🔬 physics

Demand-agnostic assessment of on-demand pooled transit services

Este artículo presenta un marco de evaluación agnóstico a la demanda que utiliza simulaciones y umbrales de rendimiento para identificar áreas urbanas y centros óptimos para el despliegue de servicios de tránsito bajo demanda agrupados, incluso cuando no se dispone de datos precisos de demanda, tal como se demuestra en un estudio de caso en Cracovia.

Autores originales: Olha Shulika, Hanna Vasiutina, Michał Bujak, Farnoud Ghasemi, Rafał Kucharski

Publicado 2026-06-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Olha Shulika, Hanna Vasiutina, Michał Bujak, Farnoud Ghasemi, Rafał Kucharski

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un planificador urbano intentando lanzar un nuevo tipo de servicio de autobús. No es un autobús regular que funciona con un horario fijo; es un "autobús inteligente" que solo aparece cuando la gente lo solicita, recoge a los vecinos en el camino y los lleva a la estación de tren o tranvía más cercana. Es como un coche compartido digital que conecta tu hogar con la red principal de transporte.

¿El gran problema? Aún no sabes quién lo usará realmente. No puedes preguntar a la gente: "¿Usarías esto?", porque el servicio aún no existe. Si eliges el barrio equivocado, podrías malgastar dinero en un autobús que circula vacío. Si eliges el correcto, le ahorrarás dinero a la ciudad y facilitarás la movilidad de las personas.

Este documento presenta una bola de cristal para los planificadores urbanos. Es un método para determinar dónde lanzar este servicio antes de comprar un solo autobús, incluso cuando tienes cero datos sobre cuántas personas se registrarán.

La analogía de la "Siembra de Semillas"

Piensa en la ciudad como un jardín con 12 parcelas de tierra diferentes (barrios). Quieres plantar una semilla especial (el servicio de autobús bajo demanda) en la parcela donde mejor crezca.

Normalmente, los agricultores esperan a ver brotar las semillas para saber si la tierra es buena. Pero aquí, los investigadores dicen: "Imaginemos que plantamos las semillas y vemos cómo reaccionaría la tierra".

Utilizan un concepto llamado "Fracción de Demanda". Imagina esto como un dial que puedes girar.

Ajuste bajo (0,1%): Solo 1 de cada 1.000 residentes está interesado en el servicio.
Ajuste alto (5%): 1 de cada 20 residentes está interesado.

Los investigadores ejecutan una simulación informática para cada uno de los 12 barrios. Van girando el dial lentamente, preguntando: "¿En qué punto este servicio empieza a funcionar bien?"

Los tres "Controles de Salud" (KPIs)

Para decidir si un barrio es un buen candidato, la simulación comprueba tres signos vitales, de forma similar a comprobar si un nuevo restaurante tiene éxito:

El control de "Ahorro de Gasolina" (Reducción de kilometraje): ¿Realmente compartir el viaje ahorra combustible? Si todo el mundo viaja solo, es un desperdicio. Si comparten, ¿disminuye la distancia total recorrida al menos un 10%?
El control de "Comodidad" (Satisfacción del pasajero): ¿Sigue siendo agradable el viaje? Si el autobús tiene que hacer un gran desvío para recoger a un vecino, el pasajero podría molestarse. La simulación comprueba si el viaje es al menos un 2,5% "mejor" (o al menos no peor) que ir en un coche privado.
El control de "Autobús Lleno" (Ocupación): ¿Está el autobús transportando a más de una persona? Si el número promedio de personas en el vehículo es inferior a 2, es solo un taxi privado disfrazado. El autobús necesita transportar al menos a 2 personas de media para contar como un éxito de "uso compartido".

La carrera hacia la línea de meta

Los investigadores ejecutaron esta simulación para 12 áreas diferentes de Cracovia, Polonia. Preguntaron: "¿Cuál es el barrio 'campeón'?"

El campeón no es necesariamente el que tiene más gente. Es el que cumple los tres "Controles de Salud" con el menor número de usuarios interesados.

El Ganador: Área 9 (cerca de la estación de tren de Mydlniki). Esta zona era la "super tierra". Cumplió todos los criterios de éxito incluso cuando solo una mínima fracción de los residentes (menos del 1%) estaba interesada. Era el lugar más eficiente para empezar.
Los Perdedores: Área 10 y Área 4. Estas zonas eran como tierra pedregosa. Incluso cuando subieron el dial al 5% de interés, el servicio seguía sin cumplir los objetivos de eficiencia o comodidad. En algunos casos, estas zonas estaban simplemente demasiado cerca de las estaciones de tren existentes, por lo que no se necesitaba un autobús de enlace.

El "Mapa de Crecimiento"

Una vez que encontraron al ganador (Área 9), crearon una hoja de ruta para el futuro. Le dijeron a la ciudad:

La Chispa: Si consigues que solo el 0,025% de los residentes lo utilicen, ocurrirán los primeros viajes compartidos.
El Estirón de Crecimiento: Al 0,05%, el servicio empieza a funcionar realmente bien.
El Estado Estable: Una vez que alcanzas el 0,1% al 0,7%, el servicio funciona de forma fluida y eficiente.

La conclusión

Este documento ofrece a las ciudades una herramienta de toma de decisiones. En lugar de adivinar o esperar a tener datos del mundo real que quizás nunca lleguen, pueden usar este método para decir: "No pongas el autobús en el Barrio A; ponlo en el Barrio B. Empezará a funcionar con menos personas y ahorrará más dinero".

Es una forma de eliminar las conjeturas al lanzar un nuevo transporte compartido, asegurando que, cuando el servicio finalmente llegue, tenga las mejores posibilidades de éxito desde el primer día.

Resumen Técnico: Evaluación Independiente de la Demanda para Servicios de Tránsito Agrupado Bajo Demanda

Planteamiento del Problema
Los municipios que buscan reducir la dependencia del automóvil y mejorar la habitabilidad urbana a menudo se enfrentan a una barrera crítica al implementar servicios de alimentación de tránsito agrupado bajo demanda: la ausencia de datos fiables de demanda durante la etapa de planificación. La optimización de servicios tradicional depende de tasas de viajes observadas, división modal o niveles de pasajeros por ruta, los cuales no están disponibles para servicios completamente nuevos. Esta falta de datos complica la selección de las áreas de despliegue y las ubicaciones de los nodos (hubs) óptimos, particularmente en regiones urbanas de baja densidad donde la demanda es incierta. Sin cifras precisas de demanda, los municipios tienen dificultades para determinar dónde un servicio será operativamente viable o cómo establecer expectativas de rendimiento realistas antes del lanzamiento.

Metodología
Los autores proponen un marco de evaluación libre de parámetros e independiente de la demanda diseñado para evaluar el potencial de los servicios de alimentación de tránsito agrupado sin requerir la calibración previa de parámetros específicos de la demanda. La metodología procede a través de los siguientes pasos:

Datos de Entrada: El enfoque utiliza redes viales de OpenStreetMap (OSM), distribuciones de puntos de direcciones residenciales (que representan la población) y pares de área-nodo candidatos proporcionados por los planificadores municipales.
Generación de Demanda: En lugar de asumir una demanda fija, el método simula la demanda potencial utilizando una "fracción de la demanda" ( $\alpha$ ). Esto representa la probabilidad de que un residente utilice el servicio. La demanda se genera aleatoriamente a través de puntos residenciales dentro de áreas candidatas, asumiendo que los viajeros se dirigen hacia el nodo de transporte público más cercano. La simulación prueba valores de $\alpha$ que van desde el 0.1% al 5% de la población local.
Algoritmo de Emparejamiento (ExMAS): El estudio emplea el algoritmo de Emparejamiento Exacto de Viajes Compartidos Atractivos (ExMAS). Este algoritmo basado en la utilidad y de carácter offline empareja a los viajeros en viajes compartidos solo si el viaje compartido ofrece una utilidad mayor que un viaje de transporte privado individual (ride-hailing), considerando el tiempo de viaje, desvíos, tiempo de espera y penalizaciones por incomodidad.
- Línea Base: La comparación se realiza contra un escenario donde todos los usuarios potenciales realizan viajes individuales de transporte privado.
- Supuestos: El servicio de alimentación se modela como gratuito en el punto de uso (sin prima de tarifa por el agrupamiento), lo que significa que las ganancias de utilidad se derivan únicamente de la reducción de costos de viaje (si aplica) o del intercambio entre descuentos de tarifa e incomodidad. El algoritmo asume una capacidad de vehículo de seis pasajeros.
Indicadores de Desempeño (KPIs): Se evalúan tres métricas clave a través de diversas fracciones de demanda:
- Reducción de Horas de Vehículo ( $\Delta T_v$ ): La reducción en las horas totales de vehículo en comparación con el viaje en solitario.
- Ganancia de Utilidad del Pasajero ( $\Delta U_p$ ): La mejora en la utilidad percibida del viajero (comodidad/conveniencia) en relación con el viaje en solitario.
- Ocupación Promedio ( $O$ ): El número promedio de pasajeros por vehículo.
Selección Basada en Umbrales: La innovación central es la identificación de la fracción de demanda mínima ( $\alpha^*$ ) requerida para cumplir con umbrales operativos específicos:
- $\Delta T_v \geq 0.1$ (reducción del 10% en horas de vehículo).
- $\Delta U_p \geq 0.025$ (mejora del 2.5% en la utilidad).
- $O \geq 2$ (la ocupación promedio supera 2).
  Las áreas y nodos que cumplen estos umbrales con la fracción de demanda más baja se clasifican como los candidatos más prometedores para el despliegue.
Benchmarking: Para la combinación de área-nodo mejor clasificada, el estudio establece puntos de referencia para el "periodo de baja demanda", identificando los niveles de demanda en los que surge el agrupamiento, el potencial crece y se alcanza un cumplimiento constante de los KPI.

Contribuciones Clave

Herramienta de Evaluación Pre-Despliegue: El artículo introduce un método estructurado para que los municipios seleccionen las áreas óptimas para nuevos servicios de alimentación bajo demanda.
Simulación de Demanda Probabilística: Al utilizar fracciones de demanda en lugar de matrices de viajes fijas, el método permite la evaluación de la viabilidad del servicio a través de un espectro de tasas de adopción potenciales.
Umbrales Operativos: El estudio define umbrales específicos y conservadores para horas de vehículo, utilidad y ocupación que distinguen un sistema agrupado viable de una colección de viajes individuales.
Lógica de Selección de Nodos: La metodología incluye un mecanismo para seleccionar el nodo de tránsito óptimo para un área dada comparando el desempeño de los KPI a través de múltiples destinos potenciales.

Resultos (Caso de Estudio de Cracovia)
La metodología se aplicó a 12 áreas de baja densidad preseleccionadas en Cracovia, Polonia, emparejadas con nodos de transporte público cercanos (estaciones de tranvía y tren).

Clasificación: Las áreas se clasificaron según la fracción de demanda mínima requerida para cumplir con los tres umbrales de KPI.
Candidato Principal: El Área 9, emparejada con el nodo de tren Kraków Mydlniki (PKP), fue identificada como el candidato más prometedor. Logró todos los umbrales con las fracciones de demanda más bajas (por ejemplo, $\alpha = 0.001$ para reducción de horas de vehículo, $\alpha = 0.005$ para utilidad, $\alpha = 0.007$ para ocupación).
Menos Prometedor: El Área 10 (alta densidad pero muy cerca de un nodo) y el Área 4 obtuvieron la clasificación más baja, siendo que el Área 10 no logró cumplir los umbrales de ocupación y utilidad incluso con una fracción de demanda del 5%. Esto sugiere que la proximidad a los nodos de alta frecuencia existentes reduce la necesidad de servicios de alimentación.
Benchmarks para el Área 9: Para el área mejor clasificada, el estudio estableció que los viajes agrupados emergen con una fracción de demanda de 0.025%, el crecimiento significativo ocurre al 0.05%, y la capacidad operativa estable (cumpliendo todos los umbrales) se alcanza entre el 0.1% y el 0.7% de la demanda.

Significancia y Reivindicaciones
El artículo afirma que este enfoque proporciona a los municipios una herramienta estructurada y basada en datos para tomar decisiones de pre-despliegue respecto al tránsito agrupado bajo demanda. Al identificar las áreas que requieren el menor nivel de interés de los residentes para lograr la eficiencia operativa, los planificadores pueden priorizar las ubicaciones con la mayor probabilidad de éxito. Los autores enfatizan que las fracciones de demanda mínima identificadas representan umbrales de viabilidad operativa, no predicciones de la demanda real. Señalan que en contextos donde la adopción es baja, pueden requerirse medidas adicionales (por ejemplo, integración con la venta de boletos, subsidios) para alcanzar estos umbrales en la práctica. El estudio se posiciona como una solución al problema del "huevo o la gallina" de lanzar nuevos servicios sin datos históricos, ofreciendo una forma de evaluar el potencial basándose únicamente en características espaciales y demográficas.

Limitaciones
Los autores reconocen que el algoritmo ExMAS modela un límite superior del potencial de agrupamiento al no gestionar explícitamente las restricciones de la flota. El estudio asume un único nodo predeterminado para todos los viajeros y no tiene en cuenta elecciones de modo complejas (caminar, bicicleta) ni el viaje completo (alimentación + tránsito principal). Se sugiere que el trabajo futuro incorpore datos observados de elección de modo, un modelado de flota explícito y evaluaciones de viaje más amplias.