Relación entre la racionalización del espacio vial y el cobro por congestión en el centro de Medellín
Author
Type
Trabajo de grado - Maestría
Document language
EspañolPublication Date
2020-04-27Metadata
Show full item recordSummary
Los centros urbanos de las ciudades son escenarios donde las condiciones de movilidad se ven afectada por los altos niveles de congestión, este fenómeno es debido a que en estas zonas se concentra los bienes y servicios que se proveen a los habitantes de las grandes ciudades, por lo tanto las mayores demandas de viajes son hacia estos lugares. Debido a esto se han buscado diferentes alternativas de gestión de la demanda buscando mitigar el efecto de la congestión, dentro de esto está la penalización a quienes hacen sus desplazamientos a través de los costos que estos deben asumir al hacer sus viajes. La estrategia de restricción del espacio vial urbano por congestión (SRC) puede ser una política de gestión de tráfico donde los usuarios experimentan la penalización a través de demoras en los tiempos de viaje. Sin embargo, la percepción del costo debido al tiempo es diferente al costo monetario, ya que cada individuo puede percibir este costo de manera diferente de acuerdo a sus características socioeconómicas y motivo del viaje. Esta tesis de maestría busca medir el efecto de la aplicación de la SRC en los tiempos de viaje de los usuarios del auto particular, y su disposición de hacer el viaje al aplicar esta medida, comparándola con el efecto que genera un cobro por congestión en el centro urbano de la ciudad de Medellín, para ser aplicada como complemento al plan de peatonalización del centro de Medellín. El proceso metodológico consta de tres fases, la primera es la determinación de las demoras causadas en los viajes de volumen mixto, y para el auto a quien se enfoca la aplicación de la SRC, las demoras se obtienen a través de un modelo microscópico de trafico de los corredores principales al interior del centro urbano, y sobre quienes se aplica la medida, obteniendo las curvas de oferta de tiempo a medida que la demanda se incrementa. En la segunda fase se determina la disposición de los usuarios del auto a realizar los viajes en este modo, al aplicar la restricción del espacio vial SRC, a través de un modelo de estimación de demanda haciendo uso de algoritmos Machine Learning (ML), obteniendo la curva de demanda debido al incremento en los tiempos de viaje. Finalmente, en la tercera fase se determina el impacto de la aplicación de la SRC a partir de la penalización por tiempo, estimada por la combinación de las curvas de oferta con la de demanda, además de comparar este efecto de la medida con el caso donde se realizará la gestión de tráfico aplicando una tarifa por congestión. A través de los resultados obtenidos se puede establecer el nivel de eficacia de la aplicación de la SRC en la demanda actual, y los beneficios que esta genera en el tráfico mixto, además del impacto en los comerciantes del centro urbano, debida a la disposición de los visitantes de hacer sus viajes hacia este lugar, por la penalización percibida a causa de la aplicación de la SRC Palabras Claves: Racionalización del espacio vial, gestión de la demanda, modelos de demanda, machine Learning, cobro por congestión.Summary
Urban cities’ downtowns are scenarios where mobility conditions are affected by high levels of congestion. This phenomenon is due to the fact that the goods and services provided to the inhabitants of large cities are concentrated in these areas, causing a high travel concentration. Due to this, different management alternatives have been sought with the purpose of mitigating the effect of traffic congestion, such as penalizing travelers with methods that will represent some costs to them. The strategy of restricting urban road spaces due to congestion (SRC) can be a traffic management policy where users experience the penalty through delays in travel times. However, the perception of the cost due to time is different from the monetary cost, since individuals can perceive this cost differently according to their socioeconomic characteristics and reason for the trip. This master's thesis seeks to measure the effect of the application of the SRC on the users in private cars’ travel times. Furthermore, their willingness to make the trip when applying this measure, as compared to the effect generated by a congestion charge at the downtown urban area of Medellín, which would be added as a complement to the pedestrian plan of downtown Medellín. The methodological process consists of three phases. First, is the determination of the delays caused in the mixed volume trips, and for the specific car the application of the SRC is focused on. The delays are obtained through a microscopic traffic model of the main corridors inside the urban center, and of those the measure is applied to, thus obtaining the time supply curves as demand increases. In the second phase, the willingness of car users to travel in this mode is determined, by applying the SRC road space restriction, through a demand estimation model using Machine Learning (ML) algorithms, obtaining the demand curve due to the increase in travel times. Finally, in the third phase, the impact of the application of the SRC is determined from the time penalty, estimated by the combination of the supply and demand curves. This is in addition to comparing this measure’s effect with the one caused when applying a congestion charge. Through the results obtained, it is possible to establish the level of effectiveness of the SRC’s application in the current demand, and the benefits that this generates in mixed traffic. This is in addition to establishing the impact on merchants in urban downtown, based on the willingness of visitors to make their trips to this area, due to the penalty generated from the application of the SRC. Key Words: Rationalization of the road space, demand management, demand models, machine learning, congestion fees.Keywords
demand management ; Racionalización del espacio vial ; Cobro por congestión ; transport demand modeling ; Planificación del transporte ; Rationalization of the road space ; congestion charging ; Modelos Machine Learning para el transporte ; transportation planning ; Gestión de la demanda de transporte ; Machine learning models for transport ; Modelación de la demanda de transporte ;
Collections
