🔬 physics

Demand-agnostic assessment of on-demand pooled transit services

Este artigo apresenta uma estrutura de avaliação agnóstica à demanda que utiliza simulações e limiares de desempenho para identificar áreas urbanas e centros ideais para a implementação de serviços de transporte sob demanda agrupado, mesmo quando dados precisos de demanda não estão disponíveis, conforme demonstrado em um estudo de caso em Cracóvia.

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

Publicado 2026-06-17

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um planejador urbano tentando lançar um novo tipo de serviço de ônibus. Este não é um ônibus comum que opera em um horário fixo; é um "ônibus inteligente" que só aparece quando as pessoas pedem, coleta vizinhos pelo caminho e os leva até a estação de trem ou bonde mais próxima. É como uma carona digital que conecta sua casa à rede principal de transporte.

O grande problema? Você ainda não sabe quem realmente irá usá-lo. Você não pode perguntar às pessoas: "Você andaria nisso?" porque o serviço ainda não existe. Se você escolher o bairro errado, poderá desperdiçar dinheiro com um ônibus que circula vazio. Se escolher o bairro certo, economizará dinheiro para a cidade e facilitará o deslocamento das pessoas.

Este artigo apresenta uma bola de cristal para planejadores urbanos. É um método para descobrir onde lançar este serviço antes mesmo de comprar um único ônibus, mesmo quando você tem zero dados sobre quantas pessoas se inscreveram.

A Analogia do "Plantio de Sementes"

Pense na cidade como um jardim com 12 diferentes parcelas de solo (bairros). Você quer plantar uma semente especial (o serviço de ônibus sob demanda) na parcela onde ela crescerá melhor.

Normalmente, os agricultores esperam até ver as sementes brotarem para saber se o solo é bom. Mas aqui, os pesquisadores dizem: "Vamos fingir que plantamos as sementes e ver como o solo reagiria".

Eles utilizam um conceito chamado "Fração de Demanda". Imagine isso como um botão giratório que você pode ajustar.

Configuração baixa (0,1%): Apenas 1 em cada 1.000 residentes está interessado no serviço.
Configuração alta (5%): 1 em cada 20 residentes está interessado.

Os pesquisadores executam uma simulação de computador para cada um dos 12 bairros. Eles giram o botão lentamente, perguntando: "Em que ponto este serviço começa a funcionar bem?"

As Três "Verificações de Saúde" (KPIs)

Para decidir se um bairro é um bom candidato, a simulação verifica três sinais vitais, de forma semelhante a verificar se um novo restaurante é bem-sucedido:

A Verificação de "Economia de Combustível" (Redução de Quilometragem): Compartilhar a viagem realmente economiza combustível? Se todos viajam sozinhos, é um desperdício. Se eles compartilham, a distância total percorrida cai pelo menos 10%?
A Verificação de "Conforto" (Satisfação do Passageiro): A viagem ainda é agradável? Se o ônibus tiver que fazer um grande desvio para buscar um vizinho, o passageiro pode ficar irritado. A simulação verifica se a viagem ainda é pelo menos 2,5% "melhor" (ou pelo menos não pior) do que ir de carro particular.
A Verificação de "Ônibus Lotado" (Ocupação): O ônibus está realmente transportando mais de uma pessoa? Se o número médio de pessoas no veículo for inferior a 2, é apenas um táxi particular disfarçado. O ônibus precisa carregar pelo menos 2 pessoas em média para ser considerado um sucesso de "compartilhamento".

A Corrida para a Linha de Chegada

Os pesquisadores executaram esta simulação para 12 áreas diferentes em Cracóvia, Polônia. Eles perguntaram: "Qual bairro é o 'campeão'?"

O campeão não é necessariamente aquele que tem mais pessoas. É o que atende a todos os três "Verificações de Saúde" com o menor número de usuários interessados.

O Vencedor: Área 9 (perto da estação de trem de Mydlniki). Esta área era o "solo super fértil". Ela atendeu a todos os critérios de sucesso mesmo quando apenas uma fração minúscula (menos de 1%) dos residentes estava interessada. Era o lugar mais eficiente para começar.
Os Perdedores: Área 10 e Área 4. Estas áreas eram como solos rochosos. Mesmo quando aumentaram o botão para 5% de interesse, o serviço ainda não atingiu as metas de eficiência ou conforto. Em alguns casos, essas áreas estavam apenas muito próximas de estações de trem existentes, portanto, um ônibus alimentador nem era necessário.

O "Mapa de Crescimento"

Assim que encontraram o vencedor (Área 9), eles criaram um roteiro para o futuro. Eles disseram à cidade:

A Faísca: Se você conseguir que apenas 0,025% dos residentes o utilizem, as primeiras viagens compartilhadas acontecerão.
O Estirão de Crescimento: Com 0,05%, o serviço começa a funcionar realmente bem.
O Estado Estável: Uma vez que você atinja 0,1% a 0,7%, o serviço estará operando de forma suave e eficiente.

O Ponto Principal

Este artigo oferece às cidades um conjunto de ferramentas de tomada de decisão. Em vez de adivinhar ou esperar por dados do mundo real que podem nunca vir, eles podem usar este método para dizer: "Não coloque o ônibus no Bairro A; coloque-o no Bairro B. Ele começará a funcionar com menos pessoas e economizará mais dinheiro."

É uma forma de eliminar a incerteza do lançamento de novos transportes compartilhados, garantindo que, quando o serviço finalmente chegar, ele tenha as melhores chances de sucesso desde o primeiro dia.

Resumo Técnico: Avaliação Isenta de Demanda de Serviços de Transporte Coletivo Sob Demanda

Problema
Os municípios que buscam reduzir a dependência de automóveis e melhorar a vivibilidade urbana enfrentam frequentemente uma barreira crítica na implementação de serviços de alimentação (feeders) de transporte coletivo agrupado sob demanda: a ausência de dados de demanda confiáveis durante a fase de planejamento. A otimização de serviços tradicional baseia-se em taxas de viagens observadas, divisão modal ou volume de passageiros por rota, que não estão disponíveis para serviços inteiramente novos. Essa falta de dados complica a seleção de áreas de implementação e localizações de hubs ideais, particularmente em regiões urbanas de baixa densidade onde a demanda é incerta. Sem figuras precisas de demanda, os municípios têm dificuldade em determinar onde um serviço será operacionalmente viável ou como estabelecer expectativas de desempenho realistas antes do lançamento.

Metodologia
Os autores propõem uma estrutura de avaliação isenta de parâmetros e isenta de demanda, projetada para avaliar o potencial de serviços de alimentação de transporte coletivo agrupado sem a necessidade de calibração prévia de parâmetros específicos de demanda. A metodologia procede através das seguintes etapas:

Dados de Entrada: A abordagem utiliza redes viárias do OpenStreetMap (OSM), distribuições de pontos de endereços residenciais (representando a população) e pares área-hub candidatos fornecidos pelos planejadores municipais.
Geração de Demanda: Em vez de assumir uma demanda fixa, o método simula a demanda potencial usando uma "fração de demanda" ( $\alpha$ ). Isso representa a probabilidade de um residente utilizar o serviço. A demanda é gerada aleatoriamente entre os pontos residenciais dentro das áreas candidatas, assumindo que os viajantes se deslocam em direção ao hub de transporte público mais próximo. A simulação testa valores de $\alpha$ variando de 0,1% a 5% da população local.
Algoritmo de Correspondência (ExMAS): O estudo emprega o algoritmo Exact Matching of Attractive Shared Rides (ExMAS). Este algoritmo offline, baseado em utilidade, combina viajantes em viagens agrupadas apenas se a viagem compartilhada oferecer uma utilidade superior a uma viagem individual de transporte por aplicativo (ride-hailing), considerando tempo de viagem, desvios, tempo de espera e penalidades de desconforto.
- Linha de Base (Baseline): A comparação é feita contra um cenário onde todos os potenciais usuários realizam viagens individuais de transporte por aplicativo.
- Premissas: O serviço de alimentação é modelado como gratuito no ponto de uso (sem prêmio de tarifa para o agrupamento), o que significa que os ganhos de utilidade são impulsionados unicamente pela redução dos custos de viagem (se aplicável) ou pelo equilíbrio entre descontos na tarifa e desconforto. O algoritmo assume uma capacidade de veículo de seis passageiros.
Indicadores de Desempenho (KPIs): Três métricas principais são avaliadas através de diferentes frações de demanda:
- Redução de Horas de Veículo ( $\Delta T_v$ ): A redução no total de horas de veículo em comparação com a viagem solo.
- Ganho de Utilidade do Passageiro ( $\Delta U_p$ ): A melhoria na utilidade percebida do viajante (conforto/conveniência) em relação à viagem solo.
- Ocupação Média ( $O$ ): O número médio de passageiros por veículo.
Seleção Baseada em Limiares (Thresholds): A inovação central é a identificação da fração de demanda mínima ( $\alpha^*$ ) necessária para atingir limiares operacionais específicos:
- $\Delta T_v \geq 0,1$ (redução de 10% nas horas de veículo).
- $\Delta U_p \geq 0,025$ (melhoria de 2,5% na utilidade).
- $O \geq 2$ (ocupação média superior a 2).
  Áreas e hubs que atendem a esses limiares com a menor fração de demanda são classificados como os candidatos mais promissores para implementação.
Benchmarking: Para a combinação área-hub de melhor classificação, o estudo estabelece marcos para o "período de baixa demanda", identificando os níveis de demanda nos quais o agrupamento emerge, o potencial cresce e o alcance consistente de KPIs é atingido.

Principais Contribuições

Ferramenta de Avaliação Pré-Implementação: O artigo introduz um método estruturado para que municípios selecionem áreas ideais para novos serviços de alimentação sob demanda sem a presença de dados exatos de demanda.
Simulação Probabilística de Demanda: Ao utilizar frações de demanda em vez de matrizes de viagens fixas, o método permite a avaliação da viabilidade do serviço através de um espectro de taxas de adoção.
Limiares Operacionais: O estudo define limiares conservadores para horas de veículo, utilidade e ocupação que distinguem um sistema agrupado viável de um conjunto de viagens individuais.
Lógica de Seleção de Hub: A metodologia inclui um mecanismo para selecionar o hub de transporte ideal para uma determinada área, comparando o desempenho dos KPIs entre múltiplos destinos potenciais.

Resultados (Estudo de Caso em Cracóvia)
A metodologia foi aplicada a 12 áreas de baixa densidade pré-selecionadas em Cracóvia, Polônia, pareadas com hubs de transporte público próximos (estações de bonde e trem).

Classificação: As áreas foram classificadas com base na fração de demanda mínima necessária para atender a todos os três limiares de KPI.
Candidato Principal: A Área 9, pareada com o hub ferroviário Kraków Mydlniki (PKP), foi identificada como o candidato mais promissor. Ela atingiu todos os limiares com as menores frações de demanda (ex: $\alpha = 0,001$ para redução de horas de veículo, $\alpha = 0,005$ para utilidade, $\alpha = 0,007$ para ocupação).
Menos Promissora: A Área 10 (alta densidade, mas muito próxima de um hub) e a Área 4 tiveram as classificações mais baixas, sendo que a Área 10 não atingiu os limiares de ocupação e utilidade mesmo com uma fração de demanda de 5%. Isso sugere que a proximidade com hubs de alta frequência existentes reduz a necessidade de serviços de alimentação.
Benchmarks para a Área 9: Para a área de melhor classificação, o estudo estabeleceu que as viagens agrupadas emergem com uma fração de demanda de 0,025%, o crescimento significativo ocorre em 0,05%, e a capacidade operacional estável (atingindo todos os limiares) é alcançada entre 0,1% e 0,7% de demanda.

Significância e Alegações
O artigo afirma que esta abordagem fornece aos municípios uma ferramenta estruturada e orientada por dados para tomar decisões de pré-implementação relativas ao transporte coletivo agrupado sob demanda. Ao identificar áreas que exigem o menor nível de interesse dos residentes para alcançar a eficiência operacional, os planejadores podem priorizar locais com a maior probabilidade de sucesso. Os autores enfatizam que as frações de demanda mínima identificadas representam limiares de viabilidade operacional, não previsões de demanda real. Eles observam que, em contextos onde a adoção é baixa, medidas adicionais (ex: integração com bilhetagem, subsídios) podem ser necessárias para atingir esses limiares na prática. O estudo posiciona-se como uma solução para o problema do "ovo e da galinha" de lançar novos serviços sem dados históricos, ofereando uma forma de avaliar o potencial baseando-se apenas em características espaciais e demográficas.

Limitações
Os autores reconhecem que o algoritmo ExMAS modela um limite superior para o potencial de agrupamento ao não gerenciar explicitamente as restrições de frota. O estudo assume um único hub predeterminado para todos os viajantes e não considera escolhas modais complexas (caminhada, ciclismo) ou a jornada completa (alimentação + transporte principal). Sugere-se que trabalhos futuros incorporem dados observados de escolha modal, modelagem de frota explícita e avaliações de jornada mais amplas.