Modelo de Generacion de Viajes 1

MODELO DE GENERACION DE VIAJES 1
Modelos de generación de viajes motivo

Estudio: caso universidad de la costa
AUTORES:
Aixa Liliana Gómez Gómez
Jorge Alberto Medina Romero
Trabajo de grado para optar título de
INGENIERIA CIVIL
Universidad de la costa C.U.C

Departamento de Civil y Ambiental
Ingeniería Civil
Barranquilla
2018
Modelos de generación de viajes motivo

Estudio: caso universidad de la costa
AUTORES:
Aixa Liliana Gómez Gómez
Jorge Alberto Medina Romero
Trabajo de grado presentado al tutor
Iván Darío Serrano Arrieta
UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIVIL Y AMBIENTAL
INGENIERIA CIVIL
BARRANQUILLA
2018
Nota de aceptación
_________________________________
_________________________________
_________________________________
_________________________________
______________________________________
Firma del Decano
_________________________________
Firma Líder de Grupo de Investigación
_________________________________
Firma de Tutor
_________________________________
Firma de Cotutor
_________________________________
Firma de Juez
__________________________________
Firma de Juez
Dedicatoria
Este proyecto de grado es dedicado a Dios y a mi familia, especialmente a mi
adorada madre Ana Oliva y a mi padre Franklin, como también a Jorge por ser parte de mi
proyecto de vida.
Aixa Gómez.
Este proyecto de grado es dedicado a Dios, especialmente a mi madre Carmen y mi
padre Idelfonso, mis hermanos y demás familiares.
Jorge Medina.
Agradecimientos
Agradecemos principalmente a DIOS por darnos la oportunidad, la capacidad y la
disciplina a lo largo de esta carrera, también a Nuestro tutor el ingeniero Iván Darío Serrano
Arrieta por ser nuestra guía a lo largo de este proyecto, a nuestros padres por brindarnos lo
más valioso que se le puede dejar a un hijo, la educación.
Autores
Resumen
En el presente trabajo se estimaron modelos de generación para viajes motivo estudio de la
Universidad de la costa. Los datos utilizados se obtuvieron a partir de una encuesta origen-
destino realizada a estudiantes de la universidad. Se estimaron modelos de generación
usando al menos tres métodos: Regresión Lineal Múltiple (RLM), análisis por categoría
(AC) y Logit Ordinal (LO). De acuerdo a los resultados los modelos (LO) mostraron mayor
consistencia econométrica y mejores indicadores de bondad de ajuste. Los modelos
utilizados son clave para la planeación estratégica en materia de movilidad para la
universidad de la costa. La generación de viajes es un proceso que permite relacionar las
actividades de la población con los viajes que se realizan, estos últimos están íntimamente
ligados a las características socioeconómicas de la población, esta relación se puede estimar
a través de modelos de generación empleados en el presente proyecto. Se analizaron las
tasas medias de viajes obtenidas con los modelos de viajes por categorías y Logit Ordinal,
asi mismo se generaron modelos por el método de Regresión Lineal Múltiple y se
evaluaron los modelos obtenidos a través de los diferentes test estadísticos para seleccionar
los más confiables.
Palabras Clave: Generación de viajes, Análisis por Categorías, Análisis de
Clasificación Lineal múltiple, Regresión lineal múltiple, Logit Ordinal

Abstract
In the present work, generation models were estimated for travel study reasons of the
University of the coast. The data used was obtained from a source-destination survey
carried out for university students. Generation models were estimated using at least three
methods: Multiple Linear Regression (RLM), category analysis (AC) and Ordinal Logit
(LO). According to the results, the models (LO) showed greater econometric consistency
and better indicators of goodness of fit. The models used are key for strategic planning in
terms of mobility for the university of the coast. The generation of trips is a process that
allows to relate the activities of the population with the trips that are made, the latter are
intimately linked to the socioeconomic characteristics of the population, this relationship
can be estimated through generation models used in the present draft. The average travel
rates obtained with the travel models by categories and Ordinal Logit were analyzed, as
well as models were generated by the Multiple Linear Regression method and the models
obtained through the different statistical tests were evaluated to select the most reliable.
Keywords: Trip generation, Analysis by Categories, Multiple Linear Classification
Analysis, Multiple Linear Regression, Ordinal Logit

Contenido
1 Introducción .................................................................................................................. 11
2 Objetivo General........................................................................................................... 13
3 Objetivos Específicos ................................................................................................... 13
4 Marco Teórico .............................................................................................................. 14
4.1 Modelo de Regresión lineal múltiple (RLM) ........................................................ 14
4.2 Análisis por categorías (AC).................................................................................. 15
4.3 Modelo Logit ordinal (LO) .................................................................................... 17
5 Metodología .................................................................................................................. 23
6 Análisis de datos ........................................................................................................... 24
6.1 Descripción de las variables dependientes ............................................................. 25
6.2 Descripción de variables discretas. ........................................................................ 28
7 CALIBRACIÓN Y SELECCIÓN DE MODELOS ..................................................... 30
7.1 Regresión Múltiple ................................................................................................ 32
7.2 Análisis por categorías (AC).................................................................................. 37
7.3 Modelo Logit Ordinal (LO) ................................................................................... 41
8 Evaluación de los modelos con fines de predicción ..................................................... 43
9 Conclusiones................................................................................................................. 45
10 Anexos: Resultados modelos logit ordinal ................................................................... 47
11 Referencias ................................................................................................................... 51
Lista de tablas y figuras
Tablas.
Tabla 1. Descripción de variables de estudio. ...................................................................... 25
Tabla 2. Estadísticos de tendencia central y de dispersión para las variables dependientes 26
Tabla 3. Estadísticos estratos en la muestra ......................................................................... 28
Tabla 4. Estadísticos Tasa Motorización .............................................................................. 28
Tabla 5. Estadísticos Ocupación Hogar ................................................................................ 30
Tabla 6. Matriz de Correlación de variables cuantitativas para el modelo RLM con
propósito Estudio .................................................................................................................. 32
Tabla 7. Modelo 1 RLM. ...................................................................................................... 34
Tabla 8. Modelo 2 RLM. ...................................................................................................... 35
Tabla 9. Modelo 2 RLM. ...................................................................................................... 36
Tabla 10. No. de Hogares por categoría ............................................................................... 39
Tabla 11. Número de Viajes por categoría con motivo Estudio ........................................... 40
Tabla 12. Tasas de generación por categorías para viajes con motivo Estudio.................... 40
Tabla 13. Errores de los modelos de RLM calibrados para cada propósito de viaje............ 43
Tabla 14. Cálculo de los NRMSE para cada relación de categorías de variables y propósito
de viaje.................................................................................................................................. 44
Tabla 15. Errores obtenidos de la validación de los modelos LO generados para cada
propósito de viaje. ................................................................................................................ 44

Figuras.
Figura 1. Interrelaciones básicas. ......................................................................................... 11
Figura 2. Gráfico de la curva de la función logit. ................................................................. 19
Figura 3. Diagrama de caja para las distribuciones de viaje. ............................................... 27
Figura 4. Gráfico de Normalidad en los residuos del modelo RLM para la generación de
Figura viajes con propósito Estudio ..................................................................................... 36
Figura 5. Histograma para el Nivel de Ingreso ..................................................................... 38
Figura 6. Histograma de frecuencias de viajes en el día con propósito Estudio ................. 41

1 Introducción
Los modelos de generación desagregados tienen como unidad de trabajo el hogar e
intentan relacionar los viajes generados en los domicilios con características o atributos
tales como cantidad de personas que viven en el hogar, tasa de motorización y nivel de
ingresos. Para planificar los sistemas de transporte urbano, se requiere el desarrollo de
modelos con el fin de predecir las demandas en virtud de los viajes urbanos en un periodo
de tiempo determinado. La manera tradicional de abordar el problema de transporte
consiste en estudiar la existencia de tres macro-variables: sistema de actividades, sistema de
transporte y patrón de flujos, que entre sí exhiben interrelaciones de tres tipos, como se
puede ver esquemáticamente en la ilustración 1.
SISTEMA DE
TRANSPORTE 3
(T)
FLUJOS
1 (F)
SISTEMA DE
ACTIVIDADES 2
(A)
Figura 1. Interrelaciones básicas.

Fuente: M. L. Manheim / Fundamentals of Transportation Systems Analysis, Volume 1:
Basic Concepts (1979) 13
La relación de tipo 1 indica que el patrón de flujos depende tanto del sistema de
transporte como del sistema de actividades, la relación tipo 2 muestra que en el largo plazo
los flujos cambian el sistema de actividades a través del nivel de servicio y el consumo de
recursos, y la relación tipo 3 revela que a largo y mediano plazo, dados los flujos y sus
niveles de servicio la sociedad reacciona (Manheim, 1979). Entonces, cualquier cambio que
afecte el sistema de transporte o el sistema de actividades, o los dos en forma simultánea,
producirá una variación en el patrón de flujos.
No obstante, años de experimentación y desarrollo han dado como resultado la
definición de una estructura general de modelación denominada modelo clásico de
transporte, cuya primera fase, la generación de viajes, tiene por objetivo predecir el número
total de viajes producidos y atraídos por cada zona del área de estudio.
En esta línea, el objetivo del presente trabajo no es otro que calibrar, comparar y
elegir unos modelos de generación de viajes, con base en una información de encuestas
origen-destino aplicadas en la Universidad de la Costa.
Se presentarán calibrados modelos de distintas clases, entre ellos: modelos de
regresión lineal, modelos de análisis por categorías y modelos de tipo Logit ordinal. En
todo caso se intenta ser rigurosos en los análisis estadísticos y en las comparaciones
realizadas entre los distintos modelos obtenidos con el fin de escoger el mejor de ellos y
evaluarlo con fines predictivos.

2. Objetivos
2 Objetivo General
 Proponer y estimar modelos de generación de viajes motivo estudio para los

estudiantes de la Universidad de la Costa.
3 Objetivos Específicos
 Realizar una revisión sistemática acerca de modelos de generación de viajes para el
modelo clásico del transporte.
 Realizar encuestas origen-destino sobre la comunidad de estudiantes de la CUC con
el fin de obtener una base de datos del comportamiento de la demanda de viajes
motivo estudio.
 Analizar estadísticamente los datos para obtener una medida descriptiva del
comportamiento de la demanda.
 Estimar, comparar y validar modelos de regresión línea múltiple, análisis por
categorías y el logit ordinal para explicar la generación de viajes motivo estudio de
los estudiantes de la Universidad de la Costa.

4 Marco Teórico
El modelo clásico del transporte se ha mantenido desde finales de los años 60
aparentemente inalterado. Este enfoque de modelación parte por considerar una red
multimodal de trasporte, una zonificación apropiada del área de estudio, y la recolección y
codificación de datos tanto para la calibración y validación de los modelos como para su
uso en modalidad predictiva. Estos datos incluyen información socioeconómica acerca de la
población en cada zona del área de estudio.
Con estos datos obtenidos típicamente de una encuesta origen- destino, se pueden
estimar modelos que permitan predecir el total de viajes generados y atraídos por cada zona
(generación de viajes) (Ortúzar, 2000).
La literatura exhibe variadas técnicas para estimar los modelos de generación, en los
que se procura estimar es el número de viajes producidos sobre la base de relaciones
generalmente lineales. A continuación, se presentan las más actuales metodologías.
4.1 Modelo de Regresión lineal múltiple (RLM)
Cuando se desea relacionar un conjunto de datos observados acerca del resultado de
un fenómeno o experimento (variable independiente Y), con la cantidad que se agregue de
ciertos atributos o características (X), se utilizan técnicas de ajuste (como mínimos
cuadrados) que permita calcular una función que explique los valores observados al menor
error posible. El modelo de regresión lineal es una herramienta con mucha popularidad en
ciencias exactas y naturales (Wonnacott, 1979).
El modelo de regresión lineal en general se expresa de la siguiente forma:

𝑌𝑖 = 𝛼 + 𝛽𝑋𝑖 + 𝑒𝑖
El modelo presenta los siguientes supuestos a tener en cuenta en la calibración:
 Linealidad.
 Independencia: De la variable aleatoria “residuos”
 Homocedasticidad o igualdad de varianzas de los residuos y los pronósticos.
 Normalidad de los residuos tipificados.
 No colinealidad.
Para modelos de regresión lineal con el objetivo de estimar los viajes originados en
una zona, se consideró que la unidad de análisis más adecuada era el hogar, ya que
preexisten vínculos interpersonales importantes, al interior del hogar, que un modelo a nivel
individual no tendría en cuenta (Ortúzar, 2000). Por lo tanto, se considera al hogar como
parte de un vector de datos de entrada, donde cada una de sus características más relevantes
y su comportamiento, explicarían la tasa de viajes de la unidad de análisis. Un modelo de
regresión a nivel de hogar basado en tasas tendría la siguiente forma:
𝑦𝑖 = 𝜃0 + 𝜃1 𝑥1𝑖 + 𝜃2 𝑥2𝑖 + ⋯ + 𝜃𝑘 𝑥𝑘𝑖 + 𝑒𝑖
En que 𝑦𝑖 = 𝑌𝑖 /𝐻𝑖 ; 𝑥𝑘𝑖 = 𝑋𝑘𝑖 /𝐻𝑖 ; 𝑒𝑖 = 𝐸𝑖 /𝐻𝑖 y 𝐻𝑖 denota el número de hogares en la
zona i. En la experiencia investigativa se ha encontrado que los multiplicadores (1/Hi) permite
reducir la heterocedasticidad ya que se logra independizar al modelo del tamaño zonal.
4.2 Análisis por categorías (AC)
Este es un procedimiento que se basa en determinar las producciones de viaje en
función de las características del hogar. Supone que las tasas de generación (viajes por día)
son constantes en el tiempo para las determinadas categorías de hogares. El método estima
las tasas de generación de viajes de manera empírica, el arte del método consiste en elegir
las categorías de modo que las desviaciones estándar de las distribuciones de frecuencia
sean mínimas. Para construir el modelo se requiere del siguiente modelo:
𝑂𝑖𝑛 = ∑ 𝑎𝑖 (ℎ) ∗ 𝑇(ℎ)

ℎ∈𝐻(𝑛)
Donde 𝑛 es el tipo de persona y h el tipo de hogar, 𝑇(ℎ) el promedio de viajes con el
propósito dado, el cual se establece dividiendo el número de viajes por el número de
personas en cada grupo. 𝑎𝑖 (ℎ) es el número de hogares tipo h en la zona i. (Ortúzar, 2000).
Este enfoque de modelación requiere conocer el número de hogares por categoría en
cada zona, lo cual debe ser determinado o estimado a partir de información socioeconómica
independiente, normalmente del Censo Poblacional o de otros catastros urbanos. Es
necesario además conocer la distribución de hogares por categoría no sólo en el año base de
análisis; también se requiere la distribución futura de los hogares para cada uno de los
cortes temporales. Estas proyecciones son parte del ámbito de especialización de otras
disciplinas. (FDC 2010)
Finalmente, puede resultar que al estimar las tasas se obtengan resultados
contraintuitivos, es decir, tasas que no sean, por ejemplo, crecientes según nivel de ingreso
y motorización (variables relevantes de esta metodología y que como se ha indicado,
corresponden a una decisión de compromiso). Una forma que se ha demostrado útil en la
práctica para evitar este problema es el de agregación de categorías, para efectos del cálculo
(FDC Consultores, 2010).

Entre las principales ventajas del uso de este método se destacan lo básico, sencillo e
intuitivo que es, y el hecho de que no se establecen relaciones matemáticas entre la tasa de
generación de viajes y las variables independientes. Entre las desventajas se encuentra que
las variables son escogidas antes de empezar el modelo y no se puede verificar la
significancia de estas; además, se requiere de una muestra muy grande; y si se quiere
aumentar el número de variables, se debe aumentar mucho la muestra, por lo que resulta
difícil predecir el número de hogares en cada categoría a futuro. (Ortúzar 2000).
4.3 Modelo Logit ordinal (LO)
Un modelo de elección discreta describe las elecciones entre diferentes alternativas de
los tomadores de decisiones, y se derivan bajo el supuesto de un comportamiento
maximizador de la utilidad del tomador de decisiones. El conjunto de alternativas, llamado
también conjunto de elección, debe presentar las siguientes características:
 Las alterativas deben ser mutuamente excluyentes desde la perspectiva del tomador
de decisiones. Es decir, escoger una alternativa implica necesariamente que no se
escoja ninguna de las otras restantes.
 El conjunto de elección debe ser exhaustivo, en el que se incluyan todas las
alternativas posibles.
 El número de alternativas debe ser finito.
En esencia, la elección puede ser vista como el resultado de un proceso secuencial de
toma de decisiones, que consta de cinco pasos (Ben-Akiva & Lerman, 1985):
 Definición del problema de elección
 Generación de alternativas
 Evaluación de atributos de la alternativa
 Elección
 Implementación
Uno de los modelos más ampliamente utilizados en la formulación de modelos de
elección discreta es el Logit. Su popularidad se debe a que la fórmula para las
probabilidades de elección es fácilmente interpretable. Sea 𝑛 el individuo (tomador de
decisiones), y 𝐽 el conjunto de alternativas a las que se enfrenta, la utilidad que el mismo
obtiene al elegir la alternativa 𝑗 se descompone en dos partes: una, que es la estimada por el
investigador designada por 𝑉𝑛𝑗 ; y la otra, desconocida, que se denomina error aleatorio 𝜀𝑛𝑗 ,
por tanto 𝑈𝑛𝑗 = 𝑉𝑛𝑗 + 𝜀𝑛𝑗 .
El modelo logit se obtiene asumiendo que cada error es independiente e idénticamente
distribuido en sus valores extremos. (Train, 2009). La probabilidad de que un tomador de
decisiones 𝑛 seleccione la alternativa 𝑖 está dada por:
𝑃𝑛𝑖 = 𝑃𝑟𝑜𝑏(𝑉𝑛𝑖 + 𝜀𝑛𝑖 > 𝑉𝑛𝑗 + 𝜀𝑛𝑗 , ∀𝑗 ≠ 𝑖
O bien,
𝑒 𝑉𝑛𝑖 𝑒 𝛽′𝑥𝑛𝑖
𝑃𝑛𝑖 = =
∑𝑗 𝑒 𝑉𝑛𝑗 ∑𝑗 𝑒 𝛽′𝑥𝑛𝑗
Figura 2. Gráfico de la curva de la función logit.
Fuente: (Kennet E. Train, 2009, Capítulo 3, página 38)
4.3.1 Logit Ordinal
Cuando la variable dependiente tiene más de dos categorías y lo valores de cada una
tienen un orden secuencial significativo donde un valor es sin duda mayor que el anterior,
entonces se tiene un logit ordinal (Torres-Reyna). Un modelo de elección binaria ordinal se
deriva cuando hay disponibles respuestas ordenadas, donde el individuo no sólo reporta una
preferencia, sino también sobre la fuerza de dicha preferencia. Por ejemplo, si las
alternativas i y j están disponibles, el individuo puede reportar (Michel Bierlaire, 2009):
Definitivamente la Probablemente la Indiferente Probablemente la Probablemente la

alternativa 𝑖 alternativa 𝑖 alternativa 𝑗 alternativa 𝑗
Como es de notar, estas respuestas se encuentran ordenadas, lo cual es una
característica principal de este tipo de modelos. Un modelo logit estándar podría

especificarse considerando cada potencial respuesta como una alternativa. Sin embargo, se
violaría el supuesto de los modelos logit sobre la independencia de los errores al tener
alternativas ordenadas, pues una alternativa es muy similar a las “cercanas” a ella, pero lo
es menos con las más “lejanas”.
En el caso de la pregunta sobre la labor que ha desempeñado el Ministerio de
Transporte, asumamos que la persona que responde tiene una opinión de qué tan bueno ha
sido el trabajo del mismo. La opinión se representa en una variable no observable que se
denota con U, donde altos niveles de U significan que la persona considera que el
Ministerio está desempeñando una buena labor, y bajos niveles indican una valoración de la
labor más pobre.
Aun cuando la opinión de la persona, U, puede tomar muchos niveles diferentes que
representen el agrado o desagrado sobre la labor del Ministerio, la pregunta sólo permite 5
posibles respuestas, de manera que la persona elige la respuesta sobre la base del nivel de
su U. Es decir, si U está por encima de cierto límite que denominamos 𝜏1 , el individuo
puede escoger la respuesta “Muy buena labor”. Si U está por debajo de 𝜏1 pero por encima
de otro límite 𝜏2 , entonces contesta “Buena labor”, y así sucesivamente:
RESPUESTA CONDICIÓN
Muy buena labor 𝑈 > 𝜏1
Buena labor 𝜏1 > 𝑈 > 𝜏2
Ni buena ni mala 𝜏2 > 𝑈 > 𝜏3
Pobre 𝜏3 > 𝑈 > 𝜏4
Muy Pobre 𝜏4 > 𝑈
Distribución de opinión sobre la labor del Ministerio de Transporte.

Fuente: (Kennet E. Train, 2009)
Ahora bien, la probabilidad de que un individuo escoja “Muy pobre labor” es la
probabilidad de que 𝜏4 > 𝑈. Así, la probabilidad de que el individuo seleccione “Pobre
labor” es la probabilidad de que U esté por encima de 𝜏4 (indicando que la persona no cree
que la labor es muy pobre), pero por debajo de 𝜏3 ; esto es, la diferencia entre las funciones
de utilidad de dos alternativas 𝑈𝑖𝑛 − 𝑈𝑗𝑛 , dado que se trata de dos alternativas (esto es, si se
está o no de acuerdo con el enunciado de la pregunta).
Las probabilidades en el modelo logit ordenado incorporan la fórmula del logit
binario. Esta similitud con el logit ordinal es solamente incidental, pues el modelo logit
binario tradicional especifica dos alternativas cada una con su función de utilidad, mientras
que el modelo logit ordenado tiene una utilidad con múltiples alternativas para representar
el nivel de la misma.
Esta semejanza en fórmula, se deriva del hecho de que si dos variables aleatorias
son idénticamente distribuidas en valor extremo, luego sus diferencias siguen una
distribución logística. Por lo tanto, asumiendo que ambas utilidades en un logit binario son
IID en valor extremo, esto es equivalente a asumir que la diferencia en las utilidades se
distribuye logísticamente, al igual que la utilidad en el modelo logit ordinal.
Así, una categoría q está asociada a un intervalo [𝜏𝑞−1 , 𝜏𝑞 ], la probabilidad de que
esa categoría q sea elegida por el encuestado es (Michel Bierlaire, 2009):
𝑃𝑛 (𝑞) = Pr(𝜏𝑞−1 ≤ 𝑈𝑖𝑛 − 𝑈𝑗𝑛 ≤ 𝜏𝑞 )

= Pr(𝜏𝑞−1 ≤ (𝑉𝑖𝑛 − 𝑉𝑗𝑛 ) − (𝜀𝑗𝑛 − 𝜀𝑖𝑛 ) ≤ 𝜏𝑞 )
= Pr(𝑉𝑖𝑛 − 𝑉𝑗𝑛 − 𝜏𝑞 ≤ 𝜀𝑛 ≤ 𝑉𝑖𝑛 − 𝑉𝑗𝑛 − 𝜏𝑞−1 )
= 𝐹𝜀𝑛 (𝑉𝑖𝑛 − 𝑉𝑗𝑛 − 𝜏𝑞−1 ) − 𝐹𝜀𝑛 (𝑉𝑖𝑛 − 𝑉𝑗𝑛 − 𝜏𝑞 )
5 Metodología
Con el objetivo de realizar las encuestas origen destino a los estudiantes de la
Universidad de la Costa con el fin de poder estimar la demanda de viajes desde y hacia la
Universidad en los distintos modos de transporte se siguió la siguiente metodología.
Para la realización de la presente encuesta se tuvieron en cuenta los siguientes
aspectos: Antes de iniciar la encuesta se registró el nombre del encuestador en el espacio
donde dice: Nombre del Encuestador. Luego se llegaba donde el usuario y se le presentó
formalmente la justificación del estudio definiendo el objetivo general de la encuesta.
El objetivo General de la Encuesta es el siguiente: Determinar la demanda de viajes
desde y hacia la Universidad de la Costa en los distintos modos de Transporte Urbano
para hacer un diagnóstico de la movilidad y proponer alternativas de mejoramiento. Luego
se dió inicio a la encuesta comenzando con la Parte 1, que corresponde a la Información
General del encuestado así:
5.1 Parte 1: información general del encuestado
Estas preguntas fueron formuladas de manera verbal anotando las respuestas en el
formulario. Se obtuvieron las siguientes variables socioeconómicos: género, tasa de
motorización del hogar (auto, moto, bicicleta), tamaño del hogar, número de estudiantes en
el hogar, número de trabajadores en el hogar y estrato.

Parte 2: información sobre viajes
Una vez conocida la información socioeconómica del entrevistado, se procedió con
preguntas relativas a los viajes que el individuo realizó hacia y desde la universidad durante
el día inmediatamente anterior. Se procedió a preguntar por el primer viaje hacia la
universidad que se reseñó como viaje número 1, luego por el segundo viaje hacia la
universidad que se reseñó como viaje número 2 y así consecutivamente.
De cada viaje se preguntó:
 Hora de inicio (desde el lugar de origen).
 Lugar de inicio del viaje.
 Hora de llegada (a la Universidad)
 Modo empleado.
 Ruta: Si el usuario se vino en bus, indicar la ruta que tomó.
Posteriormente se preguntó sobre los viajes realizados desde la Universidad. La
información se registró de manera similar a como se hizo anteriormente.
6 Análisis de datos
Las variables del estudio fueron definidas como se describe en la siguiente tabla:
Tabla 1.
Descripción de variables de estudio
Variable Definición Tipo de variable Observaciones

Número de vehículos en el Cuantitativa -
NVEHI
hogar Continua Autos y Motos
Número de personas en el Cuantitativa -
NPERS
hogar Continua Tamaño familiar
Número de personas que Cuantitativa -
TRABAJAN
trabajan en el hogar Continua
Número de personas que Cuantitativa -
ESTUDIA
estudian en el hogar Continua
Número de personas Cuantitativa -
NO_TRABAJA
cesantes en el hogar Continua No trabajan ni estudian
Hogares pertenecientes a 1: si pertenecen; 0: no
IBAJO
estratos 1,2 Muda - Discreta pertenecen
IMEDIO
IALTO
Hogares no poseen 1: si poseen; 0: no
SIN_AUTO
vehículo/moto Muda - Discreta poseen
Hogares poseen 1 1: si poseen; 0: no
UN_AUTO
vehículo/moto Muda - Discreta poseen
DOS_O_MAS_AUT Hogares poseen 2 o más 1: si poseen; 0: no
OS vehículo/moto Muda - Discreta poseen
Número de viajes motivo Cuantitativa -
Viajes_Estudio_dia
estudio generados hogar/día Continua No trabajan ni estudian
N válido (según lista) 267
Fuente: Elaboración propia
6.1 Descripción de las variables dependientes
A continuación, se presenta el análisis estadístico de cada una de las variables dependientes

en el estudio, en este caso de los viajes totales en el día para propósitos de estudio.
Tabla 2.
Estadísticos de tendencia central y de dispersión para las variables dependientes
Mínimo Máximo Media Desv. típ. Varianza Asimetría Curtosis

Estadístico Estadístico Estadístico Estadístico Estadístico Estadístico Estadístico
NVEHI 0 5 0,3933 0,68745 0,473 2,454 9,171
NPERS 1 10 3,9738 1,67109 2,793 0,626 0,53
TRABAJAN 0 5 1,5094 0,96699 0,935 0,891 1,221
ESTUDIA 0 6 1,0787 1,13281 1,283 1,064 1,528
NO_TRABAJA 0 6 1,3858 1,15568 1,336 1,061 1,787
Viajes_Estudio_dia 0 3 1,1386 1,06176 1,127 0,157 -1,464
Fuente: Elaboración de los autores
La primera conclusión que se puede obtener de los datos es que su distribución
parece alejarse de una distribución normal ya que tanto su coeficiente de asimetría como su
curtosis se alejan considerablemente de 0. Esta situación dificulta la comparación
estadística entre medias y desviaciones ya que se podrían estar violando los supuestos
requeridos para las pruebas de hipótesis en el marco de la estadística paramétrica.
A continuación, se muestran los diagramas de cajas para los tipos de viajes estudio
durante el día, con el propósito de tener una idea acerca de la dispersión de los datos, e
identificar posibles datos atípicos.

Figura 3. Diagrama de caja para las distribuciones de viaje. Fuente: Elaboración propia
Como se logra apreciar, los datos correspondientes a viajes presentan un sesgo hacia
la derecha, indicando que la mayoría de los viajes que se realizan en el hogar oscilan
alrededor de valores pequeños, y en algunas pocas ocasiones, se generan hasta 3 viajes por
hogar al día con motivo estudio. En general se puede ver que los datos no tienen un
comportamiento normal, situación que no permite por ahora la construcción de intervalos
de confianza, ni la aplicación de pruebas de hipótesis para evaluar la diferencia o no de los
valores medios de las variables. Tampoco es posible hacer comparaciones de varianzas para
la validación de supuestos. El problema de normalidad en las observaciones se hace
evidente debido a la importante presencia de ceros en la base de datos y al poco número de
observaciones que se tiene para los hogares que registran número impar de viajes.
6.2 Descripción de variables discretas.
A partir de la encuesta origen destino se obtuvieron las siguientes variables discretas
que describen los viajes motivo estudios realizados durante un día: nivel de ingreso, tasa de
motorización, número de personas por hogar y número de personas que estudian o trabajan
por hogar.
Nivel de ingreso
En base a lo observado histograma de datos del nivel de ingreso, se las siguientes

categorías.
Tabla 3.
Estadísticos estratos en la muestra
Estrato Socioeconómico Frecuencia Porcentaje

Ingreso Bajo 190 71.2%
Ingreso Medio 66 24.7%
Ingreso Alto 11 4.1%
Total 267 100.0%
Fuente Tasa de motorización. Elaboracion propia del autor
Esta variable se agrupo de acuerdo al número de hogares pertenecientes a cada una

de las categorias que se describen a continuacion:
Tabla 4.
Estadísticos Tasa Motorización
Tasa de Motorización Frecuencia Porcentaje

Sin Auto/Motocicleta 183 69%
Un (1) Auto/Motocicleta 70 26%
Dos (2) o más Auto/Motocicleta 14 5%
Total 267 100%
Fuente: Elaboración manual del autor
Como se observa la mayoría de hogares no poseen vehículo, seguido de los que
poseen un vehículo. De resto son muy pocos los que poseen dos o más vehículos por lo que
se agruparon estos últimos en una categoría:
6.2.1 Ocupación de las personas en el hogar
Dado que respecto a la ocupación de personas se tenían alrededor de 12 variables, se
decidió agruparlas en distintas categorías de manera que grupos de ellas tuvieran
características comunes a fin de simplificar el análisis y hacerlo más práctico.
En consecuencia, se conformaron las siguientes categorías de variables:
1. Personas que trabajan: este grupo hace referencia a las personas en el hogar cuyos
viajes son en su mayoría con propósito trabajo, y a él pertenecen empresarios,
trabajadores independientes, empleado, obreros, servicio doméstico, trabajo
inestable fuerzas armadas.
2. Estudiantes: este grupo hace referencia a las personas en el hogar cuyos viajes son
en su mayoría con propósito estudio. A él pertenecen solamente los que se
encuentran tabulados como estudiantes.
3. No trabajan: en esta categoría se agruparon los cesantes, jubilados, no trabaja y
dueñas de casa.
Tabla 5.
Estadísticos Ocupación Hogar
Número de personas en el
Hogar Promedio Porcentaje
Trabajan 1.51 38%
No Trabajan 1.39 35%
Estudian 1.08 27%
Total 3.97 73%
Fuente: Elaboración propia
Los promedios obtenidos indican que el hogar típico corresponde a uno que tiene entre
3 y 4 integrantes, entre 0 y 1 autos, y un ingreso que se ubica en la categoría 1, es decir
estratos socioeconómicos 1 y 2.
7 Calibración y selección de modelos
A continuación, se describen los procesos y resultados de la estimación de tasas por los
métodos de Regresión Lineal Múltiple (RLM), Análisis por Categorías (AC), Análisis de
Clasificación Múltiple (ACM) y Logit Ordinal (LO) asociadas a modelos de generación de
viajes motivo estudio.
La metodología usada para calibrar dichos modelos en el caso de RLM fue realizar
procedimientos para el análisis de las correlaciones entre las variables, análisis del valor del
intercepto y los signos de las variables. Para el caso de los métodos AC y ACM se realizó
la categorización de las variables (Ingreso, Tamaño del Hogar y Tasa de Motorización) y

estratificación de hogares por dos variables para cada propósito ya que el comportamiento
de los usuarios puede ser notablemente distinta para cada motivo de viaje. Para el método
Logit, se evaluó el valor de log-verosimilitud, el R2 ajustado y la consistencia de signos de
los parámetros estimados.
Una vez determinadas las tasas, se procedió a evaluar cada modelo con el fin de
determinar cuál modelo presenta mejor ajuste y medida de error. Para dicho fin evaluamos
los modelos con la siguiente medida de desempeño:
1
𝑅𝑀𝑆𝑅 = √ ∑(𝑉𝑜𝑏𝑠 − 𝑉𝑚𝑜𝑑 )2
𝑛
Donde n es el número de datos, Vobs son los viajes observados y Vmod son los viajes
obtenidos del modelo.
El RMSR llamado error cuadrático medio, indica cuánto es el error en promedio que
se está cometiendo el modelo en la estimación de los viajes respecto a los observados en la
muestra de validación. En el caso de los modelos por Análisis de categorías y Clasificación
múltiple se utilizó el mismo tipo de error para una muestra:
∑(𝑉𝑚𝑜𝑑 − 𝑉𝑜𝑏𝑠 )2
𝑅𝑀𝑆𝐸 = √
𝑁𝑜 𝐶𝑎𝑡 − 1
Con el objetivo de comparar los modelos estimamos el error estandarizado definido así:
𝑅𝑀𝑆𝐸
𝑁𝑅𝑀𝑆𝐸 =
∑ 𝑉𝑜𝑏𝑠
𝑁𝑜 𝐶𝑎𝑡
Donde No Cat es el número de categorías definidas en los métodos por categorías o el
número de observaciones en el caso de Regresión Lineal y Logit ordinal.

7.1 Regresión Múltiple
Para explicar los modelos con viajes motivo estudio en primer lugar se realizó un análisis
de correlación con el objetivo de observar cuales variables explicaban de mejor forma este
tipo de viajes, como se observa en la imagen:
Tabla 6.
Matriz de Correlación de variables cuantitativas para el modelo RLM con propósito

Estudio
Correlaciones
NO_TRABAJ DOS_O_MAS Viajes_Estud
NVEHI NPERS TRABAJAN ESTUDIA A IBAJO IMEDIO IALTO SIN_AUTO UN_AUTO _AUTOS io_dia
NVEHI 1
*
NPERS ,133 1
TRABAJAN ** **
,218 ,515 1
ESTUDIA .100 ,601** ,121* 1
** ** **
NO_TRABAJA -.088 ,426 -,210 -,213 1
IBAJO ** * **
-,503 -.010 -,144 -.080 ,184 1
IMEDIO ,304** -.001 .093 .075 -,154 * -,900** 1
IALTO ,485** .026 ,125* .019 -.086 -,326** -.119 1
** * ** ** **
SIN_AUTO -,846 -.030 -,144 -.017 .094 ,548 -,453 -,265 1
UN_AUTO ** ** ** **
,527 -.057 .038 -.041 -.074 -,429 ,468 -.038 -,880 1
DOS_O_MAS_AUTOS ** ** ** ** ** ** *
,722 ,175 ,224 .117 -.050 -,295 .021 ,628 -,347 -,140 1
Viajes_Estudio_dia * ** * **
,147 ,445 ,125 ,635 -.084 -.104 .097 .026 -.109 .067 .096 1
*. La correlación es significante al nivel 0,05 (bilateral).
**. La correlación es significativa al nivel 0,01 (bilateral).
La matriz ilustra que las variables más correlacionadas con los viajes motivo estudio en
el día son el número de estudiantes (con un coeficiente de correlación del 63.5%) y el
número de personas (con un coeficiente de 44.5%) a nivel de hogar. La variables
anteriormente citadas están correlacionadas entre si 60.1%, por lo tanto, no deberían estar
juntas en el modelo como variables explicativas.
Con respecto a las variables mudas el nivel ingresos (ingreso alto, medio y bajo) posee
una correlación positiva, a excepción de los estratos nivel bajo. La tasa de motorización del
hogar (sin auto) tiene una correlación negativa, las categorías restantes (un auto y dos o más
autos) e positiva, lo cual tiene sentido a nivel de interpretación econométrica. La

significancia en el modelo como variables explicativas se evaluará a partir del p-value (t
estadístico) calibrando el modelo paso a paso:
 Modelo 1: El modelo presenta un R2 de 0.416. Las variables correlacionadas son el
número de vehículos, el número de personas, número de estudiantes en el hogar, y
las variables relacionadas al ingreso bajo y medio. Como puede observarse las
variables asociadas el estrato o nivel de ingresos tiene un valor t que no es
significativo (<1.96) por lo cual deben ser extraídas del modelo de regresión.
Además, la alta correlación mostrada entre las variables asociadas al número de
personas y estudiantes podrían generar ruido y efectos sobre los coeficientes.
Resumen del modelo
Modelo R R cuadrado R cuadrado Error típ. de la

corregida estimación
1 ,645a ,416 ,405 ,81880
Tabla 7.
Modelo 1 RLM.
Coeficientesa
Modelo 1 Coeficientes no estandarizados Coeficientes tipificados t Sig.
B Error típ. Beta

(Constante) ,150 ,324 ,461 ,645
NVEHI ,123 ,093 ,080 1,322 ,187
NPERS ,059 ,038 ,093 1,552 ,122
ESTUDIA ,534 ,056 ,569 9,581 ,000
IBAJO ,119 ,305 ,051 ,390 ,697
IMEDIO ,186 ,290 ,076 ,642 ,521
número de vehículos, el número de personas, número de estudiantes en el hogar. Como
puede observarse las variables tiene un valor t significativo por lo cual extraer las
variables anteriormente citada mejoró la capacidad predictiva del modelo. Sin embargo es
conveniente estudiar la correlación entre ambas variables y estudiar la variable tasa de
motorización especificadas como mudas y capturar efectos de no linealidad.
Resumen del modelo
Modelo R R cuadrado R cuadrado Error típ. de

corregida la estimación
2 ,644 ,415 ,408 ,81665
Tabla 8.
Modelo 2 RLM.
Coeficientesa
Modelo 2 Coeficientes no Coeficientes t Sig.
estandarizados tipificados
B Error típ. Beta
(Constante) ,284 ,133 2,133 ,034
NVEHI ,119 ,074 ,077 1,620 ,106
NPERS ,058 ,038 ,091 1,528 ,128
ESTUDIA ,537 ,055 ,573 9,704 ,000
número de estudiantes en el hogar, y las variables relacionadas a la tasa de
motorización especificada como variables mudas para capturar no linealidad. Como
puede observarse las variables tienen un valor t significativo. Este modelo se
selecciona como el mejor para modelar la generación de viajes con motivo estudio.
Resumen del modelo

Model R R cuadrado R cuadrado Error típ. de
o corregida la estimación
3 ,647a ,419 ,410 ,81538
Tabla 9.
Modelo 2 RLM.
Coeficientesa
Modelo Coeficientes no Coeficientes t Sig.
estandarizados tipificados
B Error típ. Beta
(Constante) ,234 ,137 1,705 ,089
ESTUDIA ,540 ,055 ,576 9,773 ,000
3 UN_AUTO ,240 ,115 ,100 2,097 ,037
DOS_O_MAS_AU ,119 ,229 ,025 ,517 ,606
TOS
Para el análisis de los residuos para ver si cumplen homocedasticidad y normalidad se

analizan los gráficos de normalidad de tipo Q-Q (cuantiles):
Figura 4. Gráfico de Normalidad en los residuos del modelo RLM para la generación de
viajes con propósito Estudio. Fuente: Elaboración propia
Como se observa los residuos si tienen media 0 sin embargo la gráfica normal Q-Q
no evidencia normalidad en los mismos en un amplio rango de cuantiles. Se puede decir
que los modelos de regresión no se ajustan bien para esta tipología de viajes dado que las
variables en las encuestas no logran una buena correlación. Este modelo además de
presentar un R2 pobre, el intercepto posee un coeficiente muy grande respecto al de las otras
variables, el cual debería ser 0.
7.2 Análisis por categorías (AC)
El número de categorías de demanda será determinante para definir las dimensiones
del modelo, sus requerimientos de información y calibración y finalmente, la precisión de
sus resultados. Según la literatura, las variables ingreso, posesión de automóvil y tamaño
del hogar son relevantes para efectos de la generación de viajes en los modelos por
categorías.
Para cada uno de estos factores mencionados se analizó el histograma de frecuencias
en aras de poder agrupar las diferentes categorías en niveles que permitieran disminuir el
número total de categorías. Para ello fue necesario analizar el comportamiento de los datos
iniciales mediante histogramas de frecuencia con el fin de agrupar datos de cada una de las
variables y, así, conformar grupos homogéneos evitando categorías con pocas
observaciones.
Así por ejemplo, para el primer factor “Tamaño del Hogar”, se muestra el
histograma de frecuencias y los niveles por categorías establecidos:

Para el factor “Nivel de Ingreso” se establecieron 3 niveles, a saber: ingreso bajo,
medio y alto, agrupando las siguientes categorías iniciales:
Figura 5. Histograma para el Nivel de Ingreso.
Fuente: Elaboración propia.

Para el factor “Tasa de Motorización” los niveles se establecieron de la siguiente
manera: hogares sin posesión de vehículos, hogares con posesión de un vehículo y hogares
con posesión de dos o más vehículos.
Teniendo en cuenta los niveles establecidos para cada factor (3 para cada uno), se
realizaron modelos para diferentes pares de factores, es decir, cruzando por ejemplo Nivel
del Hogar – Posesión de Vehículo; Nivel de Hogar – Nivel de Ingreso; Nivel de Ingreso –
Posesión de Vehículos; y bien, considerando los tres factores a la vez. Como resultado, el
mejor modelo calibrado fue el obtenido del cruce de los factores Nivel de Ingreso –
Posesión de Vehículos, cuya metodología se mostrará a continuación. Para el caso de los
otros modelos desarrollados, la metodología es análoga.
Así, teniendo en cuenta los niveles establecidos para cada factor, se tiene un total 9
categorías, para cada una de las cuales debe estimarse las tasas de generación según el tipo
de viaje. Para ello se determina primero el número de hogares que se tienen en la muestra
para cada categoría, y posteriormente el número de viajes en cada una.
Tabla 10
No. de Hogares por categoría
Número de Hogares
Tasa de Motorización
Nivel De Ingresos 0 1 2 O MAS Total general
1-BAJO 161 27 2 190
2-MEDIO 17 28 3 48
3-ALTO 5 15 9 29
Total general 183 70 14 267
.
Viajes con motivo Estudio

Tabla 11.
Número de Viajes por categoría con motivo Estudio
Viajes observados Estudio

Nivel de Ingresos Tasa de Motorización
0 1 2 O MAS
1-BAJO 282 44 8
2-MEDIO 46 68 10
3-ALTO 8 25 30
Con esta información es posible calcular las tasas de generación por cada categoría, para cada
motivo de viaje.
Tasas de generación para viajes con motivo Estudio
Tabla 12.
Tasas de generación por categorías para viajes con motivo Estudio
Tasas Estudio
Nivel Ingreso/TM 0 1 2 O MAS
1-BAJO 1,69 2,26 3,00
2-MEDIO 1,84 1,88 1,73
3-ALTO 1,45 1,92 2,32
Las tasas de generación de viajes estimadas anteriormente fueron empleadas para
validar este método empleando una base de datos con datos diferentes, de manera que de la
misma se extrajo información sobre el total de hogares por categorías. Así, al estimar los
viajes generados por categoría para cada motivo de viaje, se compararon con los viajes
reales realizados.
7.3 Modelo Logit Ordinal (LO)
Dado que se desea modelar el total de viajes realizados en el día por cada motivo de
viaje, el primer paso a realizar es analizar la distribución de viajes del conjunto de datos
para cada propósito.
Como se calibrarán modelos tipo Logit Ordinal, es de saber que se deben establecer
categorías que permitan dar respuesta a la pregunta: ¿Cuántos viajes por hogar se realizan
en un día con determinado propósito? En consecuencia, es preciso realizar el análisis
anteriormente descrito del histograma de frecuencias de viajes, con el objeto de establecer
estas categorías.
Figura 6. Histograma de frecuencias de viajes en el día con propósito Estudio
Las categorías propuestas son las siguientes:

Categoría de
Viajes con
propósito Estudio
0
1
2
3
Los mejores modelos encontrados, después de estimar varios de estos analizando
diferentes combinaciones de variables explicativas tienen la estructura que se presenta a
continuación, de manera conjunta con un resumen estadístico:
Modelos estimados que presentaron consistencia en los signos: (Los resultados se
presentan en los anexos):
 Modelo 1
El modelo 1 relaciona las variables asociadas a los estratos, las cuales no resultan ser
significativas. El número de personas en el hogar resulta ser altamente significativa.
 Modelo 2
El modelo 2 relaciona las variables asociadas a la tasa de motorización y el número de
personas en el hogar, resultan ser altamente significativas. Sin embargo, presenta un log
verosimilitud menor al modelo interior.
 Modelo 3
El modelo 3 relaciona las variables asociadas a la tasa de motorización como variables
mudas para capturar no linealidad. Los hogares sin auto poseen signo negativo, lo cual tiene
consistencia microeconómica. Los hogares sin auto Y el número de personas en el hogar,

resultan ser altamente significativas. Sin embargo, presenta un log verosimilitud menor al
modelo interior.
 Modelo 4
El modelo relaciona las variables asociadas al número de estudiantes en el hogar y el
número de vehículos como variables continuas. El modelo presente significancia estadística
en todos los parámetros y un log verosimilitud más positiva que los modelos anteriores.
8 Evaluación de los modelos con fines de predicción
 Modelos de regresión lineal
Para la evaluación de este modelo, se partió de los datos de validación y con estos se
obtuvieron las siguientes medidas de desempeño entre el ajuste de los viajes modelados y
observados:
Tabla 13.
Errores de los modelos de RLM calibrados para cada propósito de viaje
Viajes Estudio
RMSR 1,07
NRMSE 0,64
Se puede decir que los modelos de regresión no se ajustan bien para esta tipología de
viajes dado que las variables en las encuestas no logran una buena correlación, además los
viajes de este tipo son muy poco en la muestra tomada. Este modelo además de presentar
un R2 pobre, el intercepto posee un coeficiente muy grande respecto al de las otras
variables, el cual debería ser 0.
 Modelos por análisis de categorías

Cada modelo fue evaluado, de acuerdo al NRSME, con los datos de la base de
validación entregada y los resultados obtenidos fueron los siguientes:
Tabla 14.
Cálculo de los NRMSE para cada relación de categorías de variables y propósito de
viaje
Categorías
Estudio
No. Personas – No.
Vehículos 0.20462309
Ingreso – No. Personas 0.23792496
De acuerdo a lo anterior, se concluye que el mejor modelo se relaciona con la
estratificación No. Personas – No. de Vehículos.
 Modelo Logit Ordinal.
Una vez calibrados los modelos de generación de viajes para cada propósito
empleando la modelación logit ordinal anteriormente descrita, se procede a validar con una
base de datos ya depurada. Así, se muestran los errores arrojados por cada tipo de modelo
calibrado.
Tabla 15.
Errores obtenidos de la validación de los modelos LO generados para cada propósito
de viaje.
Medida
Estudio
RMSE 1,71382263
NRMSE 0,87829298
Fuente: Elaboración Propia del autor
9 Conclusiones
Es necesario señalar que los modelos presentados fueron aquellos que exhibieron los
mejores indicadores estadísticos de ajuste y además, presentaron valores y tendencias
acorde a la percepción de los analistas, por ejemplo, coeficientes de correlación múltiple
ajustado adecuados, valores de log-verosimilitud mayores, significancia de variables,
menor error cuadrático medio, entre otros. Con el modelo ACM se obtuvieron resultados
muy buenos para los casos de propósitos estudio y otros los modelos obtenidos presentan
mayor índice de error, pero se explica principalmente porque el número de viajes para
dichos propósitos son pocos. Con relación a los valores de las tasas se puede decir que estos
cumplen con lo esperado ya que aumentan a medida que se presentan mayor número de
personas en el hogar, mayor tasa de motorización e ingresos más altos. Para el caso de los
modelos Logit Ordinal, si bien el modelo de generación de viajes arroja mejores resultados
considerando la variable “Numero de personas en el hogar que estudian”, cabe mencionar
que los estudiantes también pueden realizar viajes con este propósito, sólo que en su
mayoría los viajes que realizan tienen como propósito estudio. Esto excluye a las personas
que trabajan, quienes también pueden realizar viajes con este propósito, por ejemplo, si
realizan una especialización, maestría u otro curso. Estas situaciones pueden influir en los
errores del modelo cuando se emplee para fines predictivos. Además, los modelos
estimados en el presente trabajo se basaron en los viajes de todo el día, y dado que el
comportamiento a lo largo del mismo es diferente para horas punta y las horas fuera de
punta, se recomienda mejor realizar calibraciones de modelos para periodos independientes,
es decir, periodos punta y fuera de punta para cada uno de los propósitos. De esta manera,
pueden obtenerse mejores ajustes de modelos que a futuro puedan predecir mejor la
generación de viajes en las zonas de estudio.

10 Anexos: Resultados modelos logit ordinal
 Modelo 1
 Modelo 2
 Modelo 3
 Modelo 4
11 Referencias
Alpkokin, P. Historical and critical review of spatial and transport planning in the
Netherlands. Land Use Policy, Volume 29, Issue 3, July 2012, Pages 536-547
Chen, B.; Xie, Y.; Tong, W.; Dong, C.; Shi, D.; Wang, B. A comprehensive study of
advanced information feedbacks in real-time intelligent traffic systems. Physica A:
Statistical Mechanics and its Applications, Volume 391, Issue 8, 15 April 2012, Pages
2730-2739, ISSN 0378-4371
Escobar, D. A. Instrumentos y metodología de planes de movilidad y transporte en las
ciudades medias colombianas. Tesis doctoral, Universidad Politécnica de Cataluña,
Departamento de Infraestructuras del Transporte y del Territorio, Programa de
doctorado, “Gestión del territorio e infraestructuras del transporte”. Barcelona: 2008
Guevara, C. A.; A. Thomas. Multiple Classification Analysis in Trip Production Models.
Transport Policy 14, (2007): 514-522.
Hatzopoulou, M.; Miller, E.J. Transport policy evaluation in metropolitan areas: The role of
modelling in decision-making. Transportation Research Part A: Policy and Practice,
Volume 43, Issue 4, May 2009, Pages 323-338.
Horton N.J.; K.P. Kleinman. Much Ado About Nothing: A Comparison of Missing Data
Methods and Software to Fit Incomplete Data Regression Models. American
Statistical Association 61(1), (2007), 79-90.

Kikuchi, S.; J. Rhee. Adjusting Trip Rate in the Cross-Classification Table by Using the
Fuzzy Optimization Method. Journal of the Transportation Research Board 1836,
(2003): 76–82.
Manheim, M. L. Fundamentals of Transportation Systems Analysis, Volume 1: Basic
Concepts. MIT Press series in transportation studies, July 1979, Pages 10-57
Montgomery, D. C. Diseño y análisis de experimentos. Limusa Wiley, 2a. edición, México,
2013, 686 p.
Mwakalonge, J. L.; Badoe, D. A. Comparison of Alternative Methods for Estimating
Household Trip Rates of Cross-Classification Cells. Journal of the Transportation
Research Forum, Vol. 51, No. 2 (Summer 2012), pp. 5-24.
Nutt, P. Ch. Some guides for the selection of a decision-making strategy. Technological
Forecasting and Social Change, Volume 19, Issue 2, March 1981, Pages 133-145,
ISSN 0040-1625
Ortúzar, J. D. Modelos de demanda de transporte, 2a edición, Alfaomega, México (2011).
Ortúzar, J. D.; Willumsen, L. G. Modelling Transport, 4th edition, Jhon Wiley & Sons Ltd.
Chichester, United Kingdom (2011)
Sheffi, Y. Urban Transportation Networks: Equilibrium analysis with mathematical
programming methods, Prentice-Hall Inc. New Yersey (1985) p. 2
Stopher, P.; McDonald, KG. Trip generation by cross-classification: an alternative
methodology. Transportation Research Record 891, 10-17 (1983)

Rengaraju, V.; M. Satyakumar. “Structuring Category Analysis Using Statistical Technique.”
Journal of Transportation Engineering 20 (6), (1994): 931-939.
Retherford, R. D.; M.K. Choe. Statistical Model for Causal Analysis. John Wiley & Sons,
New York, Inc., NY, 1993.
Wheeler, S.M., Beatley, T. The Sustainable Urban Development Reader, Routledge, New
York (2004)

Modelo de Generacion de Viajes 1

Cargado por

Copyright:

Formatos disponibles

Modelo de Generacion de Viajes 1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelo de Generacion de Viajes 1

Cargado por

Copyright:

Formatos disponibles

MODELO DE GENERACION DE VIAJES 1

Modelos de generación de viajes motivo

Trabajo de grado para optar título de

Universidad de la costa C.U.C

Modelos de generación de viajes motivo

Trabajo de grado presentado al tutor

Iván Darío Serrano Arrieta

Firma del Decano

Firma Líder de Grupo de Investigación

Este proyecto de grado es dedicado a Dios y a mi familia, especialmente a mi

Este proyecto de grado es dedicado a Dios, especialmente a mi madre Carmen y mi

padre Idelfonso, mis hermanos y demás familiares.

Agradecemos principalmente a DIOS por darnos la oportunidad, la capacidad y la

más valioso que se le puede dejar a un hijo, la educación.

En el presente trabajo se estimaron modelos de generación para viajes motivo estudio de la

destino realizada a estudiantes de la universidad. Se estimaron modelos de generación

consistencia econométrica y mejores indicadores de bondad de ajuste. Los modelos

utilizados son clave para la planeación estratégica en materia de movilidad para la

universidad de la costa. La generación de viajes es un proceso que permite relacionar las

ligados a las características socioeconómicas de la población, esta relación se puede estimar

a través de modelos de generación empleados en el presente proyecto. Se analizaron las

asi mismo se generaron modelos por el método de Regresión Lineal Múltiple y se

los más confiables.

Palabras Clave: Generación de viajes, Análisis por Categorías, Análisis de

Clasificación Lineal múltiple, Regresión lineal múltiple, Logit Ordinal

intimately linked to the socioeconomic characteristics of the population, this relationship

Keywords: Trip generation, Analysis by Categories, Multiple Linear Classification

Analysis, Multiple Linear Regression, Ordinal Logit

Lista de tablas y figuras

Tabla 1. Descripción de variables de estudio. ...................................................................... 25

Tabla 2. Estadísticos de tendencia central y de dispersión para las variables dependientes 26

Tabla 3. Estadísticos estratos en la muestra ......................................................................... 28

Tabla 4. Estadísticos Tasa Motorización .............................................................................. 28

Tabla 5. Estadísticos Ocupación Hogar ................................................................................ 30

Tabla 6. Matriz de Correlación de variables cuantitativas para el modelo RLM con

propósito Estudio .................................................................................................................. 32

Tabla 7. Modelo 1 RLM. ...................................................................................................... 34

Tabla 8. Modelo 2 RLM. ...................................................................................................... 35

Tabla 9. Modelo 2 RLM. ...................................................................................................... 36

Tabla 10. No. de Hogares por categoría ............................................................................... 39

propósito de viaje. ................................................................................................................ 44

Figura 1. Interrelaciones básicas. ......................................................................................... 11

Figura 2. Gráfico de la curva de la función logit. ................................................................. 19

Figura 3. Diagrama de caja para las distribuciones de viaje. ............................................... 27

Figura viajes con propósito Estudio ..................................................................................... 36

Figura 5. Histograma para el Nivel de Ingreso ..................................................................... 38

Figura 6. Histograma de frecuencias de viajes en el día con propósito Estudio ................. 41

Los modelos de generación desagregados tienen como unidad de trabajo el hogar e

ingresos. Para planificar los sistemas de transporte urbano, se requiere el desarrollo de

de tiempo determinado. La manera tradicional de abordar el problema de transporte

consiste en estudiar la existencia de tres macro-variables: sistema de actividades, sistema de

puede ver esquemáticamente en la ilustración 1.

Figura 1. Interrelaciones básicas.

afecte el sistema de transporte o el sistema de actividades, o los dos en forma simultánea,

producirá una variación en el patrón de flujos.

No obstante, años de experimentación y desarrollo han dado como resultado la

definición de una estructura general de modelación denominada modelo clásico de

origen-destino aplicadas en la Universidad de la Costa.

Se presentarán calibrados modelos de distintas clases, entre ellos: modelos de