Skip to content

La excelencia del dato en las previsiones de tráfico

Empecemos por el final: No se le da importancia suficiente a la necesidad de un estudio riguroso y detallado de las previsiones de tráfico.

Y es que disponer de una buena predicción de la demanda futura es uno de los elementos más importantes en la evaluación de cualquier proyecto de transporte.

Sin embargo, es común encontrarse con errores de predicción en los proyectos, entendidos estos errores como la variación porcentual entre el tráfico estimado y el tráfico observado en el primer año de operación.

Estos errores de predicción tienen diferente impacto si se tratan de infraestructuras o servicios. En esta última es relativamente sencillo poder corregir la oferta inicial si esta no provee el servicio demandado o si la demanda se ha sobreestimado (intensificar o reducir el número de expediciones, nuevas paradas o eliminación de algunas de ellas, nuevas líneas o reducción de estas…). Sin embargo, en los proyectos de inversión (carreteras, vías férreas, puertos o aeropuertos) no se pueden corregir estos errores de predicción, y dan como resultado la inversión de unos recursos por parte de la sociedad sin contrapartida en beneficio social, o lo que es lo mismo, un malgasto de los recursos públicos.

Mención aparte para los modelos de predicción de demanda en carreteras de peaje. Y es que son numerosos los ejemplos en los que las previsiones no coincidieron con la realidad, con una afección muy importante al equilibrio económico de la concesión.

Además, estas desviaciones son elevadas, lo que indica un alto nivel de incertidumbre y riesgo.

Son numerosos los estudios en los que se investigan los errores de predicción en los proyectos de autopistas de peaje. Concretamente, en la imagen que se muestra a continuación, se analiza el comportamiento del tráfico real frente al estimado en diferentes proyectos durante los primeros años de operación (periodo de ramp-up).

La conclusión es que existe un claro sesgo hacia la sobreestimación. En promedio, el tráfico está sustancialmente sobreestimado con unos resultados de alrededor del 35% menos de tráfico obtenido en la realidad.

Estos resultados son consistentes con los resultados encontrados en otros estudios como los realizados por Robert Bain. En el caso de las autopistas de peaje Bain y Wilkins hallan que en 28 de los 32 casos la demanda se sobrestima siendo el porcentaje de sobreestimación entre un 20% y un 30%.

Otro de los resultados que se obtiene en el estudio de Baeza, es que las predicciones de tráfico parecen ser menos precisas en el primer año de explotación. Durante este periodo los conductores están todavía familiarizándose con la nueva infraestructura por lo que resultan muy sensibles estos primeros años de operación. Sin embargo, las predicciones no mejoran demasiado a lo largo del tiempo por lo que no se puede atribuir el error a los efectos imprevisibles del primer año.

Estos errores de predicción en los modelos de demanda suceden igualmente para las autovías. Sin embargo, en este sentido, los informes publicados al respecto afirman que para las autovías libres de peaje la desviación de las predicciones es menos acusada y además no se observa un sesgo positivo u optimista. Por tanto, existen ejemplos de modelos de demanda erróneos no solo para autopistas de peaje sino también para autovías libres de peaje.

El resultado del modelo tiene relación directa con la calidad de los datos disponibles. Es fundamental en los modelos de demanda que el modelo del año base reproduzca las condiciones de tráfico satisfactoriamente para proyectar hasta el primer año de funcionamiento (aproximadamente 10 años). Tal y como recoge Standard&Poors en su catálogo de riesgos, la obtención de unos datos pobres de partida eleva el riesgo y la incertidumbre adquirida en la predicción.

Existen otros muchos riesgos que tienen influencia para la elaboración correcta de una predicción, no solo los debidos a los datos de partida. Por ejemplo, en el libro “Previsiones de tráfico e ingresos en carreteras de peaje” escrito por Robert Bain se incluye un catálogo de riesgos de tráfico para un ejemplo concreto. En referencia al tipo de peaje establece la siguiente valoración de riesgos:

Se refleja por tanto que la sensibilidad a la disposición a pagar supone un riesgo elevado en el resultado de ese ejemplo concreto y, por ello, debe ser tenido en cuenta y estudiado para cada caso en concreto.

Como ejemplo a esta sensibilidad a la disposición de pagar se muestra a continuación la evolución de la carretera AP-7 tras la eliminación de los peajes en los tramos Tarragona-Valencia y Valencia-Alicante. El fin del peaje tuvo lugar el 1 de enero de 2020 por lo que la comparativa se establece entre las IMD (Intensidad Media Diaria) del mes de enero de los años 2019 y 2020.

En este caso se concluye que la eliminación del peaje se ha traducido en un aumento del uso de la autopista. El promedio de aumento de vehículos que circulan por la autopista entre Tarragona y Alicante es un 78% mientras que, por el contrario, el tráfico ha disminuido una media del 30% en las vías alternativas.

En el caso de las radiales R-2, R-3, R-4 y R-5, se ha producido una reducción generalizada de las tarifas en una media del 30% desde el pasado 15 de enero de 2019. Esto ha repercutido en cierta manera en aumentos de los tráficos de 2019 respecto a los de 2018, aunque lejos aún de los tráficos previstos en los modelos de demanda.

Se ha analizado asimismo la variación de tráficos para el mismo periodo temporal de las vías paralelas las cuales constituyen la opción alternativa. En el gráfico se puede observar como en el caso de la R4 y la A4, ambas vías han experimentado un crecimiento importante. Estos datos reflejan que las radiales aún se encuentran lejos de captar de las vías en competencia o alternativas los tráficos inicialmente previstos.

Como resumen de los expuesto anteriormente se puede concluir que muchos de los modelos de demanda realizados para diferentes proyectos de infraestructuras carecen de la profundidad y la atención que proyectos de estas características exigen o, al menos, los resultados finales no casan con la realidad. No existe un consenso para determinar el tipo de modelo que se debe utilizar, pero sí que es necesario que este se ajuste al propósito para el cual se realiza.

 

Gracias por su lectura.

 

Itziar Buruchaga | Ingeniera Senior

 

Referencias

Bain, R. (2009). Previsiones de tráfico e ingresos en carreteras de peaje. Robert Bain.

Traffic Uncertainty in Toll Motorway Concessions in Spain: An Analysis of the Ramp-up Period. (2008). [Ebook]. Retrieved 21 October 2020, from.

Predicción de demanda: Análisis de la incertidumbre y modelos de predicción en España. Mar González – Savignat, Anna Matas, José Luis Raymond y Adriana Ruíz

Bain, R. y M. Wilkins, (2002), „Credit implications of traffic risk in start-up toll facilities‟. Standard & Poor‟s Project & Infrastructure Finance Review

Posts relacionados

Mobility by Vectio 1×03 con Ana Álvarez

¿Por qué Buenos Aires se fija en Roma como modelo de movilidad sostenible?

La lucha silenciosa: La falta de transporte público en el campo británico

Beth Fallon

Bogotá sigue liderando soluciones de movilidad urbana mientras construye su primera linea de Metro

Mobility by Vectio 1×02 con Nati Armentia

Sobreviviendo al atasco: cómo China enfrenta los desafíos del tráfico

Candela Martín
Transport Engineer

El impacto del turismo masivo y las nuevas tecnologías en la movilidad

Irene Méndez
Transport Engineer

Mobility by Vectio 1×01 con Jorge Rodríguez

Más allá de los badenes

Irene Méndez
Transport Engineer

Estudios de Movilidad para desarrollos logísticos, industriales y de oficinas

Jorge Rodríguez
Technical Director

Primeros pasos en la modelización del transporte

Ana Álvarez
Transport Modeller

Transporte Público y Combustibles Alternativos: Alimentando el cambio

¿Y si los atascos son la solución?

Itziar Buruchaga
Transport Engineer

Planificación del aparcamiento en centros logísticos de reparto

¿Un futuro sin emisiones de carbono pasa por una semana laboral de cuatro días?

Las carrozas a 5 soles y la gratuidad del transporte público

Jorge Rodríguez
Technical Director

La movilidad en el cine a través del Ferrocarril

Irene Méndez
Transport Engineer

Pensando la Movilidad desde el inicio: Los Desarrollos orientados al transporte

Movilidad y Data Analytics: Fuentes de datos para un análisis preciso

Movilidad y Transporte: 5 claves para este 2023 (y más allá)

Carlos González
Transport Engineer

Simulaciones de tráfico, grandes aliadas en la gestión de la movilidad

Azariel Menéndez
Draftsman

Covid-19 y movilidad: ¿Se ha restablecido el tráfico tras la pandemia?

Ana Álvarez
Transport Modeller

Las 5 etapas del Big Data aplicado a la Ingeniería de Tráfico

Carreteras 2 + 1: una alternativa para reducir la siniestralidad en las vías secundarias

Itziar Buruchaga
Transport Engineer
Categorías
×

Para mas información contacte con nuestro equipo comercial .

    ×