Análise de abordagens comportamentais para modelagem de escolha de destinos em viagens a trabalho.

• Ano de defesa: 2022
• Autor(a) principal: Mauad, Sílvia Vitali Santos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Destination choice models; Discrete choice models; Maximização da utilidade aleatória; Minimização do arrependimento aleatório; Modelos de escolha de destino; Modelos de escolha discreta; Planejamento de transportes; Transport planning
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3138/tde-19012023-082603/

Os modelos de escolha discreta baseados na abordagem de maximização da utilidade aleatória (Random Utility Maximization, RUM) são alternativos aos tradicionais modelos agregados de distribuição de viagens. Por outro lado, a abordagem de minimização do arrependimento aleatório (Random Regret Minimization, RRM) surgiu como opção ao RUM na análise de fenômenos comportamentais. Nesse sentido, o objetivo desta dissertação é comparar o desempenho de modelos de escolha discreta sob as abordagens RUM e RRM para estimativa da escolha de destinos em viagens por motivo trabalho. Para atingir este objetivo foram comparados os resultados da aplicação das abordagens RUM e RRM na modelagem da escolha de destinos em viagens urbanas a trabalho na cidade de São Paulo utilizando dados da pesquisa Origem-Destino de 2017 do tipo Preferência Revelada realizada pela Companhia do Metropolitano de São Paulo. Foram aplicados métodos de redução do conjunto de escolha de alternativas e de amostragem dos conjuntos de escolhas disponíveis aos indivíduos. Inicialmente, foi utilizado o método para definição do número ótimo de alternativas em modelos RRM, haja vista a complexidade computacional para estimativa de modelos envolvendo conjuntos com grande número de escolhas possíveis. Para a seleção do conjunto de alternativas disponíveis aos indivíduos foi aplicado o método de amostragem estratificada baseado no índice de Moran. Na especificação dos modelos foram testadas diferentes variáveis relacionadas a empregos de forma quantitativa (empregos totais e por tipo) e qualitativa (variáveis dummies espaciais de localização de empregos), e variável de impedância (distância). Os resultados dos modelos em termos de log-verossimilhança final, !, Akaike Information Criteria (AIC) e Bayesian Information Criteria (BIC) foram similares para ambas as abordagens no caso estudado. Entretanto, os modelos RRM exigiram tempo de processamento médio de 52 minutos para as estimativas, enquanto os modelos RUM foram estimados em 32 segundos em média. Ainda, os modelos com os atributos de quantidade total de empregos e quantidade total de empregos por tipo (indústria e serviços) apresentaram melhor desempenho nas duas abordagens, apesar de todos os atributos considerados terem apresentado significância estatística nos modelos testados.