LA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS

Transcripción

1 Seminario sobre evaluación económica de proyectos de transporte Madrid, 15 y 16 de noviembre LA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS

2 La predicción de la demanda en evaluación de proyectos Algunos aspectos previos Los modelos de predicción en transporte Incertidumbre en la predicción Restricciones de capacidad Aportación: Modelo de demanda que trata conjuntamente la incertidumbre y restricciones de capacidad Resultados y Conclusiones

3 La predicción de la demanda en evaluación de proyectos Imposible recomendar un único modelo de demanda. Múltiples enfoques disponibles. Analizar en cada caso los impactos esperados del proyecto y buscar el modelo más adecuado.

4 Aspectos previos en la predicción Determinar las decisiones individuales que se verán afectadas por el proyecto (generación, distribución, elección, asignación). Determinar el nivel de desagregación de la demanda que sea útil para la evaluación. Distinguir entre tráfico existente antes de la inversión y tráfico inducido. Necesario predecir la evolución del coste generalizado y de variables socioeconómicas y demográficas para el periodo de vida útil del proyecto.

5 Modelos de predicción en transporte 1. Modelos agregados vs Modelos desagregados: MODELOS DESAGREGADOS Evaluar cambios en la demanda como respuesta a cambios en políticas de transporte Evaluar un nuevo modo de transporte Variables explicativas: oferta de transporte y socioeconómicas del individuo MODELOS AGREGADOS Predicción a largo plazo Analizar ajuste dinámico de viajeros a cambios en la red Variables explicativas: oferta de transporte y socioeconómicas agregadas

6 Modelos de predicción en transporte 2. Predicción del tráfico a largo plazo Datos de series temporales Captar el ajuste dinámico Observaciones para un periodo temporal largo Datos de sección cruzada Estimar generación de tráfico Más variables explicativas disponibles y variabilidad Datos de panel Dificultad para disponer de bases de datos completas en transporte

7 Modelos de predicción en transporte 3. Predicción del tráfico desviado Modelos de reparto modal: elección discreta Modelizar sustitución entre alternativas por simulación. Datos de preferencias reveladas y/o declaradas. 4. Predicción de acuerdo con valores estándares Datos no disponibles o de baja calidad (errores de predicción) Predicción de la demanda para un nuevo modo de transporte

8 Modelos de predicción en transporte En el contexto de la evaluación social de inversiones es necesario predecir la demanda a largo plazo. OBJETIVO: determinar la importancia de incorporar la incertidumbre y las restricciones de capacidad en esta predicción a largo plazo. Se aplicará al contexto de autopistas de peaje y ampliación de aeropuertos.

9 Incertidumbre en la predicción Evidencia empírica Flyvbjerg et al (2006), Pickrell (1989) hacen revisión internacional del error de las predicciones de demanda en ferrocarril y carreteras. Bain (2009 ) y Vassallo y Baeza (2007), estos últimos para España, revisan el grado de error en las predicciones para autopistas de peaje. Ferrocarril: 9 de cada 10 proyectos sobreestiman la demanda en un 106%. En carreteras, el 50% de las predicciones presentan un valor predicho superior en el 20% al observado y en autopistas de peaje entre 20-30%. Para España, con una muestra de 14 autopistas, Vassallo y Baeza (2007) obtienen también un sesgo sistemático positivo promedio superior al 35%. CONCLUSIÓN: Alto nivel de incertidumbre en la evidencia revisada.

10 Incertidumbre en la predicción Es necesario incorporar la incertidumbre en la predicción de la demanda para estimar adecuadamente los beneficios sociales. Forma habitual: construir distintos escenarios (alto, medio, bajo) para las variables exógenas y predecir la demanda en cada uno. Limitación: no contempla todas las fuentes de incertidumbre

11 Incertidumbre en la predicción La incertidumbre puede ser debida a: 1. Incertidumbre en los inputs Predicción del valor futuro de las variables explicativas que es desconocido 2. Incertidumbre del modelo (ecuación de demanda) incertidumbre asociada al término de error incertidumbre de coeficientes estimados OBJETIVO: implementar simultáneamente los tres tipos de incertidumbre.

12 Incertidumbre en la predicción Resultados evidencia empírica: Incertidumbre variables explicativas superior a la del modelo (De Jong el al, 2007). Incertidumbre total aumenta a medida que nos alejamos en el horizonte temporal. Importancia de cuantificar la incertidumbre para incorporarla en la evaluación económica. El método de estimación permite cuantificar los tres tipos de incertidumbre en la simulación.

13 Incertidumbre en la predicción APLICACIÓN: modelo no lineal con datos de panel (autopistas) En una simulación estocástica se supone que cada elemento del modelo sigue una distribución empírica: X Dist( X, ˆ xˆ ) β Dist( ˆ β, ˆ β) ε Dist( 0, ε) Se generan 1000 realizaciones aleatorias distintas de estas distribuciones (bootstrap) La distribución empírica de dichos valores permite calcular el valor esperado y la desviación estándar Así, se obtienen los intervalos de confianza para las predicciones

14 Incertidumbre en la predicción EJEMPLO TRAMO AUTOPISTA Intervalos de confianza y tráfico esperado 26,000 24,000 70% Confidence interval for traffic forecast on a motorway section Model and input uncertainty Model uncertainty 26,000 24,000 Expected value of traffic on a motorway section Simulation with model and input uncertainty Simulation with model uncertainty Deterministic simulation 22,000 22,000 20,000 20,000 Traffic 18,000 16,000 14,000 12,000 18,000 16,000 14,000 12,000 10, , Year Year

15 Incertidumbre en la predicción EJEMPLO TRAMO AUTOPISTA Predicción estocástica 2009 y 2025 Distribución de la predicción 28 COMPONENTES DEL ERROR DE PREDICCIÓN EN COMPONENTES DEL ERROR DE PREDICCIÓN EN Error de predicción derivado de la incertidumbre en el modelo 7 6 Error de predicción derivado de la incertidumbre en el modelo Densidad Densidad Error de predicción total 4 Error de predicción total

16 Incertidumbre en la predicción RESULTADOS La incertidumbre asociada al desconocimiento del valor futuro de las variables explicativas es más elevada que la del modelo. Aumento significativo de la incertidumbre a largo plazo. La simulación determinista no es adecuada para predecir la demanda futura. Importancia de incorporar la incertidumbre para estimar adecuadamente los beneficios sociales.

17 Restricciones de capacidad Se observó la necesidad de introducir restricciones de capacidad para controlar la tendencia creciente del tráfico, especialmente en la predicción de los últimos años.

18 Restricciones de capacidad EJEMPLO AMPLIACIÓN AEROPUERTO DE MÁLAGA Predicción con restricciones de capacidad Pasajeros en el horizonte temporal ,000,000 32,000,000 28,000,000 24,000,000 20,000,000 16,000,000 12,000,000 8,000,000 4,000, CON PROYECT O SIN PROYECT O Y CON RESRICCION DE CAPACIDAD0 SIN PROYECTO Y SIN RESTRICCION DE CAPACIDAD

19 Restricciones de capacidad RESULTADOS La predicción del modelo sin restricciones de capacidad es muy superior y crece de forma constante, sin atender a las limitaciones de capacidad que impone la infraestructura aeroportuaria. El modelo con restricción de capacidad predice también una demanda creciente pero con una tasa de crecimiento menor a medida que nos alejamos en el horizonte temporal. La incorporación de restricciones de capacidad en el modelo de ofrece un contexto más realista para predecir la demanda futura y más prudente para evaluar los beneficios sociales

20 CONCLUSIONES Se realiza una revisión de los modelos de demanda de transporte. Se presentan las ventajas y desventajas de su aplicación en función del contexto y datos disponibles. Se incorpora el tratamiento de la incertidumbre y de las restricciones de capacidad de las infraestructuras como aportación. Países como Reino Unido, Holanda, Alemania, Dinamarca han desarrollado modelos nacionales multimodales muy útiles para predicción de demanda y evaluación de políticas de transporte. En España se destaca la necesidad de mejorar y completar las bases de datos, especialmente en matrices origen-destino de los viajes y con cierto nivel de desagregación.