Escolha e Caracterização da Área de Estudo

O primeiro passo é a seleção de uma área de estudo, que pode ser uma região ou até mesmo uma cidade inteira, dependendo do seu porte/tamanho e do interesse do usuário. A área de estudo deve ser delimitada por um polígono em um arquivo do tipo shapefile. Este tipo de arquivo é compatível com softwares de sistema de informação geográfica (GIS) e pode ser facilmente gerado manualmente pelo usuário através da definição dos vértices do polígono ou importado de alguma base aberta de dados espaciais, como, por exemplo, a Zona Máxima de Restrição de Circulação de São Paulo (ZMRC) (Companhia de Engenharia de Tráfego, 2018), que foi utilizada nas análises apresentadas no Anexo D para a cidade de São Paulo. Os resultados são interessantes, pois incluem ambas as partes da operação já discutidas (line-haul e circulação local), possibilitando a análise das velocidades médias esperadas nos roteiros

Como tais arquivos podem não ser disponíveis, a criação de um polígono definido pelo usuário elimina a necessidade do uso de informações específicas. Apenas com o polígono, já é possível obter métricas que caracterizam a malha viária contida na área de interesse através da biblioteca OSMnx (Boeing, 2017) em Python. A biblioteca permite o download da base Open Street Map (OSM) (OpenStreetMap, 2018), uma base aberta de mapas digitais desenvolvida de maneira colaborativa. Através de um comando é possível obter a rede viária baseada em OSM contida em um polígono definido em um arquivo do tipo shapefile, e extrair as métricas da rede. Neste caso, utiliza-se o termo rede e não malha, pois são feitas algumas

simplificações para sua representação gráfica, por exemplo, a rede viária não apresenta o número de faixas de rolagem das vias, pois as representa como segmentos bidimensionais. Sugere-se a obtenção das seguintes métricas através do OSMnx: extensão total das vias (m), extensão média dos segmentos de via (m), número de interseções e comprimento total de vias de mão única (m). Com esses valores, mais a área, são calculados os seguintes indicadores para caracterização da área de estudo:

(i) densidade de vias (m/km²), extensão total de vias contidas no polígono dividido pela área;

(ii) extensão média do segmento de via (m), extensão média dos trechos de via entre interseções;

(iii) densidade de interseções (km-²), número total de interseções contidas no polígono dividida pela área;

(iv) proporção de extensão de vias de mão única (m/m), extensão de vias de mão única dividida pela extensão total de vias contidas no polígono.

É importante ressaltar que o OSM considera avenidas com canteiro central como duas vias de mão única. Portanto, para a via ser considerada de mão dupla, não pode haver separação física entre as faixas de tráfego de sentidos opostos. A Figura 3.4 e a Figura 3.5 apresentam exemplos, respectivamente, da Avenida Paulista, considerada pelo OSM como duas vias de mão única devido a presença do canteiro central e da Avenida Angélica, cuja separação entre as faixas de tráfego de sentidos opostos é feita apenas pela sinalização horizontal, sendo, portanto, considerada via de mão dupla pelo OSM.

Figura 3.4: A Avenida Paulista com seu canteiro central, exemplo de via que é considerada de mão única pelo OSM.

Figura 3.5: A Avenida Angélica, exemplo de via mão dupla.

Em seguida, é necessário gerar pontos aleatórios dentro da área de estudo. Como mencionado acima, esse artifício é uma maneira de eliminar a necessidade de obtenção de dados de localização de locais de entrega, já que não existe uma base de dados unificada de estabelecimentos comerciais ou de destinatários finais de encomendas. Dessa maneira, é possível simular a localização dos pontos de entrega através da geração aleatória de pontos, pois o usuário tem o controle da densidade

(pontos/km²) e distância mínima dos pontos aleatórios para que tenham valores semelhantes a distribuição de pontos de entrega reais.

Esse procedimento é semelhante ao proposto por Huang e Levinson (2015) em sua análise comparativa entre viagens feitas por carro particular e transporte público, que destacam que a geração de origens e destinos aleatórios é uma abordagem útil quando não se tem acesso aos dados de viagens reais. Analogamente, para o transporte de carga, a geração de pontos aleatórios é uma maneira simples de simular pontos de entrega em uma região da cidade por não depender de nenhum tipo de coleta ou pesquisa de dados, bastando apenas estipular a densidade de pontos de entrega do tipo de cadeia de suprimentos que se deseja estudar na área em questão para gerar a localização dos pontos.

Os pontos aleatórios são obtidos através de um algoritmo em Python, o qual gera um conjunto de pontos distribuídos em uma área dados:

(i) um polígono que defina a área;

(ii) a densidade de pontos desejada (pontos/km²); (iii) distância mínima entre os pontos.

O resultado do algoritmo é um arquivo do tipo csv contendo um banco de dados em que cada observação representa um ponto, caracterizado por um número de identificação e por coordenadas geográficas (latitude e longitude).

Como o método também inclui a questão do acesso à área estudada, também é necessário identificar uma ou mais possíveis localizações para o armazém ou centro de distribuição de onde partem os veículos que realizarão as entregas. Se esses locais não são conhecidos, podem ser facilmente identificados com pesquisas simples na internet. Para o método, basta fornecer coordenadas geográficas (latitude e longitude) para cada local de origem de onde partem os veículos de entrega.

É importante destacar que também se avaliou a possível utilização de locais reais de entrega obtidos a partir de algum tipo de banco de dados, como do site

Kekanto (Guia Kekanto, 2016), um guia colaborativo para localização e avaliação de

serviços tais como bares, restaurantes, lojas, hotéis. Porém, o uso desse tipo de fonte de dados pode comprometer a proposta de caráter geral do método, uma vez que o

Kekanto é restrito ao Brasil, e não existe nenhum tipo de base de estabelecimentos

comerciais universal que agregue diversas partes do mundo, limitando a aplicação do método somente para locais onde tais dados estão disponíveis. Por exemplo, o

FourSquare (Foursquare, 2018), semelhante ao Kekanto e que auxilia o usuário a

encontrar lugares tais como restaurantes, bares, lojas e é muito utilizado na América do Norte e em partes da Europa Ocidental, é muito pouco usado e conhecido no Brasil, fazendo com que a sua base de estabelecimentos seja incompleta, o que prejudicaria a aplicação do método proposto, por não permitir identificar e localizar estabelecimentos que represente a realidade do sistema de distribuição que se pretende representar. Além disso, surge a dificuldade de aplicar o método para diferentes tipos de cadeias de suprimentos, como, por exemplo, entregas de materiais em escritórios ou o comércio eletrônico (e-commerce). As análises descritas nos Anexos B e C utilizaram localização de estabelecimentos comerciais (restaurantes) do site Kekanto. No Anexo B os estabelecimentos utilizados na análise foram escolhidos de maneira aleatória e no Anexo C foram selecionados através de um filtro do tipo de serviço.