Conclusion

Segundo OLIVA et al. (2001), a modelagem para previsão de geração de viagens depende essencialmente de três fatores: da quantidade, da qualidade dos dados e da forma estrutural dos modelos.

Em relação aos dados, estes são obtidos através das relações observadas entre as características das viagens e informações sobre as atividades socioeconômicas da população. Assim, os fatores que influenciam na geração de viagens, para ORTÚZAR e WILLUMSEN (1994), são: renda, propriedade de automóvel, estrutura do domicílio, tamanho da família, valor do solo, densidade residencial, acessibilidade etc. No entanto, existem ainda outros fatores que podem influenciar na atração de viagens numa dada zona, como o número de empregos ofertados e atividade comercial. Além disso, estes dados devem estar disponíveis em grande quantidade, sendo ainda difícil isolar os efeitos de todas as variáveis sobre o número de viagens geradas, devido ao

comportamento divergente das pessoas, mesmo sob condições socioeconômicas iguais, o que dificulta o estabelecimento de uma forma única que seja capaz de representar a geração de viagens para diferentes pessoas ou grupos.

ORTÚZAR e WILLUMSEN (1994) afirmam que, desde o início da década de 50, várias técnicas foram propostas para modelar a geração de viagens. Tem-se como exemplo dessas técnicas, os modelos de fator de crescimento, de classificação cruzada e os de regressão linear.

Os modelos de fator de crescimento objetivam estimar o crescimento das viagens para uma determinada zona. Para isso, segundo BRUTON (1975), uma das primeiras aplicações desses modelos foi o estudo de tráfego da Área Metropolitana de Detroit, utilizando fatores de crescimento para estimar as viagens para uma determinada zona de tráfego. Esse método relacionou os dados coletados em estudos de tráfego com dados coletados em estudos de uso do solo, visando estimar uma taxa de crescimento na geração de viagens para os principais tipos de uso do solo. Nesse método, ao assumir uma taxa de crescimento constante baseada nas médias das viagens produzidas, erros podem estar embutidos. Isso constitui num sério problema, porque a geração de viagens é o primeiro estágio do processo de modelagem de demanda. Assim, erros podem ser levados por todo o processo, interferindo no trabalho em fases subseqüentes.

Ainda segundo ORTÚZAR e WILLUMSEN (1994), os métodos de classificação cruzada utilizados para o cálculo de produções de viagens separam a população de uma área urbana relativamente homogênea em diferentes categorias (por exemplo: categorias socioeconômicas ou por tipo de habitação). Uma vez conhecidas as taxas de viagens para cada classificação, essas são normalmente aplicadas para cada zona. São usadas as características médias de cada zona para determinar a classificação para qual zona pertence, determinando, então, a taxa de viagem a ser aplicada correspondente a cada categoria. Utilizando este método, uma taxa de viagem é aplicada a todas as pessoas na zona. Embora exista outra forma de aplicação do método de classificação cruzada (por exemplo, no processo de decisão individual das viagens), a descrição desse método se refere à utilização em dados agregados no nível zonal.

Como vantagens desse método, ORTÚZAR e WILLUMSEN (1994) destacam a independência das zonas para área de estudo e a não exigência de considerações iniciais

sobre as variáveis, além do que a relação entre essas variáveis pode variar classe a classe. Porém, como desvantagens, o modelo não permite extrapolação além de seus estratos de calibração; requer grande quantidade de dados e, conseqüentemente, custos adicionais de pesquisa; existência de somente um método para validação estatística (observado/existente) e, finalmente, não há nenhum meio efetivo para a escolha das variáveis.

O modelo de regressão linear pode ser usado para estabelecer uma relação estatística entre o número de viagens geradas e as características dos indivíduos, da zona e da rede de transportes. Dois tipos de regressão são comumente usados. O primeiro usa dados agregados no nível zonal, com a média das viagens por domicílio nas zonas como a variável dependente e a média das características zonais como variável independente (explicativa). O segundo usa dados desagregados do domicílio ou do indivíduo, cujas características domiciliares e pessoais constituem as variáveis independentes.

No primeiro caso, segundo ORTÚZAR e WILLUMSEN (1994), o modelo de regressão é válido apenas para as viagens interzonais; considerando-se que as zonas apresentam um padrão socioeconômico homogêneo. No entanto, sabe-se que a maior variabilidade de viagens ocorre justamente dentro das zonas. No segundo caso, a variação intrazonal pode ser reduzida diminuindo o tamanho da zona, especialmente se as zonas são homogêneas.

Um ponto ainda a considerar, segundo OLIVA et al. (2001), é que, para garantir a qualidade das previsões, é necessária a satisfação das hipóteses básicas do modelo de regressão, como a homoscedasticidade, a não existência de autocorrelação nos resíduos e a não existência de multicolineariedade. Além disso, a grande falha nos modelos de regressão linear múltipla consiste no estabelecimento de uma relação causal entre as variáveis dependente e independentes, assumindo-se que os coeficientes de regressão, ora calculados, terão validade em qualquer cenário futuro. Isso se verifica com a redução ao longo do tempo do coeficiente de correlação, originada por meio de variações nas características socioeconômicas e de uso do solo, o que tornaria as previsões anteriormente propostas imprecisas.

Os modelos ora apresentados, denominados tradicionais, segundo TACO et al. (1997), demonstram um nível de análise tipicamente estático, já que não apresentam

recursos que possibilitem captar com rapidez as mudanças urbanas relativas ao uso do solo. Além disso, necessitam de uma grande quantidade de dados para realização da modelagem, impossibilitando a atualização dos mesmos de uma forma rápida e contínua pelo seu alto custo operacional. Essas restrições tornam complexa a modelagem e, evidentemente, o tratamento dos problemas de transportes. Surge assim, a necessidade de se contar com ferramentas que possibilitem o tratamento de grande quantidade de dados, de forma rápida, precisa e que também permitam fundamentalmente intervir no processo da modelagem de forma interativa e dinâmica.

Algumas tentativas neste sentido já podem ser observadas, como no caso dos modelos de geração de viagens baseados em padrões de uso do solo (TACO et al., 1997), obtidos através de sensoreamento remoto e dos sistemas de informações geográficas (SIG). Utilizando essas tecnologias, é possível por meio da foto- interpretação processar a setorização da estrutura urbana, identificando sistematicamente setores com características semelhantes e definindo padrões geométricos/fotográficos, resultando numa melhor compreensão e tratamento das variáveis que influenciam nas viagens geradas, correlacionando o uso do solo em níveis agregados (padrões de uso do solo) ou não, e os transportes. Isso, além de ser vital para o planejamento, torna o mesmo uma tarefa que necessita de poucos dados obtidos em levantamentos de campo, pois explora os recursos de análise espacial do SIG.

Outros modelos são baseados na aplicação da tecnologia de redes neurais (OLIVA et al., 2001). Eles não requerem qualquer tipo de transformação nas variáveis nem a formulação de hipóteses sobre a forma funcional ou sobre as distribuições de probabilidade dos erros de previsão. Apesar de ser necessário o teste de diversas configurações para obtenção de redes com bom desempenho, neste processo não paramétrico, podem ser incluídas todas as variáveis teoricamente relevantes para explicação do fenômeno em estudo.

Existem ainda modelos mais elaborados como o Neuro-Geo-Espacial (DANTAS

et al., 2000), que buscam incorporar a dinâmica urbana como fator que mais afeta a

demanda de viagens. Tal incorporação é conduzida através da modelagem não-linear por meio da utilização de redes neurais, as quais permitem analisar as complexas interações entre o uso do solo e o sistema de transportes, sendo essas interações

quantificadas através de dados obtidos a partir de imagens de sensoreamento remoto em um ambiente computacional SIG.

A utilização dessas novas técnicas de inteligência artificial, embora inovadoras principalmente no processamento dos dados, não permite explicar as relações entre as variáveis.