Revista de la Facultad de Ingeniera de la U.C.V., Vol. 21, N 3, pp. 6979, 2006

69

INTRODUCCIN

En la mayora de los estudios viales es requisito bsicoconocer de manera aproximada el volumen de trnsito sobrela va, expresado por el TMDA (Trnsito Medio DiarioAnual), o su equivalente en Venezuela dado por el PDT(Promedio Diario de Trfico), registrado a lo largo de un aocalendario sobre una seccin de un camino o arteria.

TMDA POR CONTEOS DIARIOSAPLICACIN EN LA REGIN CENTRAL DE LA ARGENTINA

Recibido: mayo de 2006 Recibido en forma final revisado: diciembre de 2006

JULIN RIVERArea Estudios del Transporte. Centro de Investigaciones Viales LEMaC, UTN, La Plata,

calle 60 y 124, La Plata (1900), Bs. As., Argentina. Te/Fax: 0054-221-4890413.lemac@frlp.utn.edu.ar. www.frlp.utn.edu.ar/lemac

RESUMEN

En los estudios viales es requisito conocer el trnsito que por una va circula, expresado por el TMDA (Trnsito MedioDiario Anual), o su equivalente en Venezuela dado por el PDT (Promedio Diario de Trfico). As, se promedian volmenesgenerados por actividades no constantes e intermitentes (estudio, trabajo, vacaciones, esparcimiento, etc.) lo cual requiererealizar censos volumtricos continuos de envergadura. En tareas de mediano y corto plazo, en aquellas de solucionesinmediatas o para las cuales no se cuenta con los suficientes recursos o datos esto se hace difcil. Por tal razn, suelerecurrirse a conteos espordicos que, ante la carencia de series histricas, son extrapolados de manera subjetiva porprofesionales que a veces no guardan relacin directa con la temtica trnsito. La incertidumbre generada as es grande,desvirtundose la aplicacin posterior de parmetros que estn sostenidos en datos certeros, obtenindose confiabilidadesmuy bajas. Por estas razones se plantea este trabajo, que busca la obtencin de una metodologa objetiva, para la extrapolacinde conteos espordicos de trnsito al TMDA; aplicable en sus resultados en una amplia zona homognea (Provincias deBuenos Aires, Santa Fe, Crdoba, Entre Ros y La Pampa) de la Argentina. La metodologa cuenta con modelos obtenidospor tcnicas de regresin simple y mltiple, y es validada y discutida con otras formas de clculo, obtenindose resultadosaceptables desde el punto de vista estadstico.Palabras clave: Trnsito Medio Diario Anual, regresin matemtica, volumen de trnsito, anlisis y mtodos estadsticos,Promedio Diario de Trfico.

AADT BY DAILY COUNTS APPLIEDTO THE CENTRAL REGION OF ARGENTINA

ABSTRACT

In studies on roads and highways, it is necessary to know the volume of traffic that uses a particular road, often expressedas the Annual Average Daily Traffic (AADT). Thus, volumes generated by no constant and intermittent activities (study,work, vacations, etc.) must be averaged out, requiring continuous volumetric censuses. In short and medium term tasks, inthose of immediate solution or where there are not sufficient resources or data, this becomes difficult. For this reason,sporadic counts are usually used that, since no historical data exists, are subjectively extrapolated by professionals whosometimes are not directly concerned with traffic problems. This produces a good deal of uncertainty, weakening the laterapplication of parameters that are based on accurate data, thus leading to very low levels of reliability. For these reasons,this work attempts to obtain an objective methodology for the extrapolation of sporadic counts of traffic to the AADT;applicable in its results in a wide area (Provinces of Buenos Aires, Santa Fe, Crdoba, Entre Rios and La Pampa) ofArgentina. The methodology relies on models obtained by techniques of simple and multiple regression, and is validatedand discussed with other forms of calculation, obtaining acceptable results from the statistical point of view.Keywords: Annual Average Daily Traffic, Mathematical regression, Traffic volumec, Statistical analysis and methods.

Pero esta cuestin de medir durante todo un ao, para recinall alcanzar conclusiones muchas veces no es factible, puesse trata de aplicaciones en lo tctico u operativo, es poresto que se recurre a los conteos espordicos para suposterior extrapolacin.

Este trabajo busca aportar una metodologa simplificada,constituida por una sistemtica de relevamiento y algoritmos

70Figura 1. Anlisis tradicional del trnsito

Figura 2. Anlisis segn la estadstica

El considerar los incrementos de trnsito en forma anualcomo valores de referencia, segn se hace tradicionalmente,es una tcnica por dems empleada y difundida, que tieneuna buena adaptacin para su empleo y que el profesionalrelacionado con la temtica acepta intuitivamente (Hay,1998). Lo que en cambio resulta difcil de aceptar es la idea

de llevar al crecimiento del trnsito en un hecho escalonadoen el tiempo. Resulta ms realista el aceptarlo como algogradual dentro del propio ciclo anual, en forma proporcional(crecimiento lineal), en donde la pendiente de lo quedenominamos tendencia anual lo refleja. Atendindose alo que ilustramos en la figura 3.

Figura 3. Anlisis propuestoEl tomar como base estos conceptos es lo que lleva a lanecesidad de retrotraer los datos de trnsito para sucomparacin al da 1 del ao, para que luego de ser realizadoslos clculos necesarios puedan ser expandidos en funcinde la tasa de crecimiento. Estas consideraciones agreganun trmino adicional a la forma tradicional de clculo delTMDA (Faria, 2002), ya que al encontrarse los datoslibrados de su tendencia anual es necesario incluirla alfinal del clculo. Por ello, en rasgos generales, el modelo endesarrollo lleva la siguiente forma:

TMDA = TD0 x ALGCOEF.D x ALGCOEF.M x ALGTCT

Donde:

TD0 = Es el trnsito diario determinado por el censoespordico descontado el crecimiento hasta esa altura delao.

de aplicacin, sostenida en un fuerte anlisis estadstico deregresin, que puede ser utilizada como alternativa oreemplazo de la metodologa clsica, sin necesidad deextrapolaciones subjetivas generadas por la falta de datos oel conocimiento acabado del lugar en estudio, y con lasuficiente confiabilidad en la aproximacin.

A nivel mundial existen estudios tendientes a establecer losparmetros de comportamiento del trnsito para permitir elclculo del TMDA mediante la utilizacin de conteosespordicos. Como ejemplo se pueden mencionar las curvasde Petroff y Blensly (1954), destacando su particularantigedad y restriccin geogrfica. Es justamente larestriccin geogrfica lo que hace que no exista unametodologa clara para su aplicacin generalizada y muchomenos para la regin central de la Argentina, lugar propuestopara la realizacin del estudio.

Por otro lado, para la obtencin de TMDA sin conteoscontinuos la ingeniera de trnsito ha tendido a laimplementacin de los denominados censos de cobertura(Cal y Mayor, 1995; Girardotti, 2003). Estos son bsicamentela extrapolacin de mediciones puntuales realizadas en unaseccin por medio de las curvas establecidas por censoscontinuos en puntos cercanos al lugar en estudio. Estatcnica slo puede ser bien utilizada cuando el anlisis esdirigido por un especialista de trnsito, que puede interpretarla validez de relacionar un punto con el otro, profesionalgeneralmente no disponible en estudios que requieren lavaloracin del TMDA para implementaciones en etapas deevaluacin de alternativas, anteproyecto o incluso en elpropio proyecto. A esta complicacin debe sumarse el hechono menor de que en la prctica slo se cuenta con este tipode conteos continuos en rutas principales o zonas urbanasmuy desarrolladas.

EL ESTUDIO EN CUESTIN

Habitualmente cuando se aplica el concepto de incrementode trnsito se tiende a la simplificacin de considerarlo comoun hecho escalonado ao a ao. Es decir queconceptualmente se supone que durante el ciclo no existeun crecimiento propio del trnsito, lo que simplifica el anlisisde series por dejarse de lado la consideracin de lacomponente generada por la tendencia (Papacostas, 1987;Cevallos, 2005). La interpretacin grfica de lo expuesto lapodemos ver en la figura 1, donde la TCT es la tasa decrecimiento del trnsito para los respectivos ciclos. Encambio, una visin anloga de lo que dicta la teora de series

de tiempos, sera la que se observa en la figura 2, en dondese da una curva de tendencia (por ejemplo lineal) a largoplazo de la serie, de la cual se desprenden lasestacionalidades (Spiegel, 1988; Fernndez et al., 2004).

71

ALGCOEF.D = es el algoritmo que permite obtener el coeficientede correccin diario que lleva el valor de TDo a la mediamensual, en donde la variable independiente es aquella quetoma valor 1 para el domingo, 2 para el lunes, y 7 para elsbado.

ALGCOEF.M = es el algoritmo que permite obtener elcoeficiente de correccin mensual que lleva el valor de lamedia mensual a la media anual, en donde la variableindependiente es aquella que toma valor 1 para enero, 2para febrero, y 12 para diciembre.

ALGTCT = es el algoritmo que permite llevar a ese valor medioanual al TMDA por afectarlo de la tasa de crecimiento detrnsito supuesta para ese ao en estudio.

TCNICAS EXPERIMENTALES

Delimitacin del rea en Estudio y Antigedad de los Datos

Para el presente trabajo se ha establecido como rea enestudio la conformada por las provincias de Buenos Aires,Crdoba, Santa Fe, La Pampa y Entre Ros. Estas provinciasde la regin central de la Argentina son seleccionadas porconformar una regin relativamente homognea, cuando sela analiza desde el punto de vista socioeconmico (LimaCoimbra, 2003). Como unidad de anlisis se fija el partido (odepartamento) en los que se encuentran divididas lasprovincias, esta decisin surge como un balance entre laprecisin deseada en el estudio y la exactitud alcanzablecon los datos disponibles.

Como comenzamos el anlisis de datos a finales del ao2004, y por cuestiones de antigedad y disponibilidad, seemplean para la obtencin del modelo las seriescomprendidas entre los aos 1993 y 2003, destinando losdatos correspondientes al ao 2004, exclusivamente a lavalidacin de los algoritmos resultantes. Con estosparmetros fijados, procedemos al relevamiento de datosque permite obtener el mapa de cobertura que se observa enla figura 4.

Figura 4. Mapa de cobertura de los datos recabados

Elaboracin de la Matriz Homognea

Los datos recolectados se encuentran expresados de muydiversas formas, poniendo en evidencia la falta de unprocedimiento generalizado de orden nacional al respecto.Esta heterogeneidad en las caractersticas de los datosgenera la necesidad de una fuerte tarea de reconversinpara su inclusin en una matriz general. En realidad estamatriz puede ser tambin analizada como un grupo dematrices, ya que por la estructura elegida para el trabajo sedebe contar como resultado final con matrices que permitanefectuar las regresiones para la obtencin de:

Algoritmos de tasa de incremento de trnsitoAlgoritmos de coeficientes de correccin diariaAlgoritmos de coeficientes de correccin mensual

Para la conformacin de las matrices numricas sobre lasque se realizan las regresiones se establece para lascondiciones de borde de la va:

Para la urbanidad (urbano o rural) se incluye una variableque toma valor 1 cuando el entorno es urbano y 0 cuandoes rural. Se considera entorno rural cuando no se generacon densidad la actividad residencial y/o comercial, esdecir que la accesibilidad se da desde sectores deactividad rural no cotidiana.

Para el uso, se considera una variable que toma valor 1cuando es comercial y valor 0 cuando es turstico. El usoturstico se da cuando es el preponderante en poca devacaciones, es decir que la va sirve evidentemente devinculacin a plazas tursticas.

Para la existencia de peaje se incluye una variable que tomavalor 1 si existe cobro de peaje y 0 si no existe.

Para la clasificacin del trnsito se incluye una variable dadapor el porcentaje de vehculos livianos circulantes(automviles y camionetas).

RESULTADOS

Obtencin de los algoritmos para el incremento del trnsito

A los datos incluidos en las matrices a ser empleadas en lasregresiones se les ha discriminado la tendencia. Esto lleva ala necesidad de incorporar posteriormente un trmino queconsidere el incremento del trnsito. Para obtenerestimativos confiables de los volmenes vehiculares quecircularn en el futuro se utilizan modelos, los cuales sonalimentados utilizando parmetros socioeconmicos (comola poblacin total, la poblacin econmicamente activa, la

72

poblacin ocupada y los vehculos registrados, etc.)(Alonso 2001; Cevallos 2005).

Uno de los datos socioeconmicos utilizable es el de registroautomotor, recabado en la DNRPA (Direccin Nacional deRegistros de Propiedad Automotor), el cual concuerda enser entregado por ao y por localidad. Se establece entonces:

X = variacin de parque automotor (variable independiente)= (automotores en ciclo en estudio automotores cicloanterior) . 100 / (automotores ciclo anterior).Y = crecimiento trnsito (variable dependiente)

Previo al anlisis de regresin se efecta el anlisisestadstico de la muestra, el cual da como resultado asimetrastipificadas y curtosis que se ubican dentro de los valoreslmites de aceptacin, anexndose al anlisis la grfica decajas y bigotes de la figura 5.

Figura 5. Grfico de caja y bigotes de la variacin del parque automotor

Para el anlisis de regresin se emplea el programa TCWin,que al ser cargado con la matriz de datos, da como resultadouna lista de regresiones en orden decreciente de coeficientede correlacin. Basados en el principio de parsimonia, dela lista obtenida se toma la ecuacin que balancea el ajustecon la simplicidad de expresin, en este caso:

Funcin de regresinY = 35,596896 - 243,628504 / X + 555,412790 / X2 - 585,523100/ X3 + 283,681553 / X4 - 51,088958 / X5

Coeficiente R2 de determinacin 0,66

Coeficiente R2 ajustado 0,59

Estadstico F 11,37 (p-valor 0,0000) significativo al 99%

En la figura 6, se puede observar como la funcin se ajustaa nuestra nube de puntos, obtenindose a una ecuacinque arroja valores aceptables de ajuste.

No obstante lo observado en este punto, cabe aclarar que elemplear como variable explicativa el parque automotor puedeno sea una tcnica que de resultados cuando se analiza eltema en otras regiones o pases. En tal sentido se destacaque experiencias previas realizadas en Venezuela no handado buenos resultados.

Obtencin de los algoritmos para los coeficientes diarios

Para el anlisis en busca del algoritmo que permita calcularlos coeficientes diarios de correccin se establece:X = variable independiente, representa los das de la semana;Y = variable dependiente, es el coeficiente diario.

Figura 6. Ajuste de la ecuacin a la nube de puntos, empleando variacin parque automotor

Al analizar la grfica de coeficientes diarios vs. das desemana no se observan claramente grupos de nubes depuntos aislados, pudindose pensar en la realizacin deuna regresin nica. Pero como es de esperarse uncomportamiento diferente entre dos grandes grupos de vas,las que sirven eminentemente a viajes tursticos y las que lohacen a viajes comerciales, se decide incluir la variableclasificatoria por uso de la va. Las figuras 7 y 8, reflejan lainclusin de esta clasificacin.

Podemos ver como la inclusin de la clase realmente generados nubes de puntos diferenciables y como stasconvalidan lo asegurado en la consulta bibliogrfica (Herz

73

Figura 7. Coeficientes diarios vas con viajes tursticos

et al., 2005). As, la primera nube presenta una tendenciahacia una parbola cncava hacia abajo y la segundaaparenta ser una parbola cncava hacia arriba.

Anlisis para vas de uso turstico

Cuando se analiza la figura 7 se observa que la nube depuntos se asemeja a una parbola hacia abajo, por lo que secomienza el anlisis de regresin aplicando directamenteuna linealizacin de la variable independiente que permita laobtencin de su funcin, obtenindose:

Funcin de regresin Y =-0,043715 X2 + 0,363511 X + 0,452025Coeficiente de correlacin mltiple 0,97Coeficiente R2 de determinacin 0,94Coeficiente R2 ajustado 0,94

La estadstica de los residuos resulta:

Asimetra tipificada = 0,35049Curtosis tipificada = -0,553592

Llegndose a la conclusin de que el algoritmo obtenidopara las vas tursticas es vlido.

Anlisis para vas de uso comercial

Al analizar la figura 8, se puede intuir una relacin asimilablea una parbola cncava hacia arriba, pero al no obtenerseresultados ajustados se incluye una nueva variable declasificacin.

Tres son las variables clasificatorias que se pueden incluir,en funcin de los datos disponibles. Estas son la urbanidadde la va, la existencia de peaje o la clasificacin del trnsito.El anlisis detallado de las series determina que la variableclasificatoria faltante es la de existencia o no de peaje sobrela va, con la que se obtienen nubes de puntos concentrados.

Anlisis en vas comerciales con peaje

Al emplear el programa TCWin se obtiene:

Funcin de regresin Y = 0,002781 X5 - 0,053475 X4 + 0,378762X3 - 1,184775 X2 + 1,434157 X + 0,758143Coeficiente R2 de determinacin 0,88Coeficiente R2 ajustado 0,85

El anlisis grfico de la curva ajustada, figura 9 permiteestablecer a sta como la funcin de regresin buscada.

Figura 8. Coeficientes diarios vas comerciales

74

Figura 9. Ajuste de la funcin polinmica de grado cinco, en vas comerciales con peaje

Figura 10. Ajuste de la funcin obtenida, en vas comerciales sin peaje

Anlisis en vas comerciales sin peaje

Al hacer correr los datos con el programa TCWin se obtiene:

Funcin de regresin Y = 1,299385 0,175416 X + 0,110582X2 lnX 0,033388 X3 + 0,001731 eX

Coeficiente R2 de determinacin 0,70Coeficiente R2 ajustado 0,67.

La regresin presenta valores admisibles, mostrando sucurva de ajuste, como se ve en la figura 10.

Obtencin de los algoritmos para los coeficientesmensuales

Para facilitar el anlisis de las interrelaciones entre variables,se plantea para esta parte del trabajo llegar a los algoritmosbuscados mediante la regresin mltiple. Se fija entonces lavariable dependiente Y para el valor del coeficiente buscadoy una primera variable independiente X1 para los meses delao. Al analizar la grfica entre ambas variables se observaque la dispersin existente en cada valor de X1 es alta. Lainclusin de variables de entorno de la va entonces puedeque genere un modelo por regresin mltiple ms ajustado.

Las nuevas variables a considerarse son:

X2 = urbanidad (X2 = 0 rural, X2 = 1 urbana)X3 = uso (X3 = 0 turstica, X3 = 1 comercial)X4 = peaje (X4 = 0 sin peaje, X4 = 1 con peaje)X5 = clasificacin, expresado en % de autos ms camionetas.

Previo a los anlisis de regresin se identifica si existemulticolinealidad entre las variables propuestas mediantelas relaciones entre pares de variables. Este anlisis ratificalo que se puede deducir de un estudio lgico. Es decir, es deesperarse que en vas de uso turstico sea muy alto elporcentaje de vehculos livianos particulares en relacincon vehculos pesados de transporte de carga (aunqueexistan vehculos pesados de transporte de pasajeros, queno aparentan resultar de importancia), como as tambin esde esperarse que en vas urbanas la presencia de vehculospesados sea muy reducida (nuevamente la presencia devehculos pesados de transporte de pasajeros no aparentainfluir). Esto lleva a descartar el empleo de la variable declasificacin, ya que en cierta forma es explicada por lainclusin de las dems variables de entorno.

Al efectuar el anlisis la regresin lineal mltiple con lasvariables seleccionadas, sta da muy bajo ajuste. Se puedeobservar en la grfica residuo vs. X1 que la relacin lineal

75

entre Y y X1 no es la ms adecuada, anlisis fundamentadoen que X1 es la variable independiente de significancia (t =7,09 p-valor 0,0000).

En busca de mejores resultados, y en funcin del podercomputacional del programa StatgraphicsPlus empleado, sedecide probar con un polinomio de grado tres de cuatrovariables independientes. Este anlisis arroja comoresultado:

Ecuacin del modelo ajustado:

Y = 0,479143985 + 0,136277392 X1 + 0,059669021 X2 +0,523605787 X3 0,009715863 X12 + 0,034070315 X1 X2 0,152392231 X1 X3 + 0,045233251 X1 X4 0,000268142 X1

3 -0,000651558 X1

2 X2 + 0,014428784 X12 X3 0,000729828 X1

2 X4 0,175791796 X2

2 X4 0,040418127 X1 X2 X3 + 0,010884546 X1X2 X4 0,040714787 X1 X3 X4 + 0,114275601 X2 X3 X4R2 = 0,66R2ajustado = 0,65

Si bien el R2 es menor a 0,7, umbral habitualmente empleadoen anlisis estadsticos, el valor de 0,66 alcanzado no esmalo. Adems se puede observar una nube aleatoria depuntos en la grfica de residuos vs. X1, indicando que no esnecesario agregar un grado ms a la ecuacin, cosa que porotro lado resultara poco prctico.

Entre los residuos se observan valores fuera del umbral devalor absoluto 2, pero estos son muy reducidos encomparacin con el resto de los datos, e incluso sudistribucin es marcadamente normal resultando:

Media = -3,04137E-12Varianza = 1,0Asimetra tipificada = 2,07926Curtosis tipificada = -0,251034

Al efectuar el clculo de los coeficientes en funcin de estemodelo, se observan valores comparables a los incluidosen la base de datos, salvo en el caso de vas de uso turstico,ambiente rural y sin peaje, en donde los coeficientesobtenidos resultan muy pequeos. Al indagar por la causade esta anomala, se observa que para el estudio no secontaron con series de datos en vas de estas caractersticas,hecho que evidentemente ha influido en la obtencin de unmodelo no aplicable en estos casos. Por tal razn no sedeben considerar como vlidos a los coeficientes para esacombinacin de variables de entorno, quedando excluido elcaso de los resultados.

Pasos para la Aplicacin de los modelos:

Paso 1:Obtencin del TDreal sobre la va, considerado desde las 0horas hasta las 24 horas. Indicar Da de la semana (DS), Mes(M), uso de la va (C), Urbanidad (U) y existencia o no de

Peaje (P). En caso de posibilitarse slo la realizacin decensos menores de 24 horas, extrapolar los resultados al TDmediante los lineamientos recomendados por la metodologaFHA (Federal Highway Administration).

Paso 2:Establecer la tasa de crecimiento del trnsito estimada parala va durante el ao en estudio. Para esto realizar suestimacin directa, o emplear el algoritmo o la tabla 1 para suestimacin mediante la variacin del parque automotordurante el ao en estudio y para la localidad en donde seencuentra el punto analizado.

Donde:TCT = Tasa crecimiento trnsitoVP = Variacin parque automotor

Paso 3:En funcin de la altura del ao en la que se determina elTDreal y de la TCT obtenida, descontar la tendencia en formaproporcional para establecer un TD0 , con:

)365100

1(0DATCTTDTD real =

Donde:TD0 = Trnsito diario sin tendenciaTDreal = Trnsito diario directamente establecidoTCT = Tasa de crecimiento del trnsitoDA = Da del ao del dato (1 para el 1 de enero, ...., 365 parael 31 de diciembre).

Tabla 1. Tasa de Crecimiento de Trnsitoen funcin del registro automotor

Paso 4:Determinar los coeficientes diarios empleando, en funcinde las variables de entorno, los modelos o la tabla 2.

Paso 5:Determinar los coeficientes mensuales empleando, enfuncin de las variables de entorno, el modelo o la tabla 3. El

76

modelo no es aplicable en vas tursticas rurales y sin peajes,para las cuales se recomienda el empleo del mtodo clsico.

Paso 6:Calcular TMDA mediante:

+=21

10010

TCTCMCDTDTMDA

En caso de contarse con ms datos de trnsitos diarios,aplicar la metodologa y calcular la estadstica de losresultados obtenidos para convalidar o no la media de losmismos mediante la normalidad de los resultados.

VALIDACIN Y DISCUSIN

Los modelos de regresin pueden ser validados en otroconjunto de datos de similares caractersticas -extrados dela misma poblacin-, con el fin de evaluar su fiabilidad(Molinero, 2002). Esta fiabilidad se pone de manifiesto enun modelo que ha sido desarrollado para determinacin delTMDA, justamente cuando se analizan los valores de esteparmetro que se obtienen mediante su empleo en diversassituaciones. Basados en esto se ha efectuado la aplicacinen tramos de va con demanda (TD da a da y TMDA) ycondiciones de entorno conocidas, y comparado los valoresobtenidos con los resultantes de la aplicacin de lametodologa clsica, en funcin de los coeficientesrelevados en una va de la zona que sirve a similaresitinerarios de trnsito.

Tabla 2. Coeficientes de correccin diarios

PEAJEUSO

Con o sin peajeTursticoComercialComercial

Sin peajecon peaje

Tabla 3. Coeficientes de correccin mensuales

PEAJEUSO URB

SinTurstico

Turstico Urb Con

RuralTurstico Con

Comercial Urb Sin

Comercial Rural Sin

RuralTurstico Sin

Comercial Urb Con

Comercial Rural Con

Urb

Calle 28 entre 489 y 490 de La Plata. Va urbana, de trnsitocomercial y sin peaje (Caso 1). Ruta Nacional N9 entre Crdoba y Jess Mara. Va rural,de trnsito comercial y con peaje (Caso 2). Ruta Nacional N20 entre Crdoba y Carlos Paz. Va rural,de trnsito turstico y con peaje (Caso 3). Autopista Buenos Aires La Plata, en su tramo por DockSud. Va urbana, de trnsito comercial y con peaje (Caso 4).

A modo de ejemplo puede observarse la tabla 4 con losresultados obtenidos para el Caso 1. Estos son aceptablesya que en la va el TMDA real registrado fue de 5811 veh/da, y se determina con la metodologa clsica una media de5919 veh/da con una distribucin prcticamente normal, esdecir que se obtiene un resultado promedio slo un 1,8 %por encima del valor real y con un desvo estndar de 796veh/da, o sea que con aproximadamente un 70 % de losdatos se obtiene un entorno de 13,7 % del valor real(Pertegas Das, 2001). Por su parte, con la metodologadesarrollada se obtiene un TMDA calculado de 5811 veh/da (exactamente el valor real) con una distribucin normal,resultando el desvo estndar de 767 veh/da, o sea que conaproximadamente un 70 % de los datos se obtiene un entornode 13,2 % del valor real. Los resultados obtenidos con losdems casos de validacin son comparables a ste.

La obtencin de los coeficientes por regresin matemticaes una de las formas posibles de trabajo, y es la que se haelegido para este estudio. Pero pueden emplearse otrasherramientas, las cuales no dejan de ser otras lneas de

77

trabajo tan valederas como sta. Tal vez la forma alternativams simple de obtencin de los coeficientes es la del clculode cada uno de ellos como media de los coeficientesrelevados.

Para la obtencin de los coeficientes mediante los valoresmedios es necesario previamente dividir las nubes de puntosen tantas categoras como sean necesarias. Esta divisinpodra realizarse en forma visual, determinando lassubdivisiones en funcin de la dispersin de valoresobservadas. Pero para que el anlisis comparativo entremetodologas sea valedero, se tomaron las divisiones yclasificaciones obtenidas mediante las regresiones yaefectuadas.

Segn las clasificaciones establecidas se analizaron nubesde puntos para:

Coeficientes diarios de vas de uso turstico.Coeficientes diarios de vas de uso comercial y sin peaje.Coeficientes diarios de vas de uso comercial y con peaje.Coeficientes mensuales de vas de uso turstico, en ambienterural y con peaje.Coeficientes mensuales de vas de uso turstico, en ambienteurbano y sin peaje.Coeficientes mensuales de vas de uso turstico, en ambienteurbano y con peaje.Coeficientes mensuales de vas de uso comercial, en ambienterural y sin peaje.Coeficientes mensuales de vas de uso comercial, en ambienterural y con peaje.Coeficientes mensuales de vas de uso comercial, en ambienteurbano y sin peaje.Coeficientes mensuales de vas de uso comercial, en ambienteurbano y con peaje.

As se determinaron los valores medios en cada uno de loscasos de cada uno de los coeficientes, estableciendosimultneamente sus intervalos de confianza del 95 %.

En el anlisis para los coeficientes diarios se obtuvo para elclculo con las medias un promedio para el intervalo de

Tabla 4. Resumen de resultados para el Caso 1 de validacin

confianza del 95 % de 0,057 y un desvo estndar de 0,034.Por su parte, los valores por regresin presentan unpromedio de 0,035 y un desvo estndar de 0,013.

En el anlisis para los coeficientes mensuales por clculo delas medias se obtuvo un promedio para el intervalo deconfianza del 95 % de 0,042 y un desvo estndar de 0,030.Por su parte, los valores por regresin presentan unpromedio de 0,018 y un desvo estndar de 0,008.

PARMETROMEDIA

DESVIACIN TPICARANGO

ASIMETRA TIPIFICADA

CURTOSIS TIPIFICADA

POR METODOLOGA CLSICA5919

7964669-1,09

2,98

POR METODOLOGA DESARROLLADA5811

7674000-2,06

0,16

CONCLUSIONES Y RECOMENDACIONES

La obtencin de valores de TMDA confiables, es unafalencia cuando se trata de analizar puntos fuera de grandesciudades o de la red primaria de carreteras.

La metodologa clsica para su clculo mediante conteosespordicos implica la intervencin de profesionales nosiempre justificables. Es necesario por lo tanto contar conmetodologas objetivas alternativas.

La obtencin de los modelos incluidos en estas metodologaspuede generarse por medio de tcnicas de regresin quecombinen los datos de trnsito con variablessocioeconmicas.

La consulta a instituciones y profesionales particulares, paraambas tipologas de datos, permite generar una base dedatos voluminosa para el anlisis de la regin conformadapor las provincias de Buenos Aires, Crdoba, Santa F, entreRos y La Pampa, y para el periodo de estudio que va desde1993 a 2003.

Es posible incluir una nueva forma de conceptualizacin deltrnsito como una serie de tiempo, que se ajusta ms a lastcnicas de anlisis estadsticos que la forma clsicacomnmente aceptada y que se adapta mejor a laspronunciadas fluctuaciones caractersticas de nuestraeconoma nacional.

El empleo de adecuadas clasificaciones y divisiones de losdatos, permite el desarrollo de modelos que se ajusten a losumbrales de confiabilidad comnmente exigidos en estudiosde estas caractersticas.

De acuerdo a los casos analizados puede asegurarse que laaplicacin de la metodologa desarrollada, salvo para la

ferroviario y automotor en el Gran La Plata. Expte. Muni. LaPlata 78.449/01, Argentina.

ARRANZ P., MASCIARELLI E., MARHUENDA F. (2004). Estudioeconomtrico y pronstico del trnsito que pasa por casillasde peaje en concesiones viales de Argentina. ISITUniversidad Nacional de Crdoba, Argentina.

BARN LPEZ J. (1998): Bioestadstica: Mtodos yAplicaciones. Universidad de Mlaga, Espaa.

CAL Y MAYOR R. (1995). Ingeniera de trnsito, fundamentosy aplicaciones. Alfaomega, Mxico.

CEVALLOS E. (2005): Estudios econmicos de las obras vialesque conforman el programa norte grande, provincia deTucumn. DVPT Estudio I.EE. 156-8-1-(A), Argentina.

FARIA O. (2002): Metodologa para el clculo del Indice deTrnsito. GCBA Direccin de Sealizacin Luminosa,Argentina.

EMVI (2005). Regresin lineal. Universidad de Mlaga,Espaa.

FEDERAL HIGHWAY ADMINISTRATION (1976): Guide for manualof instructions for traffic surveys. EEUU.

FERNNDEZ MORALES A., LACOMBA ARIAS B. (2004): EstadsticaBsica Aplicada. gora Universidad, Espaa.

GIRARDOTTI L. (2003): Planeamiento del transporte. Fac. deIng. UBA, Argentina.

HAY W. (1998): Ingeniera de transporte. Limusa, Mxico.

HERZ M., GALRRAGA J., MALDONADO M. (2005):Caracterizacin de errores de muestreo en censos devolumen y composicin. XIV Congreso Argentino deVialidad y Trnsito, Argentina.

LIMA COIMBRA R. (2003): La Regin Pampeana. UNCPBA,Argentina.

MOLMOLINERO L. (2002): Construccin de modelos deregresin multivariantes. Alce Ingeniera, Espaa.

ORTORTZAR, J. DE D. (2000): Modelos de demanda detransporte. Universidad Catlica de Chile, Alfaomega,Chile.

PAPACOSTAS C. (1987): Fundamentals of transportationengineering. Prentice-Hall, EEUU.

PERTEGAS DAS S. (2001): La distribucin normal. Fisterra,Espaa.

PETROFF, B B; BLENSLY, R C. (1954): Improving traffic-countprocedures by application of statistical method.Transportation Research Board, EEUU.

RUSSEL R., TAYLOR B. (2003): Operations management.Focusing on quality and competitiveness. Prentice Hall,EEUU.

tipologa de va en que no es utilizable, da como resultadosvalores tan o ms confiables que los obtenidos mediante lametodologa clsica, guardando adems la mayor sencillezy objetividad en su empleo establecidas como parmetrosde diseo.

Estos resultados adems se ajustan adecuadamente a losvalores reales, lo cual ratifica la forma general elegida para elmodelo.

La metodologa de anlisis estadstico empleada para eldesarrollo de los modelos es al menos tan buena, sino ms,que su principal tcnica estadstica alternativa. Es decir, quelos coeficientes de correccin para el clculo del TMDAobtenidos por regresin son al menos tan confiables comolos obtenidos por clculo de valores medios de loscoeficientes.

Todo lo expuesto lleva a la conclusin final de que si lametodologa desarrollada se aplica en forma coherente, envas ubicadas dentro del rea en estudio, para los casos enlos cuales los modelos tienen validez, los resultados deTMDA obtenidos poseen un buen nivel de confiabilidad.

Tender a un procedimiento nico para que todas lasinstituciones que de alguna manera se encuentrenrelacionadas con el levantamiento de datos de trnsitopresenten valores comparables, tanto en lo que hace a suvolumen, clasificacin e identificaciones de sus condicionesde entorno.

Adoptar la forma conceptual propuesta para la consideracindel trnsito con un crecimiento del mismo producido enforma proporcional a lo largo del ao, como una manera deacercarse ms al anlisis estadstico de las series de tiempo.Esto permite adems la obtencin de series sobre un mismopunto comparables ao a ao, con mayor grado deindependencia de las condiciones econmicascoyunturales.

Aplicar la metodologa de anlisis en otras zonashomogneas del pas y de latinoamrica, para tender a laobtencin de modelos o cuadros que permitan la coberturatotal.

Continuar con el empleo experimental de la metodologadesarrollada en forma conjunta con la metodologa clsicapara confirmar la validacin de los modelos o detectar lanecesidad de ajustes a los mismos.

BIBLIOGRAFA

ALONSO J. (2001). Estimacin economtrica del trnsitovehicular y de la demanda del servicio de transporte

78

SPIEGEL M. (1988): Estadstica. Mc Graw Hill, EEUU.

TRANSPORTATION RESEARCH BOARD (2000): Highway CapacityManual 2000. National Research Council, EEUU.

VILAR FERNNDEZ J. (2003): Modelos Estadsticos aplicados.Universidade da Corua, Espaa.

WAHR C. (2003): Vialidad II. Universidad Tcnica FedericoSanta Mara, Chile.

79