Demanda de vehículos eléctricos compartidos vinculada al diseño urbano y ubicación
Un nuevo estudio de la Universidad del Sudoeste Jiaotong revela que el éxito de los vehículos eléctricos compartidos (SEV) en entornos urbanos depende en gran medida de una compleja interacción entre ubicación, infraestructura y planificación urbana. La investigación, realizada por Liao Yang, Luo Xia y Wang Hongjie, identifica factores clave que influyen en la demanda de usuarios, ofreciendo orientación práctica para operadores que buscan optimizar sus servicios y para planificadores urbanos que buscan soluciones de transporte sostenibles.
Los hallazgos, publicados en el Journal of Transportation Engineering and Information, desafían los modelos convencionales utilizados para predecir el comportamiento de viaje. Al analizar datos operativos de más de 1.400 estaciones de vehículos eléctricos compartidos en Chengdu, China, los investigadores descubrieron que los modelos estadísticos tradicionales a menudo no capturan las relaciones complejas y no lineales que rigen las elecciones de los usuarios. En su lugar, se requiere un enfoque más sofisticado, uno que tenga en cuenta los patrones espaciales y temporales inherentes a la movilidad urbana.
Chengdu, una ciudad a la vanguardia en la adopción de vehículos de nueva energía, proporcionó un rico conjunto de datos para la investigación. El equipo examinó dos meses de información sobre el estado de las estaciones, incluyendo disponibilidad de vehículos, capacidad y ubicación, para inferir orígenes y volúmenes de viajes. Estos datos detallados, combinados con información geográfica precisa sobre puntos de interés (POI), redes viales y transporte público, permitieron a los investigadores construir una imagen integral de los factores que impulsan el uso de SEV.
Una de las contribuciones más significativas del estudio es su innovación metodológica. Los autores desarrollaron una técnica mejorada de agregación espacial para definir las áreas de servicio alrededor de cada estación. Más allá de los métodos basados en cuadrículas simples, utilizaron una teselación hexagonal con un radio de 500 metros, reflejando la distancia a pie típica que los usuarios están dispuestos a recorrer para acceder a un vehículo. Este enfoque minimizó los errores en la identificación de interacciones espaciales entre estaciones, un defecto común en investigaciones anteriores. Además, introdujeron un marco refinado para cuantificar el entorno construido, ampliando el modelo tradicional «5D» (densidad, diversidad, diseño, accesibilidad al destino y distancia al transporte) para incluir no solo la densidad de POI, sino también su proximidad y aglomeración espacial.
El análisis confirmó que el uso de SEV en Chengdu exhibe patrones temporales y espaciales fuertes. Los viajes son significativamente más altos en días no laborables, y el pico diario ocurre durante la noche, alineándose con actividades de ocio y entretenimiento en lugar del viaje tradicional al trabajo. Este patrón es coherente con la reputación de Chengdu por su vibrante vida nocturna. Los datos también mostraron una clara agrupación espacial de la demanda, con una autocorrelación espacial positiva significativa en todos los períodos de tiempo. Esto significa que las áreas de alta demanda tienden a estar rodeadas por otras áreas de alta demanda, un fenómeno impulsado por el comportamiento del usuario: cuando una estación está vacía, los usuarios naturalmente buscan el vehículo disponible más cercano.
Para descubrir los factores subyacentes que impulsan esta demanda, el equipo de investigación construyó y comparó tres modelos analíticos diferentes: un modelo lineal generalizado (GLM), un modelo de bosque aleatorio (RF) y un modelo mixto aditivo generalizado (GAMM). Los resultados fueron reveladores. Aunque el modelo de bosque aleatorio logró la mayor precisión bruta al ajustarse a los datos, lo hizo a costa de la interpretabilidad, funcionando como una «caja negra» que no podía explicar los mecanismos detrás de sus predicciones. El GLM, una herramienta estándar en la investigación del transporte, tuvo un desempeño deficiente, no logrando capturar las relaciones no lineales y dejando patrones espaciales significativos sin explicar en sus residuos.
El GAMM surgió como el modelo superior. Al incorporar funciones suaves no paramétricas, podía modelar con precisión los efectos complejos y no lineales de varios factores. Lo crucial fue que también incluyó un efecto aleatorio para la ubicación de la estación, permitiéndole tener en cuenta la heterogeneidad espacial no observada. El éxito del GAMM se validó mediante una prueba clave: la autocorrelación espacial de sus residuos. Un buen modelo no debería dejar ningún patrón espacial sistemático en sus errores. El GAMM pasó esta prueba, ya que sus residuos no mostraron autocorrelación espacial significativa en la mayoría de los períodos de tiempo, demostrando su capacidad para explicar completamente las dependencias espaciales en los datos. Este hallazgo subraya la importancia crítica de utilizar modelos conscientes del espacio para el análisis del transporte urbano.
Las ideas derivadas del GAMM son particularmente valiosas para los operadores de movilidad compartida. El estudio encontró que los atributos de la estación son el factor más influyente en la determinación de la demanda. Entre estos, la capacidad de estacionamiento tiene un efecto profundo y no lineal. Contrario a la suposición simple de que más estacionamiento siempre es mejor, la investigación identificó un umbral claro. La demanda aumenta con la capacidad hasta un punto, alrededor de 70 espacios de estacionamiento por área agregada, pero más allá de este umbral, la capacidad adicional realmente suprime la demanda. Esta relación en forma de «U invertida» sugiere un punto de saturación donde un exceso de estacionamiento conduce a ineficiencias, posiblemente dificultando para los usuarios encontrar un vehículo entre un lote grande y vacío, y aumentando los costos operativos para el proveedor. Este hallazgo proporciona una meta concreta para la planificación de la capacidad, aconsejando a los operadores evitar el exceso de capacidad en cualquier área individual.
Otro atributo crítico de la estación es la distancia entre estaciones vecinas. El estudio reveló un «punto óptimo» para el espaciado de estaciones. Cuando las estaciones están demasiado cerca, se comen la demanda entre sí, lo que lleva a una competencia interna y subutilización. Por el contrario, cuando las estaciones están demasiado separadas, los usuarios pueden no encontrar el servicio lo suficientemente conveniente para usarlo. La distancia óptima, identificada como aproximadamente 2 kilómetros, representa un equilibrio entre minimizar la competencia y maximizar la cobertura del servicio. Esta orientación precisa puede informar decisiones estratégicas sobre dónde colocar nuevas estaciones o si consolidar las que tienen un rendimiento deficiente.
El precio es otra palanca poderosa. Como se esperaba, un precio más bajo está fuertemente correlacionado con una mayor demanda. La relación es casi lineal, lo que indica que los usuarios son muy sensibles al costo. Esto refuerza la necesidad de estrategias de precios flexibles y competitivas, posiblemente incluyendo precios dinámicos basados en la hora del día o los niveles de demanda, para atraer y retener usuarios.
La investigación también proporciona una comprensión matizada de cómo los SEV interactúan con la red de transporte público más amplia. La relación con los autobuses es relativamente directa: la demanda de SEV disminuye a medida que aumenta la distancia a la parada de autobús más cercana más allá de los 400 metros, lo que sugiere que los SEV no son un competidor principal de los autobuses, sino un servicio complementario para áreas con acceso deficiente al autobús.
La interacción con el sistema de metro es más compleja y revela una oportunidad estratégica. Dentro de un radio de 2 kilómetros de una estación de metro, la demanda de SEV se ve suprimida. Esto es lógico, ya que el metro es un modo altamente eficiente para viajes largos en el centro de la ciudad. Sin embargo, más allá de este amortiguador de 2 kilómetros, la relación se invierte. La demanda de SEV aumenta con la distancia del metro. Esto indica un potencial poderoso para el «último kilómetro» y el «primer kilómetro». Los SEV pueden servir eficazmente como un servicio de alimentación, conectando áreas residenciales en la periferia urbana con la red de metro de alta capacidad. Este hallazgo es crucial para los planificadores urbanos, ya que sugiere que invertir en infraestructura de SEV en estos «desiertos de transporte» puede mejorar significativamente la accesibilidad general sin los enormes gastos de capital necesarios para extender las líneas de ferrocarril.
El estudio confirma que los SEV se utilizan principalmente para viajes no relacionados con el trabajo. Aunque la proximidad a oficinas y distritos comerciales es importante, las correlaciones positivas más fuertes son con lugares de entretenimiento, universidades e instalaciones médicas. La densidad de restaurantes, cines y parques es un gran atractivo. Esto resalta el papel de los SEV en permitir actividades de ocio y sociales. La proximidad a las universidades es particularmente significativa, lo que sugiere que los estudiantes son un grupo de usuarios clave, probablemente debido a la asequibilidad y flexibilidad del servicio. La presencia de instalaciones médicas, especialmente cuando están agrupadas, también impulsa la demanda, posiblemente porque los usuarios buscan un modo de transporte conveniente y privado para citas médicas, particularmente durante horas fuera de pico cuando el transporte público es menos frecuente.
La mezcla de usos del suelo, medida por la entropía del uso del suelo, también sigue un patrón no lineal. La demanda es más alta en áreas con una mezcla moderada de usos del suelo, pero disminuye en áreas con entropía muy alta, esencialmente, los núcleos urbanos más densos y mixtos. Este resultado contraintuitivo puede explicarse por varios factores. En las áreas más centrales, la disponibilidad de numerosas opciones de transporte (metro, autobuses, taxis, caminando) puede hacer que los SEV sean menos necesarios. Los altos valores del suelo también hacen que sea más caro operar grandes estacionamientos, posiblemente limitando la capacidad de la estación. Además, la congestión de tráfico en estas áreas podría hacer que conducir un SEV sea menos atractivo.
El estudio también evaluó el impacto de los principales centros de transporte. Los SEV muestran un fuerte potencial para conectar a los pasajeros de estaciones de autobuses de larga distancia y estaciones de tren a sus destinos finales dentro de la ciudad. La presencia de una estación de vehículos eléctricos compartidos adyacente a estos centros es un factor positivo significativo, ya que proporciona una alternativa conveniente a los taxis o al transporte público para los viajeros con equipaje o destinos específicos. Los aeropuertos, sin embargo, presentan un caso diferente. La investigación encontró una correlación negativa entre la proximidad al aeropuerto y la demanda de SEV. Esto probablemente se deba a que los aeropuertos generalmente se encuentran en la periferia urbana, donde la penetración de SEV puede ser más baja, y porque están bien servidos por servicios de traslado dedicados, taxis y aplicaciones de viaje compartido, lo que hace que el SEV sea una opción menos competitiva.
Desde una perspectiva de planificación urbana, las implicaciones son claras. La investigación aboga por un enfoque dual. A nivel macro, los planificadores deben priorizar el despliegue de SEV en áreas con intensidad de desarrollo moderada, a lo largo de redes viales secundarias (que mejoren el acceso local sin la congestión de arterias principales) y en las zonas de amortiguación de 2 kilómetros que rodean las estaciones de metro. A nivel micro, los operadores deben centrarse en colocar estaciones cerca de universidades, distritos de entretenimiento y centros médicos, asegurando una capacidad adecuada pero no excesiva y manteniendo un espaciado óptimo entre estaciones.
El estudio reconoce algunas limitaciones, como la falta de datos socioeconómicos para diferentes vecindarios y la incapacidad de analizar pares origen-destino (OD) debido a las restricciones de datos. Sin embargo, su metodología robusta y hallazgos prácticos representan un avance significativo en el campo. Al ir más allá de modelos simplistas y abrazar la complejidad del tejido urbano, la investigación ofrece una hoja de ruta para crear sistemas de movilidad compartida más eficientes, equitativos y sostenibles. Demuestra que el futuro del transporte urbano no radica en un solo modo, sino en un ecosistema bien integrado donde servicios como los vehículos eléctricos compartidos llenan brechas críticas, y su éxito está determinado por una comprensión profunda del tejido urbano que sirven.
Liao Yang, Luo Xia, Wang Hongjie, Universidad del Sudoeste Jiaotong, Journal of Transportation Engineering and Information, DOI: 10.19961/j.cnki.1672-4747.2024.05.011