UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA DE TRANSPORTES CURSO DE ENGENHARIA CIVIL
GEOVANNY DE DEUS MORENO CASTELO BRANCO
ANÁLISE DA VULNERABILIDADE DA REDE VIÁRIA APLICADA À ROTEIRIZAÇÃO DO TRANSPORTE DE CARGAS EM ÁREAS URBANAS.
GEOVANNY DE DEUS MORENO CASTELO BRANCO
ANÁLISE DA VULNERABILIDADE DA REDE VIÁRIA APLICADA À ROTEIRIZAÇÃO DO TRANSPORTE DE CARGAS EM ÁREAS URBANAS.
Monografia apresentada ao Curso de Engenharia Civil da Universidade Federal do Ceará, como requisito parcial à obtenção do título de Bacharel em Engenharia Civil.
Orientador: Prof. Dr. Bruno Vieira
Bertoncini.
Dados Internacionais de Catalogação na Publicação Universidade Federal do Ceará
Biblioteca Universitária
C345a Castelo Branco, Geovanny de Deus Moreno.
Análise da vulnerabilidade da rede viária aplicada à roteirização do transporte de cargas em áreas urbanas / Geovanny de Deus Moreno Castelo Branco – 2017.
55 f. : il. color.
Trabalho de Conclusão de Curso (graduação) – Universidade Federal do Ceará, Centro de Tecnologia, Curso de Engenharia Civil, Fortaleza, 2017.
Orientação: Prof. Dr. Bruno Vieira Bertoncini.
1. Vulnerabilidade. 2. Roteirização. 3. Transporte Urbano de Carga. 4. Confiabilidade. 5. Risco. I. Título.
GEOVANNY DE DEUS MORENO CASTELO BRANCO
ANÁLISE DA VULNERABILIDADE DA REDE VIÁRIA APLICADA À ROTEIRIZAÇÃO DO TRANSPORTE DE CARGAS EM ÁREAS URBANAS.
Monografia apresentada ao Curso de Engenharia Civil da Universidade Federal do Ceará, como requisito parcial à obtenção do título de Bacharel em Engenharia Civil.
Orientador: Prof. Dr. Bruno Vieira
Bertoncini.
Aprovado em: ____ / ____ / ____ por:
BANCA EXAMINADORA
_______________________________ Bruno Vieira Bertoncini, DSc
(DET/UFC)
_______________________________ Mario Angelo Nunes de Azevedo Filho, DSc
(DET/UFC)
_______________________________ João Evangelista Dantas dos Santos, Msc.
AGRADECIMENTOS
A meus pais, por sempre apoiarem minhas escolhas pessoais e profissionais e por sempre estarem presente e de alguma forma dando o suporte necessário para que eu pudesse correr atrás de minhas ambições.
Aos amigos que fiz durante o curso e que estavam sempre presentes, me ajudando a crescer em todos os aspectos possíveis, especialmente à Marília, Marina, Gledson, Renan, Wendy, Thaís e Arthur.
A Manoel, por você ser você.
A empresa Cobli, por prestar o serviço de coleta de dados referentes às viagens a campo realizadas nesse trabalho.
A Cassiano Demóstenes, por se mostrar sempre muito solícito em ajudar em qualquer dificuldade no decorrer da execução deste trabalho.
A Caio Torres, Victor Macedo e todos os alunos do curso de Engenharia Civil envolvidos nas coletas dos dados utilizados neste trabalho.
RESUMO
O presente trabalho aborda o atributo da vulnerabilidade das vias urbanas associado à confiabilidade e risco das mesmas frente à eventos de interrupção de fluxo de veículos, a fim de desenvolver uma ferramenta auxiliar a ser utilizada por operadores logísticos na roteirização do transporte de mercadorias e na distribuição das mesmas em áreas urbanas. Pesquisas direcionadas a melhorar a eficiência do tráfego de veículos em áreas urbanas são inúmeras e geram interesse tanto do setor privado, quanto da gestão pública, isso decorre do fato de que os deslocamentos de pessoas ou cargas, apesar de consistirem em atividade cotidiana, não agregam valor à rotina e dinâmica urbana, sendo alvo de constante compreensão e busca por melhorias. Dentro dos estudos na temática de roteirização, o foco no entendimento da vulnerabilidade das vias e sua contribuição para melhorias no desenvolvimento e gestão de redes de transporte em áreas urbanas ainda não é muito expressivo e, apesar disso, acredita-se que possa ser útil em conferir maior confiabilidade às decisões logísticas dentro desse setor. Assim, o presente trabalho abordou os principais estudos nessa área e buscou incorporar os conceitos mencionados à realidade urbana de um trecho da rede viária de Fortaleza, realizando medições dos custos generalizados decorrentes das operações de transporte de mercadorias e, por fim, estudando o desenvolvimento de uma metodologia que permita a consideração da vulnerabilidade na roteirização de veículos urbanos de carga. Com a aplicação da técnica, foi possível observar que ao incorporar tais critérios e utilizando a metodologia proposta, a definição de rotas alternativas gerou menos impactos em termos de custos, o que é desejável no tipo de operação avaliada, no entanto, estes não foram muito expressivos e concluiu-se, por fim, que não representam bem os cenários realista de eventos de interrupção propostos na análise.
ABSTRACT
The present paper deals with the attribute of the vulnerability of urban roads associated with the reliability and risk of the same in face of events of vehicle flow disruption, in order to develop an auxiliary tool to be used by logistics operators in the routing of urban freight vehicles and freight distribution in urban areas. Researches aimed at improving the efficiency of vehicular traffic in urban areas are numerous and generate interest both in the private and public sectors. This is due to the fact that the movements of people or freight, although constituting daily activity, do not add value to urban routine and dynamics, thus being the target of constant search for improvements. Within the studies on routing, the ones focused on understanding the vulnerability of roads and its contribution to improvements in the development and management of transport networks in urban areas are still not very expressive and yet, it is believed that it can be useful in providing more reliable logistics decisions within this sector. Therefore, the present paper has addressed the main studies in this area and sought to incorporate the aforesaid concepts into the urban reality of a section of the road network of Fortaleza, carrying out measurements of the generalized costs resulting from freight transport operations and, finally, studying the development of a methodology that allows the consideration of vulnerability in the routing of urban freight vehicles. With the application of the technique, it was possible to observe that by incorporating these criteria and using the proposed methodology, the definition of alternative routes generated less impact in terms of costs, which is desirable in the type of operation analysed, however, these costs were very significant and it was concluded, finally, that they do not represent well the realistic scenarios of disruption events proposed in the analysis.
ÍNDICE DE ILUSTRAÇÕES
Figura 1 Matriz conceitual de risco ... 16
Figura 2 Distribuição de tempos de viagem ... 17
Figura 3 Tempo de viagem em decorrência da confiabilidade e robustez ... 19
Figura 4 Sistema viário australiano ... 21
Figura 5 Sistema de transporte público de Randstad Zuidvleugel na Holanda ... 22
Figura 6 Rede hipotética utilizada e diferentes cenários analisados ... 23
Figura 7 Custo associado aos diferentes cenários ... 23
Figura 8 Nível de conectividade das redes em Sullivan (2010) ... 24
Figura 9 Estrutura do método de análise ... 29
Figura 10 Trecho de análise da Avenida Pontes Vieira... 33
Figura 11 Conversões observadas na contagem de tráfego ... 34
Figura 12 Comparação qualitativa 7 - 8 horas ... 38
Figura 13 Comparação qualitativa 8 - 9 horas ... 38
Figura 14 Arcos interrompidos ... 39
Figura 15 Rotas sem interrupção de arcos ... 40
Figura 16 Rotas com interrupção dos arcos mais carregados ... 40
Figura 17 Rotas com interrupção dos arcos menos carregados ... 40
Figura 18 Tempo de viagem estimado x real (min)... 42
Figura 19 Tempo de viagem estimado x real (%) ... 42
Figura 20 Número de acidentes por mês ... 43
Figura 21 Número de acidentes ocorridos no trecho de análise em 2015 e 2016 ... 44
Figura 22 Número de acidentes por horários ... 45
Figura 23 Regressão linear: colisões x V/C... 46
Figura 24 Tipos de veículos envolvidos nas colisões ... 47
Figura 25 Aumento no tempo de viagem advindo da quebra do arco mais carregado... 48
ÍNDICE DE TABELAS
Tabela 1 - Resultado de estimativa de tempo de viagem em um seguimento de via urbana
em Hong Kong ... 27
Tabela 2 Avaliação quantitativa da relação V/C em 19.10.16 ... 36
Tabela 3 Avaliação quantitativa da relação V/C em 26.10.16 ... 37
Tabela 4 Número de colisões por mês ... 43
SUMÁRIO
1 INTRODUÇÃO ... 11
1.1 Problema de pesquisa ... 12
1.2 Questões motivadoras ... 13
1.3 Justificativa ... 13
1.4 Objetivos geral e específicos ... 13
2 REVISÃO BIBLIOGRÁFICA ... 15
2.1 Risco, confiabilidade e vulnerabilidade ... 15
2.1.1. Definição de risco ... 15
2.1.2. Definição de confiabilidade ... 17
2.1.3. Definição de vulnerabilidade ... 18
2.1.4. Estudos anteriores da vulnerabilidade no contexto de planejamento de transportes .. 19
2.2. Modelos de escolha de rotas ... 25
2.3. Modelos previsão de tempo de viagem ... 26
3. MATERIAIS E MÉTODOS ... 29
3.1. Definição da área de estudo ... 29
3.3. Classificação da vulnerabilidade, confiabilidade e risco das vias ... 30
3.4. Análise da correlação entre dados de V/C e os indicadores de vulnerabilidade e risco ... 32
3.5. Estimação de custos adicionais decorrentes da quebra dos arcos ... 32
4. COLETA E ANÁLISE DOS DADOS ... 33
4.1. Definição da área de estudo ... 33
4.2. Coleta e classificação do volume de veículos ... 34
4.3. Classificação da vulnerabilidade ... 39
4.4. Análise dos indicadores de vulnerabilidade, confiabilidade e risco ... 41
4.4.1. Atributo de Confiabilidade ... 41
4.4.2. Atributo de risco ... 42
4.4.3. Atributo de Vulnerabilidade ... 47
5. CONCLUSÕES ... 51
1 INTRODUÇÃO
A relevância e a importância conferida ao estudo da vulnerabilidade, confiabilidade e risco associados a eventos de interrupção total ou parcial de redes de transporte têm crescido nas últimas décadas. O estudo desses aspectos em redes vem sendo desenvolvido em algumas áreas como produções industriais e circuitos eletrônicos, dada a importância e fragilidade desses sistemas em termos de segurança de informação e contribuição de renda, principalmente. No contexto de redes de transporte, ainda há uma carência de desenvolvimento científico neste âmbito. Uma maior importância à estudos nessa área foi dada em análises de planos de contingência em eventos extremos por parte de países que sofrem ameaças terroristas, ou que estão sujeitos a eventos climáticos de grande magnitude (JENELIUS; PETERSEN; MATTSSON, 2006).
No Brasil, o estudo da vulnerabilidade, confiabilidade e risco em redes de transporte não se justifica em planos de contingencia, pois o país não apresenta clima severo, ou ameaças de eventos naturais extremos, como terremotos ou tsunamis. O estudo da vulnerabilidade, confiabilidade e risco no sistema viário brasileiro, por sua vez, é incentivado pela grande e crescente demanda e dependência existente por transporte rodoviário, tanto em viagens diárias do tipo ‘casa-trabalho’, quanto para as atividades comerciais ligadas ao transporte de cargas.
Segundo o Projeto de Reavaliação de Estimativas e Metas do Plano Nacional de Logística e Transporte (PNLT) (MINISTÉRIO DOS TRANSPORTES, 2012), o meio rodoviário é responsável por 52% dos fluxos de carga, considerando todos os modos no Brasil. Se o transporte de minério de ferro for excluído dessa análise, esse valor chega a 68%. Em termos de rentabilidade, o setor de transportes é responsável por 3,8% do PIB brasileiro, o que corresponde à US$116 bi(Balanço Energético Nacional 2015: Ano base 2014).
Quanto às viagens corriqueiras realizadas por pessoas, o relatório do Plano Fortaleza 2040 − “Parte III - Plano De Mobilidade e Acessibilidade Urbana” − (FORTALEZA, 2014), aponta que de 2011 a 2014 houve um aumento de 12%. aa da frota de veículos particulares. Apesar do incentivo no município aos meios de transporte alternativos (corredores de ônibus, implantação do metrô, implantação da malha cicloviária, sistema de bicicletas e carros compartilhados e implantação do Plano Cicloviário Integrado), é evidente o aumento do volume de tráfego circulando pelas vias da cidade.
As soluções para problemas de baixa eficiência e nível de serviço insatisfatório do sistema viário são complexas, devido ao tamanho da malha viária e suas múltiplas possibilidade de combinação de caminhos, em especial quando se trata de áreas urbanas, particularmente em metrópoles. Além disso, é necessário que a escolha e calibração de modelos computacionais de simulação das operações de transporte seja feita cautelosamente, levando-se em consideração os modelos de geração de viagens, roteirização, tipos de viagem e de veículos.
O estudo dos aspectos mencionados, associados às vias, pode ser uma ferramenta confiável também na roteirização do transporte, em particular no transporte de cargas, ajudando a escolher uma rota ótima a longo prazo, levando em consideração não apenas a distância/tempo e/ou custo de viagem, mas também a vulnerabilidade das rotas traçadas.
1.1 Problema de pesquisa
O conhecimento existente sobre a vulnerabilidade das vias urbanas ainda é muito pequeno, e minimamente empregado na tomada de decisões governamentais, quanto ao planejamento das vias urbanas e à priorização dos projetos de manutenção das mesmas e ainda menos empregado nas decisões logísticas de distribuição de mercadorias.
Finalmente, faz-se necessário o desenvolvimento de um método de análise que possa servir como ferramenta complementar no planejamento e manutenção das vias urbanas.
1.2 Questões motivadoras
a) Existe uma correlação entre os indicadores de congestionamento e o indicador de vulnerabilidade?
b) A previsão do tempo de viagem de um sistema de escolha de rota colaborativo, fornece resultados aceitáveis quando comparados com o tempo real de viagem? c) Dados históricos de colisões fornecem informações necessárias para
determinação do atributo de risco em vias urbanas?
d) O modelo de roteirização incorporando a classificação de vulnerabilidade das vias, confere uma estimativa mais economicamente atrativa para o transporte de carga?
1.3 Justificativa
O transporte de cargas é o principal componente logístico das empresas, representando 64% dos custos logísticos (WANKE; FLEURY, 2006). A escolha objetiva e eficaz da roteirização por parte dessas empresas pode diminuir significativamente seus custos operacionais, se caracterizando como um conhecimento de grande relevância para as empresas. Da perspectiva das empresas transportadoras, a minimização do tempo de viagem é um dos mais importantes parâmetros medidores da eficiência do nível de serviço prestado.
Contudo, aliado a esta situação, deve-se observar situações inerentes ao sistema de transportes, em especial aquelas que impõem restrições à circulação dos veículos, seja por medidas legais, seja por ações externas que obrigam a ocorrência de desvios, o que pode impor nova configuração à rota ótima originalmente pensada e elevando os custos com o transporte, o que tende a ser repassado ao consumidor final. É em função deste aspecto que busca o desenvolvimento deste trabalho.
1.4 Objetivos geral e específicos
na roteirização para transportes de carga, visando a minimização dos custos operacionais atrelados ao tempo de viagem, que são sensíveis ao tomador de decisão quanto ao plano de rotas na distribuição de carga em áreas urbanas.
Para viabilizar o alcance do objetivo geral do trabalho foram traçados os seguintes objetivos específicos:
a) Determinar a correlação entre as variáveis de congestionamento consolidadas nos estudos de tráfego com a variável de vulnerabilidade e risco definidas nas bases teóricas;
b) analisar e comparar o tempo estimado e o tempo real de viagem em diferentes rotas traçadas por um sistema de escolha de rota colaborativo, antes e depois de um evento de interrupção de tráfego;
c) analisar dados históricos de colisões de tráfego a fim de determinar o atributo de risco associado às vias analisadas;
d) analisar o aumento nos custos operacionais das rotas alternativas, quando comparados com a rota principal;
2 REVISÃO BIBLIOGRÁFICA
Irá discutir-se neste item, primeiramente, os conceitos de risco, confiabilidade e vulnerabilidade a fim de contextualiza-los no objetivo deste trabalho. A seguir serão comentados alguns estudos anteriores já realizados envolvendo a vulnerabilidade em redes de transporte para definir o panorama geral do que vem sendo produzido cientificamente nessa área e, por fim, serão discutidos brevemente alguns métodos de roteirização e previsão de viagem para embasar o método de análise adotado.
2.1 Risco, confiabilidade e vulnerabilidade
O conceito de vulnerabilidade associado ao campo de logística vem normalmente acompanhado dos conceitos de risco e confiabilidade, muitas vezes esses conceitos até mesmo se confundem e se sobrepõem segundo a definição de alguns autores. Por conta de ainda serem relativamente novos e pouco consagrados na literatura, haverá uma discussão mais detalhada, a fim de definir em que sentido e significado eles serão abordados neste trabalho.
2.1.1.Definição de risco
Figura 1 - Matriz conceitual de risco
Fonte: D’Este e Taylor (2007)
Dalziell e Mcmanus, (2004) apresentam o conceito de gerenciamento de riscos e propuseram um método para levantamento deles. Para eles, gerenciamento de riscos consistem em uma série de medidas necessárias para identificação, prevenção e correção de riscos. As etapas propostas são:
a) definir o contexto para estimar o grau de aceitação do risco (ex: financeiro, técnico, legal, social, etc);
b) identificar eventos perigosos (ex.: acidentes de transito, manutenções das vias, condições climáticas severas);
c) analisar os riscos, ou seja, estimar a probabilidade de ocorrência de cada evento identificado, suas consequências e expectativas;
d) avaliar os riscos classificando-os em aceitáveis ou inaceitáveis, definindo ações preventivas e/ou corretivas.
2.1.2.Definição de confiabilidade
Segundo Li (2008), “confiabilidade é a probabilidade de uma rede de transportes operar em seu nível de serviço proposto de forma adequada por um período de tempo estabelecido nas circunstâncias operacionais vigentes”. O conceito de confiabilidade em transportes também é por muitas vezes associado à variância do tempo de viagem previsto (off-line) e do tempo de viagem real (on time). Immers et al. (2004) definem que “um sistema é considerado confiável quando o tempo de viagem esperado e o experimentado são próximos. Se um usuário da rede experimenta atrasos inesperados com frequência o sistema é considerado não confiável”.
A Figura 2 mostra três cenários, do mais confiável ao menos confiável, de cima para baixo, respectivamente. No primeiro caso, a probabilidade de o tempo de viagem estar dentro do esperado é grande (baixa variância em torno da média) e é normalmente preferida pelos usuários da rede em situações usuais, no entanto, em casos excepcionais (ex.: atrasos de viagem), alguns usuários podem optar por vias menos confiáveis pela possibilidade de estas apresentarem tempos de viagem menores (alta variância em torno da média), mesmo apresentando riscos de ainda maiores atrasos.
Figura 2 - Distribuição de tempos de viagem
Os eventos de interrupção que são relacionados ao atributo de confiabilidade são aqueles que acontecem com certa frequência e são, de certa forma, previsíveis. Eventos de interrupção de fluxo imprevisíveis e que causam redução na capacidade de fluxo das vias são relacionados com o atributo de robustez, que será discutido adiante e está intimamente relacionado ao atributo de vulnerabilidade.
2.1.3.Definição de vulnerabilidade
Vulnerabilidade é, dos três, o conceito mais recentemente inserido nos estudos em logística de transporte e, por isso, é o atributo que mais possui diferentes definições segundo diferentes autores. D’Este e Taylor (2006) apresentam um conceito para definir nós e arcos vulneráveis dentro de uma rede de transportes, para eles,
“um nó é vulnerável se a perda de um pequeno número de links diminui significativamente a acessibilidade ao nó e um arco é crítico se a perda deste arco diminui significativamente a acessibilidade da rede ou de nós específicos, como medidos por índices padrões de acessibilidade” (TAYLOR; SEKHAR; D’ESTE, 2006).
Berdica (2002) define que “vulnerabilidade em um Sistema de transporte rodoviário é a susceptibilidade a incidentes que podem resultar em uma redução considerável na servicibilidade da rede de transportes”. Entende-se por servicibilidade a probabilidade de uso de um arco/rota/rede de transporte durante um período de tempo.
Sullivan et al. (2010) preferem tratar de robustez ao invés de vulnerabilidade. Para eles, robustez é o oposto de vulnerabilidade e é definida como o nível em que uma rede de transportes é capaz de funcionar em níveis de serviço aceitáveis frente a eventos de interrupção em nós ou arcos. Dessa forma, uma rede de transporte robusta é aquela que consegue se adaptar a tais eventos com certa facilidade de forma que o tempo de viagem dos usuários não seja aumentado de forma significativa.
ilustra de maneira geral a parcela de contribuição de cada atributo na previsão do tempo de viagem.
Figura 3 - Tempo de viagem em decorrência da confiabilidade e robustez
Fonte: Snelder et al. (2012)
Cats, Yap e Van Oort (2016) propõem uma análise ainda mais detalhada associada ao estudo da vulnerabilidade em redes urbanas de transporte com a incorporação do atributo de exposição diferente daquele definido por Jenelius e Mattsson (2015). Para eles, exposição é determinada pela frequencia e duração dos eventos de interrupção em elementos nas redes de transporte. Eles argumentam que o estudo da vulnerabilidade não associado ao estudo da exposição não leva em consideração as probabilidades associadas a diferentes cenários e em que extensão a rede viárias é exposta a tais eventos de interrupção.
Jenelius e Mattsson (2015) definem exposição como um sub-atributo da vulnerabilidade, se referindo apenas às consequências dos eventos de interrupção de fluxo e não levando em consideração a probabilidade de ocorrência de tais eventos. Como os eventos de interrupção associados ao atributo de vulnerabilidade são aqueles não-regulares (raros), eles argumentam que é impossível atribuir uma probabilidade que preveja suas ocorrências.
2.1.4.Estudos anteriores da vulnerabilidade no contexto de planejamento de transportes
Taylor (2003) analisaram a sistema viário da Austrália (NHS) classificando as vias intermunicipais quanto à vulnerabilidade, ou seja, quanto às consequências operacionais em termos de custos generalizados de viagem dado a ocorrência de um eventos de interrupção. A equação (1) representa o modelo matemático proposto por eles
𝑣𝑖𝑗𝑟𝑠 = 𝑠[𝑖𝑗, 𝐺(𝑁, 𝐸)] – 𝑠[𝑖𝑗, 𝐺(𝑁, 𝐸 – 𝑒𝑟𝑠)] (1)
onde 𝐺(𝑁, 𝐸) representa uma rede viária com um conjunto “N” de nós e um conjunto “E” de arcos, 𝑠[𝑖𝑗, 𝐺(𝑁, 𝐸)] representa o custo do caminho menos oneroso entre i e j e com todos os nós e arcos operando e 𝑠[𝑖𝑗, 𝐺(𝑁, 𝐸 – 𝑒𝑟𝑠)] o custo do caminho menos orenoro entre i e j com
a perda do arco que conecta r e s. Por fim, 𝑣𝑖𝑗𝑟𝑠 representa o acrescimo no custo generalizado
do caminho menos oneroso entre i e j incorrido da perda do arco que conecta r e s. O custo generalisado atribuído às rotas foi proporcional à distância de cada uma.
A Figura 4 representa o sistema viário australiano. Foram análisadas as possíveis rotas e seus custos generalizados para viagem entre Perth e Sydney e entre Darwin e Sydney. O pequeno número de alternativas de rota assim como a não consideração de aspectos relacionados à redes viárias urbanas como congestionamento tornaram essa análise menos complexa. A análise concluiu que o estudo da vulnerabilidade é essencial no planejamento urbano e de estratégias políticas de antecipação de adversidades que podem ser causadas pela ocorrência de algum evento de interrupção de tráfego na NHS.
É importante ressaltar que o método proposto por D’Este e Taylor não considera os efeitos da realocação do fluxo de veículos para rotas alternativas originados a partir da interrupção de fluxo nos arcos, portanto, esse tipo de análise é recomendada para casos em que o fluxo de veículos não é tão intenso e os efeitos de congestionamento não são tão acentuados, ou seja, em rodovias de baixo volume de tráfego (RBVT) como rodovias interestaduais ou intermunicipais.
Taylor, Sekhar e D’este (2006) realizaram uma análise mais detalhada da NHS, porém com as rotas que conectavam as principais cidades, conferindo mais opções de rota e tornando a análise mais complexa. O princípio utilizado foi o mesmo, porém utilizaram um índice de acessibilidade simplificado considerando, além das distâncias das rotas, um modelo gravitacional entre as cidades baseado na população de cada uma, atribuindo um peso wij para
Figura 4 - Sistema viário australiano
Fonte: D’Este e Taylor (2003)
𝑤𝑖𝑗 =∑ 𝑔𝑔𝑖𝑗 𝑖𝑗 𝑖𝑗
(2)
𝑔𝑖𝑗 = 𝐵𝑖 × 𝐵𝑗𝑥 𝑖𝑗²
(3)
sendo que B representa a população e x representa a distância entre uma determinada origem e destino. A análise de cada rota foi feita interrompendo cada arco pertencentes a cada rota de caminho mínimo, um por um, e somando os acrescimos no tempo de viagem resultantes da interrupção de cada arco para calcular o acréscimo total resultante da interrupção dos arcos de uma dada rota. Feito isso, multiplicou-se vij pelos pesos wij para obter uma rede totalmente balanceada em termos de vulnerabilidade dos arcos.
permitiram estimar a probabilidade associada à ocorrência de eventos de interrupção de fluxo de tráfego.
A análise da probabilidade de occorência dos eventos de interupção associada à duração a que o sistema era interrompido possibilitou estimar ganhos econômicos associados à diminuição dos riscos de interrupção em comparação com o aumento dos custos generalizados resultantes da interrupção dos arcos estudados, o que pode servir como subsídio à estratégias governamentais de manutenção da infraestrutura do sistema de transporte público. Apesar da grande contribuição do estudo, sua aplicação é altamente dependente da disponibilidade de dados históricos referentes à eventos de interrupção de fluxo, dados estes muitas vezes indisponíveis, principalmente levando em consideração os várias tipos de eventos de interrupção de fluxo que podem ser relevantes para o estudo.
Figura 5 - Sistema de transporte público de Randstad Zuidvleugel na Holanda
Fonte: Cats; Yap e Van Oort (2016)
A determinação da vulnerabilidade das vias foi feita através da análise de aumento no tempo de viagem (associada à realocação de fluxo), aumento no custo associado ao gasto de combustível (associado às novas distâncias percorridas) e ao risco de occorrência dos eventos de interrupção de fluxo. A Figura 6 - Rede hipotética utilizada e diferentes cenários analisados Figura 6 representa a rede viária utilizada na análise assim como os diferentes cenários de interrupção de fluxo analisados. A Figura 7 representa o resultado em termos de custos de consumo de combustível associado à cada cenário.
Figura 6 - Rede hipotética utilizada e diferentes cenários analisados
Fonte: Adaptado de Góes (2016)
Figura 7 - Custo associado aos diferentes cenários
Fonte: Góes (2016)
O NRIm é uma adaptação do índice de robustez de rede (NRI). Este classifica as vias quanto à vulnerabilidade através da análise comparativa do tempo de viagem e do fluxo de veículos nos arcos em dois cenários: um com todos os arcos operando normalmente e outro com interrupção total dos arcos um a um. As equações (4) e (5) representam, respectivamente, o custo em tempo de viagem da rede viária sem interrupções de fluxo e com interrupção de fluxo no arco genérico a. ti representa o tempo de viagem através do arco em análise e xi o
carregamento de veículos no arco, ambos no sistema de alocação de equilíbrio do usuário. O índice NRI do arco a em questão é dado pela equação (6).
𝐶 = ∑ 𝑡𝑖𝑥𝑖 𝑖∈𝐼
(4)
𝐶𝑎 = ∑ 𝑡𝑖(𝑎)𝑥𝑖(𝑎) 𝑖∈𝐼/𝑎
(5)
𝑁𝑅𝐼𝑎 = 𝐶𝑎 − 𝐶 (6)
A grande contribuição feita por esse método novo foi a consideração de interrupções parciais de fluxo ao invés de analisar apenas cenários com interrupções totais. Em seu estudo, Sullivan mostrou que nem sempre o pior cenário é aquele com interrupção total nos arcos, a depender o nível de conectividade da rede, representado pelo índice gamma. Redes com menor índice de conectividade apresentaram o pior cenário com interrupção de fluxo de 99% ou 95%. A Figura 8 representa as três redes em diferentes níveis de conectividade analisadas por Sullivan em seu estudo.
Figura 8 - Nível de conectividade das redes em Sullivan (2010)
Apesar da grande aplicabilidade do método proposto por Sullivan, sua utilização requer alocação de tráfego para a simulação dos efeitos das quebras, ou falhas, dos arcos em termos de acréscimos de volume de tráfego na rede, requerendo, portanto, que haja um modelo capaz de representar o fluxo de tráfego que faz uso da rede de transportes em estudo, ou o conhecimento de uma matriz origem-destino da rede em estudo. Essa é talvez a principal diferença entre este método e o método de D’Este e Taylor, a consideração dos efeitos de congestionamento.
2.2. Modelos de escolha de rotas
É comumente aceito na literatura e facilmente observável no comportamento dos usuários das redes rodoviárias urbanas que a escolha de rotas é normalmente realizada buscando a minimização do tempo de viagem ou da distância percorrida, isto é, do custo da viagem, seja este monetário ou não monetário. Dijkstra (1959) e Ford (1956) foram pioneiros nesta área e apresentaram algoritmos de escolha de rotas por escolha do caminho mínimo disponível levando em consideração a distância entre uma origem e um destino passando por vários nós em uma análise sucessiva de escolha dos arcos de menor distância à medida que se avança pelos nós.
A base desses algoritmos ainda é largamente utilizada nos modelos de escolha de rotas atuais, mas muitas adaptações tiverem que ser feitas desde então para adequá-los à realidade dos fluxos de trânsito dos grandes centros urbanos. Das deficiências dos modelos supracitados, merece ser mencionado que eles não consideram a racionalidade dos usuários na escolha das rotas e nem os custos das viagens, sejam estes monetários ou não monetários. Além disso, tais algoritmos não levam em consideração a ocorrência de congestionamentos na escolha das rotas, priorizando sempre aquelas de menor distância. Fatores subjetivos de cada usuário da via, como a existência de facilidades ao longo do trajeto (ex.: postos, farmácias, oficinas, etc), ou até mesma sua perspectiva a respeito das condições de carregamento das vias e seus consequentes atrasos na viagem, são difíceis de serem levados em consideração e, portanto, serão ignorados.
operacionais) (GOES, 2015). Faz-se necessário, então, atribuir um custo generalizado que incorpore estes e possíveis outros custos operacionais aos arcos existentes na rede de transportes utilizados a fim de definir a rota ótima no sentido de minimização dos custos. Campos, (1997) apresenta a equação (7) para representar em termos gerais a escolha da rota ótima:
𝑦 = min [∑ ∑ 𝑐 𝑛
𝑗=1
(𝑖, 𝑗)𝑓(𝑖, 𝑗) 𝑛
𝑖=1
]
(7)
Sendo:
c (i, j): custo no arco (i, j);
f (i, j): fluxo alocado no arco (i, j);
Tal modelo é um exemplo de método estocástico de roteirização e, apesar de ser bem representativo e largamente utilizado, ainda falha em considerar a subjetividade dos motoristas na escolha das rotas, desta forma, muitos estudos são realizados procurando incorporar métodos de escolha discreta aos modelos de roteirização. Quando se atribui a escolha da rota apenas ao custo de cada alternativa, tem-se que todos os motoristas partindo de uma mesma origem para um mesmo destino escolhem a mesma rota, isso não acontece na realidade devido às diferentes atribuições de custo às rotas e diferentes preferências de cada motorista (ORTUZAR, 2011).
Alguns modelos de escolha discreta complexos foram desenvolvidos. Bovy e Fiorenzo-Catalano (2007, apud ORTUZAR, 2011) desenvolveram um método baseado no chamado modelo estocástico duplo, incorporando dois termos na escolha da rota: um termo aleatório de custo generalizado para cada rota e outro termo aleatório referente às preferências heterogenias de cada motorista. Prato e Bekhor (2006, apud ORTUZAR, 2011) atribuíram parâmetros chamados “limites” na escolha das rotas, limites de tempo, de direção, de desvio, etc, para simular a percepção dos motoristas frente à gama de rotas disponíveis.
Para fins deste trabalho, pretende-se utilizar o modelo estocástico proposto, desconsiderando as escolhas discretas, além de incorporar os custos generalizados gerados pela consideração da vulnerabilidade das vias. A forma como serão considerados tais custos será discutida mais adiante.
No passado, os modelos de previsão de tempo de viagem forneciam resultados baseados unicamente em valores fixos médios de indicadores como velocidade e volume de tráfego obtidos através de análises estatística de dados históricos (DAILEY, 1993; SEN AND THAKURIAH, 1995). Algumas ferramentas de coleta de dados foram desenvolvidas e amplamente utilizadas em estudos de previsão de tráfego, dos mais utilizados, tem-se detectores de loop e sensores de identificação automática de veículos (AVI), o primeiro coletando dados de velocidade e volume e o segundo através da medição direta do tempo de viagem dos veículos.
Apesar de tais ferramentas obterem dados confiáveis, sua utilização em redes urbanas complexas é inviável devido à suas grandes extensões. Além disso, observou-se a fragilidade de se prever viagens a partir desses dados, estando estes sempre sujeitos a previsões pouco precisas devido à possíveis variações nas condições de tráfego ocasionadas por interrupções totais ou parciais das vias (e.g. colisões, condições climáticas adversas, manutenção das vias). A necessidade de calibração desses modelos impulsionou muitos estudos nas últimas décadas a fim de melhorar a eficácia das previsões.
Chan, Lam e Tam (2009) realizaram um estudo de caso onde foram analisadas comparações estatísticas entre a precisão das previsões dos tempos de viagem utilizando dados históricos fixos, dados históricos regularmente atualizados e dados históricos atualizados utilizando um modelo de previsão de dados. A Tabela 1 mostra resultados mais precisos de previsão de tempo de viagem para dados com informações mais atualizadas, evidenciando a importância da obtenção de dados de condições de tráfego em tempo real.
Tabela 1 - Resultado de estimativa de tempo de viagem em um seguimento de via urbana em Hong Kong
Dados históricos fixos
Dados históricos regularmente
atualizados
Dados históricos regularmente atualizados utilizando modelo
de previsão
Período Erro (%) R² Erro (%) R² Erro (%) R²
Pico manhã 9,3 0,85 6,2 0,89 5,9 0,91
Fora de pico 8,7 0,89 6,2 0,9 5,7 0,92
Pico tarde 9,1 0,88 7,1 0,89 6 0,91
Fonte: Chan (2009)
transporte rodoviário através da coleta de dados em tempo real (real-time data). O conceito de Floating Car Data (FCD), por exemplo, foi bastante difundido na última década consistindo em dados obtidos através de GPS instalados em smartphones de veículos em trânsito.
Rahmani; Jenelius; Koutsopoulos (2013) realizaram um estudo de caso em Stockholm na Suécia utilizando FCD de baixa frequência na elaboração de um modelo de previsão de tráfego baseado na análise de rotas (route-based approach), comparando os resultados com modelos baseados na análise das vias separadas (link-based approach). O estudo concluiu que a primeiro fornecia resultados iguais ou melhores que o segundo, mesmo com as diversas limitações impostas pelo estudo.
Mais recentemente, com a popularização dos aparelhos smartphones, a obtenção desses dados em tempo real tornou-se tanto mais acessível quanto confiável com a utilização de aplicativos de navegação (in-vehicle route guidance systems, RGS), podendo ser obtidos em grandes quantidades e a partir de qualquer usuário das redes de transporte, diminuindo as limitações impostas por Rahmani, Jenelius e Koutsopoulos (2013) no modelo por eles desenvolvido. Atualmente um dos aplicativos de navegação mais populares e utilizados mundialmente é o Google Maps.
O aplicativo Google Maps seleciona a rota ótima de acordo com duas configurações de escolha do usuário: rota mais rápida e rota mais curta. As informações necessárias para o cálculo de rotas e para o cálculo do tempo estimado de viagem são alimentadas pelos usuários quando estes navegam com o aplicativo aberto e, portanto, seu bom funcionamento depende da quantidade de utilizadores alimentando a rede. Para a estimativa do tempo de viagem (ETA), o aplicativo calcula a velocidade média de tráfego dos veículos em cada arco da rede dependendo do dia e hora na estimativa inicial do tempo de viagem, assim como incorpora dados de condições de tráfego imediatos para alimentar o algoritmo e prevenir qualquer mudança na rota ótima, ou seja, utiliza ao mesmo tempo médias estatísticas de velocidade e informação em tempo real. Para a incorporação das condições de tráfego em tempo real, é necessário que os usuários possuam acesso contínuo à internet e GPS.
3. MATERIAIS E MÉTODOS
O esquema representado na Figura 9 representa a estrutura do método de análise graficamente.
Figura 9 - Estrutura do método de análise
Fonte: Elaborado pelo autor (2017)
3.1. Definição da área de estudo
Como mencionado, o risco, a confiabilidade e a vulnerabilidade são indicadores que direta ou indiretamente estão associados à ocorrência de algum tipo de evento de interrupção de fluxo de tráfego, podendo estes serem representados por manutenções nas vias ou colisões de veículos, por exemplo. Dessa forma, considera-se que áreas com grandes volumes de tráfego possuem maiores chances de ocorrência de algum desses eventos de interrupção de fluxo e, portanto, tais áreas são consideradas mais atrativas para a realização da análise, visto que a passagem de grandes volumes de tráfego potencialmente aumenta as chances de ocorrência de colisões e a frequência na qual são necessárias manutenções dos pavimentos.
Finalmente, para auxiliar na determinação da área de estudo seguindo os critérios mencionados, será adotada a ferramenta Google Traffic do Google Maps com intuito de fornecer informações a respeito das condições de carregamento do sistema viário. O Google Traffic é uma ferramenta colaborativa e, portanto, sua eficácia depende do número de usuários alimentando seu banco de dados. Para Fortaleza, considerou-se que a quantidade de usuários alimentando a rede de transporte é suficiente para uma boa determinação das condições de tráfego em tempo real.
3.2. Definição da rota de análise
Definida a área de estudo, serão definidos pares origem-destino (OD) que serão analisados através do auxílio das informações de uso e ocupação dos solos e/ou do conhecimento das operações dos VUCs da cidade de fortaleza. A escolha das origens será feita nas margens do recorte da área analisada, possivelmente em pontos estratégicos que fiquem próximos à fornecedores e fábricas que operam com VUCs, e os destinos serão definidos próximos a áreas com maiores densidades de estabelecimentos comerciais e/ou configuração da malha viária menos regulares, pois nessas áreas o estudo da vulnerabilidade das vias se torna mais relevante.
3.3. Classificação da vulnerabilidade, confiabilidade e risco das vias
por considerar os efeitos da quebra dos arcos de forma mais realista e em toda a rede, porém não pôde ser empregado na análise. Com a limitação imposta, decidiu-se adotar como método de análise da vulnerabilidade das vias o proposto por D’Este e Taylor (2003), em que a vulnerabilidade das vias é estimada através da análise do acréscimo do tempo de viagem na rota dada a quebra de um arco.
O atributo de confiabilidade será determinado através de uma análise comparativa entre o tempo de viagem previsto pelo aplicativo colaborativo com o tempo real de viagem medido em campo nas rotas traçados pelo aplicativo configurado no modo de minimização do tempo de viagem. O atributo de risco, finalmente, será analisado através de dados históricos de colisões ocorridas na área de estudo.
O primeiro passo para a análise foi a escolha dos arcos que terão interrupção de fluxo simulada ao longo da rota ótima pré-definida entre o par OD. Foram adotados 3 critérios para a escolha dos arcos a serem interrompidos: a existências de rotas alternativas de fuga, a situação típica de carregamento de veículos do arco e a presença de polos geradores de viagem (PGV) nas proximidades.
O primeiro critério influencia a escolha de forma inversa, ou seja, quanto menos rotas alternativas de fuga ao arco existirem, mais vulnerável o arco deve ser, por se dispor de menos opções de rota. O segundo critério influencia de forma direta, quanto mais carregado for o arco, mais relevante um estudo de vulnerabilidade se torna, pois, um maior volume de veículos seria afetado por uma interrupção de fluxo nesse arco. O último critério influencia de forma análoga ao segundo: a presença de PGV nas proximidades do arco o torna uma rota de fluxo convergente, que acarreta em maiores volumes de tráfego.
3.4. Análise da correlação entre dados de V/C e os indicadores de vulnerabilidade e risco
Com os dados de classificação das vias referentes ao atributo de vulnerabilidade, os dados de colisões referente ao atributo de risco e os dados de volume e capacidade dos arcos, serão feitas análises da correlação desses três indicadores a fim de determinar se eles representam de forma similar a situação em termos de fluxo de tráfego e custos de viagem dos arcos inseridos no contexto urbano.
3.5. Estimação de custos adicionais decorrentes da quebra dos arcos
4. COLETA E ANÁLISE DOS DADOS
4.1. Definição da área de estudo
Como já mencionado, a área de estudo deve estar diretamente ligada às operações dos veículos urbanos de carga em Fortaleza, apesar disso, a escolha dessa área estava limitada à disponibilidade de dados que permitissem a análise. Dessa forma, por já existirem análises anteriores que forneceram alguns dados essenciais para a análise, um trecho de 1,55 km da Avenida Pontes Vieira foi escolhido para ser analisado. A avenida em questão é um importante corredor comercial da cidade e, portanto, representa uma rota comum de VUCs em Fortaleza, atendendo aos critérios determinados na etapa de método de análise. A área é limitada à oeste pela rua Capitão Gustavo e à leste pela avenida Desembargador Moreira. A Figura 10 representa a área de estudo.
A avenida em questão é uma das principais rotas utilizadas por veículos de carga e de passeio para conectar o centro da cidade à outras áreas de interesse comercial. À leste, a avenida Pontes Vieira possibilita acesso à avenida Washington Soares, outro grande corredor econômico de Fortaleza e uma das saídas da cidade para o Sul, conectando Fortaleza às regiões da Messejana, Eusébio e Aquiraz, que são grandes polos econômicos. À oeste, a avenida Pontes Vieira dá acesso à avenida 13 de Maio que por sua vez se liga à avenida Bezerra de Menezes, que também é um importante corredor econômico e uma saída da cidade para o oeste, além de possibilitar acesso ao centro.
Figura 10 - Trecho de análise da Avenida Pontes Vieira
4.2. Coleta e classificação do volume de veículos
A obtenção dos dados de volume de tráfego na área de estudo foi feita por Lacerda (2016) através de visita a campo em duas quartas feiras, dias 19 e 26 de outubro de 2016 no horário de pico da manhã, das 7 às 9 horas. A contagem de veículos foi realizada em cada cruzado compreendido dentro da área de estudo. A Figura 11 abaixo representa todas as conversões analisadas, além das conversões diretas nos sentido oeste-leste e leste-oeste na avenida Pontes Vieira.
Figura 11 - Conversões observadas na contagem de tráfego
Fonte: Adaptado de Google Maps (2017)
Os dados da contagem de veículos quando coletados foram agregados inicialmente em intervalos de 15 minutos, no entanto, para nossa análise eles foram novamente agregados em 2 intervalos de 1 hora, das 7 às 8 horas e das 8 às 9 horas da manhã. Foi realizada uma avaliação quantitativa da relação Volume/Capacidade em cada trecho da via para determinar em quais arcos a relação era mais crítica. As Tabelas Tabela 2 e Tabela 3 apresentam os valores do volume de veículos e a relação V/C em cada arco referenciados à partir da rua/avenida que cruza a avenida Pontes Vieira imediatamente antes do arco a depender do sentido da via.
Tabela 2 - Avaliação quantitativa da relação V/C em 19.10.16
Indicador Rua/
Avenida Trecho P. Vieira → Trecho P. Vieira ← Rua/ Avenida Trecho P. Vieira → Trecho P. Vieira ← Rua/ Avenida Trecho P. Vieira → Trecho P. Vieira ← Veh/
Hora 7-8
h Cap itão G u stavo
1008 1275
Fi
scal
Vi
e
ir
a 978 1030
Pr o f. C ar v al h
o 1346 1045
V/C 67% 85% 65% 69% 90% 70%
Veh/
Hora 8-9
h
1075 1284 1042 1003 1444 1035
V/C 72% 86% 69% 67% 96% 69%
Veh/
Hora 7-8
h R u i B ar b o
sa 1123 1076
Jo
sé
Lou
re
n
ço - 991
S ab in o M o n
te 757 -
V/C 75% 72% - 66% 50% -
Veh/
Hora 8-9
h
992 1113 - 1010 779 -
V/C 66% 74% - 67% 52% -
Veh/
Hora 7-8
h B ar ão d e Stu d a
rt 408 1114
S
il
v
a Pau
le
t 824 1021
Jo
sé
Vi
lar
921 839
V/C 27% 74% 55% 68% 61% 56%
Veh/
Hora 8-9
h
388 1169 742 1046 894 923
V/C 26% 78% 49% 70% 60% 62%
Veh/
Hora 7-8
h N u n e s Val e n
te 977 1091
Ti b ú rc io Caval can te
1114 1033
Is
aac
Am
ar
al 596 -
V/C 65% 73% 74% 69% 40% -
Veh/
Hora 8-9
h
854 1046 1074 996 612 -
V/C 57% 70% 72% 66% 41% -
Veh/
Hora 7-8
h Jo aq u im N ab u
co 976 909
Osv a ld o C ru
z 835 920
Vi sco n d e d e M au á
980 792
V/C 65% 61% 56% 61% 65% 53%
Veh/
Hora 8-9
h
973 909 1203 909 1001 846
V/C 65% 61% 80% 61% 67% 56%
Veh/
Hora 7-8
h D e sem b ar g ad o r M o re ir a
1186 387
V/C 79% 26%
Veh/
Hora 8-9
h
1057 397
V/C 70% 26%
Tabela 3 - Avaliação quantitativa da relação V/C em 26.10.16
Indicador Rua/
Avenida Trecho P. Vieira → Trecho P. Vieira ← Rua/ Avenida Trecho P. Vieira → Trecho P. Vieira ← Rua/ Avenida Trecho P. Vieira → Trecho P. Vieira ← Veh/
Hora 7-8
h
Cap
itão
Gu
stavo
1119 1259
Fi
scal
Vi
e
ir
a 1002 1200
Pr o f. C ar v al h
o 1780 1382
V/C 75% 84% 67% 80% 119% 92%
Veh/
Hora 8-9
h
1102 1177 1114 996 1277 968
V/C 73% 78% 74% 66% 85% 65%
Veh/
Hora 7-8
h R u i B ar b o
sa 1209 1033
Jo
sé
Lou
re
n
ço - 953
S ab in o M o n
te 834 -
V/C 81% 69% - 64% 56% -
Veh/
Hora 8-9
h
973 769 - 933 824 -
V/C 65% 51% - 62% 55% -
Veh/
Hora 7-8
h B ar ão d e Stu d a
rt 449 1185
S
il
v
a Pau
le
t 830 1036
Jo
sé
Vi
lar
928 898
V/C 30% 79% 55% 69% 62% 60%
Veh/
Hora 8-9
h
385 1090 787 983 902 850
V/C 26% 73% 52% 66% 60% 57%
Veh/
Hora 7-8
h N u n e s Val e n
te 975 1063
Ti b ú rc io Caval can te
1268 1042
Is
aac
Am
ar
al 595 -
V/C 65% 71% 85% 69% 40% -
Veh/
Hora 8-9
h
927 1031 1107 949 560 -
V/C 62% 69% 74% 63% 37% -
Veh/
Hora 7-8
h Jo aq u im N ab u
co 922 883
Osv a ld o C ru
z 926 917
Vi sco n d e d e M au á
1008 820
V/C 61% 59% 62% 61% 67% 55%
Veh/
Hora 8-9
h
952 886 937 887 964 785
V/C 63% 59% 62% 59% 64% 52%
Veh/
Hora 7-8
h D e sem b ar g ad o r M o re ir a
1187 358
V/C 79% 24%
Veh/
Hora 8-9
h
1077 399
V/C 72% 27%
Figura 12 - Comparação qualitativa 7 - 8 horas
Fonte: Adaptado de Google Maps (2017)
Figura 13 - Comparação qualitativa 8 - 9 horas
Fonte: Adaptado de Google Maps (2017)
19/10/2016
26/10/2016
19/10/2016
4.3. Classificação da vulnerabilidade
A escolha de quais arcos na rota tiveram sua interrupção simulada e que foram analisados segundo suas vulnerabilidades foi feita com o auxílio da relação V/C ilustrada nas Figuras Figura 12 e Figura 13. Os critérios mencionados anteriormente não se aplicam na área de estudo pois não existe um PGV de grande dimensão no trecho em análise e também não há divergências significativas em termos de disponibilidade de rotas alternativas de fuga.
Dessa forma, foram escolhidos dois arcos em cada direção, um que tivesse uma relação V/C acima de 70% e outro abaixo de 50%. A razão para a escolha é para que permita determinar a correlação da situação de congestionamento dos arcos e o acrescimo nos custos de viagem caso tais arcos sejam interrompidos, ou seja, a correlação entre a relação V/C e a vulnerabilidade das vias.
Assim, os arcos escolhidos foram os posicionados imediatamente depois da avenida Rui Barbosa e da rua Silva Paulet no sentido oeste-leste e os imediatamente depois da rua Dr. José Lourenço e rua Visconde de Mauá no sentido leste-oeste. Escolheu-se interromper os arcos imediatamente após os mais e menos carregados para forçar o operador a utilizar tais arcos antes de realizar o desvio da rota. A Figura 14 mostra os arcos que serão interrompidos.
A rota alternativa para os cenários com interrupção dos arcos foi traçada com o auxílio do Google Maps na configuração de rota com menor tempo de viagem. As rotas iniciais antes da interrupção dos arcos estão representadas na Figura 15, as rotas alternativas no cenário de interrupção dos arcos mais carregados estão representadas na Figura 16 e, finalmente, as rotas alternativas no cenário de interrupção dos arcos menos carregados estão representadas na Figura 17. Ao todo serão analisadas 6 rotas.
Figura 14 - Arcos interrompidos
Figura 15 - Rotas sem interrupção de arcos
Fonte: Adaptado do Google Maps (2017)
Figura 16 - Rotas com interrupção dos arcos mais carregados
Fonte: Adaptado do Google Maps (2017)
Figura 17 - Rotas com interrupção dos arcos menos carregados
4.4. Análise dos indicadores de vulnerabilidade, confiabilidade e risco
As viagens foram realizadas nos dias 4 feira), 17 (terça-feira) e 18 (quarta-feira) de outubro, todas começando às 7 da manhã. A ordem das viagens foi definida segundo a ordem da numeração das rotas de 1 a 6, respectivamente. As viagens foram realizadas todas com um veículo de passeio da Hyundai modelo HB 20 1.0 2015/2016 flex fuel sempre com o mesmo operador dirigindo com perfil cauteloso e um outro passageiro para realizar a coleta dos indicadores obtidos do Google Maps. Vale ressaltar também que durante as viagens não houve nenhum evento de interrupção de fluxo e nem condições climáticas adversas.
4.4.1.Atributo de Confiabilidade
Os primeiros dados analisados foram as diferenças entre os tempos estimados de viagem e os tempos reais de viagem, referente ao indicador de confiabilidade das rotas. As Figuras Figura 18 e Figura 19 mostram essa diferença em minutos e em porcentagem, respectivamente, para cada viagem realizada. Percebe-se que o tempo real de viagem foi igual ao tempo estimado em 44,4% das viagens. As viagens que tiveram o tempo estimado inferior ao tempo real representam 27,8% das viagens e, finalmente, as viagens que tiveram o tempo estimado superior ao tempo real representam também 27,8% das viagens.
Só houve uma única viagem que apresentou ∆t maior que 1 minuto e, apesar de não ter sido observado nenhum evento que pudesse indicar a razão de a duração da viagem ter sido superior às demais, tal fato pode ter ocorrido devido a algum evento não regular como, por exemplo, uma sequência de semáforos vermelhos ou algum ônibus realizando paradas mais demoradas que interromperam o fluxo de uma das faixas da avenida.
Figura 18 - Tempo de viagem estimado x real (min)
Fonte: Elaborado pelo autor (2017)
Figura 19 - Tempo de viagem estimado x real (%)
Fonte: Elaborado pelo autor (2017)
4.4.2.Atributo de risco
O atributo de risco foi analisado através de dados históricos de colisões ocorridas nos anos 2015 e 2016. A Tabela 4 e a Figura 20 mostram o número de acidentes ocorridos em toda a extensão da avenida Pontes Vieira agregados por mês. Apesar de os valores observados
-1 -0,5 0 0,5 1 1,5 2 2,5 3 04.1 0 1 04.1 0 2 04.1 0 3 04.1 0 4 04.1
0 - 5
04.1 0 6 17.1 0 1 17.1 0 2 17.1 0 3 17.1 0 4 17.1 0 5 17.1 0 6 18.1 0 1 18.1 0 2 18.1 0 3 18.1 0 4 18.1 0 5 18.1 0 6 Te po de viag em Rota percorrida -30,0% -20,0% -10,0% 0,0% 10,0% 20,0% 30,0% 40,0% 04.1 0 1 04.1 0 2 04.1
0 - 3
04.1 0 4 04.1 0 5 04.1 0 6 17.1 0 1 17.1 0 2 17.1 0 3 17.1 0 4 17.1 0 5 17.1
0 - 6
não denunciarem um padrão de variação entre os dois anos, apresentando diferenças variando entre -40% e +175%, os dados nos permitem inferir um valor médio de acidentes adotando a média das observações totais de 153 acidentes por ano. Assumindo que esse valor se repita nos anos seguintes, a probabilidade de ocorrer uma colisão na avenida Pontes Vieira em um dia qualquer é de 42% considerando um ano com 365 dias.
Tabela 4 - Número de colisões por mês
Mês/Ano 2015 2016 Média Diferença Janeiro 16 14 15 -13%
Fevereiro 7 18 13 157%
Março 8 22 15 175%
Abril 11 22 17 100%
Maio 17 15 16 -12%
Junho 18 20 19 11%
Julho 7 10 9 43%
Agosto 7 11 9 57%
Setembro 15 9 12 -40%
Outubro 8 12 10 50%
Novembro 13 10 12 -23%
Dezembro 4 11 8 175%
Soma 131 174 153 33%
Fonte: Elaborado pelo autor (2017)
Figura 20 - Número de acidentes por mês
Fonte: Elaborado pelo autor (2017)
-100% -50% 0% 50% 100% 150% 200% 0 5 10 15 20 25
1 2 3 4 5 6 7 8 9 10 11 12
Di fe re n ça p e rce n tu al 2015 x 2016 N úm er
o de a
ci
dent
es
Meses
Dentre as 305 colisões observadas nos dois anos na avenida Pontes Vieira, 190 delas ocorreram dentro do trecho analisado. Realizando um cálculo análogo ao feito anteriormente, temos uma estimativa de 26% de chance de ocorrência de uma colisão em um dia qualquer dentro do trecho analisado. A Figura 21 mostra a quantidade de acidentes em cada cruzamento compreendido na área de estudo. Agrupou-se as colisões em três grupos de acordo com a quantidade de ocorrências observadas: menos que 10, entre 10 e 15 e mais que 15. Tal classificação foi feita para permitir comparar essas observações com a situação de carregamento de cada arco e facilitar a visualização dos arcos em situação operacional mais crítica.
Figura 21 - Número de acidentes ocorridos no trecho de análise em 2015 e 2016
Fonte: Elaborado pelo autor (2017)
Como na observação das colisões não foi determinado em que sentido de fluxo elas ocorreram, a comparação deste indicador com o indicador de carregamento das vias será feita com dados do sentido de fluxo mais carregado do arco. Considera-se sensato adotar tal medida visto que a maioria das colisões ocorreram nas interseções seguintes a cada arco e apenas uma minoria ocorreu entre duas interseções.
Além disso, o número de colisões expresso na Figura 21 faz referência a todas as ocorrências ocorridas em qualquer horário do dia e não apenas às colisões ocorridas entre 7 e 8 da manhã (período de coleta de dados). Foi necessário adotar essa amostragem porque a quantidade de dados referente apenas ao horário de 7 às 9 da manhã não eram suficientes para determinação da correlação dos indicadores. Apesar disso, percebe-se, através da
apresenta pouca variação como observado pelo Google Traffic, visto que estamos utilizando o arco mais carregado em qualquer um dos sentidos.
Figura 22 - Número de acidentes por horários
Fonte: Elaborado pelo autor (2017)
O resultado da análise de regressão linear relacionando o número de colisões e o carregamento dos arcos do trecho de análise está representado pela Figura 23. A análise forneceu um coeficiente de correlação R2 de 46,3%, p-value de 0,045 e valor de interseção de -20,46, tais resultados denunciam uma correlação razoavel entre os dois indicadores analisados segundo as definições do TRB (2002). Apesar de o p-value estar abaixo de 0,05, o modelo de regressão indica que apenas 46,3% da ocorrência de colisões pode ser explicado pelo estado de carregamento dos arcos. Além disso, o valor de interseção apresentado pelo modelo é negativo, o que representa um cenário irreal dado que estamos estimando o número de colisões, reforçando a não representatividade do modelo em prever tais eventos raros. Apesar disso, pode-se perceber uma relação proporcional no sentido direto entre as duas variáveis. 0 5 10 15 20 25 00 h a 01 h 01 h a 02 h 02 h a 03 h 03 h a 04 h 04 h a 05 h 05 h a 06 h 06 h a 07 h 07 h a 08 h 08 h a 09 h 09 h a 10 h 10 h a 11 h 11 h a 12 h 12 h a 13 h 13 h a 14 h 14 h a 1 5h 15 h a 16 h 16 h a 17 h 17 h a 18 h 18 h a 19 h 19 h a 20 h 20 h a 21 h 21 h a 22 h 22 h a 23 h 23 h a 24 h N úm er
o de acident
es
Figura 23 - Regressão linear: colisões x V/C
Fonte: Elaborado pelo autor (2017)
Por fim, a Figura 24 mostra o tipo de veículo envolvido em cada colisão observada. Percebe-se que quase 100% das colisões envolveram automóvel de passeio, representando um evento raro de interrupção de fluxo parcial ou até mesmo total. É importante ressaltar também que 16,7% das colisões envolveram um veículo urbano de carga, cujo envolvimento pode acarretar interrupções de tráfego mais severas e de maiores durações, além de representar um risco de envolvimento direto dos operadores logístico de entrega de mercadorias, potencializando ainda mais o risco de aumento dos custos decorrentes das operações de transporte.
y = 45,01x - 20,463 R² = 0,4627
-5 0 5 10 15 20 25 30
0% 20% 40% 60% 80% 100% 120%
Núme
ro
de
c
oli
sõe
s
Figura 24 - Tipos de veículos envolvidos nas colisões
Fonte: Elaborado pelo autor (2017)
4.4.3.Atributo de Vulnerabilidade
O atributo de vulnerabilidade foi determinado a partir do aumento nos custos de viagem decorrentes da ocorrência de algum evento de interrupção de fluxo. Como mencionado, esse evento de interrupção foi simulado apenas através da roteirização do veículo de forma a evitar um arco quebrado. Os custos analisados serão referentes ao aumento do tempo de viagem e ao aumento da distância percorrida, apenas. O custo associado ao aumento no consumo de combustível não pôde ser analisado devido à indisponibilidade de obtenção dos dados.
As Figuras Figura 25 e Figura 26 mostram o aumento percentual no tempo de viagem decorrente da simulação da quebra dos arcos mais carregados e menos carregados, respectivamente. O aumento percentual médio decorrente da quebra dos arcos mais carregados foi de 40% enquanto que o aumento percentual médio decorrente da quebra dos arcos menos carregados foi de 42,5%. Esses valores denunciam uma não relação entre o carregamento dos arcos e o aumento no tempo de viagem, ou seja, não foi possível determinar uma relação direto do carregamento dos arcos com o aumento da vulnerabilidade deles dentro da rede na qual estão inseridos, dispensando análises estatísticas mais aprofundadas.
Tal análise vai contra o senso comum, no entanto atribui-se a isso o fato de que a simulação realizada não levou em consideração os efeitos do congestionamento, ou seja, não considerou a realocação de fluxo que aconteceria dado um evento de interrupção de fluxo, não
0 50 100 150 200 250 300 350
N
ú
m
e
ro
d
e
v
e
ícul
o
s
e
n
v
o
lv
id
o
s
repassando à rota alternativa o fluxo de veículos advindos dos arcos mais ou menos carregados.
Apesar de o aumento médio de 40% no tempo de viagem parecer muito expressivo, esse valor em termos absolutos representa cerca de 2 minutos apenas. Acredita-se que esse acréscimo no tempo de viagem seria maior caso a coleta de dados tivesse sido realizada com um VUC pois eles possuem menor aceleração, maiores dimensões e, portanto, maiores dificuldades para atravessarem interseções nas vias. Ainda assim, um acréscimo médio de 2 minutos para um desvio de rotas em um cenário mais amplo com um percurso maior não é tão expressivo em termos de aumento nos custos operacionais de veículos de carga.
Em termos monetários, se assumirmos a eficiência média de um veículo urbano de carga de 2 km/L operando dentro da área urbana a Diesel e que o valor do litro de Diesel é de R$ 2,20, o acréscimo na distância percorrida devido à mudança de rota simulada representaria um custo adicional de apenas R$0,40.
Figura 25 - Aumento no tempo de viagem advindo da quebra do arco mais carregado
Fonte: Elaborado pelo autor (2017) 0%
10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
04.1
0 - 3
04.1
0
4
17.1
0 - 3
17.1
0
4
18.1
0 - 3
18.1
0
4
Mé
di
a
Aume
nto per
ce
ntual
