Impacto de los factores socioeconómicos y cognitivos en la … · 2020-01-20 · características...
Transcript of Impacto de los factores socioeconómicos y cognitivos en la … · 2020-01-20 · características...
Impacto de los factores socioeconómicos y cognitivos en la optimalidad de rutas de viaje en
transporte público
Carlos Céspedes - Sebastián Raveau
07 octubre 2019
1
Contenidos de la presentación
2
Introducción y
Discusión
Hipótesis y
Objetivos
Diseño
y
Aplicación
de encuesta
Capacidad
de minimizar
el TETV
Conclusiones
Modelo Logit Mixto
Introducción
Los modelos de elección de ruta juegan un rol importante en la planificación y
configuración del transporte público. Por ejemplo, estos permiten:
- Pronosticar el comportamiento de los viajeros ante escenarios hipotéticos.1
- Predecir futuras condiciones del tráfico en la red de transporte.1
- Resolver el problema de asignación dentro del modelo clásico de transporte.2
1 Prato, C.G. (2009). Route choice modeling: past, present and future research directions.2 Ortúzar, J. de D., y Willumsen, L.G. (2011). Modelling transport. 3
Introducción
Sin embargo, la modelación de elección de ruta no está exenta de desafíos,
puesto que no necesariamente el modelador tiene conocimiento del
comportamiento de los usuarios del sistema (preferencias y percepciones).
4
Introducción
Sin embargo, la modelación de elección de ruta no está exenta de desafíos,
puesto que no necesariamente el modelador tiene conocimiento del
comportamiento de los usuarios del sistema (preferencias y percepciones).
Ante eso, usualmente la literatura asume que en la realidad todos los
viajeros minimizan su tiempo esperado total de viaje (TETV).
TETV = 𝑡# + 𝑡%
5
Alternativas de viaje
Generalmente, la modelación de elección de ruta estima que los viajeros de
transporte público de alta frecuencia se comportan bajo tres tipos de
alternativas de viaje:
- Itinerario (IT).
- Línea común (LC).
- Hiper-ruta (HY).
6
Alternativas de viaje
Itinerario:
M N𝑳𝒃O D
7
Alternativas de viaje
Línea común:
M NO D
𝑳𝒃(𝟏
𝑳𝒃(𝟐
𝑳𝒃(𝑩
…
𝑳𝒃 𝝐 𝑿
8
Alternativas de viaje
Hiper-ruta:
MO D
𝑳𝒃 𝝐 𝑿
𝑳𝒃(𝟏N𝟏
N𝟐
N𝒏
𝑳𝒃(𝟐𝑳𝒃(𝟑
𝑳𝒃(𝑩 ……
9
Modelos de elección de ruta
Se han planteado tres modelos de modelos de elección de ruta para modelar
el comportamiento de los viajeros al interior del transporte público:
- Modelo de Itinerarios Mínimos.
- Modelo de Rutas Mínimas.
- Modelo de Estrategias Mínimas.
10
Modelo
Itinerarios
Mínimos
IT
11
mínimo
Modelo
Itinerarios
Mínimos
IT
Modelo
Rutas
Mínimas
LC
12
mínimo mínima
Modelo
Estrategias
Mínimas
Modelo
Itinerarios
Mínimos
IT
Modelo
Rutas
Mínimas
LC HY
13
mínimo mínima mínima
Modelo
Estrategias
Mínimas
Modelo
Itinerarios
Mínimos
IT
Modelo
Rutas
Mínimas
LC HY
14
ESTRAUS1 EMME y VISUM2
1 De Cea, J., Fernandez, J.E., Dekock, V., Soto, A., y Friesz, T.L. (2003). ESTRAUS: a computer package for solving supply-demand equilibrium problems
on multimodal urban transportation networks with multiple user classes.2 Hildebrand, C., y Hörtin, S. (2014). A comparative study between Emme and Visum with respect to public transport assignment.
Software de asignación:
mínimo mínima mínima
Modelo
Estrategias
Mínimas
Modelo
Itinerarios
Mínimos
IT
Modelo
Rutas
Mínimas
LC HY
15
%? %? %?
%? %? %?
mínimo mínima mínima
16
En la realidad1
67% 29% 4%
1 Raveau, S., y Muñoz, J.C. (2014). Analyzing route choice strategies on transit network.
IT LC HY
¿ Optimalidad ?
:
17
IT LC HY
¿ Optimalidad ?
¿ Realmente todos minimizan su TETV ?
En la realidad1
67% 29% 4%
1 Raveau, S., y Muñoz, J.C. (2014). Analyzing route choice strategies on transit network.
:
Discusión teórica
¿Qué dicen otras investigaciones?
- Prato, C.G. (2009)1
- Fonzone et al. (2010)2
- Kurauchi et al. (2012)3
Los factores socioeconómicos y las
características del viaje inciden en las
estrategias de viaje de los viajeros
1 Prato, C.G. (2009). Route choice modeling: past, present and future research directions.
2 Fonzone, A., Schmöcker, J.D., Bell, M.G., Gentile, G., Kurauchi, F., Nökel, K., y Wilson, N.H. (2010). Do “hyper-travellers” exist?–Initial results of an
international survey on public transport user behaviour.3 Kurauchi, F., Schmöcker, J.D., Fonzone, A., Hemdan, S.,y Bell, M. (2012). Estimating weights of times and transfers for hyperpath travelers. 18
Enfoques
Verificar si los viajeros minimizan su TETV al interior
del sistema de transporte público de alta frecuencia.
19
Enfoques
Verificar si los viajeros minimizan su TETV al interior
del sistema de transporte público de alta frecuencia.
Determinar si los viajeros poseen la capacidad de realizar aquello.
aproximación del estudio
20
Enfoques
Verificar si los viajeros minimizan su TETV al interior
del sistema de transporte público de alta frecuencia.
Determinar si los viajeros poseen la capacidad de realizar aquello.
aproximación del estudio
Redes hipotéticas de transporte público de alta frecuencia (RHTP).21
22
Introducción y
Discusión
Hipótesis y
Objetivos
Diseño
y
Aplicación
de encuesta
Capacidad
de minimizar
el TETV
Conclusiones
Modelo Logit Mixto
✓
Hipótesis
No todos los viajeros de transporte público de alta frecuencia poseen la capacidad de minimizar su TETV.
La capacidad disminuye a medida que aumenta la complejidad de la situación de elección de alternativas de viaje.
23
Objetivos
I. Investigar qué tipo de alternativas de viajes son utilizadas sobre las RHTP.
24
Objetivos
I. Investigar qué tipo de alternativas de viajes son utilizadas sobre las RHTP.
II. Estimar valoración del 𝑡% y del costo 𝑡0 respecto al 𝑡# sobre las RHTP.
25
Objetivos
I. Investigar qué tipo de alternativas de viajes son utilizadas sobre las RHTP.
II. Estimar valoración del 𝑡% y del costo 𝑡0 respecto al 𝑡# sobre las RHTP.
III. Examinar el % efectivo de personas que minimiza su TETV sobre las RHTP.
26
Objetivos
I. Investigar qué tipo de alternativas de viajes son utilizadas sobre las RHTP.
II. Estimar valoración del 𝑡% y del costo 𝑡0 respecto al 𝑡# sobre las RHTP.
III. Examinar el % efectivo de personas que minimiza su TETV sobre las RHTP.
IV. Evaluar si la capacidad de minimizar el TETV se reduce al incrementar la
dificultad de las RHTP.
27
Objetivos
I. Investigar qué tipo de alternativas de viajes son utilizadas sobre las RHTP.
II. Estimar valoración del 𝑡% y del costo 𝑡0 respecto al 𝑡# sobre las RHTP.
III. Examinar el % efectivo de personas que minimiza su TETV sobre las RHTP.
IV. Evaluar si la capacidad de minimizar el TETV se reduce al incrementar la
dificultad de las RHTP.
V. Determinar cuáles son los factores socioeconómicos y cognitivos que
influyen sobre la capacidad de minimizar el TETV dentro de las RHTP.
28
29
Introducción y
Discusión
Hipótesis y
Objetivos
Diseño
y
Aplicación
de encuesta
Capacidad
de minimizar
el TETV
Conclusiones
Modelo Logit Mixto
✓ ✓
Diseño de la encuesta
Para desarrollar la investigación, se diseñó una encuesta que fuese capaz de
captar la información requerida. Esta se elaboró en base a dos evaluaciones:
- M10.
- Hyperpath.
Ambas fueron programadas en “surveygizmo.com”.
30
M10
Prueba psicológica, confeccionada por el Centro de Desarrollo de
Tecnologías de Inclusión UC, que:
- Posee una duración límite de 10 minutos.
- Capta la inteligencia general de las personas por medio de 34 preguntas.
- Entrega un indicador absoluto de inteligencia general → PSI
31
M10
Habilidades de seriación
Ejemplo:
Observe la siguiente serie: 1 – 3 – 7 – 15 – 31 – X
¿Cuál de las siguientes opciones debería ir en X?
a) 16 b) 63 c) 62 d) 76 e) 38
32
Hyperpath
- Preguntas socioeconómicas (PS).
- Preguntas de Preferencias Reveladas (PPR).
- Preguntas de Preferencias Declaradas (PPD).
33
Hyperpath: PS
Proporcionan los aspectos socioeconómicos de los encuestados.
- Edad.
- Sexo.
- Nivel de ingreso.
- Nivel de educación formal.
- Ocupación.
34
Hyperpath: PPR
Permiten observar el comportamiento real del encuestado al interior del
transporte público, captando sus restricciones individuales.
Estas se encuentran orientadas a revelar detalles respecto al viaje que el
encuestado realiza con más frecuencia en la actualidad durante la semana
en el sentido de ida.
35
Hyperpath: PPR
- ¿Cuánto tiempo dura su viaje?
• Menos de 20 minutos• 20 minutos• 30 minutos• 40 minutos• 50 minutos• 60 minutos• Más de 60 minutos
36
Hyperpath: PPD
Permiten captar el comportamiento hipotético del encuestado sobre las
RHTP.
Antes de elaborar las PPD, fue necesario construir las RHTP.
37
Hyperpath: PPD
Las RHTP fueron diseñadas en base a paraderos y líneas de buses, de
manera que los encuestados enfrentan las siguientes condiciones de viaje:
- Tiempo de viaje a bordo del vehículo determinístico y conocido (𝑡#(2%3).
- Tiempo de espera promedio equivalente al headway completo (𝑡%(4056).
- No existe congestión.
38
𝐿8: (𝑡#(2%3 ; 𝑡%(4056)M N
Hyperpath: PPD
Así también, las RHTP fueron configuradas de modo que:
- Aumente la complejidad (nodos y líneas de buses).
- Puedan utilizar IT, LC o HY.
- Se ajusten al contexto del encuestado.
39
• Menos de 20 minutos
• 20 minutos
• 30 minutos
• 40 minutos
• 50 minutos
• 60 minutos
• Más de 60 minutos
RHTP que posean un
IT mínimo con:
𝑡#(2%3 = 20 min
𝑡#(2%3 = 30 min
𝑡#(2%3 = 40 min
𝑡#(2%3 = 50 min
𝑡#(2%3 = 60 min
40
¿Cuánto tiempo dura su viaje?
• Menos de 20 minutos
• 20 minutos
• 30 minutos
• 40 minutos
• 50 minutos
• 60 minutos
• Más de 60 minutos
RHTP que posean un
IT mínimo con:
𝑡#(2%3 = 20 min
𝑡#(2%3 = 30 min
𝑡#(2%3 = 40 min
𝑡#(2%3 = 50 min
𝑡#(2%3 = 60 min
41
¿Cuánto tiempo dura su viaje?
5pivotes
temporales
Hyperpath: PPD
RHTP 0x0
𝑳𝟏: (37 ; 15)
𝑳𝟐: (30 ; 10)𝑳𝟑: (34 ; 12)A B
𝑳𝟏: (35 ; 10)
𝑳𝟐: (30 ; 15)𝑳𝟑: (33 ; 12)A B
RHTP 0x0-A RHTP 0x0-B
42
Hyperpath: PPD
RHTP 1x0
𝑳𝟏: (13 ; 15)𝑳𝟐: (12 ; 12)
𝑳𝟑: (39 ; 10)
A B
C𝑳𝟒: (18 ; 2)
RHTP 1x0-A
RHTP 1x0-B
RHTP 1x0-C
𝑳𝟏: (10 ; 15)
𝑳𝟒: (20 ; 12)𝑳𝟓: (46 ; 6)
A B
C𝑳𝟔: (24 ; 15)
𝑳𝟐: (52 ; 15)
𝑳𝟑: (74 ; 3)
𝑳𝟏: (33 ; 6)𝑳𝟐: (10 ; 15)
𝑳𝟒: (75 ; 6)
A B
C
𝑳𝟓: (26 ; 15)𝑳𝟑: (52 ; 15)
𝑳𝟔: (20 ; 12)
43
Hyperpath: PPD
RHTP 1x1
RHTP 1x1-A
RHTP 1x1-B
RHTP 1x1-C
𝑳𝟏: (10 ; 15)𝑳𝟐: (13 ; 15)
𝑳𝟑: (12 ; 10)
A B
C
𝑳𝟒: (22 ; 1)
D𝑳𝟓: (18 ; 6)
𝑳𝟏: (20 ; 15)𝑳𝟐: (42 ; 15)
𝑳𝟑: (12 ; 15)
A B
C
𝑳𝟒: (30 ; 15)
D𝑳𝟕: (21 ; 15)
𝑳𝟓: (10 ; 12)
𝑳𝟔: (20 ; 10)
𝑳𝟏: (20 ; 15)𝑳𝟐: (43 ; 5)
𝑳𝟒: (10 ; 12)
A B
C
𝑳𝟔: (16 ; 6)
D𝑳𝟗: (27 ; 5)
𝑳𝟕: (10 ; 4)
𝑳𝟖: (20 ; 4)
𝑳𝟑: (20 ; 15)
𝑳𝟓: (28 ; 4)
44
Línea 𝒕𝒗(𝒅𝒆𝒕 𝒕𝒆(𝒑𝒓𝒐𝒎 𝒇𝒓𝒆𝒄
𝑳𝟏 10 5 12
𝑳𝟐 21 2 30
𝑳𝟑 26 15 4
𝑳𝟒 10 10 6
𝑳𝟓 12 12 5
Supón que tu objetivo es llegar al paradero C, y cuentas con la siguiente información:
A B
C
𝑳𝟏: (10 ; 5)
𝑳𝟐: (21 ; 2)
𝑳𝟑: (26 ; 15)
𝑳𝟒: (10 ; 10)
𝑳𝟓: (12 ; 12)
45
Si tu objetivo es llegar a C, ¿qué línea(s) utilizarías en A? Puedes marcar más de una opción.¨ 𝑳𝟏¨ 𝑳𝟐¨ 𝑳𝟑
Línea 𝒕𝒗(𝒅𝒆𝒕 𝒕𝒆(𝒑𝒓𝒐𝒎 𝒇𝒓𝒆𝒄
𝑳𝟏 10 5 12
𝑳𝟐 21 2 30
𝑳𝟑 26 15 4
𝑳𝟒 10 10 6
𝑳𝟓 12 12 5
Supón que tu objetivo es llegar al paradero C, y cuentas con la siguiente información:
A B
C
𝑳𝟏: (10 ; 5)
𝑳𝟐: (21 ; 2)
𝑳𝟑: (26 ; 15)
𝑳𝟒: (10 ; 10)
𝑳𝟓: (12 ; 12)
46
Si tu objetivo es llegar a C, ¿qué línea(s) utilizarías en A? Puedes marcar más de una opción.¨ 𝑳𝟏¨ 𝑳𝟐¨ 𝑳𝟑
(Esta pregunta es independiente a la anterior)Si tu objetivo es llegar a C, ¿qué línea(s) utilizarías en B? Puedes marcar más de una opción.¨ 𝑳𝟒¨ 𝑳𝟓
Línea 𝒕𝒗(𝒅𝒆𝒕 𝒕𝒆(𝒑𝒓𝒐𝒎 𝒇𝒓𝒆𝒄
𝑳𝟏 10 5 12
𝑳𝟐 21 2 30
𝑳𝟑 26 15 4
𝑳𝟒 10 10 6
𝑳𝟓 12 12 5
Supón que tu objetivo es llegar al paradero C, y cuentas con la siguiente información:
A B
C
𝑳𝟏: (10 ; 5)
𝑳𝟐: (21 ; 2)
𝑳𝟑: (26 ; 15)
𝑳𝟒: (10 ; 10)
𝑳𝟓: (12 ; 12)
47
Hyperpath: PPD
48
A B
RHTP 0x0
A BS2N
Hyperpath: PPD
49
A B
C
RHTP 1x0
A B
C
S3N
B
C
S2N
Hyperpath: PPD
50
RHTP 1x1
S4N
S2NA B
C D
A B
C D
B
D
S2N C D
Hyperpath: PPD
En resumen:
51
14 situaciones de viaje S2N - S3N - S4N
8 RHTP adecuadas a su respectivo pivote temporal
1 encuestado20 min30 min40 min50 min60 min
Aplicación de la encuesta
Tamaño muestral : 300 personas (𝛼 = 10%, 𝐸 = 5%).
Recolección : octubre y noviembre, 2018.
A partir de este proceso, se generó una base primaria de datos.
52
Calibración de los datos
La calibración de la base primaria de datos se dividió en dos partes:
- Depuración de los datos.
53
Calibración de los datos
La calibración de la base primaria de datos se dividió en dos partes:
- Depuración de los datos.
- Validación de los datos:
• Encuesta Origen Destino 2012.
• Encuesta Suplementaria de Ingreso 2017.
• Censo 2017.
54
Calibración de los datos
La calibración de la base primaria de datos se dividió en dos partes:
- Depuración de los datos.
- Validación de los datos:
• Encuesta Origen Destino 2012.
• Encuesta Suplementaria de Ingreso 2017.
• Censo 2017.
Factores de
corrección
55
Descripción de la muestra: PPD
78,49% 70,80%57,75%
21,51%11,17%
14,72%
18,03% 27,53%
0%10%20%30%40%50%60%70%80%90%
100%
S2N S3N S4N
Situación de viaje
IT LC HY
56
57
Introducción y
Discusión
Hipótesis y
Objetivos
Diseño
y
Aplicación
de encuesta
Capacidad
de minimizar
el TETV
Conclusiones
Modelo Logit Mixto
✓ ✓ ✓
Modelo Logit de Nidos Cruzados
58
1 Vovsha, P. (1997). Application of cross-nested logit model to mode choice in Tel Aviv, Israel, metropolitan area.2 Ben-Akiva, M., y Bierlaire, M. (1999). Discrete choice methods and their applications to short term travel decisions.3 Papola, A. (2004). Some developments on the cross-nested logit model.
Cross Nested Logit (Vovsha, 19971; Ben-Akiva y Bielarie, 19992; Papola, 20043).
Utilizado para generar un modelo de alternativas de viajes con el cual se estimó:
- la valoración del 𝑡%(4056 y del costo 𝑡0 respecto al 𝑡# sobre las RHTP.
- la correlación de las alternativas de viaje que comparten líneas de buses.
Capacidad de minimizar el TETV
Del modelo Logit de Nidos Cruzados se obtuvo que, en promedio, los
encuestados poseen las siguientes valoraciones:
- 𝑡%(4056 : 1,35 min espera / min viaje
- 𝑡0 : 16,73 transbordo / min viaje
59
Capacidad de minimizar el TETV
Del modelo Logit de Nidos Cruzados se obtuvo que, en promedio, los
encuestados poseen las siguientes valoraciones:
- 𝑡%(4056 : 1,35 min espera / min viaje
- 𝑡0 : 16,73 transbordo / min viaje
60
Cifras consistentes con
valoraciones estimadas
en la realidad1,2,3
1 Abud, I. (2015). Modelos de elección de paradero, modo y ruta para herramientas de planificación de transporte público.
2 Batarce, M., Muñoz, J.C., Ortúzar, J. de D., Raveau, S., Mojica, C., & Ríos, R.A. (2015). Use of mixed stated and revealed preference data for crowding
valuation on public transport in Santiago, Chile.3 Navarrete, F. J. (2010). Valoración subjetiva de los tipos de transbordo en transporte público: caso Santiago de Chile .
Capacidad de minimizar el TETV
¿ Realmente todos minimizan su TETV ?
61
Capacidad de minimizar el TETV
TETV óptimo
Entre un par O-D:
Alternativa
óptima de viaje
62
Capacidad de minimizar el TETV
Rango de eficiencia
Alternativas
eficientes de viaje
TETV óptimo TETV sub-óptimo
Entre un par O-D:
63
Capacidad de minimizar el TETV
Brecha absoluta de tiempo
(BAT)
TETV óptimo TETV sub-óptimo
Entre un par O-D:
64
Capacidad de minimizar el TETV
Brecha absoluta de tiempo
(BAT)
TETV óptimo TETV sub-óptimo
Entre un par O-D:
20 min BAT = 5ʹ 25 min
65
Capacidad de minimizar el TETV
Brecha absoluta de tiempo
(BAT)
20 min
TETV óptimo TETV sub-óptimo
Entre un par O-D:
BAT = 5ʹ 25 min
60 min BAT = 5ʹ 65 min
66
Evolución de la capacidad S2N de minimizar el TETV variando BAT
67
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón d
e ob
serv
acio
nes
S2N
BAT
20 min 30 min 40 min 50 min 60 min
Pivote temporal
Evolución de la capacidad S3N de minimizar el TETV variando BAT
68
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón d
e ob
serv
acio
nes
S3N
BAT
20 min 30 min 40 min 50 min 60 min
Pivote temporal
Evolución de la capacidad S4N de minimizar el TETV variando BAT
69Pivote temporal
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón d
e ob
serv
acio
nes
S4N
BAT
20 min 30 min 40 min 50 min 60 min
Evolución de la capacidad promedio de minimizar el TETV variando BAT
70
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón p
rom
edio
de
obse
rvac
ione
s
BAT
S2N S3N S4N
Evolución de la capacidad promedio de minimizar el TETV variando BAT
71
TETV óptimo TETV sub-óptimo
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón p
rom
edio
de
obse
rvac
ione
s
BAT
S2N S3N S4N
Evolución de la capacidad promedio de minimizar el TETV variando BAT
72
TETV óptimo TETV sub-óptimo
decae la capacidad de minimizar el TETV
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón p
rom
edio
de
obse
rvac
ione
s
BAT
S2N S3N S4N
Modelo Logit Mixto
Mixed Logit (McFadden y Train, 20001).
- Correlación de las respuestas de un mismo individuo 𝑞.
- Captar la existencia de heterogeneidad en las preferencias.
73
1 McFadden, D., y Train, K. (2000). Mixed MNL models for discrete response.
𝜃 ~ ( 𝜃, 𝜎QR )
Modelo Logit Mixto
La capacidad de minimizar el TETV fue modelada bajo dos alternativas:
- Sí minimiza TETV
- No minimiza TETV
Se buscaron valores de BAT para S2N, S3N y S4N que permiten describir
de mejor manera los factores que influyen sobre dicha capacidad.
74
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón d
e ob
serv
acio
nes
BAT
S2N S3N S4N
BAT ∈ [5,8′ - 8′]
BAT ∈ [8′ - 8,8′]
BAT ∈ [7,6′ - 9′]
BAT seleccionados para generar modelo Logit Mixto
75
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón d
e ob
serv
acio
nes
BAT
S2N S3N S4N
BAT seleccionados para generar modelo Logit Mixto
BAT crecientes
76
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón d
e ob
serv
acio
nes
BAT
S2N S3N S4N
BAT seleccionados para generar modelo Logit Mixto
capacidad decreciente
77
81,20%
50,18%
31,33%
Modelo Logit Mixto
𝑉VW,X = 𝐴𝑆𝐶VWVR\ ] 𝛿XVR\ + 𝐴𝑆𝐶VWV_\ ] 𝛿XV_\ + 𝐴𝑆𝐶VWV`\ ] 𝛿XV`\
+ 𝛽bc ] 𝐸𝐷X + 𝛽We ] 𝐼𝐴X
− 𝑒𝑥𝑝 𝛽b2k2 + 𝜎b2k2R ] 𝜉 ] 𝐿𝑛 𝐸𝑑𝑎𝑑X
+ 𝑒𝑥𝑝 𝛽ppVW + 𝜎ppVWR ] 𝜉 ]𝑃𝑃𝑆𝐼 X
rsstu − 1𝛾ppVW
+ 𝛽xy ] 𝐵𝑇X + 𝛽| ] 𝑀X + 𝛽y~ ] 𝑇𝐶X
𝑉\�,X = 0
78
Modelo Logit Mixto
�𝛽 Valor Test-t / 0 �𝛽 Valor Test-t / 0
𝐴𝑆𝐶VWVR\ 3,62 3,76 𝛽b(6 -1,9 -1,95
𝐴𝑆𝐶VWV_\ 0,961 1,73 𝛽b(� 0,974 2,2
𝐴𝑆𝐶VWV`\ 0,0621 0,13 𝛽bc 0,522 3,94
𝛽ppVW(6 0 (fijo) - 𝛽We 0,507 1,69
𝛽ppVW(� 1,58 4,67 𝛽xy 0,248 1,94
𝛾ppVW 0,868 2,18 𝛽| 0,241 1,82
𝛽y~ -0,466 -2,34
79
Demoró 1,25 horas en converger, y su log-verosimilitud es -2.151,312.
Modelo Logit Mixto
La probabilidad de minimizar el TETV es mayor para aquellos que:
- Poseen estudios universitarios o postgrado
- Perciben un ingreso mayor a $1.550.000
- Viajan frecuentemente usando bus de Transantiago
- Viajan frecuentemente usando Metro
- No utilizan habitualmente taxi colectivo
vs caso contrario
80
Modelo Logit Mixto
Además, el modelo indicó que dicha probabilidad:
- Disminuye mientras se eleva la edad bajo una transformación logarítmica.
- Aumenta a mayor puntaje PSI.
En tales variables se captó heterogeneidad bajo una distribución Log-Normal.
81
Introducción y
Discusión
82
Hipótesis y
Objetivos
Diseño
y
Aplicación
de encuesta
Modelo Logit de Nidos Cruzados
Capacidad
de minimizar
el TETV
Conclusiones
Modelo Logit Mixto
Valoración del
𝑡% y del costo 𝑡0respecto al 𝑡#
✓ ✓ ✓ ✓ ✓
83
Conclusiones
De acuerdo al comportamiento de los encuestados, se desprende que:
- No todos utilizan el mismo tipo de alternativa de viaje.
84
Conclusiones
De acuerdo al comportamiento de los encuestados, se desprende que:
- No todos utilizan el mismo tipo de alternativa de viaje.
- No todos poseen la capacidad de minimizar el TETV.
85
Conclusiones
De acuerdo al comportamiento de los encuestados, se desprende que:
- No todos utilizan el mismo tipo de alternativa de viaje.
- No todos poseen la capacidad de minimizar el TETV.
- Dicha capacidad es decreciente a mayor complejidad de la situación de viaje.
86
Conclusiones
De acuerdo al comportamiento de los encuestados, se desprende que:
- No todos utilizan el mismo tipo de alternativa de viaje.
- No todos poseen la capacidad de minimizar el TETV.
- Dicha capacidad es decreciente a mayor complejidad de la situación de viaje.
- Los factores socioeconómicos y cognitivos impactan sobre tal capacidad.
87
Limitación general del estudio
Ahora bien, al haber utilizado el enfoque hipotético (RHTP), es posible que los
resultados no sean totalmente replicables en la realidad.
No obstante, se puede argumentar que el enfoque hipotético entrega una cota
máxima del comportamiento que se podría captar en la realidad.
88
Relevancia del estudio
La suposición que suele utilizar la literatura en torno a que todos los viajeros
minimizan su TETV no es adecuada, puesto que el comportamiento de los
encuestados no es estrictamente homogéneo, óptimo, ni complejo.
FIN
89
Carlos Céspedes - Sebastián Raveau
07 octubre 2019
Impacto de los factores socioeconómicos y cognitivos en la optimalidad de rutas de viaje en
transporte público
Carlos Céspedes - Sebastián Raveau
07 octubre 2019
90
Pueden existir personas que para S3N decidan:
- Minimizar su TETV.
- Minimizar la realización de transbordos.
- Compensar ambas minimizaciones.
91
Capacidad de minimizar el TETV
Pueden existir personas que para S3N decidan:
- Minimizar su TETV.
- Minimizar la realización de transbordos.
- Compensar ambas minimizaciones.
Quizás también tengan la
capacidad de minimizar su TETV
92
Capacidad de minimizar el TETV
Evolución de la capacidad promedio de minimizar el TETV variando BAT
93
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón p
rom
edio
de
obse
rvac
ione
s
BAT
S2N S3N S3N cota máx S4N
Evolución de la capacidad promedio de minimizar el TETV variando BAT
TETV óptimo TETV sub-óptimo
decae la capacidad de minimizar el TETV
94
0%10%20%30%40%50%60%70%80%90%
100%
0′ 1′ 2′ 3′ 4′ 5′ 6′ 7′ 8′ 9′ 10′
Prop
orci
ón p
rom
edio
de
obse
rvac
ione
s
BAT
S2N S3N S3N cota máx S4N
Descripción de la muestra: PS
54,48%
45,52%
58,21%
22,20%
9,49%
6,46%
3,64%
→
→
→
→
→
→
→
Sexo
Ocupación
femenino
masculino
trabajador(a)
estudiante
jubilado(a)
dueño(a) de casa
cesante95
Descripción de la muestra: PS
20,50%
12,63%
9,79%
9,21%
8,25%
8,52%
8,93%
6,53%
5,48%
10,16%
0% 5% 10% 15% 20% 25%
18-24
25-29
30-34
35-39
40-44
45-49
50-54
55-59
60-64
65 o más
Proporción de la muestra
Ran
go e
tario
(año
s)
42,92%
41,44%
15,64%
Edad
→
→
→
18 - 34 años
35 - 59 años
≥ 60 años
96
Descripción de la muestra: PS
22,54%
21,20%
33,37%
12,75%
4,23%
3,07%
1,08%
1,76%
0% 5% 10% 15% 20% 25% 30% 35% 40%
No trabaja
$1-$300.000
$300.001-$550.000
$550.001-$800.000
$800.001-$1.050.000
$1.050.001-$1.300.000
$1.300.001-$1.550.000
Más de $1.550.000
Proporción de la muestra
Ran
go d
e in
gres
o
43,74%
46,12%
10,14%
Nivel de ingreso
→
→
→
≤ $300.000
$300.001 -$800.000
≥ $800.001
97
Descripción de la muestra: PS
3,68%
5,27%
17,19%
8,24%
20,44%
26,24%
14,92%
4,02%
0% 5% 10% 15% 20% 25% 30%
Básica incompleta
Media incompleta
Media completa
Técnica superior incompleta
Técnica superior completa
Universitaria incompleta
Universitaria completa
Postgrado
Proporción de la muestra
Niv
el d
e ed
ucac
ión
45,18%
28,68%
26,14%
Nivel de educación
→
→
→
Universitaria ypostgrado
Técnicasuperior
Escolar
98
Descripción de la muestra: PPR
72,74%
75,32%
10,15%
8,05%
7,75%
→
→
→
→
→
94,43%
utiliza una o más veces
el transporte público
Metro
bus de Transantiago
taxi colectivo
bus interurbano
otro modo
99
Descripción de la muestra: PPR
8,26%
10,58%
20,00%
23,17%
10,83%
16,03%
11,13%
0% 5% 10% 15% 20% 25%
Menos de 20 minutos
20 minutos
30 minutos
40 minutos
50 minutos
60 minutos
Más de 60 minutos
Proporción de la muestra
Exte
nsió
n te
mpo
ral d
e vi
aje
100
Capacidad de minimizar el TETV
Rango de eficiencia
Alternativas
eficientes de viaje
TETV óptimo TETV sub-óptimo
Entre un par O-D:
101
Capacidad de minimizar el TETV
20 min
TETV óptimo TETV sub-óptimo
Entre un par O-D:
BRT = 5% 21 min
60 min 63 minBRT = 5%
Brecha relativa de tiempo
(BRT)
102
Evolución de la capacidad S2N de minimizar el TETV variando BRT
103
0%10%20%30%40%50%60%70%80%90%
100%
0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10%
Prop
orci
ón d
e ob
serv
acio
nes
S2N
BRT
20 min 30 min 40 min 50 min 60 min
Evolución de la capacidad S3N de minimizar el TETV variando BRT
104
0%10%20%30%40%50%60%70%80%90%
100%
0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10%
Prop
orci
ón d
e ob
serv
acio
nes
S3N
BRT
20 min 30 min 40 min 50 min 60 min
Evolución de la capacidad S4N de minimizar el TETV variando BRT
105
0%10%20%30%40%50%60%70%80%90%
100%
0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10%
Prop
orci
ón d
e ob
serv
acio
nes
S4N
BRT
20 min 30 min 40 min 50 min 60 min