245 UNA INTRODUCCION A LOS MODELOS DESAGREGADOS DE DEMANDA DE TRANS-PORTE Juan de Dios Ortúzar Salas Departamento de Ingeniería de Transporte Pontificia Universidad Católica de Chile RESUMEN Los métodos de análisis y predicción de demanda en planificación de sis temas de transporte, han recurrido tradicionalmente a datos agregados y mode los con variables dependientes continuas. Debido a una serie de razones teó ricas y prácticas, los desarrollos más recientes·en este campo se han concen trado en el uso de modelos desagregados (o a nivel individual) de elección entre alternativas discretas. Este trabajo resume los elementos esenciales de estas nuevas metodologías haciendo énfasis en el problema de partición modal de viajes, que ha sido su campo de aplicación más exitoso. Acta I Congreso Chileno de Ingeniería de Transporte 246 l. In t rod uc ción La utilización de modelos (agregados) de demanda en la planificación de sistemas de transporte se remonta a l os comienzos de la década del 50 [1, 2, 3], y ya a principios de la década del 60 existía un cuerpo metodológico aparent~ mente bien entendido y documentado[4J. No obst~nte el trabajo pionero de inve s tigadores como Warner [s]u Oi y Shuldiner L6] , que mostraba la existenci a de serias deficiencias en las metodologías agregadas desarrolladas hasta ese entonces~ ésta primera generación de modelos siguió siendo utilizada en forma mayoritaria en proyectos de transporte hasta fines de la década del 70. De hecho solo hace unos pocos años se empezaron a considerar en forma seria los modelos desagregados o de la segunda generación [7,8}, que sin duda con~ tituyenun avance metodológico significativo en cuanto a técnicas de estimación de demanda (Williams ["9] presenta una buena revisión del desarrollo teórico en es te área) • "· El marco conceptual en que se han desar rollado estos nuevos modelos, de ·?.le:;;;c:H},ln:. discreta a nivel individual 7 es el de la Teorí a de la Utilidad Aleatoria [7, lOj ; ésta, que es utilizada en [ ll para discutir las principa- J les características, hipótesis y problemas de una gran variedad de estructuras funcionales,basicamente postule. que~ individuos q~ pertenecient e s a ¡ma. cierta población o segmento de me.E_ Q;C;tÚan .en forma determ~nística y ra ~: ional al e~co?er enue un conjun':o l'l.e alternat1va.s, estando SUJe t os a le :~ m1.smas :restr~cc~ones .- i) Los ;-:ad~ Q, i i ) Dado que el modelador, que es un obs e rvador del sistema, no posee inforJD.! cion perfect a respecto a los atribut<.•s de cada al ternativa Ai e: A={A , A,, •• ,'1i}, 1 ni :respecto a las característi cas socio-e conómicas de cada individuo, t1 esta blece una "utilidad representativau , Ui (para el g:rEpo de individuos y parac:16ól:u "'lternativa Ai t A), y supone que t oda la vari abilidad obse!'Vable en la pob lación Q se debe a elementos ale a to ri o s~ e:i~ t ale s que: Ui = Ui + Ei La probabilidad de escoger la opción Pi = Prob (1) Ai~ viene dada por: { Ui_:: Uj, vAj E: .~) - ~i f(U)dlf. (2) a 1t~l q~_:,e f ( U) e s la :t~ gión función de dis tribución conj unta de {U , u , • • • ,UN} y Ri es 2 1 de l espacio de utilidad definida por: Ui~. O Ri : Uf2:. Uj -" lfli&,rtitt d~ estos fundament os, es posible generar distintos modelos hacie!!. ·'\,:. dtHe:!:e'!:1te s hip5 teds acerca de la distribución conjunta de los Ui, o lo que '<i' i;1>1! ~ls de los rtli'.:s i duos e stocásticos t::i. Por ejempl o p s i estos se dis tribu'f'G :C,. fle i'b ull ~ son independiente. E y t ienen igual varianza, se obtiene el sencillo Acta I Congreso Chileno de Ingeniería de Transporte 247 y conyeniente modelo Logit Simple [12], dado por: exp (Üi) Pi""---- (3) í: exp(Üj) j Si, por otro lado, los Ei tienen una distribución Normal multivariada ~ neral, se obtiene el poderoso (pero computacionalmente difícil de implementar) modelo Probit Múltiple que ~o posee una ~xpr~sion analítica sencilla como (3).y que en la pract1.ca requ1.ere de aprox1.mac1.ones para casos que envuelven más de 3 alternativas. rl3.J, En este trabajo discutiremos brevemente algunos aspec to c) l'<;;lac;itmados con la aplicación de estos modelos de elección discreta, haci~ ndo esp~~ c ial­ mente referencia al uso del sencillo Logit Simple en problemas de predicción de la partición modal para viajes al trabajo. En la sección 2 nos preocupa remos de la recolección y medición de datos; la sección 3 estará dedicada al problema de especificación y la sección 4 al de estimación de modelos . Final mente, en la sección 5 nos referiremos al problema de agre gación que es nece.., sarioresolver para la aplicación practica de estas herramientas. No pretendemos cubrir en profundidad todos e stos aspectos, por lo que teferimos a quie nes estén interesados a buenas discusiones generales de fácil acce so en la ii t eratura especializada [7, 9, 14, 15, 16 y .. 7] • . 2. Recolección y medición de datos. A pesar de que en teoría suelen existir varios enfoque s alternativos para atacar un problema determinado, la mera disponibilidad de datos su~le r educir · la elección a un sólo método. Históricamente la metodología dominante en pla nificacion de transporte, ha consistido en recolectar datos para un so lo ina, tante de tiempo (cross-section), típicamente acerca de las preferencias exhibidas por los usuarios del sistema, aunque en ciertas oportunidades se han pre ferido enfo~ues alternativos basados en información .declarada por los usuarios .(15, 18, 19J .• El problema de estos métodos es que no es posible (con datos para un solo instante de tiempo) discriminar entre la gran variedad de fuentes de dispersión de la información, tales como variación en 'las prefe rencias, res tricciones operativas o hábitos conductuales 116, 20]. Por otro lado, modelos basados en paneles, datos de series de tiempo, o simplemente en iu.formacion del tipo 'antes y después', que podrían permitir testear en forma directa y qui zas :rechazar hipótesis nulas relativas a la respuesta conduct ual de los usuarios, tienen asociados problemas técnicos propios cuya discusión escapa al ámbito de este trabajo (ver [21} para una interesante aplicación). Un área problema relacionado con la anterior, es la de medición de variables que se esquematiza en la Figura l. Desgraciadamente. se ha avanzado muy poco en este aspecto y de hecho no ha sido posible cuantificar ninguna de las relaciones o elementos de la figura. Sin embargo, se pueden encontrar excelentes discusiones del tema en [22 y [ 23]. J El desarrollo e implementación de modelos de demanda de t ransporte ha estado asociado tradicionalmente a la recolección de gran cant idad de da tos, incluyendo costosas encuestas origen-destino de viajes [3, 4, 7~ 8]. Debido a que los modelos agregados convencionales utilizaban informaci ón a nivel zonal, se requerían muest:_ras aleatorias de gran tamaño para la etapa de calibración, Y es bien sabido 124 ] que en muchas ocasiones los recursos cons umi dos en la Acta I Congreso Chileno de Ingeniería de Transporte 2"48 recolección y análisis de esto~ datos eran de tal magnitud, que no era posible examinar posteriormente mas que unas pocas alternativas de solución al problema. En este sentido, debido a que los modelos desagregados de demanda r equieren observaciones sobre individuos y no sobre grupos definidos geográficamente, pueden en ciertas ocasiones tener la ventaja de reducir sustancial mente los costos de adquisición de datos. La mayorf a de las aplicaciones prácticas de modelos de elección discreta planifica.cion de transporte, se han basado en datos prove nientes de una muestra aleatoria (ver (25} para una revisionde la experiencia europea). Algunos estudios han utilizado muestras estratificadas, en que la población an~ liza!!!a se d:i.vide en. grupos de acuerdo a alguna carac~erística de especial i.!!, te rés , que debe ser conocida d(~ antemano (como la tasa de motorización), y cada sub-población se muestrea en f orma aleatoria [26]. Es necesario hacer notar que tanto el muestrear en forma aleatoria como estratificada, puede ser muy costoso cuando una alternativa de i nteré s t iene muy baja probabilidad de se lección, ya que para lograr una represent ación razonable de ella puede ser l;!ec:;o.s ario recolectar una muestra muy grande. Una posible solución a este problema consiste en tomar una muestra basada en la elección (esto es, extrayendo 1,;:¡; obser vaciones en base al resultado del proceso de decisión en estudio), di señada de manera que el número de usuarios que esc:oje la opcion de baja probabilidad este predeterminado. Este tipo de encuestas es bastante común en estu dios de transporte (encuestas en buses, trenes, estaci onamientos o u la vera d'iZ1 camino) y es posible obtenerlas con frec uencia a muy bajo costo; sin embargo se han usado en muy raras ocasione3 para calibrar modelos desagregados d~;nanda , debido a la forma en que debt!i1 es timarse los parámetros de estos modelos (ver sección 4). De hecho, cada est r ategia de muest r eo resulta en una dist ri.bución distinta de las elecciones ohse rv~.das y características generales de la muestra, por lo que tiene· asociada t'~1a función de calibración particular (po:r ejemplo, la ve rosí.militud). Aun cuando lo s dos primeros métodos de muest:tgc. :no present ..an prob lemas en cuanto a utili zac.:H5n d~l sof tware existente, el s;:;;tfoque basado ;n ,la ~le cción requiere de algunas modifi cacione a [27] o los pr,2_ gramas produciran parametros sesgados " · !í'.~s A fin de es coger l a estrategia de muestreo más adecuada ( lo que desafortE. na.dtuneute es un pr oblema muy específico a cada situación parti cular), deben to cuenta los siguientes aspectos [28J : i\:J ii!i:Se en (~~ 1 costo de los distintos métodos de muestreo e l proceso de elección modelado l¿¿¡¡; características de la población e s t udiada ~ l cos t o social de aplicar potíticas inadecuadas deb i do a errores de estimad~1Kt~ un interesante ejemplo acerca de la posible magnitud de estos costos se 'fH"(~ sextt.a en [18] . embar go~ el problema no posee normalmente una s olución única , por lo que " '~~<~ml!i~n,lr.1 ~xaminar con cuidado la discusión que se hace en [16} y [21] • se de modelos. E¡;¡¡ genera l la e st ructura de un modelo , las variab l es explicativas conside<1.d(1 ~ ...,Y . l~t fot·ma de .la s fuucione s de utilidad, son todos aspe. etos susceptibles u.~! , anBl:un.s Y exper:~..mentacion [29] 11 y a menudo depen.den fu,ertemeute del contexto i c:J J. '~ "~ ;rw~io Y J os datos dispon.ihl~ s. Si bi eon ta'!ltn la intuición eomo las consid.<>•"'··~·· p~u -·-· ·~e ""1··~ . .,. • . . . 1' : - · -: '"·:"' _ ·"'' .'l;;,t; . y "' ""~vO. r::eonco son muy va. wsas en esta ~t<l'tpa . de ~ úsquada, a menudo ,l,,,,, ~tér'Un: ~l.t~t?,.lll~. t :H~IJ de grau. importaneia es la disponibili dad de; 8oft'í1are Acta I Congreso Chileno de Ingeniería de Transporte 249 especializado. De hecho, una de las razones que explican l a enorme popularidad del modelo Logit Si mple (LS) e s que pu~~de ser f ácilmente e s timado con software disponible' mientras que e structuras ma:; gener·ale s presentan enormes dificultades [13] . Por otro lado, las limitaciones d.: los modelos de ele cción compe nsato·= ríos, tipificados por la estructura LS, han constituido una de l as motiva-· ciones básicas para el desarrollo de modelos alterna tivos del proceso de de·u c isión (como, por ejemplo l os lexicográfico s cuyo representante mas cono cido es el modelo de 'e liminación por aspecto s' [30] de Tverskí); no ob stante~ se h a argumentado [2~ que en cierto sent ido el de s a r r o llo de estructuras de uti: lidad aleatoria mas generales como el mode lo Probít [13] .~ ha elimi nado algun· nas de las justificacione s originales para const ruir es tos modelos altern ,f.t:i. ~­ vos. Esto no quiere decir, sin embargo, que los mo de los convencionales vay an a ser a-priori mas adecuados; te:l problema es, como ya mencionamos' que aún cuando las diferentes estruct ure.;;;; tienden a producir distintos estimadores de los parámetros y elast ici dades, no es posible discriminar entre ellas con datos de corte transversal. La búsqueda de la mejo-..: e spe cíficacichn. de un mode lo también esta relaciE. nada con la forma de las funciones de utilidad. Si b i en hay consenso de que en el caso de partición moda.l . el qua las funcione s de utilidad sean lineales en los parámetros (lo que E:-S una. hipótesis muy .:;¡,:rtnl<.m iente) como en (4), Ui en que: Eh~ Xt~ i = KE 6v:: Y..Ki. (4) "' coce fi.cü ií'!.t:a del atributo K "" K~é si.mo atd.buto de la alternativa Ai no presenta problemas, en otros cont exte s comn elección de destino, el cansen·~ s o es que funciones no-lineales acem rM.s Lpr:Jpia da s [25, 31 . 32} . El problema en este caso es en par te l a f alta de aoft\vare de e st i mación apropiado y ~n par te e l hecho de que para expresiones . ;;w- line.al>as de uti lidad-t no hay garantía -~ de que la función de vero similitud teng,'i un máximo único [13J. Se han propuesto tres enfoques para re solver <E f]te p roblema~ la u tilización de o anál i sis conjunt0;; y datos de laborat o rio [19 ~ la utilización de t r ans formac i~J~leii e6~ tad:istie:a::; ~ cümo los métodos de Box~ Cox [ 34] - el us o construct ivo de la teoría económica pa r a de rivar la forma funci onal [35] Es nece s ario de staca: que formas no-l.ineales de utili~ ad implican difereE, t es mecanismos de coxrrp:roríüso "''Ue a.aoc1.a.dos a conceptos ta l es como el 'va lor del tiempo€ L23] ~ además> se ha dem;)JE~ trado que las elastici:dade s y poder explicativo de un mode lo va·ría.n en forma dramática con la forma funcional. El último problema que r esta por cons i derar, en cuanto a especificaciones de modelo, es que estructura utilizar (por ejemplo, Logi t o Probit) y dada est~ que variables debieran entrar en la función de utilidad y en que fonna. . El pri mer problema solo puede resolverse examinando la situac ión particular en estu-<di.© , y va a depender de factores talescomo tiempo y r ecurs o s disponibles para l a modelación (el modelo LS e s mucho mas sendllc y barato que el resto de sus competidores); grado de exa;;:; t itud de respuesta :r·ey:ue~d do~ existenc i a de correl ación entre alternativas ~ etc. El p roblema es que usar un modelo inadecuado Acta I Congreso Chileno de Ingeniería de Transporte (como el LS cuando ttü s e cumplen :Las hipó tesis utilizadas para generarlJ.I) puede conduc ir a serio s errores [2.0 ~ 36 » · 37]. La deci sión acerca de que variables e.-.trar en. la función de utilidad y en que f orma (por ejemplo genéric as o esper:Hicas a cad.::;. alternativa), generalmen te ~ e toma en base a los resultado s de un proceso del tipo 'step wise' (comoei.1 regresión lineal)~ testeando s i la ~1ueva variable o forma considerada, aña ¡poder explicativo al modelo f)6] , . Ea:timadon de ülotie lOi&;; ,, Esta etapa consiste ¿¿¡, tiet;g:t'rtlKl.l;);l" log vú or.\es de los coeficientes o para r;1Stl"os 6 de la ecuación (4) '~ a fü11 de :r epr oducir >t'.on el modelo las observaK ciones en la me jor forma posibl¡¡:; ,, La t écnica de e stimación más adecuada es el método de máxima verosimilitud , o:¡·_%:! r:c~quiere de una muestra que entregue la si guiente iílformación p ~r a c::Bld&. ·üno d$.1: sus mi euli:n:'ü s ~ que alternativa. fue !2.8cu g:ida los atributos relevantes (va~::-ia;bJe:&> d~ <:a ivel d~ s;a r vicia) de todas las alter que el individuo tie ne disponibles los atributos relevantes (v«:.:.:d ab les socio·-econornicas) de cada individuo ü.mthraii Para ejemplifi c::ar el proceso 2:,:; :i' :Gd u~x:ion, consideremos una muestra de treJ:> viajeros (observaciot;.es) qu.e deb.c;:l\;. (~e c idir entre dos alternativas. Para s J rop .l i fi car ~ supongamos qne <J,.n E.tt>i rH.d::o ü~) y que estamos utiliza!! do un modelo LS ~ de modo q~.te ~ l (5) Observación "~1tenc~':'ti;n1 x x 1 2 <~=·-·~···~·~-=·~=·=~-·=·=,!;s. eo,¡;p.1~..§..~·-,.~·-··~,·~.··~.~. ~·-·~~ ·~-·-·l ;) 1 3 2 1 1 2 3 2 3 4 ,~ 8 , :ca v;;~ t\J; s imilit i.!d de la muestra, L, esta (6) s &Z P~lirtd.!Pl '\Yer éil h. :Figü:C<li: 1 (f.il 'tj'{J,(:; fJé;; h a gra..ficado in L por conveniencia) , f ,eYsnt.es valores d~ 8 resultan en d ist i ntos valo res de L. En n uestro ejemplo, ':J<tl in, 8=0p 756 'üKt~dmiz.a e 1 y cot1 re s t~ est i ma ción ~ 1 modelo prediciría las s i J?:n:;h abi.l id.ades de ~JLau; Lón.;: Acta I Congreso Chileno de Ingeniería de Transporte 251 Observación 1 2 3 Probabilidades de Elección , Alternativa 1 Alternativa 2 0,82 0,18 0,32 0,68 0,32 0,68 Por supuesto que en el caso general se tendrían muchos más coeficientes (normalmente entre 10 y 30), observaciones (500 a 1000) y alternativas (entre l y 10), por lo que se justifica utilizar paquetes estadísticos especializados como QUAIL, MLOGIT o BLOGIT (ver [12] y [13] para una discusión de los detalles matemáticos de estos procedimientos). Las salidas de los programas de estimación se parecen bastante a las de paquetes estadísticos de regresión tradicionales. Típicamente se incluye una tabla con los valores d~ los coeficientes estimados, sus errores estándar y Estadígrafos t (de una aproximación Normal por lo que el valor crítico al 95% es 1,96). Además, se suelen entregar otros estadígrafos de interés como los siguientes: i) El valor del logaritmo de la fun ción de verosimilitud si todos los coeficientes son cero (1(0)). ii) El mismo valor para el máximo (l(G) ) iii)La :razón de vero s imilitud (2-(1(8) - 1(0)), que para muestras grandes ti~ ne una distribución ~a con grados de l i bertad iguales al número de coeficientes estimados. 2 iv) El índice p2 = l. - 1(8)¡:(0), que es similar en espíritu al estadígrafo R de regresión lineal múltiple, en el sentido de variar entre O (no hay ajuste) y 1 (ajuste perfecto). Sin embargo, no tiene una interpretación, intermedia 2 similar a R y se debe tener cuidado al utilizarlo" Buenas discusiones en cuanto al problema de estimación y los índices de bondad de ajuste utilizados, se pueden encontrar en [14], [15] , [16} ~ [38] y f39] . 5. El problema de agregación~ En una interpretación econometrica de los modelo;> de demanda, la agregasobre características no observables tiene como resultado un modelo de de cisión probabilístico, y la agregación sobre la distribución de característi-cas observables produce las relaciones macro o agregadas, convencionales [17J. De esta forma, el problema de agregación depende en gran medida de la descri~ ción del sistema asociada al marco de referencia utilizado por el modelador, ya ~oo este determina el grado de variabilidad a ser contabilizado en cualquier rélación causal. Por ejemplo, la explicación de la dispersión estadística de un conjunto de datos determinado, es muy diferente para un observador que uti lice como marco de referencia el enfoque de maximización de la entropía[40],que para otro que <se base en la teoría de la utilidad aleatoria, aún cuando embos arri~en a modelos formalmeute idénticos (Williams [9) discute este fenó meno conoc~do como, 'equifinalidad ') • c~on En nuestro caso el problema de agregación se reduce a la teóricamente sen ci l la operación de integrar o sumar las relaciones micro, cómo (3), estimadasa nivel individual. En la práctica el proceso solo es sencillo si estamos in to:&:sados e!'k predicciones da cort o plazo acerca de la partición toodal en el \\l':t~J~ ~~ t :ra.bajo. En ot ros cas cE; ~ particul armente en modelos de distribución 0 _.t~cai.~zaciÓTh~ ~l ;~:ecil-ü<at(;.l! prác ti(;;Ci 'ii.lS muy dif:Lcil de resolver y requiere de ln.t~~t&;,;;;t;g t5J~~~t.;¡¡ >a:r{t;t,Bmoa'S y gran cantidad de datos [41]. Acta I Congreso Chileno de Ingeniería de Transporte ERRORES DE RECEPCl~ E INFORMACION ERRORES DE 'W-----< ' FIGURA 1 ....... ___ ... "" COt-l.NICACI~ V APAOXIMACION / RELACION ESPECULATIV.i.\1, ENTRE El PROCESO DE ELECCION Y LA MEOICION DE ATRiBUTOS . -2 _, .f T 0,7sti 2 1 - 1 ¡ -1,0 -1,5 -2,0 1 ln L ¡;;TGURA 2 FUNCION LOGARITMO DE LA VEROSIMILITUD PARA EL EJEMPLO Acta I Congreso Chileno de Ingeniería de Transporte 253 Los métodos de 'sregacíón propllestos en la literatura [41,42,43,44] ofr~ cen diferentes estrat~gias técnicas para llevar a cabo la integración sobre relaciones micro, e it;cluyen entre . tras: el enfoque 1 inocente 1 , la enume!."ación muestra! y el método de clasifLación. El primer e nfoque plantea la su:• ·: itución directa de valores agregados ( o promedio) de las variables explic ;:ivas en las funciones de elección micro (que son típicamente no-lineales). e:. método, que es extremadamente simple, puede produc i r enonnes sesgos de agreftción por lo quenoesrecomendado. En el enfoque de enumeración muestra!, el imflCto de una política dada en la muestra (que es supuestarnente representativa) E·~ determina a partir de las funciones individuales , y las predicciones para la población sólo dependen de la estrategia de muestreo ut i lizada. Es te metod·: es muy exacto en el corto plazo, pero debe ser modific ado cuando l a s caracte rísticas de la población cambian durante el horizon't e de predicción [45}. En el método de clasificaciónt la población total se divide en grupos relativamente homogenos y se utilizan los valores promedio de las variables explica!:ivas para determinar la demanda en cada categoría de acuerdo al enfoque inocente. La exactitud y eficiencia del método dependen tanto del tipo Y número de grupos, como de las características de las variables incluidas. RRFERENCIAS l. FRATAR, T . J. (1954) Forecasting d i s t r ibution of ínter zona l vehicular trips by successive approximations. Highwa_L_R~search Board Proceedin_&!3_, Vol 33, PP· 17- 28. CARROLL, J . D. (1957) Future traffic predictions for the Detroit area. way~. Bo~r~LProceedin_gs..'L VE.! 36~ PP~ 71-89 . 2. 3., CATS (1959 ) Chi ca~ Area Transport a tion Stu~;2> High Final Report, Chicago, EE.UU. z. ~~TIN~ B .V.~ ~lEMMOT, F.W. y BONE~ A.J. (1961) I-:-i1ciples and techniques of predicting future demand for urban area transporta,ion. MIT Research Report N° ~' Cambridge , EE.UU. 5. WARNER, S.L ., (1962) ~.trategic Choice of l1ode in Urban Travel: Bin§l.ry Cho ice.. Northwestern University Press, Evanston. A Study in 6. OI" lCL Y. y SHULDINERs P.W . (1962) An Analysis of Urban Travel Demands. Northwestern University Press, EvanstoU: 1. OOMENCICH , T .A. y Me FADDEN, D. (1975) Urban Travel Demand: A Behavioural Analys:i_l!· North Hollru1.d, .Amsterdam. 8 . SPEAR~ B. D. (1917) Applications of new travel demand forecasting techniques t o t:rcanspoltt<ildon plemning: A study of individual choice models. Federal Highw;;;.y Administr~<!.!:.i2~-!! · S . Departroont of_ Tra,nsportation, Washington, D. C., EE.UU. íJJILLIAHS~ H.C .tJ ol.oo { 1981) Travel demand forecasting:an overview of theoreEn D..L Bard ster y P .G . Hall (eds.) , !ran!'}~t and Public ~1,;!-CY Pl anni t1.B, e Hi:ir.c&; el l ~ Londr es. 9o ti c~l develo¡¡;mentsio Acta I Congreso Chileno de Ingeniería de Transporte 254 10. WILLIAMS, H.C.W.L. (1977) On the formation of travel demand models and economic evaluation measures of user benefit. Environment and Planning A, Vol 9, N°3, pp. 285-344. 11. ORTUZAR, J. de D. y WILLIAMS, H.C.W.L. (1982). Una interpretación geo~ trica de los modelos de elección entre alternativas discretas basados en la teoría de la utilidad aleatoria. Apuntes de Ingeniería 7, pp. 25-50. 12. Me FADDEN, D. (1974) Conditional logit analysis of qualitative choice "-,ehaviour. En P. Zarembka (ed . ), Frontiers in Econometrics. Academic Press, Nueva York. 13. DAGANZO, C.F. (1979) Multinomial Probit - The. _Theory and its Applications to Demand Forecasting. Academic Press, Nueva York. 14. Me FADDEN, D. (1979) Quantitative methods for analysing travel behaviour of individuals: Sorne re cent developments. En D.A. Hensher y P.R. Stopher (eds.), Behavioural Travel Model ing. Croom Helm, Londres. 15. HENSHER, D.A. y JOHNSON, L.W. (1981) Applíed Discrete Choice Modelling. Croom Helm, Londres . 16. ORTUZAR, J. de D. (1982) Fundamentals of disctete multimodal choice model ling. Transport Reviews, Vol 2, N°l~ J:lp, 1.}7-7 8. 17. WILLIAMS, H.C .W.L y ORTUZAR, J. de D. (1982a)Travel demand and response analysis-some integrating themes. Transportati.?n Research, Vol 16 A, N°5/6 , pp. 345-362. 18. GENSCH, D.H. (1980) Choice model calibrated on current behaviour predicts public response t o new policies. Tra~s.J2ortation_Re _s earch, Vol 14 A, N°2, pp. 137=142. 19. HENSHER, D.A. y LOUVIERE, J.J. (1~79) Behavi oural intentions as- predictors of very specific behaviour . Transpo~~ ation.z Vol 8_, N°2, pp. 167-182 20 . WILLIAMS, H.C.W.L. y ORTUZAR, J . de D. (1982 b) Behavioural theories of d.ispe rsion and the mis-specification of travel demand models. Transportation Research 2 Vol 16B, N°3, pp. 167-219. · 21. JOHNSON, L.W. y HENSHER, D.A. (1982) Application of multínomial probit to a t wo-period panel data set. Transeortation Research 2 Vol 16 A, N°5/6, pp •. 457- 464. 22. DALY, A.J. (1978) Issues in the estimation of journey attribute values. En D.A. Hensher y M.Q. Dalvi (eds), Determinants of Travel Choice~ Saxon House, i3u6i sex. ~J" BRUZELIUS, N. (1979) The Value of Travel Time - Theory and Measurement. Croom Helm, Londres. BOYCE, D.E . , DAY, N.~. y Me ~ONALD, C. (1970) Metropolitan Plan Making. k•io:::t·vgraph Series N°4 s Reg1.onal Sc1ence Research Institute, Philadelphia. Acta I Congreso Chileno de Ingeniería de Transporte 255 26. COSSLETT, S. (1980) Efficient esti.matürn of disc:rete choiee JHrl :kds . En C.F. Manski y D. Mac Fadden (eds.); ~.tr2._ct ~3:2..l An_a1ypj._!~C?.L"!l~gs!J:..t.s:...1?.9-_t..~.: With Economctri~ Applicat:i.ons.. MIT Press, Cambridge, H.;w::;, 27. LERHAN, S, R. y M.A.J.iSKI~ C. F. (1976) Alternaf::ive sr:;mp l:i ng procedu:res for 'l'r<:!_E!:.~O..E.~~~:.:~ ot_i_I~:.:!.~! 3:~..l::.SJL__!~~;:._r:yr:~.-?.92 ~ calibrating disaggrc-:gate choice models. pp. 24-28 . 28. LERMAN~ S .R. y HANSKI~ C.F. (1979) Sampling de;-dgn for di screte choice analysis of travel behaviour: the state of the art. I!.:!i:'!!:'.ES:!J::!~J ot."L!ü::~:!_, Vo1__l3A , No 1, pp. 29-44 I.EAMER, E. ( 19 7 8) Spe e i f i ca t ion S eaEsl~e S..:.._..•~~!_ lio s_..Ln f.~E~.!!.~!7.."'~gll.k!~2!1?.~~· rímental Data... Wiley t Nueva York. ' 29 . 30 . TVERSKI, A. (1972) Elimination by a 13 pect: s; a th eory of cho:í.ee. ll.;gical Revie~~!_-'79_, N°4, pp. 281-299. _Psyr:-ho_- 31. FOERSTERt J, F. ( 19 8 1) Nonl inear and n.cmcompc:.nsat ory perceptua J funct:íons o:E f!Valuati.on and. ehoica. En P .R, Stoph er) .A.H. Meyburg y ~J. l:lrog (eds.), ~~~~-ll~ns ir~!:.:;"i.Ve_l-~ehav:i.ou~- 1:1.~-..s~ayd!.• D.G. Reat.h and Co., Lexington. 32. LOUVIERE, J. J . (1981) On t he i dent:i fication of the functional form of the ut:ility expression an.d its relatiom;hip to discrete choice. Apendice B de Hensher p D.A. y Johnson~ L.W. (19 81) (op. cit), pp, 385-415. 33. I.ERM..o\N, S.R. y LOUVIERE, .J.J. (1978) 1'he use of funetion.al measurement t:o i.de ntify th;;c; form of utility functions :Ln t l 'itvt:1 dewand models. TransE.~?.Et'!..~i on R~-~-!E.~LB·e'-?_9J.· d J:I~.~ pp, 78~·85. 3th GAUDRY, N, J . I. y WILLS; H,J . (1978) Estimat.ing the. functiona1 form of travel demand modds. :,er.?J.!.!!I~.Or.~~~~or:..J<.c¡;¡ears:J.!.~-V2l.l2 .• N"' 4 ~ pp. 25 7-289. 35~ TR-4.IN~ I<~ y M~c f"i. t\DDEN~ . IJ~ (1978) Tt1.e. go c.H1 é:;/ le.isltre trade-o:ff and disaggregat.e work trip mod.e choice mod<üt::. !E§.E;~ EE.E!~!::iE!.~~-}~§:!=:.~~c.h 2 _,Yol.)2~ N°5, pp. 349-353. 36 . ORTUZAR, .J. de D. (1980) H:i.xf:.d·~mode demand forecasting techniques. J?.~t~.on,_Plam;.ti~~g__a!!...<!.1.i.:ehi!0~0._&1.~.. Vo:J.:..i., N"2, pp, 81 --95. 37,. HOROl.JITZ, J . L (1981) Sources of error and uncertainty in behavioral l; rtwel dernand modelsi o En P.R. Stoph er, A.IL Mayb ur g y '(,.], B:r.og (eds.), Ne.w lt~?:f:h~~~!ls il'!,.].~1.J?_ehaviour Re ~earch. D. C. H;;at:b and Co .. , Lexington .- · 38. TARDIF'F, 'f .J. (1976) A note on gocdm;ss··of- fit sta.tis ties for probit aud l a;; gl t mod,ús ... 'I' 1~an!!..!.!.2!~!:.~ti~lf!:~-Yot_l , N" 1-t ~ p·p . .377···388 . 39. GUNN, H.F'. y BATES, .J ..L (1982) Statü:>tical .aspe e ts cf travel demand m.o delling. T r.§!;rts p_o·~:t¿¡tiSJ.E:..~.!SJ!.a.. .Y.~l._j.6~~ N" 5i6, pp, 371-382. 40.. tHI.SON ~ A. G.. (1970) E!J.J:.E..~Lin Urb an a,r.1u _}{egion~l ,!i_()d~l_+_!..E;_&. dre:s~ Acta I Congreso Chileno de Ingeniería de Transporte Pion~ Loo~· 256 t¡l. Me FADDEN, D. 'y REID~ F. (1975) Aggregate t ravel i.'kmand fora cast:.ing from .!.1::.~n~;r ~~~!Lg_<;.~eaTE:!':~. ,.I~:.E9L'L.5 3~-' pp. 24- di s aggregate behaviour al -mode 1 s. 37. 42 . KOPPELMAN, F.S. (1976) Guidelines for aggn~gate r :r;-lV!~ l prediction md.ng disaggregate choice models. T.fans,p~rta t ion .P~::-~f.O<!._~-:_!}__E.~:::~E.fL010.~ pp. 19~ 24. · BOUTHELIER, F. y DAGANZO, C.F. (1979) Aggregat:ion vith multinomial probit and estimation of disaggregate models ·with a.ggrcg<J.t~.· data~ a new:·tnet:hodolo.gical approach. Trat;ls?ortation ~ar~h,á__y_g ::t J .~!!?. , N"2, pp. 133 ... JA6. 43. REID, F .A. ( 1978) . Sysi:ematic a.nd eff.id.c;·cit TllfJ tbodD f\.Yr mi.nintizing errot·s in aggregate predictions f:¡:-om dis.aggregatc niDdels • .~-if9_:~~~i:!!~•.d?.,ap f{'¡,t¡; }~la Ins- · titute vfl'ransport~ti.on,Stl;!die !!_, Un~ver¡>:i_ty of Cal:LCorni a '.at. Berk~l~Y• : 44. . 45. BEN-AKIVA, M.E. y ATHERTON, T.J. (1977) ~kothodo1ogy fm:· ahort;j;ía..nge tra.. vel demand prediction: analysis of ea.rpoc;lip.g inct':nd.ves . Jcurn.4l."of _,_ -'t<ransJ?._Ort.,~conomics and. !'.Q!icj[.....__ yo+..., .; !.l, N°3, pp. 224,...261. -,· ,.e· _....~' ~ .. . ¡:~ ~~ ... , ~·· . ' Acta I Congreso Chileno de Ingeniería de Transporte