1. Utviklingen internasjonalt og
1.5 Verdipapirmarkedene i Norge
O processo de modelação da procura potencial de transportes colectivos foi realizado através de uma série progressiva de análises, conforme a representação esquemática da figura 39.
Dado que o valor das variáveis poderia apresentar algumas distorções em determinadas secções estatísticas, pelo seu desigual tamanho, e no sentido de uniformizar a sua importância relativa, foi necessário estabelecer uma relação com a área onde se localizam. Verifica-se que a distinta dimensão das secções estatísticas origina uma sub-valorização das áreas centrais da cidade, pela menor área que possuem, e uma sobre-valorização das secções
estatísticas da periferia, pela maior área que por regra conhecem. Não atende, portanto, ao nível de concentração que as variáveis conhecem. Este problema é evidente, p.e., em relação à freguesia de Penselo, onde se verifica uma importante presença da variável emprego, uma vez que a totalidade da freguesia corresponde a uma só secção. Este facto originaria uma grande atractividade relativa desta freguesia em relação a toda a área de estudo.
Figura 39. Modelação da procura de transportes: metodologia adoptada
Assim, optámos por executar uma relativização das variáveis em relação à dimensão espacial da respectiva secção estatística, para deste modo, mais correctamente, se avaliar a concentração das variáveis.
Aplicámos para tal a seguinte equação:
1000000
*
A
V
onde: V= variávelEsta relativização das variáveis em relação à área foi realizada para as variáveis população residente, volume de emprego e número de empresas de serviços. Entendemos não aplicar esta relativização espacial à variável número de alunos, dado o carácter pontual dos equipamentos de ensino. Há um determinado número de alunos que frequentam determinado equipamento e a sua localização é pontual e não distribuída pela secção estatística. A transformação dos dados relativos ao número de alunos para uma base de relação com a dimensão da secção estatística poderia, p.e., criar uma importância relativa superior de uma secção (de pequena dimensão) onde se localize um equipamento escolar com um número de alunos inferior a uma universidade (dado o facto da secção estatística ser superior). Ora, como a atracção do ensino acontece com base em localizações pontuais e, na nossa área de estudo, existe geralmente um equipamento por secção, entendemos não realizar esta ponderação, e mantivemos os valores absolutos. A multiplicação por 1000000 foi realizada no sentido de trabalhar com dados sobre uma dimensão espacial o km2, uma vez que os dados originais encontram-se em m2, e este facto criaria valores muito baixos, muitas vezes negativos.
Um segundo problema foi a distinta amplitude das 4 variáveis, o que dificultava as análises comparativas. Foi, por isso, necessária a realização de uma normalização dos dados.
A normalização dos dados teve como propósito tornar todas as variáveis input do nosso modelo comparáveis, uma vez que altos valores de uma determinada variável e altos intervalos de valor podem criar desequilíbrios de importância.
Optámos por realizar uma normalização MIN-MAX. A normalização MIN-MAX opera uma transformação linear na amplitude original dos valores das variáveis de input para uma amplitude pré-determinada (usualmente entre 0 e 1). O valor mínimo inicial (min1) para cada variável é transformado para uma novo valor mínimo (min2). O mesmo acontece com o valor máximo (max1 para max2). Cria-se, deste modo, uma nova escala, onde todos os pontos entre estes extremos são relocalizados de forma linear.
A expressão matemática da normalização MIN-MAX é:
1
min
)
2
min
2
(max
1
min
1
max
1
min
'
⎟
−
+
⎠
⎞
⎜
⎝
⎛
−
−
=
y
y
onde:
y’= novo valor calculado y = valor inicial
min1= valor mínimo inicial max1= valor máximo inicial min2= valor mínimo final max2= valor máximo final
Esta metodologia tem a vantagem de preservar intactos as distâncias originais entre os diferentes valores (BAÇÃO, 2002).
Finalmente, no processo de modelação da procura de transportes para a nossa área de estudo foi necessário ponderar a importância relativa das variáveis. Optámos por atribuir uma importância relativa idêntica às variáveis população residente, emprego e serviços. Estas variáveis são também os elementos mais decisivos para a criação do output final, uma vez que entendemos que estas são as variáveis mais importantes na geração de viagens. A variável número de estudantes fica, deste modo, com importância relativa inferior às restantes.
Criámos, assim, para uma escala de 0-10, os seguintes pesos relativos para as variáveis: População residente: 2.83
Emprego: 2.83 Serviços: 2.83
Número de estudantes: 1.5
A atribuição destes pesos relativos às variáveis vai originar um output final onde as diferentes secções estatísticas conhecem um valor de procura potencial de transportes colectivos entre 0-10. O valor máximo possível é 10, e, a existir, corresponderia a uma secção estatística onde para cada uma das 4 variáveis se verificasse a maior importância relativa dentro da nossa área de estudo.
A atribuição destes pesos relativos baseia-se no princípio de que a procura é condicionada principalmente pela população residente, emprego e serviços. Entendemos igualmente ser importante incluir o ensino, embora com um peso relativo ligeiramente inferior. Os pesos relativos destas variáveis (assim como de outras que eventualmente se entendam introduzir em trabalhos similares) poderão ser, posteriormente, confrontados com outros dados (designadamente, o número de utentes que efectivamente utilizam os transportes urbanos, por secção) no sentido de aperfeiçoar estas ponderações. Da mesma forma, poderão ser
aplicadas, com algumas alterações, a outras outros contextos territoriais. O nosso objectivo é demonstrar que é possível modelar a procura em SIG, ainda que as ponderações dadas (assim como as variáveis utilizadas) possam sofrer determinados ajustes e adaptações. O objectivo será sempre tornar o modelo o mais próximo possível da realidade.