido, en trminos de utilidad di-
recta, debido a que se viaja menos, y debera ser negativo. El SVT, por tanto,
es la suma del valor del tiempo libre ganado y el valor de la reduccin de una
actividad no placentera. Es importante destacar que si el individuo elige su
horario del trabajo (horas trabajando) a una determinada tasa salarial, ajustar
dicho horario hasta que el valor del ocio iguale al valor del trabajo; ste es igual
a la suma del dinero ganado (la tasa salarial) y el valor de la utilidad marginal
del trabajo (que puede ser positivo o negativo). Jara-Daz y Guevara (2000)
consiguieron estimar modelos simultneos de viajes y actividades, y obtuvieron
no solamente el SVT sino tambin los elementos que lo componen.
Finalmente, comentemos el precio del tiempo de viaje que debera em-
plearse en evaluacin social de proyectos (valor social del tiempo). La sociedad
no tiene por qu valorar la reasignacin del tiempo de viaje individual al SVT
del individuo. Para el anlisis de viajes discrecionales, el estado del arte es
el trabajo de Glvez y Jara-Daz (1988), que muestra que un precio social del
tiempo apropiado (Social Price of Time o SPT), consistente con un marco de
evaluacin social dentro del campo de la economa del bienestar, debera ser
igual a la razn entre la utilidad marginal del tiempo y lo que ellos llaman la
utilidad social del dinero. sta es dada por una suma ponderada de los MUI
o
individuales en la que los pesos corresponden a la proporcin de impuestos
marginales pagada por su grupo social.
Este enfoque propone SPTs potencialmente diferentes para cada grupo, los
cuales normalmente son diferentes de los SVT de cada grupo. Es importante
destacar que estos autores demuestran analticamente que si se aceptan los
SVT como SPT, ello es equivalente a asignar a cada grupo un peso social que
crece con el ingreso. Aunque esto tiene implicaciones importantes de poltica
y generalmente no deseadas, tristemente refleja el enfoque normalmente uti-
lizado en la prctica.
13.4.1.2. Algunos resultados prcticos
Heggie (1983) sostena que el debate sobre el valor del tiempo era ms emprico
que terico. Las enormes dificultades prcticas asociadas con la medicin de
los valores de tiempo incentivaron la utilizacin de mtodos indirectos como
es el enfoque de eleccin discreta mencionado anteriormente. Sin embargo,
este mtodo genera los usuales problemas empricos, tales como:
Cmo elegir una muestra apropiada, es decir, una muestra que bsicamen-
te contenga gente con una verdadera eleccin entre alternativas definidas
claramente en trminos de tiempo y coste de viaje.
Cmo medir los atributos del viaje, es decir, evitando la agregacin, per-
cepcin y otras fuentes de sesgo.
Qu funcin de demanda se va a utilizar que sea consistente con la situacin
en estudio.
Todos estos problemas sugieren que los valores derivados a partir de mo-
delos estimados con datos de preferencias reveladas (la gran mayora de los
casos) pueden ser sospechosos.
Quizs el estudio ms completo realizado sobre el valor de ahorros de tiempo
de viaje en los ltimos aos fue hecho entre 1981 y 1986 por un consorcio de con-
sultores y expertos acadmicos en el Reino Unido, utilizando una serie de mo-
delos estimados con datos de preferencias reveladas y declaradas para diversos
escenarios de eleccin en varias reas del Reino Unido (Bates y Roberts, 1986).
Sus principales recomendaciones (Department of Transport, 1987) fueron:
El valor del tiempo de trabajo (es decir, viajes hechos durante o como parte 1.
del trabajo) es igual al ingreso bruto por hora del viajero, incluyendo todos
los costes adicionales para el empresario.
oo
Los viajes realizados por cualquier otra razn, incluyendo los viajes al tra- 2.
bajo, subieron en su valoracin desde un 27 a un 43% del ingreso medio
por hora de los adultos empleados a jornada completa (esto es, un incre-
mento del 85%).
Para la mayora de los casos ha de utilizarse un valor del tiempo nico y 3.
equitativo; sin embargo, en los casos en los que se considere que la propor-
cin de nios, pensionistas o adultos empleados difiere de forma significa-
tiva de la media nacional, debera estimarse un valor equitativo del tiempo
ad hoc utilizando los valores individuales de cada uno de estos grupos.
Para actualizar estos valores, debera utilizarse informacin acerca de los 4.
ingresos reales por hora para cada ao; en el caso de previsiones, tales
ingresos deberan estimarse como funciones del producto interior bruto
per cpita.
Los valores del tiempo andando y esperando tendran que tomarse como el 5.
doble del valor del tiempo dentro del vehculo; los que viajen en bicicleta
deberan ser tratados como peatones en este sentido.
Los pequeos ahorros de tiempo deberan ser evaluados de forma igual 6.
que los ahorros de tiempo ms significativos.
En 1994 el Departamento de Transporte del Reino Unido encarg un nuevo
estudio sobre el valor del tiempo (ACCENT y HCG, 1996). A continuacin se
resumen algunas de sus conclusiones ms interesantes, que en trminos ge-
nerales estn de acuerdo con un estudio anterior realizado en Holanda (HCG,
1990) con la misma metodologa:
Para cualquier nivel de variacin alrededor del tiempo de viaje original, 1.
las ganancias de tiempo se valoran ms que las prdidas. Para los viajes
no relacionados con el trabajo, generalmente se deberan ignorar varia-
ciones de hasta 5 minutos en el tiempo de viaje. Los viajeros de negocios
son ms sensibles a las ganancias y prdidas de tiempo que los que viajan
diariamente al trabajo; estos ltimos, a su vez, son ms sensibles que los
que realizan viajes no relacionados con el trabajo.
Existe una relacin clara entre ingresos y SVT (tal y como se encontr en 2.
1986) que es montonamente creciente pero no directamente proporcional.
Para los mismos niveles de ingreso los SVT de 1994 son significativamente
menores que los registrados en 1986. Este hecho puede deberse a cambios
en la composicin de la poblacin que utiliza el coche (los que tenan ma-
yores SVT fueron los que primero compraron y utilizaron coches) de tal
o;
forma que el crecimiento en su utilizacin est sesgado hacia los segmentos
del mercado con SVT ms bajos.
Los SVT bajo condiciones de congestin son significativamente ms altos 3.
que los que se realizan en viajes bajo condiciones de flujo libre. Sin embar-
go, los tipos de combinaciones de caminos (es decir, porcentaje del tiempo
en autopista, carreteras nacionales y otras) no eran significativamente dife-
rentes. Finalmente, los que usan autopistas de forma regular son relativa-
mente indiferentes al nmero de carriles, pero parecen ser muy sensibles
a viajar junto a camiones y claramente no les gustaban las carreteras sin
arcn (el efecto ms fuerte de todos).
En relacin a los cambios en la hora punta, se encontr que la desutili- 4.
dad de salir ms temprano se incrementa de forma lineal con la diferen-
cia de tiempo. Tambin es cierto esto para las salidas aplazadas hasta
una hora en cuanto a que, curiosamente, encontraron que la molestia no
aumentaba mucho pasada dicha hora; vase la discusin en Bianchi et al.
(1988).
13.4.2. Mtodos de anlisis
13.4.2.1. Enfoque de preferencias reveladas
Para estimar la disponibilidad a pagar por ahorros en el tiempo de viaje (es
decir, el SVT) en la literatura clsica de microeconoma del transporte, los
modelizadores necesitan medir los compromisos entre tiempo de viaje y coste
para una poblacin representada por una muestra estadstica (por ejemplo,
individuos viajando desde algunos suburbios hasta el centro de la ciudad). El
SVT corresponde a la tasa marginal de sustitucin entre tiempos percibidos
t
i
(en el vehculo, a pie o esperando) y costes c
i
de viajar a utilidad constante
(Gaudry et al., 1989), dando lugar a la siguiente expresin:

SVT
o
o
o
o
dC
dt
V
t
V
c
i
i
v
i
i
i
i

(13.31)
Como la funcin de utilidad representativa tradicionalmente se supone
lineal y aditiva en los parmetros (fijos) de utilidad marginal, bajo esta hip-
tesis el SVT corresponde al ratio entre los parmetros estimados,
t
y
c
, de
o8
los atributos tiempo de viaje y coste; para la especificacin de la tasa salarial
(w) (Train y McFaden, 1978), esto da simplemente que:

SVT
w
t
c
u
u

(13.32)
A partir de (13.32) se puede ver fcilmente que el ratio
t
/
c
representa al
SVT como porcentaje del ingreso.
Para la especificacin lineal en los parmetros de tasa de gastos (g) (Jara-
Daz y Farah, 1987), donde g es dado por (8.7), la ecuacin (13.31) da lugar a:

SVT
g
t
c
u
u

(13.33)
Finalmente para el caso Box-Cox (8.3) se obtiene:

SVT
w
t
C
w
i i
i
c
i
t
c
j
(
,
\
,
(
u
u
t
1
1

(13.34)
la cual claramente vara entre alternativas si
k
no es igual a 1. Esta ltima
frmula implica que si ambos son iguales y menores que uno, el modelo ne-
cesariamente producir estimaciones de tiempo mayores para los modos que
sean ms caros por unidad de tiempo; sin embargo, este podra no ser el caso
si los son diferentes (Gaudry et al., 1989).
Ahora, como
t
y
c
son estimaciones de los parmetros verdaderos del
modelo, realmente no son constantes sino variables aleatorias con una cierta
funcin de densidad de probabilidad (FDP). Por esta razn la estimacin
puntual del SVT (es decir,
t
/
c
) es tambin una variable aleatoria con una
FDP desconocida, y parece apropiado examinar las consecuencias de sustituir
este valor nico por la construccin de un intervalo de confianza dado un
cierto nivel de confianza. Una salida ms sencilla pero menos apropiada con-
siste en intentar juzgar la significancia del SVT mediante un pseudo-ensayo
de la razn t. Jara-Daz et al. (1988) demuestran que si se realiza una expan-
sin de primer orden del desarrollo en serie de Taylor de la variable aleatoria
t
/
c
alrededor de su valor medio (la razn entre los coeficientes estimados),
se puede construir la siguiente razn t:
o,

t
tc
t
t
c
c
t c
t c
+
j
(
,
\
,
(
o
u
o
u
u u
u u
2
2
2
2
1
2
2Cov( , )

(13.35)
donde
t
y
c
son los errores estndar de los coeficientes estimados.
Se sabe que los parmetros de mxima verosimilitud distribuyen asintti-
camente segn una normal multivariada. Por lo tanto, la estimacin puntual
del SVT es una variable aleatoria gobernada por una FDP desconocida (la
distribucin de probabilidad de la razn entre dos variables distribuidas Nor-
mal es desconocida a priori); solamente se conocen algunos aspectos en casos
especiales. Por ejemplo, se sabe que la razn entre dos variables estndar Nor-
males distribuidas de forma independiente sigue una FDP de Cauchy (Arnold y
Brockett, 1992), aunque esta distribucin es inestable ya que tiene una varianza
indefinida y su media no tiene expresin analtica.
Tambin se sabe que la razn entre dos variables Normales bivariadas con
una correlacin distinta de cero sigue otra FDP inestable, que incluso es ms
difcil de tratar que la funcin de Cauchy (Fieller, 1933). Dados estos hechos,
es muy probable que la razn entre los parmetros
t
y
c
, que forman parte de
una poblacin Normal multivariada, est gobernada por una FDP inestable.
Por lo tanto, es necesario encontrar un procedimiento economtrico para poder
realizar inferencias estadsticas sobre esta razn sin recurrir al uso directo de
la FDP asociada.
Para solucionar este problema, recientemente se han propuesto varios m-
todos en la literatura. Por ejemplo, Ettema et al. (1977) estudian un mtodo
general para construir intervalos de confianza para el SVT en casos en los
que se permite que los parmetros del tiempo de viaje y del coste permitan
interactuar con otras variables de segmentacin. Se utiliza simulacin para
calcular simultneamente los parmetros a partir de una distribucin Nor-
mal multivariada, definida por la matriz de covarianza de los parmetros del
tiempo de viaje estimado y del coste de viaje. Sus valores son generados una
cantidad de veces lo suficientemente alta (lo ideal es 1.000), construyendo el
intervalo de confianza en base a las estimaciones de la media y la varianza
de la muestra generada; se pueden simular simultneamente valores para los
parmetros del tiempo de viaje, tiempo de espera, tiempo andando y coste.
Finalmente, calculando los percentiles 0,025 y 0,975, se obtienen los lmites
del intervalo de confianza a un nivel del 95%.
Una de las ventajas de este mtodo es que no requiere introducir suposi-
ciones adicionales (aparte de la normalidad para los estimadores de mxima
ooo
verosimilitud). Adems de ser aplicable a cualquier especificacin de funcin
de utilidad, considera la varianza de los parmetros y las correlaciones entre
ellos. Los resultados de Ettema et al. (1977) sugieren que cuando crece la corre-
lacin, decrece el tamao de los intervalos, indicando que si no se considera
la correlacin se pueden obtener resultados extremos.
Armstrong et al. (2001) estudian dos mtodos. El primero se llama el m-
todo asinttico del test-t y se basa en la siguiente hiptesis nula:

H VT
t c 0
0 :u u

(13.36)
donde VT representa la estimacin puntual del SVT. El intervalo de confianza
viene dado por la serie de valores VT para los cuales no se puede rechazar H
0

a un nivel de significatividad dado. El estadgrafo correspondiente es (Garrido
y Ortzar, 1993):

t
VT
VT
t c
t c

( )
u u
u u Var
Esta expresin distribuye Normal para modelos lineales y de forma asin-
ttica Normal para los modelos no lineales como el logit multinominal (Ben
Akiva y Lerman, 1985). Garrido y Ortzar (1993) tambin derivaron los lmites
superiores e inferiores para el intervalo, de la forma siguiente:

V VT
t
t
t t t
t t
VT
t
t
t t t
U L
c
t
t c
c
c
t
t c
,

j
(
,
\
,
(
( )
( )

j
(
,
\
,
(
( )
2
2 2
2
22
2 2 2 2
2 2

( )

( )
( )
t t t t
t t
t c
c

(13.37)
donde t
t
y t
c
corresponden a los estadsticos t para
t
y
c
respectivamente y
es el coeficiente de correlacin entre ambas estimaciones de parmetros.
La ecuacin (13.37) es un nmero real solamente si el argumento bajo la raz
es no-negativo; se puede demostrar que esta condicin se cumple cuando los
parmetros
t
y
c
son estadsticamente significativos (de modo que t
c
y t
t
sean
mayores que t). Esta condicin asegura lmites superiores e inferiores positivos.
Se puede observar que el intervalo de confianza derivado de esta formulacin
no es simtrico respecto a la estimacin puntual de SVT (VT), y tambin que
el punto medio del intervalo es mayor que VT. Otro rasgo importante es que el
valor de tiene una fuerte influencia sobre el tamao del intervalo. Adems,
cuanto ms significativo es el valor del estadstico-t menor es el intervalo.
oo1
Tambin hay que resaltar que para muestras grandes se mantiene la si-
guiente identidad:

lim
N
t
t
t
c
U L
V VT
,
,

(13.38)
la cual est de acuerdo con la percepcin de que cuanto mayor es la muestra,
menor debera ser el tamao del intervalo. El segundo enfoque propuesto por
Armstrong et al. (2001) se denomina el mtodo del test de la razn de mxima
verosimilitud. Se basa en imponer la restriccin lineal (13.36) al proceso de es-
timacin de la mxima verosimilitud y comparar la eficacia estadstica de la
estimacin respecto al caso no restringido. El procedimiento consiste en la bs-
queda de valores de VT para los cuales es vlida la restriccin lineal dado un
cierto nivel de significatividad. La hiptesis nula sigue siendo la misma que en
el caso anterior, pero el test se lleva a cabo segn el siguiente estadstico:

LR [ ] 2 l l
r
( ) ( ) u u

(13.39)
donde l(
r
) y l() representan el logaritmo de la funcin de verosimilitud para
los modelos restringido y no restringido respectivamente. LR distribuye
2
con
un grado de libertad (correspondiendo a la nica restriccin impuesta).
Ejemplo 13.3: se desea estimar la siguiente funcin de utilidad sistem-
tica:

V t C Z
iq t iq C iq k kiq
k
+ +
u u u

(13.40)
donde t
iq
y C
iq
son el tiempo de viaje y el coste por individuo q; Z
kiq
son atribu-
tos (diferentes del tiempo de viaje y el coste) para el individuo q, y
k
son sus
parmetros. Sustituyendo la razn entre
t
y
C
por VT en (13.40) se obtiene la
siguiente funcin de utilidad:

V VTt C Z
iq C iq iq k kiq
k
+ +
u u ( )

(13.41)
Las ecuaciones (13.40) y (13.41) permiten calcular las funciones de log-
verosimilitud no restringida y restringida, l() y l(
r
/VT). Claramente, si SVT
es igual a VT entonces l() = l(
r
/VT), pero diferentes valores de VT darn
lugar a diferentes valores de la funcin de log-verosimilitud restringida. Este
oo:
mtodo requiere la bsqueda de los valores mximo y mnimo de VT para los
cuales se mantiene la siguiente desigualdad:

[ ] s

2
1 1
2
l VT l
r
( / ) ( )
,
u u _
o
Una ventaja de este mtodo sobre el anterior es que no se restringe sola-
mente a funciones de utilidad lineales. Sin embargo, el proceso de construir
los intervalos es ms lento que en el caso anterior, ya que requiere un procedi-
miento iterativo para obtener cada lmite. Armstrong et al. (2001) presentan los
resultados de usar todos los mtodos anteriores para diversos casos de inters.
Los valores subjetivos del tiempo y sus intervalos de confianza (tanto l-
mites como tamao) varan mucho con la especificacin del modelo (es decir,
tienen una fuerte dependencia de la forma funcional supuesta para la utilidad
representativa y de la estructura del modelo). Pero con datos de corte transversal
no es fcil rechazar claramente ninguna forma razonable de modelo; vase la
discusin en Jara-Daz y Ortzar (1989).
13.4.2.2. Enfoque de tarificacin de transferencia (transfer pricing)
En el contexto del anlisis de la demanda de viajes, el precio de transferencia
se entiende como la cantidad en la que el coste de una alternativa debera ser
variado para igualar su atraccin global con la de otra alternativa predefinida
(vase Bonsall, 1983).
Una aplicacin tpica del mtodo implica preguntar a individuos, por ejem-
plo, hasta qu nivel tiene que subir el precio o la tarifa de su alternativa pre-
ferida para convencerles de cambiar a otra alternativa. Est claro que un pro-
blema importante de esta tcnica (comn en muchas tcnicas del anlisis de
preferencias declaradas) tiene que ver con la fiabilidad que el analista pueda
asociar a tal serie de datos. Por otra parte, una fuerte ventaja de este mtodo, si
funciona, es que posibilita conocer no solamente la direccin de las preferen-
cias individuales sino tambin la diferencia (en trminos de preferencia) entre
las diversas alternativas disponibles. Por lo tanto, en teora y en comn con
otros estudios de preferencias declaradas (PD), se requieren menos datos que
en un estudio de preferencias reveladas (PR) para obtener un modelo de simi-
lar precisin. Aqu no se va a intentar estudiar el mtodo en detalle, pero los
lectores interesados pueden consultar a Gunn (1984) para una buena discusin
acerca de sus ventajas y problemas, en especial su inconsistencia general con
la teora convencional de los modelos de utilidad aleatoria.
oo
Ejemplo 13.4: considrese un modelo de utilidad aleatoria como el (7.2)
en una situacin de eleccin binaria y supngase que el precio de transferen-
cia (PT) corresponde a la diferencia entre la utilidad de la alternativa elegida
(U
c
) y otra (U
r
), es decir, representa el incremento en el coste de la alternativa
elegida que hara que el viajero fuese indiferente a la hora de elegir una de las
dos alternativas. Se tiene pues:

PT
c r
U U
Sin embargo, el valor esperado de (U
c
U
r
) es precisamente la diferencia en
las utilidades representativas (V
c
V
r
); entonces, suponiendo que sean lineales
en los parmetros, como de costumbre, se puede formar el siguiente sistema
de regresin lineal:

PT observado
c r c r
( )
( )
+
( )
+
1 1 1 2 2
X X X X
2
L
el cual debera permitir estimar los parmetros desconocidos conociendo
los atributos X de ambas alternativas. Adems, con este mtodo se pueden
calcular valores de tiempo diferentes para los que ahorran tiempo y para los
que ahorran costes (vase Lee y Dalvi, 1969).
Un problema importante, descrito en primer lugar por Hensher (1976),
concierne al tratamiento de los hbitos o costumbres en los modelos del precio
de transferencia. Gunn (1984) demuestra que las especificaciones que utili-
zan PT como variable dependiente pero restringen su signo (por ejemplo, me-
diante la modelizacin de las alternativas de forma separada o intercambiando
las caractersticas observables para que reflejen la diferencia entre la alterna-
tiva elegida y la rechazada) no pueden hacerse fcilmente consistentes con la
teora convencional de la utilidad aleatoria (vase tambin la discusin en el
Captulo 8).
13.4.2.3. Enfoque de preferencias declaradas
Los mtodos de preferencias declaradas (PD), tal y como se trat en pro-
fundidad en el Captulo 8, se han convertido en la forma ms utilizada para
estimar los valores del tiempo durante los ltimos aos. Por ejemplo, en su
informe final para el Departamento de Transporte, los consultores que desa-
rrollaron el vanguardista estudio sobre el valor del tiempo para el Reino Unido
en 1994 apuntaron que se han acumulado suficientes evidencias durante
los ltimos diez aos como para tener confianza en que un sondeo PD bien
oo
realizado, con un cuestionario bien diseado y un anlisis correcto podra dar
resultados fiables, aunque si se van a realizar pronsticos de demanda reales
sera preferible tener una base de apoyo con datos PR (ACCENT y HCG,
1996).
No se va a revisar la gran cantidad de estudios basados en PD sobre el
valor del tiempo que pueden encontrarse en la literatura de los ltimos aos;
sin embargo, se mencionan algunos de los informes Europeos ms recientes
sobre estudios nacionales. Adems del nuevo estudio para el Reino Unido,
es interesante echar un vistazo a los de Finlandia (Kurri y Pursula, 1995);
Holanda (HCG, 1990) y Suecia (Lindquist y Algers, 1988). Otros estudios se
han visto involucrados con temas importantes como la estimacin de valores
de tiempo distribuidos de forma aleatoria (Ben Akiva et al., 1993; Gopinath y
Ben Akiva, 1995) o con la estimacin de valores del tiempo usando datos de
PD que permitan incorporar efectos de interaccin (Ortzar et al., 2000c; Rizzi
y Ortzar, 2003). Estos trabajos abarcan nuevos mbitos del conocimiento y
utilizan modelos y especificaciones en el estado del arte, tal y como las que se
trataron en los Captulos 7 y 8.
13.5. VALORACIN DE EXTERNALIDADES DE TRANSPORTE
13.5.1. Introduccin
En muchos pases del mundo desarrollado se han utilizado mtodos de dis-
posicin a pagar (DAP) para la evaluacin monetaria de una gama de efectos
externos del transporte como los accidentes, la contaminacin, el ruido, la in-
trusin visual y el deterioro del paisaje. Diversos ejemplos han sido compilados
por Hansson y Markham (1992), OECD (1994a), Match y Rothengatter (1995),
Litman (1995), Maddison et al. (1996), Friedrich et al. (1998) y ECMT (1998).
El motor de este trabajo ha sido el de establecer los costes sociales totales del
transporte como base para la eficiente fijacin de los precios en este sector y
para extender el alcance del anlisis social de costes y beneficios (ASCB) para
mejorar la evaluacin de proyectos.
Aunque ha existido mucho entusiasmo acadmico acerca de la evaluacin
monetaria de estos bienes no mercantiles, sta ha sido puesta en cuestin por
razones tanto de principios como prcticas; una buena expresin de la natura-
leza de esta oposicin puede encontrarse en Adams (1992) y Whitelegg (1993).
Sin embargo, existe una considerable fuerza en el argumento de que, si bien
oo
valores monetarios bien fundados son difciles de conseguir de forma emprica
y puede que sean vlidos solamente en algunos contextos, su expresin ayudar
a asegurar que las externalidades no sean marginalizadas ni poco representadas
en la planificacin y programacin de proyectos. Esto tiene especial importan-
cia en el contexto de la evaluacin de inversin en carreteras y en la asignacin
de recursos para medidas contra los accidentes y estrategias para controlar la
contaminacin. De hecho, en los 80 y 90, la asignacin de valores monetarios
a accidentes de diferente gravedad constituy un estmulo importante para el
incremento de los recursos dedicados a la seguridad vial y al establecimiento
de prioridades para diferentes medidas de seguridad en muchos pases del
mundo (Allsop, 1999).
Tambin, como parte de la expectativa de responder a estndares y obje-
tivos medioambientales cada vez ms estrictos, muchos gobiernos nacionales
y locales han ido estableciendo o refinando bases de datos relacionadas con
los accidentes, el ruido y diversos contaminantes atmosfricos. La intencin
es utilizar dichas bases de datos para controlar los cambios y evaluar las po-
lticas fiscales, de regulacin y de inversin. En muchos pases desarrollados
este proceso ya est establecido, mientras que en la mayora de los pases en
vas de desarrollo an est en una etapa de desarrollo relativamente temprana,
de forma que el alcance y la calidad de los datos varan considerablemente
(Chesnut et al., 1977).
Ahora, aunque se acumularon suficientes evidencias al respecto durante
los 90, los costes econmicos de los accidentes, el ruido y la contaminacin
estn sujetos a una variacin considerable debida, en parte, a las diferentes
fuentes de datos y mtodos de medicin. Por ejemplo, Quinet (1994) observ
que para todas las formas de contaminacin en el sector transporte, las es-
timaciones basadas en DAP proporcionaban los valores numricos ms altos
de una vida estadstica (VDVE); sta es, como se sabe, una caracterstica bien
conocida en el clculo de los costes de accidentes. Por ejemplo, en 1988 el go-
bierno del Reino Unido sustituy el enfoque del capital humano para calcular
el coste de las fatalidades por un enfoque de DAP, y en 1994 esto se extendi
a los accidentes no fatales, basndose en los estudios nacionales de Jones-Lee
et al. (1985, 1992). Sin embargo, en el caso de muertes, el gobierno no acept
los valores mucho ms altos que salan del estudio DAP anterior y en cambio
implant un valor de compromiso (Dalvi, 1988), ejercitando de esta forma un
elemento de prudencia frente a un cambio radical de metodologa (Department
of Health, 1999).
ooo
Hasta fechas tan recientes como 1995, la evaluacin monetaria de las ex-
ternalidades medioambientales recibi poco apoyo oficial (OECD, 1994b;
Lee y Kirkpatrick, 1996). Sin embargo, la situacin cambi de forma rpida
y estudios recientes (Brostow et al., 1988; DETR, 1999) acerca de evalua-
ciones oficiales del transporte sugieren que los valores monetarios del rui-
do, contaminacin atmosfrica y en menor grado, los efectos barrera, se em-
plean cada vez ms en muchos pases europeos. Lo ms usual, sin embargo,
es que la evaluacin de inversiones en carreteras promovidas o apoyadas por
las autoridades nacionales, impliquen un anlisis limitado de coste-beneficio
(con valores monetarios unitarios restringidos a ahorros en tiempo, accidentes
y costes de operacin), aplicado en conjunto con una evaluacin del impac-
to medioambiental y socio-econmico. Por ejemplo, en un trabajo sobre las
entidades estatales de EE.UU. responsables del desarrollo de las carreteras,
Waters (1992) destac que relativamente pocas utilizaban un ASCB sofis-
ticado, y preferan enfoques ms sencillos basados en las necesidades o de
coste-eficacia.
Aunque varios estudios acadmicos han promovido la extensin del marco
de los ASCB para que incluyan una gama ms amplia de impactos (Bateman
et al., 1993; Willis et al., 1998), los gobiernos an son precavidos a la hora de
extenderlos a aspectos tales como la contaminacin, ruido, intrusin visual,
deterioro del paisaje y daos al ecosistema. Esto se debe en parte, a una falta
de conocimiento tanto de evaluacin de impactos como de su valoracin eco-
nmica (Mullen, 1977), y en parte a que la naturaleza contextual de ciertos
impactos dificulta el uso de valores unitarios estandarizados. stas son pre-
ocupaciones universales.
As, sigue constituyendo un reto considerable para la investigacin inte-
grar las metodologas tradicionales utilizadas en la evaluacin de impactos
medioambientales, anlisis coste-beneficio y anlisis multicriterio (Commis-
sion of the European Communities, 1994; OECD, 1994c; Lee y Kirkpatrick,
1996; Nardini, 1997) en un contexto en el cual los objetivos ambientales estn
cobrando una importancia creciente. Los esfuerzos ms recientes incluyen
nuevas formas de obtener y presentar la informacin cualitativa y cuantitativa
con el objetivo de minimizar la predisposicin contraria a la valoracin de
los elementos no monetarios, as como la conformacin de marcos de evalua-
cin que establezcan un mbito ecunime entre los diferentes modos, de
forma que se puedan afrontar los problemas de transporte con menos nfasis
en las soluciones de carreteras (Price, 1999; Glaister, 1999). La monetarizacin
oo;
se aplicar cada vez con mayor frecuencia en escenarios multimodales que
demandarn muchos ms datos.
13.5.2. Mtodos de anlisis
Existen varias taxonomas sobre mtodos de evaluacin disponibles en la li-
teratura y una discusin econmica mucho ms amplia que la que se podra
intentar desarrollar aqu (ECMT, 1996; Match y Rothengather, 1995; Nash,
1997; Verhoef, 1994). En este epgrafe slo se revisarn brevemente dos m-
todos importantes, el enfoque del capital humano y el mtodo de valoracin
contingente, aunque probablemente se pueda afirmar justificadamente, que el
mtodo con ms visos de ser utilizado en el futuro es el enfoque de preferencias
declaradas, que ya fue revisado suficientemente en los Captulos 3 y 8 (vase
Rizzi y Ortzar, 2002) para una aplicacin correctamente diseada.
13.5.2.1. Enfoque del capital humano
Se basa en la suposicin de que el valor de una persona es lo que ella produce y
esto normalmente se mide por el salario bruto percibido en el trabajo (es decir,
antes de impuestos para incluir al gobierno y, por lo tanto, a la sociedad). Si la
persona muere, se pierde esta produccin. Este enfoque, que ya tiene ms de
30 aos (Landefeld y Seskin, 1982), postula que el valor de evitar la muerte
de un individuo de edad t es igual al valor actual neto (VA
t
) de los ingresos
esperados para el resto de su vida:

VA
t
t t i
i
i
T t
E
r
+
+ +
r
1
1 1 ( )

(13.42)
donde
t+i
es la probabilidad de que el individuo sobreviva desde la edad t
hasta la edad t + i, E
t+i
son los ingresos esperados del individuo a la edad t + i,
r es la tasa de inters y T es la edad de jubilacin.
El mtodo ha recibido fuertes crticas por ser la anttesis de las premisas
convencionales de la economa del bienestar. Tambin se ha discutido cmo
valorar la produccin de individuos que no estn en el mercado laboral (por
ejemplo, las amas de casa), o qu tasa de inters debera utilizarse para calcular
VP (un tema sensible en el caso de nios y adultos jvenes); las tasas clsicas
iban del 6 al 10% pero hoy en da se prefieren valores por debajo del 5% para
evitar penalizar en exceso algn estrato de edad. La tabla 13.2, tomada de
oo8
Landefeld y Seskin (1982), muestra los efectos de la edad y la tasa de inters
sobre el valor de la vida de acuerdo al mtodo del capital humano.
Tabla 13.2. Valor actual neto segn edad y tasa de inters
Grupo de edad
Valor Actual Neto (US$)
Inters 2,5% Inters 6,0% Inters 10,0%
De 1 a 4 aos 761.047 205.101 59.859
De 20 a 24 aos 967.221 534.799 320.114
De 40 a 44 aos 625.508 454.972 338.232
De 65 a 69 aos 47.506 40.886 35.304
Debido a las diferencias en los salarios, si el enfoque del capital humano
se aplicara de forma rigurosa, dara valores ms pequeos para la vida de las
mujeres que para la vida de los hombres; y valores ms bajos para las personas
de raza no caucsica; tambin asignara valor cero a individuos jubilados y a
los incapacitados por enfermedad u otras razones. Por esta razn, tal y como
en el caso del valor del tiempo, una metodologa ms adecuada sera calcular
un valor equitativo nico para ser utilizado en la evaluacin de los proyectos.
No obstante, se acepta ampliamente que como este mtodo no tiene en cuenta
el dolor ni el sufrimiento de la vctima y sus familiares, el valor estimado
constituye una subestimacin del valor real de la prdida social de un ser
humano, por lo que su uso slo debera permitir establecer un lmite inferior
para el valor de la vida.
Ejemplo 13.5: el conocimiento de los salarios correspondientes a diferentes
categoras de edad y sexo permite estimar los valores actuales netos segn
sexo y edad, dada la tasa de inters, utilizando (13.42). La tabla 13.3 muestra
estimaciones de los valores netos medios actuales de ingresos perdidos por
fallecimiento prematuro para diferentes grupos de edades en la Regin Me-
tropolitana de Santiago (Holz y Snchez, 2000).
Tal y como se puede ver, los valores son mayores para los hombres debido
a sus salarios ms altos. El valor actual neto disminuye con las edades ms
avanzadas porque el horizonte de vida es ms corto.
Para conseguir un coste unitario de la mortalidad, Holz y Snchez (2000)
calcularon el porcentaje de muertes en cada estrato de edad para hombres y
mujeres, utilizando las estadsticas de fallecimiento de 1997 en Chile (como
oo,
no se dispona de datos desagregados por sexo para los tres primeros estra-
tos de edad, se supuso que la mortalidad estaba uniformemente distribuida).
Estos porcentajes se multiplicaron por los valores actuales netos respectivos
(Tabla 13.4) obteniendo la participacin de los respectivos grupos o clases de
edad en el coste unitario. La suma de estas participaciones es igual al coste
unitario medio de una muerte prematura en 1998 en Santiago, y esto se estim
en 53.224 $ US. Este valor supone una medida que afectara uniformemente a
la tasa de mortalidad de toda la poblacin.
Tabla 13.4. Contribucin al coste unitario segn edad y sexo
Grupos de edad
Mortalidad
masculina
(%)
Contribucin
al coste
unitario
Mortalidad
femenina
(%)
Contribucin
al coste
unitario
Contribucin
al coste
unitario total
< 1 ao 0,017 1.091 0,017 846 1.936
1 edad 4 aos 0,003 201 0,003 156 385
5 edad 9 aos 0,003 188 0,003 146 428
10 edad 19 aos 0,008 604 0,004 256 1.476
20 edad 44 aos 0,076 6.007 0,028 1.708 15.461
45 edad 64 aos 0,125 10.377 0,078 5.016 19.453
65 edad 79 aos 0,179 15.620 0,145 9.809 11.159
80 aos 0,118 10.778 0,195 13.885 2.947
Total 53.244
Tabla 13.3. Valor actual neto por sexo y edad
Valor actual neto (US$)
Hombres Mujeres
Menos de 1 ao 241.258 174.954
Entre 1 y 4 aos 250.569 181.706
Entre 5 y 9 aos 268.246 194.525
Entre 10 y 19 aos 296.964 214.330
Entre 20 y 44 aos 275.951 183.573
Entre 45 y 64 aos 154.876 90.305
Entre 65 y 79 aos 53.248 25.349
80 o ms aos 19.780 4.553
o;o
13.5.2.2. Valoracin contingente
sta es una tcnica para extraer precios para los bienes que no se venden o
no se pueden comprar y vender en los mercados normales. Se solicita a la
gente el valor que asignan a un determinado bien, contingente al hecho de que
existe un mercado para ello. Se crea un mercado hipottico y se le describe
al entrevistado, a quien se pide que haga una decisin mercantil (de compra).
Los mercados contingentes definen el bien o servicio de inters, el nivel ac-
tual de oferta, posibles incrementos o decrementos, la estructura institucional
bajo la cual se va a proporcionar el bien y la forma de pago. Mitchell y Carson
(1989) proporcionan una completa explicacin de los fundamentos tericos
de la tcnica de valoracin contingente (VC), sus aspectos metodolgicos y
su aplicacin prctica. Bateman y Turner (1993) y Haneman (1994) realizan
revisiones generales del tema.
Los cuestionarios VC pueden solicitar a la gente su disponibilidad a pagar
(DAP) o a aceptar (DAA) valores compensatorios. El valor DAP representa la
cantidad de ingreso a la que un individuo estara dispuesto a renunciar para
conseguir un incremento en el nivel de un bien permaneciendo en el mismo
nivel de utilidad; la DAA es lo contrario. Un problema, en este caso, es el de
los derechos de propiedad; la DAP supone que stos pertenecen al consumidor
y la DAA supone lo contrario. Sin embargo, la DAP es el valor que se usa ms
frecuentemente porque se parece a las decisiones habituales de compra de los
consumidores (aunque en los casos de deterioro medioambiental, por ejemplo,
la DAA debera ser el valor tericamente correcto a obtener). Por lo tanto, la
VC intenta medir el cambio de ingreso necesario para contrarrestar un cambio
en el atractivo del producto, dejando la utilidad inalterada.
Existen tres mtodos principales para determinar los valores de VC:
Preguntas abiertas donde slo se consulta a los entrevistados cunto esta- 1.
ran dispuestos a pagar por un bien.
Preguntas iterativas, donde primero se consulta a los entrevistados si esta- 2.
ran dispuestos a pagar una cantidad especfica; si la respuesta es afirma-
tiva, se repite la pregunta con pequeos incrementos en el coste hasta que
digan que no, entonces se reduce el coste en cantidades an ms pequeas
hasta llegar a una cifra final (y viceversa si empiezan diciendo que no a
la primera cifra).
Preguntas de referndum, tambin conocidas como preguntas de eleccin 3.
dicotmica, donde los entrevistados contestan s o no a una pregunta de
o;1
DAP con un pago especificado; la pregunta de eleccin dicotmica doble-
mente acotada tiene una pregunta extra despus de la primera.
El enfoque de referndum es de inters especial porque presenta escena-
rios similares a los que los entrevistados, como consumidores, encuentran en
sus transacciones diarias de mercado. Los mtodos de pago para comprar o
vender un bien pueden incluir impuestos a la propiedad, impuestos al ingreso
o venta, facturas de servicios como gas, luz, gastos comunes, tarifas, precios
de entrada, sistemas de suscripcin o incluso, un instrumento abstracto. Desde
sus primeras aplicaciones en los 70 el enfoque VC se ha utilizado para valo-
rar una amplia gama de bienes no mercantiles. Carson et al. (1995) proporcio-
nan una bibliografa de los estudios VC que contiene 1.400 referencias, lo cual
indica la amplia aplicabilidad del mtodo.
Por otra parte, una evaluacin sumamente crtica del mtodo es proporcio-
nada por Hausman (1993) y Diamond y Hausman (1994) quienes editaron una
serie de estudios presentados originalmente en conferencias especializadas.
Ellos sostienen que la evidencia sugiere que las encuestas VC no miden las
preferencias que intentan medir, y que los cambios en los mtodos de encues-
ta probablemente no van a alterar la situacin. Sin embargo, el mtodo sigue
siendo popular, de hecho, se ha empleado en muchos trabajos importantes
relacionados con la valoracin de externalidades en el sector del transporte
(por ejemplo, Jones-Lee et al., 1992; Feitelson et al., 1996).
Ejemplo 13.6: Ortzar et al. (2000a) describen la utilizacin de un cues-
tionario VC para obtener la DAP para reducir el riesgo de mortalidad (relacio-
nada dbilmente con los efectos de la contaminacin medioambiental) que fue
diseado para superar algunos de los problemas encontrados en los estudios
tpicos de VC; en particular, que algunos entrevistados no logran comprender
las nociones bsicas de probabilidad, atribuyendo valores DAP similares a
diferentes reducciones en el riesgo, y que los entrevistados pueden asignar
una DAP de cero a futuras reducciones en el riesgo de la muerte debido a su
falta de capacidad para comprender el producto valorado. Su enfoque difiere
de anteriores estudios VC para la reduccin del riesgo de la forma siguiente:
(i) el momento fijado para las reducciones del riesgo y la atencin dedicada al
momento fijado para el pago y (ii) la propuesta de un riesgo base objetivo, que
los entrevistados deben aceptar como propio, segn su edad y sexo.
Despus de familiarizar a los entrevistados con el concepto del riesgo
de muerte y su percepcin, el cuestionario llamaba la atencin del entrevis-
o;:
tado acerca de las causas principales de muerte segn edad y el sexo, y tambin
acerca de las medidas ms comunes para mitigar estas causas y sus costes.
Despus se introducan riesgos basales especficos segn edad y sexo (a partir
de datos reales) y se comprobaba que los entrevistados los aceptaban como
propios. Posteriormente se busc la DAP (utilizando un sistema de pago flexi-
ble) para reducciones en el riesgo de muerte en los diez aos siguientes; las
reducciones propuestas fueron de 1 y 5 sobre 1.000, y se presentaron de forma
grfica empleando una matriz de 1.000 crculos (que present el riesgo basal
como crculos negros), pidiendo a los encuestados que borraran las reducciones
valoradas. El mtodo funcion muy bien en el sentido de que los individuos
encuestados adquirieron una adecuada comprensin de las preguntas.
Despus de establecer el riesgo base (y comprobar que fue aceptado por
el entrevistado), la pregunta fundamental de la encuesta tom la forma si-
guiente:
Las medidas necesarias para conseguir una reduccin de las muertes pre-
maturas en la prxima dcada implican ciertos costes, tal y como hemos visto
anteriormente en este cuestionario. Teniendo en cuenta estos costes, por favor
conteste a las siguientes preguntas:
Cunto dinero estara usted dispuesto a pagar mensualmente durante
los prximos diez aos para bajar su propia posibilidad de morir en 1 sobre
1.000?
$/mes ................ Nada (Por qu?) ...............
Cunto dinero estara usted dispuesto a pagar mensualmente durante los
prximos diez aos para reducir su propia posibilidad de morir en 5 sobre
1.000?
$/mes ................ Nada (Por qu?) ...............
Qu seguridad tiene usted de que pagara esta cantidad y no otra?
(a) muy seguro........ (b) bastante seguro ......... (c) no muy seguro ...........
La tabla 13.5 muestra los resultados para una muestra de 94 entrevistados.
Se resalta que la relacin entre las DAP para reducciones de riesgo de 5 y 1
sobre 1.000 es cercana a cuatro; ello es consistente con lo esperado ya que la
utilidad marginal de las reducciones de riesgo es decreciente; tambin sugiere
que la gente es capaz de distinguir entre reducciones de riesgo bastante bajas.
Finalmente es de resaltar que el VDVE es casi cinco veces mayor que el obte-
nido con el enfoque del capital humano, lo que es consistente con los resultados
encontrados en otros lugares (por ejemplo, Cropper y Freeman, 1991).
o;
Tabla 13.5. DAP y valor implcito de la vida estadstica segn reduccin
del riesgo
Reduccin
del riesgo
DAP media
($US por mes)
Valor neto actual
de DAP ($US)
Valor implcito
de la vida estadstica
($US)
1 sobre 1.000 3,0 285,1 285.113
5 sobre 1.000 12,0 1.127,0 225.400
EJERCICIOS
13.1. Considere el siguiente modelo economtrico para determinar la tasa de
motorizacin como funcin del ingreso:

P
P
I
P
P P
P P P
0
0
2
0 2
0 1 2
1
0 8 1
0 09 0 751
1

+ +
o
|
, ( )
, ( , ) exp
Calibre el modelo utilizando los datos de la tabla siguiente (hgalo gr- a)
ficamente)
I P
0
P
1
P
2
1 0,60 0,35 0,05
2 0,40 0,50 0,10
3 0,25 0,55 0,20
4 0,20 0,45 0,35
5 0,15 0,35 0,50
Indique las proporciones con 0, 1 y 2 o ms coches que el modelo predecira b)
para un ingreso anual de seis unidades monetarias.
13.2. La tabla siguiente presenta los resultados de una encuesta de pre-
cios de transferencia realizada con una muestra de ocho individuos del ejerci-
o;
cio 9.3; TP indica el incremento declarado en el coste monetario (expresado
en unidades de tiempo despus de deflactar por ingresos) del medio actualmen-
te elegido que dejara a cada individuo indiferente entre ambas alternativas.
El estudio supuso que las nicas variables relevantes eran el tiempo (t) y los
costes/ingreso (c).
Individuos Eleccin TP t
1
(min) t
2
(min) c
1
(min) c
2
(min)
1 1 8,0 47,5 83,2 14,8 7,0
2 1 6,5 30,2 45,0 10,4 5,0
3 1 2,5 22,0 30,4 12,6 4,0
4 2 0,5 45,0 50,6 8,2 5,0
5 2 1,5 15,3 20,5 50,0 17,0
6 1 8,5 34,8 34,8 50,2 35,0
7 2 130,0 65,5 100,5 200,3 53,5
8 2 6,0 12,0 14,0 44,6 17,0
Utilice estos datos para estimar el valor subjetivo del tiempo del individuo. a)
Discuta el rol, tamao y signo del intercepto de la ecuacin de regresin
lineal del precio de transferencia (Pista: si no tiene una calculadora con
capacidad de ajustar una regresin lineal, hgalo grficamente suponiendo
conocido el coeficiente de tiempo
t
e igual a 0,03).
Si el parmetro de preferencias reveladas para la variable tiempo es, de b)
hecho, 0,03 y la constante especfica de la alternativa 1 es 1,35, estime el
valor subjetivo del tiempo utilizando otro mtodo. Compare y discuta sus
resultados.
Bibliografa
AASHTO (1977): A Manual of User Benefit Analysis of Highway and Bus Transport
Improvements. American Association of State Highway and Transportation
Officials, Washington, DC.
ABDEL-ATY, M.A., KITAMURA, R. Y JOVANIS, P.P. (1997): Using stated preference data
for studying the effect of advanced traffic information on drivers route choice.
Transportation Research 5C, 39-50.
ABRAHAM, H. Y KAVANAGH, C. (1992): Modelling public transport in-vehicle congestion
using EMME/2 Release 5. Proceedings 1st European EMME/2 Users Conference,
Londres, Abril 1992, Inglaterra.
ABRAHAM, H., SHAW, N. Y WILLUMSEN, L. (1992): A micro-based incremental four
stage transportation model for London. Proceedings 20th PTRC Summer Annual
Meeting, University of Manchester Institute of Science and Technology, Septiembre
1992, Inglaterra.
ACCENT Y HCG (1996): The Value of Travel Time in UK Roads-1994. Final Report to
the Department of Transport, Accent Marketing & Research and Hague Consulting
Group, Londres.
ADAMS, J. (1992): Horse y rabbit stew. En A. Croker y C. Richards (eds.), Valuing the
Environment: Economic Approaches to Environmental Valuation. Belhaven Press,
Londres.
ADDISON, J.D. Y HEYDECKER, B.G. (1998): System optimal assignment with departure
time choice. Proceedings 3rd IMA International Conference on Mathematics in
Transport Planning and Control, Cardiff, Abril 1998, Gales.
ADDISON, J.D. Y HEYDECKER, B.G. (1999): Dynamic traffic equilibrium with departure
time choice. En A. Ceder (ed.), Transportation and Traffic Theory. Pergamon,
Oxford.
ALGERS, S., DALY, A.J., KJELLMAN, P. Y WIDLERT, S. (1995): Stockholm model system:
application. 7th World Conference on Transport Research, Sydney, Julio 1995,
Austra1ia.
ALLAMAN, P.M., TARDIFF, T.J. Y DUNBAR, F.C. (1982): New approaches to understanding
travel behaviour. NCHRP Report 250, National Cooperative Highway Research
Program, Transportation Research Board, Washington, DC.
Bibliografa
o;o
ALLSOP, R.E. (1999): Road safety strategy and targets in Great Britain. Traffic
Engineering 34, 72-79.
ALLSOP, R.E. Y CHARLESWORTH (1977): Traffic in a signal-controlled road network: an
example of different signal timings inducing different routeing, Traffic Engineering
and Control 18, 262-264.
ALONSO, W. (1964): Location and Land Use. Harvard University Press, Cambridge.
ALONSO, W. (1968): Predicting best with imperfect data. Journal of the American
Institute of Planners 34, 248-255.
LVAREZ, R. (1995): Calibracin de redes de transporte: comparacin de los mtodos
Binivel y Hookes & Jeeves. En F.J. Martnez (ed.), Actas del Sptimo Congreso
Chileno de Ingeniera de Transporte. Sociedad Chilena de Ingeniera de Transporte,
Santiago.
AMPT, E. (1981): Recent advances in large-scale travel surveys. Proceedings 9th PTRC
Summer Annual Meeting, University of Warwick, Julio 1981, Inglaterra.
AMPT, E.S. (1997): Respondent burden: understanding the people we survey. Preprints
of the International Conference on Transport Survey Qualify and Innovation
(Transport Surveys: Raising the Standard), Grainau, Mayo 1997, Alemania.
AMPT, E.S., ORTZAR, J. DE D. Y WILLUMSEN, L.G. (1998): Metropolitan origin-destination
surveys: the state of the art. 8th World Conference on Transport Research, Antwerp,
Julio de 1998, Blgica.
AMPT, E.S. Y ORTZAR, J. DE D. (2004): On best practice in continuous large-scale
mobility surveys. Transport Reviews 24, 337-363.
ANAS, A. (1982): Residential Location Markets and Urban Transportation. Academic
Press, Londres.
APTECH SYSTEMS (1994): GAUSS Users Manuals. Maple Valley.
AREZKI, Y. (1986): Comparison of some algorithms for equilibrium traffic assignment
with fixed demand. Proceedings 14th PTRC Summer Annual Meeting, University
of Sussex, Julio 1986, Inglaterra.
AREZKI, Y., CHADWICK, N. Y WILLUMSEN, L. (1991): Congestion, evaluation and
equilibrium: some empirical results. Proceedings 19th PTRC Summer Annual
Meeting, University of Sussex, Septiembre 1991, Inglaterra.
ARMOOGUM, J. Y MADRE, J.L. (1998): Weighting or imputations? The example of non
responses for daily trips in the French NPTS. Journal of Transportation and
Statistics 1, 53-63.
ARMOOGUM, J., MADRE, J.L., HAN, X.L. Y POLLAK, J. (1997): Improved methods for
weighting and correcting of travel diaries. Derivable D8, Method for European
Surveys of Travel Behaviour. 4th Framework Project, CEC/DG VII, Bruselas.
ARMSTRONG, P.M., GARRIDO, R.A. Y ORTZAR, J. DE D. (2001): Confidence intervals to
bound the value of time. Transportation Research 37E, 143-161.
ARNOLD, B. Y BROCKETT, P. (1992): On distributions whose component ratios are Cauchy.
American Statistician 46, 25-26.
o;;
ARNOTT, R., DE PALMA, A. Y LINDSEY, R. (1993): A structural model of peak period
congestion: a traffic bottleneck with elastic demand. American Economic Review
83, 161-179.
ARNOTT, R., DE PALMA, A. Y LINDSEY, R. (1994): Welfare effects of congestion tolls and
heterogeneous commuters. Journal of Transport Economics and Policy XXVIII.
139-161.
ASHLEY, D.J. (1978): The Regional Highway Traffic Model: the home based trip end
model. Proceedings 6th PTRC Summer Annual Meeting, University of Warwick,
Julio 1978, Inglaterra.
ASHLEY, D.J., LOWE, S., MUNDY, R., STANLEY, R. Y BAANDERS, A. (1985): The long distance
travel model for the Netherlands: its specification and application. Proceedings 13th
PTRC Summer Annual Meeting, University of Sussex, Julio 1985, Inglaterra.
ATHERTON, T.J. Y BEN AKIVA, M.E. (1976): Transferability and updating of disaggregate
travel demand models. Transportation Research Record 610, 12-18.
BABIN, A., FLORIAN, M., JAMES-LEFEBRE, L. Y SPIESS, H. (1982): EMME 2: interactive
graphic method for road and transit planning. Transportation Research Record
866, 1-9.
BACHARACH, M. (1970): Biproportional Matrices and Input Output Change. Cambridge
University Press, Nueva York.
BATEMAN, I.J. Y TURNER, R.K. (1993): Valuation of the environment, methods and
techniques: the contingent valuation method. En R.K., Turner (ed.), Sustainable
Economics and Management: Principles and Practice. Belhaven Press, Londres.
BATEMAN, I.J., TURNER, R.K Y BATEMAN, S. (1993): Extending cost-benefit analysis of
UK highway proposals: environmental evaluation and equity. Project Appraisal
8, 213-224.
BATES, J.J. (1987): Measuring travel time values with a discrete choice model: a note.
Economic Journal 97, 493-498.
BATES, J.J. (1988a): Econometric issues in stated preference analysis. Journal of
Transport Economics and Policy XXII, 59-69.
BATES, J.J. (guest ed.) (1988b): Stated preference methods in transport research. Journal
of Transport Economics and Policy XXII, 1-137.
BATES, J.J. (1996): Time period choice modelling: a preliminary review. Final Report
for the Department of Transport-HETA Division, John Bates Services, Oxford.
BATES, J.J. (1998): Reflections on stated preference: theory and practice. En J. de D.
Ortzar, D. Hensher y S. Jara-Daz (eds.), Travel Behaviour Research: Updating
the State of Play. Pergamon, Oxford.
BATES, J.J. Y ROBERTS, M. (1983): Recent experience with models fitted to stated prefe-
rence data. Proceedings 11th PTRC Summer Annual Meeting. University of Sussex,
BATES, J.J. Y ROBERTS, M. (1986): Value of time research: summary of methodology and
findings. Proceedings 14th PTRC Summer Annual Meeting, University of Sussex,
Bibliografa
o;8
BATES, J.J., GUNN, H.F. Y ROBERTS, M. (1978): A model of household car ownership.
Traffic Engineering and Control 19, 486-491, 562-566.
BATES, J.J., ASHLEY, D.J. Y HYMAN, G. (1987): The nested incremental logit model:
theory and application to modal choice. Proceedings 15th PTRC Summer Annual
Meeting, University of Bath, Septiembre 1987, Inglaterra.
BECKER, G. (1965): A theory of the allocation of time. Economic Journal 75, 493-517.
BECKMAN, M.J., MCGUIRE, C.B. Y WINSTEN, C.B. (1956): Studies in the Economics of
Transportation. Yale University Press, New Haven.
BECKMAN, RJ., BAGGERLY, K.A. Y MCKAY, M.D. (1995): Creating synthetic baseline
populations, LA-UR-95-1985, Los Alamos National Laboratory, Los Alamos,
Nuevo Mxico.
BELL, M.G.H. (1983): The estimation of an origin destination matrix from traffic counts.
Transportation Science 17, 198-217.
BELL, M.G.H. (1984): Log-linear models for the estimation of origin-destination
matrices from traffic counts: an approximation. En J. Volmller y R. Hamerslag
(eds.), Proceedings of the Ninth International Symposium on Transportation and
Traffic Theory. VNU Science Press, Utrecht.
BELL, M.G.H Y TIDA, Y. (1997): Transportation Network Analysis. John Wiley & Sons,
Chichester.
BEN AKIVA, M.E. (1977): Choice models with simple choice set generating processes.
Working Paper. Centre for Transportation Studies. MIT.
BEN AKIVA, M.E. Y BOLDUC, D. (1987): Approaches to model transferability and
updating: the combined transfer estimator. Transportation Research Record 1139,
1-7.
BEN AKIVA, M.E. Y BOLDUC, D. (1996): Multinomial probit with a logit kernel and
a general parametric specification of the covariance structure. Working Paper,
Department dEconomique, Universit Laval.
BEN AKIVA, M., BOLDUC, D. Y BRADLEY, M. (1993): Estimation of travel choice models
with randomly distributed values of time. Transportation Research Record 1413,
88-97.
BEN AKIVA, M.E. Y LERMAN, S.R. (1985): Discrete Choice Analysis: Theory and
Application to Travel Demand. MIT Press, Cambridge, Mass.
BEN AKIVA, M. Y MORIKAWA, T. (1990): Estimation of travel demand models from
multiple data sources. Proceedings 11th International Symposium on Transportation
and Traffic Theory. Yokohama, Julio 1990, Japn.
BEN AKIVA, M.E. Y MORIKAWA, T. (1997): Methods to estimate discrete choice models
with stated and revealed preferences. Working Paper, Centre for Transportation
Studies, MIT.
BEN AKIVA, M.E. Y WATANATADA, T. (1980): Application of a continuous spatial choice
logit model. En C.F. Manski y D. McFadden (eds.), Structural Analysis of Discrete
Data: With Econometric Applications. MIT Press, Cambridge, Mass.
o;,
BEN AKIVA, M., MORIKAWA, T. Y SHIROISHI, F. (1992): Analysis of the reliability of prefe-
rence ranking data. Journal of Business Research 24, 149-164.
BERNDT, E.U., HALL, B.H., HALL, R.E. Y HAUSMAN, J.A. (1974): Estimation and inference
in non-linear structural models. Annals of Economic and Social Measurement 3/4,
653-655.
BHAT, C. (2001): Quasi-random maximum simulated likelihood estimation of the mixed
multinomial logit model. Transportation Research 35B, 677-695.
BIANCHI, R., JARA-DAZ, S.R. Y ORTZAR, J. DE D. (1998): Modelling new pricing
strategies for the Santiago Metro. Transport Policy 5, 223-232.
BLASE, J.H. (1979): Hysteresis and catastrophe theory: a demonstration of habit and
threshold effects in travel behaviour. Proceedings 7th PTRC Summer Annual
Meeting, University of Warwick, Julio 1979, Inglaterra.
BONSALL, P.W. (1983): Transfer price data: its use and abuse. Proceedings 11th PTRC
Summer Annual Meeting, University of Sussex, Julio 1983, Inglaterra.
BRSCH-SUPAN, A. Y HAJIVASSILIOU, V.A. (1993): Smooth unbiased multivariate
probability simulators for maximum likelihood estimation of limited dependent
variable models. Journal of Econometrics 58, 347-368.
BOYCE, D.E., DAY, N.D. Y MCDONALD, C. (1970): Metropolitan Plan Making. Monograph
Series No. 4, Regional Science Research Institute, Filadelfia.
BRADLEY, M. (1988): Realism and adaptation in designing hypothetical travel choice
concepts. Journal of Transport Economics and Policy XXII. 121-137.
BRADLEY, M.A. Y DALY, A.J. (1994): Use of the logit scaling approach to test for
rank-order and fatigue effects in stated preference data. Transportation 21,
167-184.
BRADLEY, M.A. Y DALY, A.J. (1997): Estimation of logit choice models using mixed
stated-preference and revealed-preference information. En P. Stopher y M. Lee-
Gosselin (eds.), Understanding Travel Behaviour in an Era of Change. Pergamon,
Oxford.
BRADLEY, M. Y DALY, A.J. (2000): New analysis issues in stated preference research.
En J. de D. Ortzar (ed.), Stated Preference Modelling Techniques. Perspective 4,
PTRC, Londres.
BRADLEY, M.A. Y KROES, E. (1990): Forecasting issues in stated preference survey
research. 69th TRB Annual Meeting, Washington DC, Enero 1990, USA.
BRANSTON, D. (1976): Link capacity functions: a review. Transportation Research 10,
223-236.
BRENNINGER-GOTHE, M., JORNSTEN K. Y LUNDGREN, J. (1989): Estimation of origin-
destination matrices from traffic counts using multiobjective programming
formulations. Transportation Research 23B, 257-269.
BRISTOW, A.L., JANSEN, G., MACKIE, P.J. Y NELLTHORP, J. (1998): Costs, prices and
values in the appraisal of transport projects European principles and practice.
Proceedings 8th World Conference on Transport Research, Amberes, Julio 1998,
Blgica.
Bibliografa
o8o
BRG, W. Y AMPT, E. (1982): State of the art in the collection of travel behaviour data.
In Travel Behaviour for the 1980s, Special Report 201, National Research Council,
Washington, DC.
BRG, W. Y ERL, E. (1982): Application of correction and weighting factors to obtain
a representative data base. Proceedings l0th PTRC Summer Annual Meeting,
University of Warwick, Julio 1982, Inglaterra.
BRG, W. Y MEYBURG, A.H. (1980): The non-response problem in travel surveys: an
empirical investigation. Transportation Research Record 775, 34-38.
BRG, W., ERL, E., MEYBURG, A.H. Y WERMUTH, M.J. (1982): Problems of non-reported
trips in surveys of non-home activity patterns. Transportation Research Record
891, 1-5.
BROWNSTONE, D. (1998): Multiple imputation methodology for missing data: non-random
response and panel attrition. En T. Grling, T. Laitila y K. Weslin (eds.), Theoretical
Foundations of Travel Choice Modelling. Elsevier, Oxford.
BRUTON, M.J. (1985): Introduction to Transportation Planning. Hutchinson, Londres.
BRUZELIUS, N. (1979): The Value of Travel Time. Croom Helm, Londres.
BUREAU OF PUBLIC ROADS (1964): Traffic Assignment Manual. Urban Planning Division,
US Department of Commerce, Washington, DC.
BURRELL, J.E. (1968): Multiple route assignment and its application to capacity restraint.
En W. Leutzbach y P. Baron (eds.), Beitrge zur Theorie des Verkehrsf lusses.
Strassenbau und Strassenverkehrstechnik Heft, Karlsruhe.
BUTTON, K.J., PEARMAN, A.D. Y FOWKES, A.S. (1982): Car Ownership Modelling and
Forecasting. Gower, Aldershot.
CALDWELL, L.C. Y DEMETSKI, M.J. (1980): Transferability of trip generation models.
Transportation Research Record 751, 56-62.
CARDELL, N.S. Y REDDY, B. (1977): A multinomial logit model which permits variations
in tastes accross individuals. Working Paper, Charles River Associates, Boston.
CARRASCO, J.A. Y ORTZAR, J. DE D. (2001): A review and assessment of the nested logit
model. Transport Reviews 21, 197-218.
CARSON, R.T., LOUVIERE, J.J., ANDERSON, D.A., ARABIE, P., BUNCH, D.S., HENSHER, D.A.,
JOHNSON, R.M., KUHFELD, W.F., STEINBERG, D., SWAIT, J., TIMMERMANS, H. Y WILEY,
J.B. (1994): Experimental analysis of choice. Marketing Letters 5, 351-368.
CARSON, R.T., WRIGHT, J., CARSON, N., ALBERINI, A. Y FLORES, N. (1995): A Bibliography
of Contingent Valuation Studies and Papers. Natural Resource Damage Assessment,
La Jolla.
CASCETTA, E. (1984): Estimation of trip matrices from traffic counts and survey data: a
generalised least squares approach estimator. Transportation Research 18B, 289-299.
CASCETTA, E. Y NGUYEN, S (1988): A unified framework for estimating or updating
origin/destination matrices from traffic counts. Transportation Research 22B,
437-455.
CASCETTA, E., NUZZOLO, A. Y BIGGIERO, L. (1992): Analysis and modelling of commuters,
departure time and route choice in urban networks. Proceedings of the Second
o81
International CAPRI Seminar in Urban Traffic Network, Capri, Octubre 1992,
Italia.
CASEY, H.J. (1955): Applications to traffic engineering of the law of retail gravitation.
Traffic Quarterly IX. 23-35.
CHADWICK, G. (1987): Models of Urban and Regional Systems in Developing Countries.
Pergamon Press, Oxford.
CHAMBERLAIN, G. (1984): Panel data. En Z. Griliches y M.D. Intriligator (eds.),
Handbook of Econometrics, Vol. 2. North-Holland, Amsterdam.
CHAPMAN, R.G. Y STAELIN, R. (1982): Exploiting rank ordered choice set data within the
stochastic utility model. Journal of Marketing Research XIX, 288-301.
CHERCHI, E. Y MELONI, I. (2004): Pianificazione dei sistemi di trasporto. Ed. Hoepli.
CHESNUT, L.G., OSTRO, B.D. Y VICHIT-VADAKAN, N. (1997): Transferability of air pollution
control health benefit estimates from the United States to developing countries:
evidence from the Bangkok study. American Journal of Agricultural Economics
79, 1630-1635.
CIRILLO, C., DALY, A.J. Y LINDVELD, K. (2000): Eliminating bias due to the repeated
measurements problem in SP data. En J. de D. Ortzar (ed.), Stated Preference
Modelling Techniques. Perspectives 4, PTRC, Londres.
CLANCY, M., DAWSON, J., CATLING, I., TURNER, J. Y HARRISON, W. (1985): Electronic road
pricing in Hong Kong. Proceedings 13th PTRC Summer Annual Meeting. University
of Sussex, Julio 1985, Inglaterra.
CLARK, C.E. (1961): The greatest of a finite set of random variables. Operations
Research 9, 145-162.
COMMISSION OF THE EUROPEAN COMMUNITIES (1994): Cost-Benefit and Multi-Criteria
Analysis for New Road Construction. DGVII, Research and Development Unit,
Bruselas.
COPLEY, G. Y LOWE, S.R. (1981): The temporal stability of trip rates: some findings
and implications. Proceedings 9th PTRC Summer Annual Meeting, University of
Warwick, Julio 1981, Inglaterra.
COSLETT, S.R. (1981): Efficient estimation of discrete choice models. En C.F. Manski
y D. McFadden (eds.), Structural Analysis of Discrete Data: With Econometric
Applications. MIT Press, Cambridge, Mass.
CROPPER, M.L. Y FREEEMAN, A.M. (1991): Environmental health effects. En J.B. Braden
y C.D. Kolstad (eds.), Measuring the Demand for Environmental Quality. North-
Holland, Amsterdam.
CROW, R.T., YOUNG, K.H. Y COOLEY, T. (1973): Alternative demand functions for abstract
transportation modes. Transportation Research 7, 335-354.
DAGANZO, C.F. (1979): Multinomial Probit: The Theory and its Applications to Demand
Forecasting. Academic Press, Nueva York.
DAGANZO, C.F. (1980): Optimal sampling strategies for statistical models with discrete
dependent variables. Transportation Science 14, 324-345.
Bibliografa
o8:
DAGANZO, C.F. Y SCHOENFELD, L. (1978): CHOMP users manual. Research Report
UCB-ITS-RR-78-7, Institute of Transportation Studies, University of California
at Berkeley.
DAGANZO, C.F. Y SHEFFI, Y. (1979): Estimation of choice models from panel data. 26th
Annual Meeting of the Regional Science Association, Los ngeles, Noviembre
1979, USA.
DALVI, Q.M. (1988): The Value of Life and Safety: A Search for a Consensus Estimate.
Department of Transport, Londres.
DALY, A.J. (1982a): Estimating choice models containing attraction variables.
Transportation Research 16B, 5-15.
DALY, A.J. (1982b): Applicability of disaggregate models of behaviour: a question of
methodology. Transportation Research 16A, 363-370.
DALY, A.J. (1987): Estimating tree logit models. Transportation Research 21B,
251-268.
DALY, A.J. (1992): ALOGIT 3.2 Users Guide. Hague Consulting Group, La Haya.
DALY, A.J. (1997): Improved methods for trip generation. Proceedings 25th European
Transport Conference, Vol. P415, pp. 207-222, PTRC, Londres.
DALY, A.J. Y GUNN, H.F. (1986): Cost effective methods for national level demand
forecasting. En A. Ruhl (ed.), Behavioural Research for Transport Policy. VNU
Science Press, Utrecht.
DALY, A.J. Y ORTZAR, J. DE D. (1990): Forecasting and data aggregation: theory and
practice. Traffic Engineering and Control 31, 632-643.
DALY, A.J. Y ZACHARY, S. (1978): Improved multiple choice models. En D.A. Hensher y
M.Q. Dalvi (eds.), Determinants of Travel Choice. Saxon House, Westmead.
DALY, A.J., VAN DER VALK, J. Y VAN ZWAM, H.P.H. (1983): Application of disaggregate
models for a regional transportation study in the Netherlands. En P. Baron y H.
Nuppnau (eds.), Research for Transport Policies in a Changing World. SNV
Studiengesellschaft Nahverkehr, Hamburgo.
DAOR, E. (1981): The transferability of independent variables in trip generation models.
Proceedings 9th PTRC Summer Annual Meeting, University of Warwick, Julio
1981, Inglaterra.
DARGAY, J. Y GATELY, D. (1999): Incomes effect on car and vehicle ownership, worldwide:
1960-2015. Transportation Research 33A, 101-138.
DE CEA, J. Y CRUZ, G. (1986): ESMATUC: un modelo de estimacin de matrices de
viajes en transporte urbano colectivo. Apuntes de Ingeniera 24, 109-125.
DE CEA, J. Y FERNNDEZ, J.E. (1989): Transit assignment to minimal routes: an efficient
new algorithm. Traffic Engineering and Control 30, 491-494.
DE CEA, J. Y FERNNDEZ, J.E. (2000): ESTRAUS: un modelo de equilibrio oferta-
demanda para redes multi-modales de transporte urbano con mltiples clases de
usuarios. En J. Colomer y A. Garca (eds.), Calidad e Innovacin en los Transportes.
Universidad de Valencia, Valencia.
o8
DE CEA, J., ORTZAR, J. DE D. Y WILLUMSEN, L.G. (1986): Evaluating marginal
improvements to a transport network: an application to the Santiago underground.
Transportation 13, 211-233.
DEHGHANI, Y. Y TALVITIE, A.P. (1980): Model specification, model aggregation and market
segmentation in mode choice models: some empirical evidence. Transportation
Research Record 775, 28-34.
DEHGHANI, Y. Y TALVITIE, A.P. (1983): Forecasting accuracy, transferability and updating
of modal constants in disaggregate mode choice models with simple and complex
specifications. Proceedings 11th PTRC Summer Annual Meeting. University of
Sussex, Julio 1983, Inglaterra.
DE JONG, G.C. (1989): Some Joint Models of Car Ownership and Use. PhD Thesis,
Faculteit der Economishe, Universiteit van Amsterdam.
DEPARTMENT OF HEALTH (1999): Economic Appraisal of the Health Effects of Air
Pollution. Ad Hoc Group on Economic Appraisal of the Health Effects of Air
Pollution. HMSO, Londres.
DEPARTMENT OF TRANSPORT (1985): Traffic Appraisal Manual (TAM). HMSO, Londres.
DEPARTMENT OF TRANSPORT (1987): Values for Journey Time Savings and Accident
Prevention. HMSO, Londres.
DEPARTMENT OF TRANSPORT (1997): Traffic Appraisal of Road Schemes: Design Manual
for Roads and Bridges. HMSO, Londres.
DE SERPA, A. (1971): A theory of the economics of time. Economic Journal 81, 828-
846.
DETR (1998): A New Deal for Highways in England. Guidance to the New Appraisal
Framework. Department of the Environment. Transport and the Regions, Londres.
DEVILLE, J.C., SRNDAL, C.E. Y SAUTORY, O. (1993): Generalised ranking procedures
in survey sampling. Journal of the American Statistical Association 88, 1013-
1020.
DIAL, R.B. (1971): A probabilistic multipath traffic assignment model which obviates
path enumeration. Transportation Research 5, 83-111.
DIAMOND, P. Y HAUSSMAN, J.A. (1994): Contingent valuation: is some number better
than no number? Journal of Economic Perspectives 8, 45-64.
DICTUC (1978): Encuesta origen y destino de viajes para el Gran Santiago. Final
Report to the Ministry of Public Works. Department of Transport Engineering.
Universidad Catlica de Chile, Santiago.
DICTUC (1998): Actualizacin de encuestas origen-destino de viajes. Final Report
to the Ministry of Planning, Department of Transport Engineering. Pontificia
Universidad Catlica de Chile, Santiago.
DIJKSTRA, E.W. (1959): Note on two problems in connection with graphs (spanning
tree, shortest path). Numerical Mathematics 1, 269-271.
DOMENCICH, T. Y MCFADDEN, D. (1975): Urban Travel Demand: A Behavioural Analysis.
North-Holland, Amsterdam.
Bibliografa
o8
DOMENCICH, T.A., KRAFT, G. Y VALETTE, J.P. (1968): Estimation of urban passenger
travel behaviour: an economic demand model. Highway Research Record 238,
64-278.
DOUGLAS, A.A. Y LEWIS, R.J. (1970): Trip generation techniques: (1) Introduction;
(2) Zonal least squares regression analysis. Traffic Engineering and Control 12,
362-365, 428-431.
DOUGLAS, A.A. Y LEWIS, R.J. (1971): Trip generation techniques: (3) Household least
squares regression analysis; (4) Category analysis and sumary of trip generation
techniques. Traffic Engineering and Control 12, 477-9, 532-5.
DOWNES, J.D. Y EMMERSON, P. (1983): Urban transport modelling with fixed travel
budgets; an evaluation of the UMOT process. TRRL Supplementary Report SR
799, Transport and Road Research Laboratory, Crowthorne.
DOWNES, J.D. Y GYENES, L. (1976): Temporal stability and forecasting ability of trip
generation models in Reading. TRRL Report LR 726. Transport and Road Research
Laboratory, Crowthorne.
DUNCAN, G.J. JUSTER, F.T. Y MORGAN, J.N. (1987): The role of panel studies in research
on economic behaviour. Transportation Research 21A, 249-263.
DUNPHY, R.T. (1979): Workplace interviews as an efficient source of travel survey data.
ECMT (1996): The Valuation of Environmental Externalities. European Conference
of Ministers of Transport, Pars.
ECMT (1998): Efficient Transport for Europe: Policies for Internalisation of External
Costs. European Conference of Ministers of Transport, Pars.
EILON, S. (1972): Goals and constraints in decision making. Operations Research
Quarterly 23, 3-15.
ENGLAND, J., HUDSON, K., MASTERS, R., POWELL, K. AND SHORTRIDGE, J. (eds.) (1985):
Information Systems for Policy Planning in Local Government. Longman,
Harlow.
ESTRAUS (1989): Estudio estratgico de transporte del Gran Santiago. Final Report to
the Executive Secretariat of the Urban Transport Commission. Consorcio SIGDO-
KOPPERS/ CIS, Santiago.
ETTEMA, D., GUNN, H., DE JONG, G. Y LINDVELD, K. (1997): A simulation method for
determining the confidence interval of a weighted group average value of time.
Proceedings 25th European Transport Forum, Brunel University, Septiembre 1997,
Inglaterra.
EVANS, A. (1972): On the theory of the valuation and allocation of time. Scottish Journal
of Political Economy 19, 1-17.
EVANS, S.P. (1973): A relationship between the gravity model for trip distribution and
the transportation problem in linear programming. Transportation Research 7,
39-61.
EVANS, S.P. (1976): Derivation and analysis of some models for combining trip
distribution and assignment. Transportation Research 10, 37-57.
o8
EVANS, S.P. Y KIRBY, H.R. (1974). A three dimensional Furness procedure for calibrating
gravity models. Transportation Research 8, 105-122.
FEITELSON, E., HURD, R. Y MUDGE, R. (1996): The impact of airport noise on willingness-
to-pay for residences. Transportation Research 1D, 1-14.
FERNNDEZ, J.E. Y FRIESZ, T.L. (1983): Equilibrium predictions in transportation markets:
the state of the art. Transportation Research 17B, 155-172.
FERNNDEZ, J.E., COEYMANS, J.E. Y ORTZAR, J. DE D. (1983): Evaluating extensions to
the Santiago underground system. Proceedings 11th PTRC Summer Annual Meeting.
University of Sussex, Julio 1983, Inglaterra.
FHWA (1967): Guidelines for Trip Generation Analysis. Federal Highway
Administration, US Department of Transportation, Washington, DC.
FIELLER, E. (1933): The distribution of the index in a Normal bivariate population.
Biometrika XXIV, 428-440.
FISK, C.S. (1988): On combining maximum entropy trip matrix estimation with user
optimal assignment. Transportation Research 22B, 69-73.
FLORIAN, M. Y NGUYEN, S. (1978): A combined trip distribution modal split and trip
assignment model. Transportation Research. 12, 241-246.
FLORIAN, M. Y SPIESS, H. (1982): The convergence of diagonalization algorithms
for asymmetric network equilibrium problems. Transportation Research 16B,
477-484.
FLORIAN, M., GAUDRY, M. Y LARDINOIS, C. (1988): A two-dimensional framework for
the understanding of transportation planning models. Transportation Research
22B, 411-419.
FLORIAN, M., WU, J.H. Y HE, S. (1999): A multi-class multi-mode variable demand
network equilibrium model with hierarchical logit structures. En J.E. Coeymans y
P. Sommariva (eds.), Actas del IX Congreso Chileno de Ingeniera de Transporte.
Sociedad Chilena de Ingeniera de Transporte, Santiago.
FOERSTER, J.F. (1979): Mode choice decision process models: a comparison of
compensatory and non-compensatory structures. Transportation Research 13A,
17-28.
FOERSTER, J.F. (1981): Nonlinear and non-compensatory perceptual functions
of evaluations and choice. En P.R. Stopher, A.H. Meyburg y W. Brg (eds.),
New Horizons in Travel Behaviour Research. D.C. Heath and Co., Lexington,
Mass.
FOOT, D. (1981): Operational Urban Models. Methuen, Londres.
FOWKES, A.S. (2000): Recent developments in stated preference techniques in transport
research. En J. de D. Ortzar (ed.), Stated Preference Modelling Techniques.
Perspectives 4, PTRC, Londres.
FOWKES, A.S. Y TWEDDLE, G. (2000): Validation of stated preference forecasting: a case
study involving anglo-continental freight. En J. de D. Ortzar (ed.), Stated Prefe-
rence Modelling Techniques. Perspectives 4, PTRC, Londres.
Bibliografa
o8o
FOWKES, A.S. Y WARDMAN, M. (1988): The design of stated preference travel choice
experiments, with special reference to interpersonal taste variations. Journal of
Transport Economics and Policy XXII, 27-44.
FRIEDRICH, R., BICKEL, P. Y KREWITT, W. (eds.) (1998): External Costs of Transport.
IER, Universitt Stuttgart.
FRIESZ, T.L., TOBIN, R. Y HARKER, P. (1983): Predictive intercity freight network models:
the state of the art. Transportation Research 17A, 409-417.
FURNESS, K.P. (1965): Time function iteration. Traffic Engineering and Control, 7,
458-460.
GALBRAITH, R.A. Y HENSHER, D.A. (1982): Intra-metropolitan transferability of mode
choice models. Journal of Transport Economics and Policy XVI, 7-29.
GLVEZ, T. (1989): Preferencias declaradas en estudios de transporte: metodologa
y aplicaciones. En J. de Cea y S. Gonzlez (eds.), Actas IV Congreso Chileno
de Ingeniera de Transporte. Sociedad Chilena de Ingeniera de Transporte,
Santiago.
GLVEZ, T. Y JARA-DAZ, S.R. (1998): On the social valuation of travel time savings.
International Journal of Transport Economics 25, 205-219.
GRATE, C. (1988): Utilizacin y actualizacin de la informacin de la Encuesta Origen-
Destino del Gran Valparaso. Actas del V Congreso Panamericano de Ingeniera
de Trnsito y Transporte, Universidad de Puerto Rico en Mayagez, Julio 1988,
Puerto Rico.
GARRIDO, R.A. (1992): The influence of the semantic scale on the estimation of values
of time from linear regression models fitted to stated preference data. Working
Paper 62, Department of Transport Engineering, Pontificia Universidad Catlica
de Chile, Santiago.
GARRIDO, R.A. Y ORTZAR, J. DE D. (1993): The Chilean value of time study: methodological
developments. Proceedings 21st PTRC Summer Annual Meeting, University of
Manchester Institute of Science and Technology, Septiembre 1993, Inglaterra.
GARTNER, N.H. (1980): Optimal traffic assignment with elastic demands: a review.
Transportation Science 14, 192-208.
GAUDRY, M.J.I. Y WILLS, M.I. (1978): Estimating the functional form of travel demand
models. Transportation Research 12, 257-289.
GAUDRY, M.J.I., JARA-DAZ, S.R. Y ORTZAR, J. DE D. (1989): Value of time sensitivity
to model specification. Transportation Research 23B, 151-158.
GIBSON, J. BAEZA, I. Y WILLUMSEN, L.G. (1989): Congestion, bus stops and congested
bus stops. Traffic Engineering and Control 30, 291-296.
GLAISTER, S. (1999): Observations on the new approach to the appraisal of road projects.
Journal of Transport Economics and Policy XXXIII, 227-234.
GOLDENBERG, X. (1996): Choosing a household survey method: results for the Dallas-Fort
Worth pretest. Fourth International Conference on Survey Methods in Transport.
Oxford, Julio 1996, Inglaterra.
o8;
GOLOB, T.F. Y RICHARDSON, A.J. (1981): Non-compensatory and discontinuous constructs
in travel behaviour models. En P.R. Stopher, A.H. Meyburg y W. Brg (eds.),
New Horizons in Travel Behaviour Research, D.C. Heath and Co., Lexington,
Mass.
GOODWIN, P. (1977): Habit and hysteresis in mode choice. Urban Studies 14, 95-98.
GOPINATH, D.A. Y BEN AKIVA, M. (1995): Estimation of randomly distributed value
of time. Working Paper, Department of Civil and Environmental Engineering,
MIT.
GRAY, R. (1982): Behavioural approaches in freight transport modal choice. Transport
Reviews 2, 161-184.
GREENBLAT, C. Y DUKE, R. (1975): Gaming-Simulation: Rationale, Design and
Applications. John Wiley & Sons, Nueva York.
GUNN, H.F. (1984): An analysis of transfer price data. Proceedings 12th PTRC Summer
Annual Meeting, University of Sussex, Julio 1984, Inglaterra.
GUNN, H.F. (1985a): Value of time for evaluation purposes: the state of the art. Report
No. 421-01, Hague Consulting Group, La Haya.
GUNN, H.F. (1985b): Artificial sample applications for spatial interaction models.
Colloquium Vervoersplanologisch Speurwerk, La Haya, Noviembre 1985, Holanda.
GUNN, H.F. Y BATES, J.J. (1982): Statistical aspects of travel demand modelling.
Transportation Research 16A, 371-382.
GUNN, H.F. Y POL, H. (1986): Model transferability: the potential for increasing cost-
effectiveness. En A. Ruhl (ed.), Behavioural Research for Transport Policy. VNU
Science Press, Utrecht.
GUNN, H.F., KIRBY, H.R., MURCHLAND, J.D. Y WHITTAKER, J.C. (1980): The RHTM
trip distribution investigation. Proceedings 8th PTRC Summer Annual Meeting.
University of Warwick, Julio 1980, Inglaterra.
GUNN, H.F., FISHER, P., DALY, A.J. Y POL, H. (1982): Synthetic samples as a basis for
enumerating disaggregate models. Proceedings 10th PTRC Summer Annual
GUNN, H.F., BEN AKIVA, M.E. Y BRADLEY, M.A. (1985): Tests of the scaling approach to
transferring disaggregate travel demand models. Transportation Research Record
1037, 21-30.
GUR, Y.J. (1982): Recalibration of disaggregate mode choice models based on on-
board survey data. Proceedings 10th PTRC Summer Annual Meeting. University
of Warwick, Julio 1982, Inglaterra.
HAJIVASSILIOU, V.A. Y RUUD, P. (1994): Classical estimation methods for LDV models
using simulation. En R. Engle and D. McFadden (eds.), Handbook of Econometrics,
Vol. IV. Elsevier Science, Amsterdam.
HALL, M.D., DALY, A.J., DAVIES, R.F. Y RUSSELL, C.H. (1987): Modelling for an
expanding city. Proceedings 15th PTRC Summer Annual Meeting. University of
Bath, Septiembre 1987, Inglaterra.
Bibliografa
o88
HALL, M.D., VAN VLIET, D. Y WILLUMSEN, L.G. (1980): SATURN a simulation
assignment model for the evaluation of traffic management schemes. Traffic
Engineering and Control 21, 168-176.
HANEMANN, W.M. (1994): Valuing the environment through contingent valuation.
Journal of Economic Perspectives 8, 19-43.
HANSSON, L. Y MERKHAM, J. (1992): Internalisation of External Costs in Transportation.
IRU, Pars.
HARKER, P.T. (1985): The state of the art in the predictive analysis of freight transport
systems. Transport Reviews 5, 143-164.
HARKER, P.T. (1987): Predicting Intercity Freight Flows. VNU Science Press, Utrecht.
HARTLEY, T.M. Y ORTZAR, J. DE D. (1980): Aggregate modal split models: is current
U.K. practice warranted? Traffic Engineering and Control 21, 7-13.
HAUSER, J.R. (1978): Testing the accuracy, usefulness and significance of probabilistic
choice models: an information theoretic approach. Operations Research 26,
406-421.
HAUSMAN, J.A. (ed.) (1993): Contingent Valuation: A Critical Assessment, Norte-
Holanda, Amsterdam.
HCG (1990): The Netherlands Value of Time Study. Final Report to the Dienst
Verkeerskunde, Rijkswaterstaat, Hague Consulting Group, La Haya.
HCG, HALCROW FOX AND IMPERIAL COLLEGE LONDON (2000): User Manual for HADES
1.0. Prepared for the Department of the Environment, Transport and the Regions,
Londres.
HECKMAN, J.J. (1981): Statistical models for discrete panel data. En C.F. Manski y
D. McFadden (eds.), Structural Analysis of Discrete Data: With Econometric
Applications. MIT Press, Cambridge, Mass.
HEGGIE, I.G. (1983): Valueing savings in non working time: the empirical dilemma.
HENDRICKSON, C. Y KOCUR, G. (1981): Schedule delay and departure time decisions in
a deterministic model. Transportation Science 15, 62-77.
HENDRICKSON, C. Y PLANK, E. (1984): The flexibility of departure times for work trips.
HENSHER, D.A. (1976): Valuations of commuter travel time savings: an alternative
procedure. En I.G. Heggie (ed.), Modal Choice and the Value of Time. Clarendon
Press, Oxford.
HENSHER, D.A. (1986): Sequential and full information maximum likelihood estimation
of a nested 1ogit model. The Review of Economics and Statistics 68, 657-667.
HENSHER, D.A. (1987): Issues in the pre-analysis of panel data. Transportation Research
21A, 265-285.
HENSHER, D.A. (1991): Hierarchical stated response designs and estimation in the context
of bus use preferences. Logistics and Transportation Reviews 26, 299-323.
HENSHER, D.A. (1994a): Stated preference analysis of travel choices: the state of practice.
o8,
HENSHER, D.A. (guest ed.) (1994b): Practice of stated preference methods. Transportation
21, 105-230.
HENSHER, D.A. Y JOHNSON, L.W. (1981): Applied Discrete Choice Modelling. Croom
Helm, Londres.
HGBERG, P. (1976): Estimation of parameters in models for traffic prediction: a non-
linear regression approach. Transportation Research 10, 263-265.
HOLDEN, D., FOWKES, A.S. Y WARDMAN, M. (1992): Automatic stated preference design
algorithms. Proceedings 20th PTRC Summer Annual Meeting. University of
Manchester Institute of Science and Technology, Septiembre 1992, Inglaterra.
HOLM, J., JENSEN, T., NIELSEN, S., CHRISTENSEN, A., JOHNSEN, B. Y RONBY, G. (1976):
Calibrating traffic models on traffic census results only. Traffic Engineering and
Control 17, 137-140.
HOLZ, J.C. Y SNCHEZ, J.M. (2000): Estimacin de costos unitarios en morbilidad y
mortalidad y su aplicacin para calcular los beneficios del plan de prevencin
y descontaminacin atmosfrica de la Regin Metropolitana. Working Paper,
Department of Economics, Universidad de Chile, Santiago.
HOROWITZ, J.L. (1981a): Sources of error and uncertainty in behavioural travel demand
models. En P.R. Stopher, A.H. Meyburg y W. Brg (eds.), New Horizons in Travel
Behaviour Research. D.C. Heath and Co., Lexington, Mass.
HOROWITZ, J.L. (1981b): Sampling error, specification and data errors in probabilistic
discrete choice models. Apndice C de D.A. Hensher and L.W. Johnson, Applied
Discrete Choice Modelling. Croom Helm, Londres.
HOROWITZ, J.L. (1982): Specification tests for probabilistic choice models. Transportation
Research 16A, 383-394.
HOROWITZ, J.L. (1991): Reconsidering the multinomial probit model. Transportation
Research 25B, 433-438.
HOROWITZ, J.L., SPARMANN, J.M. Y DAGANZO, C.F. (1982): An investigation of the accuracy
of the Clark approximation for the multinomial probit model. Transportation
Science 16, 382-401.
HUBER, J. Y HANSON, D. (1986): Testing the impact of dimensional complexity and
affective differences of paired concepts in adaptive conjoint analysis. Working
Paper, School of Business, Duke University.
HYMAN, G.M. (1969): The calibration of trip distribution models. Environment and
Planning 1, 105-112.
HYMAN, G. (1997): The development of operational models for time period choice.
Working Paper, HETA Division, Department of the Environment, Transport and
the Regions, Londres.
INRO (1996): EMME/2 Users Manual. INRO Inc., Montreal.
JANSEN, G.R.M. Y BOVY, P.H.L. (1982): The effect of zone size and network detail
on all-or-nothing and equilibrium assignment outcomes. Traffic Engineering and
Control 23(6), 311-317.
Bibliografa
o,o
JARA-DAZ, S.R. (1990a): Consumers surplus and the value of travel time savings.
JARA-DAZ, S.R. (1990b): Income and taste in mode choice models: are they surrogates?
JARA-DAZ, S.R. (1998): Time and income in travel choice: towards a microeconomic
activity framework. En T. Garling, T. Laitila y K. Westin (eds.), Theoretical
Foundations of Travel Choice Modelling. Pergamon, Oxford.
JARA-DAZ, S.R. (2000): Allocation and valuation of travel time savings. En D. Hensher
y K.J. Button (eds.), Handbook of Transport Modelling. Pergamon, Oxford.
JARA-DAZ, S.R. Y FARAH, M. (1987): Transport demand and users benefits with
fixed income: the goods/leisure trade-off revisited. Transportation Research
21B, 165-170.
JARA-DAZ, S.R. Y GUEVARA, A. (2000): The contribution of work, leisure and travel to
the subjective value of travel time savings. Proceedings of the European Transport
Conference 2000, Cambridge, Septiembre 2000, Inglaterra.
JARA-DAZ, S.R. Y ORTZAR, J. DE D. (1989): Introducing the expenditure rate in the
estimation of mode choice models. Journal of Transport Economics and Policy
XXIII, 293-308.
JARA-DAZ, S.R., ORTZAR, J. DE D. Y PARRA, R. (1988): Valor subjetivo del tiempo
considerando efecto ingreso en la particin modal. Actas del V Congreso
Panamericano de Ingeniera de Trnsito y Transporte. Universidad de Puerto
Rico en Mayagez, Julio 1988, Puerto Rico.
JOHNSON, L.W. (1990): Discrete choice analysis with ordered alternatives. En M.M.
Fisher, P. Nijkamp y Y.Y. Papageorgiou (eds.), Spatial Choices and Processes.
North-Holland, Amsterdam.
JOHNSON, L.W. Y HENSHER, D.A. (1982): Application of multinomial probit to a two-
period panel data set. Transportation Research 16A, 457-464.
JOHNSON, M. (1966): Travel time and the price of leisure. Western Economic Journal
8, 135-145.
JONES-LEE, M.W., HAMMERTON, M. Y PHILIPS, P.R. (1985): The value of safety: results
of a national sample survey. Economic Journal 95, 49-72.
JONES-LEE, M.W., LOOMES, G., OREILLY, D.M. Y PHILIPS, P.R. (1992): The value of
preventing non-fatal road injuries: findings of a willingness-to-pay national
sample survey. TRL Contractor Report 330. Transport Research Laboratory,
Crowthorne.
KANNEL, E.J. Y HEATHINGTON, K.W. (1973): Temporal stability of trip generation relations.
Highway Research Record 472, 17-27.
KHAN, A. Y WILLUMSEN, L.G. (1986): Modelling car ownership and use in developing
countries. Traffic Engineering and Control 27, 554-560.
KIM, T.J. Y HINKLE, J. (1982): Model for statewide freight transportation planning.
o,1
KIMBER, R.M. Y HOLLIS, E.M. (1979): Traffic queues and delays at road junctions. TRRL
Report LR 909. Transport and Road Research Laboratory, Crowthorne.
KIRBY, H.R. (1979): Partial matrix techniques. Traffic Engineering and Control 20,
422-428.
KITAMURA, R. Y BOVY, P.H.L. (1987): Analysis of attrition biases and trip reporting
errors for panel data. Transportation Research 21A, 287-302.
KOCUR, G.T., ADLER, T., HYMAN, W. Y AUNET, B. (1982): Guide to forecasting travel
demand with direct utility assessment. Report No. UMTA-NH-11-0001-82,
Urban Mass Transportation Administration, US Department of Transportation,
Washington, DC.
KOPPELMAN, F.S. (1976): Guidelines for aggregate travel prediction using disaggregate
choice models. Transportation Research Record 610, 19-24.
KOPPELMAN, F.S., KUAH, G-K. Y ROSE G. (1985a): Transfer model updating with
aggregate data. 64th Annual TRB Meeting, Washington, DC, Enero 1985, USA.
KOPPELMAN, F.S., KUAH, G-K. Y WILMOT, C.G. (1985b): Transfer model updating using
disaggregate data. Transportation Research Record 1037, 102-107.
KOPPELMAN, F.S. Y WEN, C.H. (1998): Alternative nested logit models: structure,
properties and estimation. Transportation Research 32A, 289-298.
KOPPELMAN, F.S. Y WILMOT, C.G. (1982): Transferability analysis of disaggregate choice
models. Transportation Research Record 895, 18-24.
KRAFT, G. (1968): Demand for intercity passenger travel in the Washington-Boston
corridor. North-East Corridor. Project Report, Systems Analysis and Research
Corporation, Boston, Mass.
KRESGE, D.T. Y ROBERTS, P.O. (1971): Techniques of Transport Planning: Systems
Analysis and Simulation Models. Brookings Institution, Washington, DC.
KRUITHOF, J. (1937): Calculation of telephone traffic. Der Ingenieur 52, E15-E25.
KRUSKAL, J.B. (1965): Analysis of factorial experiments by estimating monotone
transformations of the data. Journal of the Royal Statistical Society 27B,
251-263.
KUMAR, A. (1980): Use of incremental form of logit models in demand analysis.
KURRI, J. Y PURSULA, M. (1995): Finish preliminary value of time studies. Working Paper,
Laboratory of Transportation Engineering, Helsinki University of Technology.
LAMB, G.M. Y HAVERS, G.E. (1970): Introduction to transportation planning: treatment
of networks. Traffic Engineering and Control 11, 486-489.
LAMOND, B. Y STEWART, N.F. (1981): Bregmans balancing method. Transportation
LANCASTER, K.J. (1966): A new approach to consumer theory. Journal of Political
Economy 14, 132-157.
LANDEFELD, J.S. Y SESKIN, E.P. (1982): The economic value of life: linking theory to
practice. American Journal of Public Health 72, 555-566.
Bibliografa
o,:
LANGDON, M.G. (1976): Modal split models for more than two modes. Proceedings 4th
PTRC Summer Annual Meeting, University of Warwick, Julio 1976, Inglaterra.
LANGDON, M.G. (1984): Methods of determining choice probability in utility maximising
multiple alternative models. Transportation Research 18B, 209-234.
LARSON, R.C. Y ODONI, A.R. (1981): Urban Operations Research. Prentice Hall,
Englewood Cliffs, N.J.
LEARNER, E. (1978): Specification Searches: Ad-Hoc Inference with Nonexperimental
Data. John Wiley & Sons, Nueva York.
LEE, N. Y DALVI, M.Q. (1969): Variations on the value of travel time. Manchester
School 37, 213-236.
LEE, N. Y KIRKPATRICK, C. (1996): Relevance and consistency of environmental impact
assessment and cost-benefit analysis in project appraisal. Project Appraisal 11,
229-236.
LEONARD, D. Y TOUGH, J. (1979): Validation work on CONTRAM a model for use in
the design of traffic management schemes. Proceedings 7th PTRC Summer Annual
LEONARD, D.R. Y COWER, P. (1982): User guide to CONTRAM Version 4. TRRL
Supplementary Report 735. Transport and Road Research Laboratory, Crowthorne.
LERMAN, S.R. (1984): Recent advances in disaggregate demand modelling. En M.
Florian (ed.), Transportation Planning Models. North-Holland, Amsterdam.
LERMAN, S.R. Y LOUVIERE, J.J. (1978): The use of functional measurement to identify
the form of utility functions in travel demand models. Transportation Research
Record 673, 78-85.
LERMAN, S.R. Y MANSKI, C.F. (1976): Alternative sampling procedures for calibrating
disaggregate choice models. Transportation Research Record 592, 24-28.
LERMAN, S.R. Y MANSKI, C.F. (1979): Sample design for discrete choice analysis of travel
behaviour: the state of the art. Transportation Research 13B, 29-44.
LERMAN, S. Y MANSKI, C. (1981): On the use of simulated frequencies to approximate
choice probabilities. En C. Manski. y D. McFadden (eds.), Structural Analysis of
Discrete Data with Econometric Applications. MIT Press, Cambridge, Mass.
LERMAN, S.R., MANSKI, C.F. Y ATHERTON, T.J. (1976): Non-random sampling in the
calibration of disaggregate choice models. Final Report to the Urban Planning
Division. Federal Highway Administration, US Department of Transportation,
Washington, DC.
LEURENT, F.M. (1998): Multicriteria assignment modelling: making explicit the
determinants of mode or path choice. En P. Marcotte y S. Nguyen (eds.), Equilibrium
and Advanced Transportation Modelling. Kluwer Academic, Boston.
LIEBERMAN, E. (1981): Enhanced NETSIM program. Transportation Research Board
Special Report 194, 32-35.
LIEM, T.C. Y GAUDRY, M.J.I. (1987): P-2: A program for the Box-Cox logit model
with disaggregate data. Publication 525, Centre de Recherche sur les Transports,
Universit de Montreal.
o,
LINDQUIST, J. Y ALGERS, S. (1998): Further research on the national Swedish value of
time study. Proceedings 8th World Conference on Transport Research, Antwerp,
Julio 1998, Blgica.
LITMAN, T. (1995): Transportation cost analysis: techniques, estimates and implications.
Working Paper, Victoria Transport Policy Institute, Victoria, BC.
LOUVIERE, J.J. (1988a): Conjoint analysis modelling of stated preferences: a review of
theory, methods, recent developments and external validity. Journal of Transport
Economics and Policy XXII, 93-119.
LOUVIERE, J.J. (1988b): Analysing Decision Making: Metric Conjoint Analysis. Sage
Publications, Newbury Park.
LOUVIERE, J.J. (guest ed.) (1992): Special issue on experimental choice analysis. Journal
of Business Research 24, 89-189.
LOUVIERE, J.J., HENSHER, D.A. AND SWAIT, J. (2000): Stated Choice Methods: Analysis
and Application. Cambridge University Press, Cambridge.
LOW, D.E. (1972): A new approach to transportation systems modelling. Traffic
Quarterly 26 (3), 391-404.
LOWRY, I.S. (1965): A model of a metropolis. Technical Memorandum RM-4035-RC,
The Rand Corporation, California.
LUCE, R.D. Y SUPPES, P. (1965): Preference, utility and subjective probability. En R.D.
Luce, R.R. Bush y E. Galanter (eds.), Handbook of Mathematical Psychology. John
Wiley & Sons, Nueva York.
MCDONALD, K.G. Y STOPHER, P.R. (1983): Some contrary indications for the use of
household structure in trip generation analysis. Transportation Research Record
944, 92-100.
MCFADDEN, D. (1978): Modelling the choice of residential location. En A. Karlquist,
L. Lundquist, F. Snickars y J.W. Weibull (eds.), Spatial Interaction Theory and
Planning Models. North-Holland, Amsterdam.
MCFADDEN, D. (1989): A method of simulated moments for estimation of discrete
response models without numerical integration. Econometrica 57, 995-1026.
MCFADDEN, D. Y REID, F.A. (1975): Aggregate travel demand forecasting from
disaggregate behavioural models. Transportation Research Record 534, 24-37.
MCFADDEN, D. Y TRAIN, K. (2000): Mixed MNL models for discrete response. Journal
of Applied Econometrics 15, 447-470.
MCKELVEY, R.D. Y ZAVOINA W. (1975): A statistical model for the analysis of ordinal
level dependent variables. Journal of Mathematical Sociology 4, 103-120.
MACKETT, R.L. (1985): Integrated land use-transport models. Transport Reviews 5,
325-343.
MACKINDER, I.H. Y EVANS, S.E. (1981): The predictive accuracy of British transport
studies in urban areas. TRRL Supplementary Report SR 699, Transport and Road
Research Laboratory, Crowthorne.
MCLEOD, W.T. Y HANKS, P. (eds.) (1986): The New Collins Concise Dictionary of the
English Language. William Collins, Sons & Co., Glasgow.
Bibliografa
o,
MCLOUGHLIN, J. (1969): Urban and Regional Planning: A Systems Approach. Faber
& Faber, Londres.
MCLYNN, J.M. Y WORONKA, T. (1969): Passenger demand and modal split models. Report
230, Northeast Corridor Transportation Project, U.S. Department of Transport,
Washington, D.C.
MCNEIL, S. Y HENDRICKSON, C. (1985): A regression formulation of the matrix estimation
problem. Transportation Science 19, 278-292.
MADDISON, D., PEARCE, D., JOHANSSON, O., CALTHROP, E., LITMAN, T. Y VERHOEF, E. (1996):
The True Cost of Road Transport. Earthscan Publications, Londres.
MAHER, M.J. (1983): Inferences on trip matrices from observations on link volumes: a
Bayesian statistical approach. Transportation Research 17B, 435-447.
MAHMASSANI, H. (2000): Trip timing. En D. Hensher y K.J. Button (eds.), Handbook
of Transport Modelling. Pergamon, Oxford.
MAHMASSANI, H.S. Y SINHA, K.C. (1981): Bayesian updating of trip generation
parameters. Transportation Engineering Journal 107, 581-589.
MANHEIM, M.L. (1979): Fundamentals of Transportation Systems Analysis. MIT Press
Cambridge, Mass.
MANSKI, C.F. Y LERMAN, S.R. (1977): The estimation of choice probabilities from choice
based samples. Econometrica 45, 1977-1988.
MANSKI, C.F. Y MCFADDEN, D. (1981): Alternative estimators and sample designs
for discrete choice analysis. En C.F. Manski y D. McFadden (eds.), Structural
Analysis of Discrete Data: With Econometric Applications. MIT Press, Cambridge,
Mass.
MARTNEZ, F.J. (1987): La forma incremental del modelo logit: aplicaciones. Actas del
III Congreso Chileno de Ingeniera de Transporte. Universidad de Concepcin,
Noviembre 1987, Chile.
MARTNEZ, F.J. (1992): The bid-choice land-use model: an integrated economic
framework. Environment and Planning 24A, 871-875.
MAUCH, S.P. Y ROTHENGATTER, W. (1995): External Effects of Transport. Union
International des Chemins de Fer, Pars.
MAYBERRY, J.P. (1973): Structural requirements for abstract-mode models of passenger
transportation. En R.E. Quandt (ed.), The Demand for Travel: Theory and
Measurement. D.C. Health and Co., Lexington, Mass.
MEYER, R.J., LEVIN, I.P. Y LOUVIERE, J.J. (1978): Functional analysis of mode choice.
MITCHELL, R.C. Y CARSON, R.T. (1989): Using Surveys to Value Public Goods: The
Contingent Valuation Method. Resources for the Future, Washington, DC.
MOAVENZADEH, F., MARKOW, M., BRADEMEYER, B. Y SAFWAT, K. (1983): A methodology
for intercity transportation planning in Egypt. Transportation Research 17A,
481-491.
MOGRIDGE, M.J.H. (1983): The Car Market. Pion, Londres.
o,
MOORE, E.F. (1957): The shortest path through a maze. Proceedings International
Symposium on the Theory of Switching. Harvard University Press, Cambridge,
Mass.
MORIKAWA, T. (1996): A hybrid probabilistic choice set model with compensatory and
non-compensatory choice rules. En D. Hensher, J. King y T. Oum (eds.), World
Transport Research. World Conference on Transport Research Society, Sydney.
MORIKAWA, T. Y SASAKI, K. (1998): Discrete choice models with latent variables using
subjective data. En J. de D. Ortzar, D. Hensher y S. Jara-Daz (eds.), Travel
Behaviour Research: Updating the State of Play. Pergamon, Oxford.
MORIKAWA, T., BEN-AKIVA, M. Y YAMADA, K. (1992): Estimation of mode choice models
with serially correlated RP and SP data. Proceedings 6th World Conference on
Transport Research, Lyon, Junio 1992, Francia.
MORLEY, R. (1972): Mathematics for Modern Economics. Fontana, Londres.
MOSER, C.A. Y KALTON, G.K. (1989): Survey Methods in Social Investigation. Libros
Educativos Heinemann, Londres.
MULLEN, S. (1997): Determining monetary values of environmental impacts a
DETR perspective. Presented at the conference Determining Monetary Values of
Environmental Impacts, University of Westminster, Octubre 1997, Londres.
MUNIZAGA, M.A. Y LVAREZ, R. (2000): Modelos mixed logit: uso y potencialidades.
En L.A. Lindau, J. de D. Ortzar y O. Strambi (eds.), Engenharia de Trfego
e Transportes 2000: Avanos para uma Era de Mudanas. ANPET, Ro de
Janeiro.
MUNIZAGA, M.A., HEYDECKER, B.G. Y ORTZAR, J. DE D. (2000): Representation of
heteroscedasticity in discrete choice models. Transportation Research 34B,
219-240.
MURCHLAND, J.D. (1977): The multiproportional problem. TSG Note JDM-263. Transport
Studies Group. University College London.
MVA SYSTEMATICA (1982): TRIPS highway assignment model. MVA House, Working.
NAH, C. (1997): Transport externalities: does monetary valuation make sense? En G.
de Rus y C. Nash (eds.), Recent Developments in Transport Economics. Ashgate
Press, Londres.
NARDINI, A. (1997): A proposal for integrating environmental impact assessment, cost-
benefit analysis and multicriteria analysis in decision making. Project Appraisal
12, 173-184.
NEWELL, GF. (1980): Traffic Flow on Transportation Networks. MIT Press, Cambridge,
Mass.
NUTT, P.C. (1981): Some guides to the selection of a decision making strategy.
Technological Forecasting and Social Change 19, 133-145.
OECD (1974): Urban Traffic Models: Possibilities For Simplification. OECD Road
Research Group, Pars.
OECD (1994a): Internalising the Social Costs of Transport. Organisation for Economic
Cooperation and Development, Pars.
Bibliografa
o,o
OECD (1994b): Environmental Impact Assessment of Roads. Organisation for Economic
Cooperation and Development, Pars.
OECD (1994c): Project and Policy Appraisal: Integrating Economics and Environment.
Organisation for Economic Cooperation and Development, Pars.
OH, J.-H. (1989): Estimation of trip matrices in networks with equilibrium link flows.
Proceedings 17th PTRC Summer Annual Meeting, University of Sussex, Septiembre
1989, Inglaterra.
OI, K.I.Y. Y SHULDINER, P.W. (1962): An Analysis of Urban Travel Demands. Northwestern
University Press, Evanston.
OLSEN, G.D. Y SWAIT, J. (1998): Nothing is important. Working Paper. Faculty of
Management, Universidad de Calgary.
OORT, O. (1969): The evaluation of travelling time. Journal of Transport Economics
and Policy 3, 279-286.
ORTZAR, J. DE D. (1980a): Mixed-mode demand forecasting techniques. Transportation
Planning and Technology 6, 81-95.
ORTZAR, J. DE D. (1980b): Modelling park n ride and kiss n ride as submodal
choices: a comment. Transportation 9, 287-291.
ORTZAR, J. DE D. (1982): Fundamentals of discrete multimodal choice modelling.
Transport Reviews 2, 47-78.
ORTZAR, J. DE D. (1983): Nested logit models for mixed-mode travel in urban corridors.
ORTZAR, J. DE D. (1986): The cultural and temporal transferability of discrete choice
disaggregate modal split models. En T.D. Heaver (ed.), Research for Tomorrows
Transport Requirements. University of British Columbia, Vancouver.
ORTZAR, J. DE D. (1989): Determining the preferences for frozen cargo exports. In
World Conference on Transport Research (eds.), Transport Policy, Management
and Technology Towards 2001, Western Periodicals Co., Ventura, Ca.
ORTZAR, J. DE D. (ed.) (1992): Simplified Transport Demand Modelling. Perspectives
2, PTRC, Londres.
ORTZAR, J. DE D. (ed.) (2000): Stated Preference Modelling Techniques. Perspectives
4, PTRC, Londres.
ORTZAR, J. DE D., ACHONDO, F.J. Y ESPINOSA, A. (1986): On the stability of logit mode
choice models. Proceedings 14th PTRC Summer Annual Meeting. University of
ORTZAR, J. DE D., ACHONDO, F.J. E IVELIC, A.M. (1987): Sequential and full information
estimation of hierarchical logit models: some new evidence. Proceedings 11th
Triennial Conference on Operations Research, Buenos Aires, Agosto 1987,
Argentina.
ORTZAR, J. DE D., ARMSTRONG, P.M., IVELIC, A.M. Y VALEZE, C. (1998): Tamao muestral
y estabilidad temporal en modelos de generacin de viajes. Actas X Congreso
Panamericano de Ingeniera de Trnsito y Transporte. Santander, Septiembre
1998, Espaa.
o,;
ORTZAR, J. DE D., CIFUENTES, L.A. Y WILLIAMS, H.C.W.L. (2000a): Application of
willingness-to-pay methods to value transport externalities in less developed
countries. Environment and Planning 32A, 2007-2018.
ORTZAR, J. DE D. Y DONOSO, P.C.F. (1983): Survey design, implementation, data coding
and evaluation for the estimation of disaggregate choice models in Santiago, Chile.
2nd International Conference on New Survey Methods in Transport, Sydney,
Septiembre 1983, Australia.
ORTZAR, J. DE D., DONOSO, P.C.F. Y HUTT, G.A. (1983): The effects of measurement
techniques, variable definition and model specification on demand model functions.
11th PTRC Summer Annual Meeting, University of Sussex, Julio 1983, Inglaterra.
ORTZAR, J. DE D. Y GARRIDO, R.A. (1993): Estimation of discrete choice models with
mixed SP and RP data. XIII World Conference on Operation Research (IFORS
93), Lisboa, Julio 1993, Portugal.
ORTZAR, J. DE D. Y GARRIDO, R.A. (1994a): On the semantic scale problem in stated
preference rating experiments. Transportation 21, 185-201.
ORTZAR, J. DE D. Y GARRIDO, R.A. (1994b): A practical assessment of stated preference
methods. Transportation 21, 289-305.
ORTZAR, J. DE D. Y GARRIDO, R.A. (2001): Methodological developments: workshop
report. En H. Mahmassani (ed.), Changes and Opportunities in Travel Behaviour:
Research and Applications. Pergamon, Oxford.
ORTZAR, J. DE D. Y HUTT, G.A. (1988): Travel diaries in Chile: the state of the art.
Proceedings 16th PTRC Summer Annual Meeting, University of Bath, Septiembre
1988, Inglaterra.
ORTZAR, J. DE D. E IVELIC, A.M. (1987): Effects of using more accurately measured
level-of-service variables on the specification and stability of mode choice models.
Proceedings 15th PTRC Summer Annual Meeting, University of Bath, Septiembre
1987, Inglaterra.
ORTZAR, J. DE D. E IVELIC, A.M. (1988): Influencia del nivel de agregacin de los
datos en la estimacin de modelos logit de eleccin discreta. Actas del V Congreso
Panamericano de Ingeniera de Trnsito y Transporte. Universidad de Puerto Rico
en Mayagez, Julio 1988, Puerto Rico.
ORTZAR, J. DE D., IVELIC, A.M., MALBRN H. Y THOMAS, A. (1993): The 1991 Great
Santiago origin-destination survey: methodological design and main results. Traffic
Engineering and Control 34, 362-368.
ORTZAR, J. DE D., MARTNEZ, F.J. Y VARELA, F.J. (2000b): Stated preferences in modelling
accessibility. International Planning Studies 5, 65-85.
ORTZAR, J. DE D. Y PALMA, A. (1992): Stated preference in refrigerated and frozen
cargo exports. En J. de D. Ortzar (ed.), Simplified Transport Demand Modelling.
ORTZAR, J. DE D., RONCAGLIOLO, D.A. Y VELARDE, U.C. (2000c.): Interactions and
independence in stated preference modelling. En J. de D. Ortzar (ed.), Stated
Preference Modelling Techniques. Perspectives 4, PTRC, Londres.
Bibliografa
o,8
ORTZAR, J. DE D. Y RODRGUEZ, G. (2002): Valuing reductions in environmental
pollution: stated preference in a residential location context. Transportation
Research 7D, 407-427.
ORTZAR, J. DE D. Y WILLIAMS, H.C.W.L. (1982): Una interpretacin geomtrica de los
modelos de eleccin entre alternativas discretas basados en la teora de la utilidad
aleatoria. Apuntes de Ingeniera 7, 25-50.
ORTZAR, J. DE D. Y WILLUMSEN, L.G. (1978): Learning to manage transport systems.
Traffic Engineering and Control 19, 239-239.
ORTZAR, J. DE D. Y WILLUMSEN, L.G. (1991): Flexible long range planning using low
cost information. Transportation 18, 151-173.
OUTRAM, V.E. Y THOMPSON, E. (1978): Driver route choice-behavioural and motivational
studies. Proceedings 5th PTRC Summer Annual Meeting. University of Warwick,
OUWERSLOOT, H. Y RIETVELD, P. (1996): Stated choice experiments with repeated
observations. Journal of Transport Economics and Policy 30, 203-212.
OVERGAARD, K.R. (1967): Urban transportation planning: traffic estimation. Traffic
Quarterly XXI. 197-218.
PAKES, A. Y POLLARD, D. (1989): Simulation and the asymptotics of optimisation
estimators. Econometrica 57, 1027-1057.
PAPAGEORGIOU, M. EDITOR (1991): Concise Encyclopedia of Traffic & Transportation
Systems. Pergamon Press, Oxford.
PAPE, U. (1974): Implementation and efficiency of Moore algorithms for the shortest
route problem. Mathematical Programming 7, 212-222.
PEARMAIN, D. Y SWANSON, J. (1990): The use of stated preference techniques in the
quantitative analysis of travel behaviour. Proceedings of the IMA Conference on
Mathematics in Transport. University of Cardiff, Septiembre 1990, Gales.
PEARMAIN, D., SWANSON, J., KROES, E. Y BRADLEY, M. (1991): Stated preference techniques:
a guide to practice. Steer Davies Gleave and Hague Consulting Group, Londres.
POLAK, J.W. (1999): Some reflections on the application of equilibrium scheduling
theory. Working Paper, Centre for Transport Studies, Imperial College of Science,
Technology and Medicine, Londres.
POLAK, J.W., JONES, P.M., VYTHOULKAS, P.C., MELAND, S. Y TRETVIK, T. (1991): The
Trondheim toll ring: results of a stated preference study of travellers responses.
Report to the European Commission DRIVE Programme, Transport Studies Unit,
University of Oxford.
PRESS, W.H., TEUKOLSKY, S.A., VETTERLING, W.T. Y FLANNERY, B.P. (1992): Numerical
Recipes in C: The Art of Scientific Computing, 2nd edn. Cambridge University
Press, Cambridge.
PRICE, A. (1999): A new approach to the appraisal of road projects in England. Journal
of Transport Economics and Policy XXXIII, 221-226.
QUANDT, R. Y BAUMOL, W. (1966): The demand for abstract transport modes: theory
and measurement. Journal of Regional Science 6, 13-26.
o,,
QUARMBY, D.A. Y BATES, J.J. (1970): An econometric method of car ownership forecasting
in discrete areas. MAU Note 219. Department of the Environment, Londres.
QUINET, E. (1994): The social cost of transport: evaluation and links with internalisation
policies. Chapter 2 in Internalising the Social Costs of Transport. Organisation for
Economic Cooperation and Development, Pars.
REGAN, A.C. Y GARRIDO, R.A. (2002): Modelling freight demand and shipper behaviour:
state of the art and future directions. En D. Henher (ed.), Travel Behaviour Research:
The Leading Edge. Pergamon, Oxford.
RICHARDSON, A.J. (1982): Search models and choice set generation. Transportation
RICHARDSON A.J. AMPT, E.S. Y MEYBURG, A. (1995): Survey Methods for Transport
Planning. Eucalyptus Press, Melbourne.
RIZZI, L.I. Y ORTZAR, J. DE D. (2003): Stated preference in the valuation of interurban
road safety. Accident Analysis and Prevention 34, 9-22.
ROBERTS, F.S. (1975): Weighted di-graph models for the assessment of energy use and
air pollution in transportation systems. Environment and Planning 7A, 703-724.
ROBERTSON, D. (1969): TRANSYT: a traffic network study tool. TRRL Report LR 253.
Transport and Road Research Laboratory, Crowthorne.
ROBILLARD, P. (1975): Estimating the O-D matrix from observed link volumes.
Transportation Research 9, 123-128.
ROSE, G. Y KOPPELMAN, F.S. (1984): Transferability of disaggregate trip generation
models. En J. Volmller y R. Hamerslag (eds.), Proceedings of the Ninth International
Symposium on Transportation and Traffic Theory. VNU Science Press, Utrecht.
RUIJGROK, C.J. (1979): Disaggregate choice models: an evaluation. En G.R.M. Jansen,
P.H.L. Bovy, J.P.J.M. van Est y F. Le Clercq (eds.), New Developments in Modelling
Travel Demand and Urban Systems. Saxon House, Westmead.
SAELENSMINDE, K. (1999): Valuation of Non-Market Goods for Use in Cost-Benefit
Analyses: Methodological Issues. PhD Thesis, Department of Economics and Social
Sciences, Agricultural University of Norway.
SAFWAT, K.N.A. Y MAGNANTI, T. (1988): A combined trip generation, trip distribution,
modal split and trip assignment model. Transportation Science 22, 14-30.
SCHNEIDER, M. (1959): Gravity models and trip distribution theory. Papers and
Proceedings of the Regional Science Association V, 51-56.
SHAO, J. Y TU, D. (1995): The Jackknife and Bootstrap. Springer, Nueva York.
SHEFFI, Y. (1985): Urban Transportation Networks. Prentice Hall, Englewood Cliffs,
N.J.
SHEFFI, Y., HALL, R. Y DAGANZO, C.F. (1982): On the estimation of the multinomial
probit model. Transportation Research 16A, 447-456.
SIKDAR, P.K. Y HUTCHINSON, B.G. (1981): Empirical studies of work trip distribution
models. Transportation Research 15A, 233-243.
SKELTON, N. (1982): Determining appropriate sample sizes when two means are to be
compared. Traffic Engineering and Control 23, 29-37.
Bibliografa
;oo
SMALL, K.A. (1982): The scheduling of consumer activities: work trips. American
Economic Review 72, 467-479.
SMALL, K.A. (1987): A discrete choice model for ordered alternatives. Econometrica
55, 409-424.
SMALL, K.A. Y BROWNSTONE, D. (1982): Efficient estimation of nested logit models:
an application to trip timing. Research Memorandum 296. Economic Research
Program, Princeton University.
SMEED, R.J. (1968): Traffic studies and urban congestion. Journal of Transport
Economics and Policy II, 2-38.
SMITH, M.E. (1979): Design of small sample home interview travel surveys.
SMITH, M.J. (1979): Traffic control and route choice: a simple example. Transportation
SMITH, M.J. (1981): Properties of a traffic control policy which ensures the existence
of a traffic equilibrium consistent with the policy. Transportation Research 15B,
453-462.
SMITH, R.L. Y CLEVELAND, D.E. (1976): Time stability analysis of trip generation
and predistribution modal choice models. Transportation Research Record 569,
76-86.
SMIT-KROES, N. Y NIJPELS, E.H.T.M. (1988): Tweede Struktuurschema Verker en Vervoer.
State Publisher, The Hague (in Dutch).
SMOCK, R.J. (1962): An iterative assignment approach to capacity restraint on arterial
networks. Highway Research Board Bulletin 156, 1-13.
SOBEL, K.L. (1980): Travel demand forecasting by using the nested multinomial logit
model. Transportation Research Record 775, 48-55.
SOSSLAU, A.B., HASSAM, A., CARTER, M. Y WICKSTROM, G. (1978): Quick response
urban travel estimation techniques and transferable parameters. NCHRP Report
817. National Cooperative Highway Research Program. Transportation Research
Board, Washington, DC.
SPEAR, B.D. (1977): Applications of new travel demand forecasting techniques to
transportation: a study of individual choice models. Final Report to the Office
of Highway Planning. Federal Highway Administration, US Department of
Transportation, Washington, DC.
SPIELBERG, F., WEINER, E. Y ERNST, U. (1981): The shape of the 1980s: demographic,
economic and travel characteristics. Transportation Research Record 807,
27-34.
SPIESS, H. (1983): On optimal route choice strategies in transit networks. Publication
286. Centre de recherche sur les Transports. Universit de Montreal, Canad.
SPIESS, H. (1987): A maximum likelihood model for estimating origin-destination
matrices. Transportation Research 21B, 395-412.
SPIESS, H. Y FLORIAN, M. (1989): Optimal strategies: a new assignment model for transit
networks. Transportation Research 23B, 82-102.
;o1
STEENBRINK, P.A. (1974): Optimisation of Transport Networks. John Wiley & Sons,
Nueva York.
STEER, J. Y WILLUMSEN, L.G. (1983): An investigation of passenger preference structures.
En S. Carpenter y P.M. Jones (eds.), Recent Advances in Travel Demand Analysis.
Gower, Aldershot.
STONE, R. (1966): Mathematics in the Social Sciences. Chapman and Hall, Londres.
STOPHER, P.R. (1975): Goodness-of-fit measures for probabilistic travel demand models.
STOPHER, P.R. (1998): Household travel surveys: new perspectives and old problems. En
T. Grling, T. Laitila y K. Westin (eds.), Theoretical Foundations of Travel Choice
Modelling. Pergamom, Oxford.
STOPHER, P.R. Y MCDONALD, K.G. (1983): Trip generation by cross-classification: an
alternative methodology. Transportation Research Record 944, 84-91.
STOPHER, P.R. Y MEYBURG, A.H. (1979): Survey Sampling and Multivariate Analysis for
Social Scientists and Engineers. D.C. Heath and Co., Lexington, Mass.
STOUFFER, A. (1940): Intervening opportunities: a theory relating mobility and distance.
American Sociological Review 5, 845-867.
SUH, S., PARK, C. Y KIM, T.J. (1990): A highway capacity function in Korea: measurement
and calibration. Transportation Research 24A, 177-186.
SUPERNAK, J. (1971): Transferability of the person category trip generation model.
Proceedings 9th PTRC Summer Annual Meeting. Universidad de Warwick, Julio
1979, Inglaterra.
SUPERNAK, J. (1979): A behavioural approach to trip generation modelling. Proceedings
7th PTRC Summer Annual Meeting. University of Warwick, Julio 1979, Inglaterra.
SUPERNAK, J. (1983): Transportation modelling: lessons from the past and tasks for the
future Transportation 12, 79-90.
SUPERNAK, J., TALVITIE, A.P. Y DEJOHN, A. (1983): Person category trip generation
modelling. Transportation Research Record 944, 74-83.
SWAIT, J. Y LOUVIERE, J.J. (1993): The role of the scale parameter in the estimation and
comparison of multinomial logit models. Journal of Marketing Research XXX,
305-314.
SWAIT, J., LOUVIERE, J.J. Y WILLIAMS, M. (1994): A sequential approach to exploiting
the combined strengths of SP and RP data: application to freight shipper choice.
SWANSON, J., PEARMAIN, D. Y LOUGHEAD, K. (1992): Stated preference sample sizes.
Proceedings 20th PTRC Summer Annual Meeting. University of Manchester,
Institute of Science and Technology, Septiembre 1992, Inglaterra.
TAMIN, O.Z. Y WILLUMSEN, L.G. (1989): Transport demand model estimation from traffic
counts. Transportation 16, 3-26.
TAMIN, O.Z. Y WILLUMSEN, L.G. (1992): Freight demand model estimation from
traffic counts. En J. de D. Ortzar (ed.), Simplified Transport Demand Modelling.
Bibliografa
;o:
TANNER, J.C. (1974): Forecasts of vehicles and traffic in Great Britain: 1974 revision.
TRRL Report LR 650. Transport and Road Research Laboratory, Crowthorne.
TANNER, J.C. (1978): Long term forecasting of vehicle ownership and road traffic.
Journal of the Royal Statistical Society 141A, 14-63.
TARDIFF, T.J. (1976): A note on goodness-of-fit statistics for probit and 1ogit models.
TARDIFF, T.J. (1979): Specification analysis for quantal choice models. Transportation
Science 13, 179-390.
TAYLOR, T.L. (1971): Instructional Planning Systems: A Gaming-Simulation Approach
to Urban Problems. Cambridge University Press, Nueva York.
TERZA, J.V. (1985): Ordinal probit: a generalization. Communications in Statistics
Theory and Method 14, 1-11.
TIMBERLAKE, R.S. (1988): Traffic modelling techniques for the developing world. 67th
Annual TRB Meeting, Washington DC, Enero 1988, USA.
TRAIN, K.E. (1977): Valuations of modal attributes in urban travel: questions of
non-linearity, non-genericity and taste variations. Working Paper, Cambridge
Systematics Inc. West, San Francisco.
TRAIN, K.E. (1986): Qualitative Choice Analysis: Theory. Econometrics and an
Application to Automobile Demand. MIT Press, Cambridge, Mass.
TRAIN, K.E. (1998): Recreation demand models with taste differences over people.
Land Economics 74, 230-239.
TRAIN, K.E. (1999): Halton sequences for mixed logit. Working Paper, Department of
Economics, University of California at Berkeley.
TRAIN, K.E. Y MCFADDEN, D. (1978): The goods/leisure trade-off and disaggregate work
trip mode choice models. Transportation Research 12, 349-353.
TRAUGOTT, M.W. Y KATOSH, J.P. (1979): Response validity in surveys of voting behaviour.
Public Opinion Quarterly 42, 359-377.
TVERSKI, A. (1972): Elimination by aspects: a theory of choice. Psychological Review
79, 281-299.
VAN ES, J.V. (1982): Freight transport, an evaluation. CEMT Round Table 58, European
Conference of Ministers of Transport, Pars.
VAN VLIET, D. (1977): DEsopo: a forgotten tree-building algorithm. Traffic Engineering
VAN VLIET, D. (1978): Improved shortest path algorithms for transport networks.
Transportation Research 12, 7-20.
VAN VLIET, D. (1982): SATURN: a modern assignment model. Traffic Engineering
VAN VLIET, D. Y DOW, P. (1979): Capacity restrained road assignment. Traffic Engineering
VAN VLIET, D. BERGMAN, T. Y SCHELTES, W. (1987): Equilibrium assignment with multiple
user classes. Proceedings 15th PTRC Summer Annual Meeting. University of
;o
VAN ZUYLEN, H. Y WILLUMSEN, L.G. (1980): The most likely trip matrix estimated from
traffic counts. Transportation Research 14B, 281-293.
VERHOEF, E. (1994): External effects and social costs of road transport. Transportation
VICKREY, W. (1969): Congestion theory and transport investment. American Economic
Review 59, 251-261.
WARDROP, J.G. (1952): Some theoretical aspects of road traffic research. Proceedings
of the Institution of Civil Engineers, Part II 1, 325-362.
WARDROP, J.G. (1968): Journey speed and f low in central urban areas. Traff ic
Engineering and Control 9, 528-532, 539.
WARNER, S.L. (1962): Strategic Choice of Mode in Urban Travel: A Study of Binary
Choice. Northwestern University Press, Evanston.
WATERS, W.G. (1992): The value of time savings for the economic evaluation of highway
investments in British Columbia. Report to the Canadian Ministry of Transportation
and Highways, Victoria, BC.
WATSON, S.M., TONER, J.P., FOWKES, A.S. Y WARDMAN, M. (1996): Efficiency properties
of orthogonal stated preference designs. Proceedings 24th European Transport
Forum, Brunel University, Septiembre 1996, Inglaterra.
WEBSTER, F.V., BLY, P.H. Y PAULLEY, N.J. (eds.) (1988): Urban Land-Use and Transport
Interaction: Policies and Models. Gower, Aldershot.
WERMUTH, M.J. (1981): Effects of survey methods and measurement techniques on the
accuracy of household travel-behaviour surveys. En P.R. Stopher, A.H. Meyburg
y W. Brg (eds.), New Horizons in Travel Behaviour Research. D.C. Health and
Co., Lexington, Mass.
WHITELEGG, J. (1993): Transport for a Sustainable Future: The Case for Europe.
Belhaven Press, Londres.
WILLIAMS, H.C.W.L. (1977): On the formation of travel demand models and economic
evaluation measures of user benefit. Environment and Planning 9A, 285-344.
WILLIAMS, H.C.W.L. (1981): Travel demand forecasting: an overview of theoretical
developments. En D.J. Banister y P.G. Hall (eds.), Transport and Public Policy
Planning. Mansell, Londres.
WILLIAMS, H.C.W.L. Y ORTZAR, J. DE D. (1982a): Behavioural theories of dispersion
and the mis-specification of travel demand models. Transportation Research 16B,
167-219.
WILLIAMS, H.C.W.L. Y ORTZAR, J. DE D. (1982b): Travel demand and response analysis-
some integrating themes. Transportation Research 16A, 345-362.
WILLIAMS, H.C.W.L. Y SENIOR, M.L. (1977): Model based transport policy assessment:
(2) Removing fundamental inconsistencies from the models. Traffic Engineering
WILLIAMS, I. (1976): A comparison of some calibration techniques for doubly constrained
models with an exponential cost function. Transportation Research 10, 91-104.
Bibliografa
;o
WILLIS, K.G., GARROD, G.D. Y HARVEY, D.R. (1998): A review of cost-benefit analysis
as applied to the evaluation of new road proposals in the UK. Transportation
Research 3D, 141-156.
WILLS, M.J. (1986): A flexible gravity-opportunities model for trip distribution.
WILLUMSEN, L.G. (1978): Estimation of an O-D matrix from traffic counts: a review.
Working Paper 99, Institute for Transport Studies, University of Leeds.
WILLUMSEN, L.G. (1981): Simplified transport demand models based on traffic counts.
WILLUMSEN, L.G. (1982): Estimation of trip matrices from volume counts; validation
of a model under congested conditions. Proceedings 10th PTRC Summer Annual
WILLUMSEN, L.G. (1984): Estimating time-dependent trip matrices from traffic counts.
En J. Volmller y R. Hamerslag (eds.), Proceedings of the Ninth International
Symposium on Transportation and Traffic Theory. VNU Science Press, Utrecht.
WILLUMSEN, L.G. (1991): Origin-destination matrix: static estimation. En M.
Papageorgiou (ed.), Concise Encyclopedia of Traffic & Transportation Systems.
Pergamon Press, Oxford.
WILLUMSEN, L.G. (2000): Travel networks. En D. Hensher y K.J. Button (eds.), Handbook
of Transport Modelling. Pergamon, Oxford.
WILLUMSEN, L.G. Y HOUNSELL, N.B. (1998): Simple models of highway reliability-supply
effects. En J. de D. Ortzar, D. Hensher y S. Jara-Daz (eds.), Travel Behaviour
Research: Updating the State of Play. Pergamon, Oxford.
WILLUMSEN, L.G. Y ORTZAR, J. DE D. (1985): Intuition and models in transport
management. Transportation Research 19A, 51-58.
WILLUMSEN, L.G. Y RADOVANAC, M. (1988): Testing the practical value of the UMOT
model. International Journal of Transport Economics 15, 203-223.
WILLUMSEN, L., BOLLAND, J., AREZKI, Y. Y HALL, M. (1993): Multi-modal modelling in
congested networks: SATURN + SATCHMO. Traffic Engineering and Control
34, 294-301.
WILSON, A.G. (1970): Entropy in Urban and Regional Modelling. Pion, Londres.
WILSON, A.G. (1974): Urban and Regional Models in Geography and Planning, John
Wiley & Sons, Londres.
WILSON, A.G. Y KIRBY, M.J. (1980): Mathematics for Geographers and Planners.
Clarendon Press, Oxford.
WILSON, A.G., REES, P.H. Y LEIGH, C.M. (eds.) (1977): Models of Cities and Regions:
Theoretical and Empirical Developments. John Wiley & Sons, Londres.
WITTINK, D., KRISHNAMURTHI, L. Y NUTTER, J. (1982): Comparing derived importance
weights accross attributes. Journal of Consumer Research 8, 471-474.
WONNACOTT, T.H. Y WONNACOTT, R.J. (1977): Introductory Statistics for Business and
Economics. John Wiley & Sons, Nueva York.
;o
WOOTTON, H.J. Y PICK, G.W. (1967): A model for trips generated by households. Journal
of Transport Economics and Policy 1, 137-153.
WOOTTON, H.J., NESS, M.P. Y BURTON, R.S. (1981): Improved direction signs and the
benefits for road users. Traffic Engineering and Control 22, 264-268.
WOOTTON JEFFREYS Y PARTNERS (1980): JAM User Manual. Brookwood.
YEN, J., MAHMASANI, H. Y HERMAN, R. (1998): A model of employee participation in
telecommuting programs based on stated preference data. En J. de D. Ortzar,
D.A. Hensher y S.R. Jara-Daz (eds.), Travel Behaviour Research: Updating the
State of Play. Pergamon, Oxford.
YOUNG, W. Y RICHARDSON, A.J. (1980): Residential location preference models:
compensatory and non-compensatory approaches. Proceedings 8th PTRC Summer
Annual Meeting. University of Warwick, Julio 1980, Inglaterra.
ZAHAVI, Y. (1979): The UMOT project. Report No. DoT-RSPA-DPB-20-79-3, US
Department of Transportation, Washington DC.

Modelling Transport

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modelling Transport

Hochgeladen von

Copyright:

Verfügbare Formate

MODELOS DE TRANSPORTE

Juan de Dios Ortzar y Luis G. Willumsen

necesarios para testear directamente y quizs tambin refutar hiptesis relativas

Figura 2.3. Funcin genrica con asntota en x = .

= n. Una visin alternativa de la probabilidad esperada de un

sc) = P(cs) + P(sx) = 1 / 2

para el caso discreto.

es el valor de la variable Normal estandarizada (N(0,1))

es de 1,645, por lo que se obtiene:

y un intervalo de confianza aproximado 100(1 )% para p viene dado por:

ste es el primero de varios captulos que tratan de los modelos de de-

bX y, como es obvio, esta lnea

b tiene implicaciones muy in-

b ser grande y en consecuencia

b, pero para ello se exige aadir otra nueva hiptesis deno-

b es una combinacin lineal de los Y

Figura 4.5. Influencia del diseo del experimento en el ajuste.

b que son los parmetros

b: la tpica hiptesis nula aqu es H

b) para los cuales se aceptaran hiptesis nulas individuales como

Figura 4.6. Regin de rechazo para b con = 5%.

(2,n 2). Desafortunadamente este

. Sin embargo, para cada valor x

Modelos de generacin de viajes

b). Las ecuaciones que resuelven el problema son similares aunque

b no son independientes y no pueden resolverse de forma nica.

se puede reescribir (5.44) as:

El modelo [(6.8) (6.10)] representa la buena prctica de la modeliza-

log exp( ) exp( )

Conociendo los valores de las derivadas, cualquier algoritmo de bsqueda

est generalmente limitada y presenta numerosos parmetros fijos, en la

se obtiene la Normal estndar N(0,1); por lo tanto

que corresponde al valor esperado del nmero de individuos que eligen la

representan la media y la matriz de covarianza de las nuevas

< < . < + <

Variable (opcin introducida)

Tiempo de transporte pblico (2, 3)

Tiempo de viaje (1-3)

); entonces sustituyendo (7.3) y (9.2)

Cuanto ms bajo es el valor de este estadstico mejor es el ajuste (menor el

situaciones sin coordinacin semafrica. El problema es que el patrn de flujos

El problema resulta ser ms complejo cuando se tienen en cuenta las interac-

max log 0, exp( ) |

Safwat y Magnanti (1988) analizaron cunta flexibilidad puede conservarse

Los mtodos de asignacin estocstica puros, como los de Burell y Dial,

Ambas transformaciones pueden combinarse en una nueva funcin que se

( / ) ( ) 1 log exp DAP

El parmetro especifica el valor de la funcin en I = 0, es decir:

Das könnte Ihnen auch gefallen