felipe mariz coutinho taxa de geraÇÃo de viagens … · taxa de geração de viagens em...
TRANSCRIPT
FELIPE MARIZ COUTINHO
TAXA DE GERAÇÃO DE VIAGENS EM CONDOMÍNIOS
RESIDENCIAIS VERTICAIS– REALIZAÇÃO DE UM
ESTUDO EMPÍRICO EM NATAL, RN
NATAL-RN
2016
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE TECNOLOGIA
DEPARTAMENTO DE ENGENHARIA CIVIL
Felipe Mariz Coutinho
Taxa de geração de viagens em condomínios residenciais verticais – Realização de um estudo
empírico em Natal, RN
Trabalho de Conclusão de Curso na modalidade
Artigo Científico, submetido ao Departamento de
Engenharia Civil da Universidade Federal do Rio
Grande do Norte como parte dos requisitos
necessários para obtenção do Título de Bacharel em
Engenharia Civil.
Orientador: Prof. Dr. Enilson Medeiros dos Santos
Natal-RN
2016
Catalogação da Publicação na Fonte
Universidade Federal do Rio Grande do Norte - Sistema de Bibliotecas Biblioteca
Central Zila Mamede / Setor de Informação e Referência
Coutinho, Felipe Mariz.
Taxa de geração de viagens em condomínios residenciais verticais: realização de um
estudo empírico em Natal, RN / Felipe Mariz Coutinho. - 2016.
15 f. : il.
Artigo científico (Graduação) - Universidade Federal do Rio Grande do Norte, Centro
de Tecnologia, Departamento de Engenharia Civil. Natal, RN, 2016.
Orientador: Prof. Dr. Enilson Medeiros dos Santos.
1. Engenharia civil - TCC. 2. Centros urbanos - TCC. 3. Pólos geradores de viagens -
TCC. 4 - Taxa de geração de viagens - TCC. 5. Edifícios residenciais verticais - TCC. I.
Santos, Enilson Medeiros dos. II. Título.
RN/UF/BCZM CDU 624
Felipe Mariz Coutinho
Taxa de geração de viagens em condomínios residenciais verticais – Realização de um estudo
empírico em Natal, RN
Trabalho de conclusão de curso na modalidade
Artigo Científico, submetido ao Departamento de
Engenharia Civil da Universidade Federal do Rio
Grande do Norte como parte dos requisitos
necessários para obtenção do título de Bacharel em
Engenharia Civil.
Aprovado em 28 de Novembro de 2016:
___________________________________________________
Prof. Dr. Enilson Medeiros dos Santos – Orientador
___________________________________________________
Profa. Lúcia Rejane de Almeida Xavier – Examinador interno
___________________________________________________
Profa. Sarah Araújo Costa – Examinador externo
Natal-RN
2016
DEDICATÓRIA
“Ensinar não é transferir conhecimento, mas criar as possibilidades para sua própria produção
ou a sua construção”. (Paulo Freire).
Aos meus familiares.
AGRADECIMENTOS
Agradeço primeiramente à minha família, especialmente aos meus pais, Marcelo e
Eliana, e aos meus irmãos, Rodrigo e Guilherme, pelo apoio e compreensão ao longo da
graduação.
Meu agradecimento especial ao meu orientador Dr. Enilson Medeiros por toda a
colaboração na realização deste trabalho.
Felipe Mariz Coutinho
RESUMO
TAXA DE GERAÇÃO DE VIAGENS EM CONDOMÍNIOS RESIDENCIAIS
VERTICAIS – REALIZAÇÃO DE UM ESTUDO EMPÍRICO EM NATAL, RN
Autor: Felipe Mariz Coutinho1
Orientação: Enilson Medeiros dos Santos2
Departamento de Engenharia Civil – UFRN
Natal, Novembro de 2016.
O crescimento acelerado dos centros urbanos brasileiros é desprovido das ferramentas técnicas
e gerenciais adequadas para torná-lo sustentável. No âmbito do uso do solo, merece especial
atenção o estudos referentes aos Pólos Geradores de Viagens, PGV, fazendo com que sua
implementação traga a maior quantidade de benefícios possíveis ao entorno. O presente
trabalho objetiva estabelecer os modelos matemáticos de geração de viagens para edifícios
residenciais verticais multifamiliares com mais de 50 unidades habitacionais. Para isto, foram
coletados e analisados dados de 10 empreendimentos de dois bairros de Natal, RN. Em relação
às regressões, os melhores resultados ocorreram utilizando-se como variável explicativa as
unidades habitacionais ocupadas, sob a forma de regressões lineares e logarítmicas. Além disso,
a análise mais minuciosa de cada bairro, apesar das condições demográficas e amostrais
similares, aponta a necessidade de se considerar outros fatores na geração de viagens que
representem a caracterização do entorno urbano no qual se insere a amostra.
Palavras-chave: Centros urbanos; Pólos Geradores de Viagens; Taxa de geração de viagens;
Edifícios residenciais verticais; Unidades habitacionais ocupadas; Regressões lineares.
1 Universidade Federal do Rio Grande do Norte; Discente. 2 Universidade Federal do Rio Grande do Norte; Docente, Dr.
ABSTRACT
TRIP GENERATION RATES IN VERTICAL MULTIFAMILY APPARTMENTS –
PERFORMANCE OF AN EMPIRICAL STUDY IN NATAL, RN
Author: Felipe Mariz Coutinho3
Advisor: Enilson Medeiros dos Santos4
Department of Civil Engineering – UFRN
Natal, November of 2016.
The accelerated growth of Brazilian urban centers lacks the appropriate technical and
managerial tools to make it sustainable. In regards to the land use, studies concerning the Trip
Generating Poles deserve special attention, in order to take the greatest amount of
environmental benefits possible from their construction. The present work aims to establish the
trip generation mathematical model of vertical residential multifamily buildings with more than
50 housing units. In order to achieve this, data from 10 buildings from two neighborhoods of
Natal, RN were collected and analyzed. Concerning the regressions, the best results were
obtained using the occupied housing units as explanatory variable, in the form of linear and
logarithmic regressions. Furthermore, despite similar demographic and sampling conditions, a
more detailed analysis of each neighborhood points the need of considering other factors that
characterize the urban environment in which the sample is inserted to generate better models.
Key words: Urban centers; Trip Generation Poles; Trip generation rates; Vertical residential
buildings; Occupied housing units; Linear regressions.
3 Federal University of Rio Grande do Norte; Student. 4 Federal University of Rio Grande do Norte; Professor, Dr.
1
1 Introdução
O crescimento das cidades brasileiras é um processo inegável. Segundo o Censo
Populacional de 2010 do IBGE, em 1960, os moradores dos centros urbanos nacionais
contavam 32 milhões, cerca de 45% do total da população. Cinquenta anos depois, esse número
quintuplicou, atingindo aproximadamente 161 milhões de habitantes, o que representa
aproximadamente 85% do total (IBGE, 2010).
Como esperado, essa evolução acelerada propõe desafios sem precedentes no estudo das
cidades, sobretudo na alimentação, na moradia, na educação e no transporte nos países
subdesenvolvidos. No que tange a mobilidade, é fundamental assegurar a sua coordenação com
uso do solo, afim de amplificar os seus benefícios para o ambiente urbano e a economia local
(CERVERO, 2013, tradução nossa).
Um importante conceito no estudo dos centros urbanos é o de Pólo Geradores de
Viagens, PGV, que são locais ou instalações que desenvolvem atividades capazes de exercer
grande influência sobre a população, gerando quantidade considerável de viagens. Disso, surge
uma natureza ambígua: se por um lado eles estimulam o aumento da densidade de atividades,
fator que promove ganhos competitivos oriundos da economia de escala, o excesso dessa
concentração poderá causar a saturação das infraestruturas coletivas e disfunções sociais
(REDE PGV, 2016a).
Assim, em virtude da importância de se mensurar as consequências de um
empreendimento deste tipo, permitindo o correto dimensionamento sistema viário e a oferta de
transporte público, é necessário estudar as demandas geradas pela sua instalação e é nesse
contexto que se insere o levantamento da geração de viagens, cuja principal fonte é o trabalho
norte-americano realizado pelo Institute of Transportation Engineers, ITE. Entretanto, nem
sempre as características das cidades estado-unidenses se adequam à realidade brasileira,
fazendo com que esses dados não atendam as necessidades locais (GRIECO, 2010).
No Brasil, os estudos desse tipo são poucos e, de forma geral, acadêmicos. São Paulo
foi a primeira cidade a realizar esforços para melhorar a análise e licenciamento de PGV, em
1983, no Boletim Técnico nº 32. Entretanto, abordou a temática através da importação das taxas
de previsão de outros países (GRIECO, 2010).
Esse contexto extremamente propício foi a principal motivação para a elaboração do
presente estudo, que visa estudar a geração de viagens em edifícios residenciais verticais em
Natal, RN.
2
2 Materiais
Como exposto anteriormente, o trabalho em questão tem como finalidade o estudo de
viagens geradas, TGV, de condomínios residenciais verticais em Natal, RN, que consiste num
modelo matemático que estabelece uma relação entre variáveis independentes representativas
dos condomínios e as suas movimentações. São intituladas “geradas” uma vez que englobam
tantos as produzidas, cuja origem é o empreendimento em análise, e as atraídas, que são as que
têm por destino o local estudado. Para isto, será necessário o conhecimento do embasamento
legislacional referente ao tema, suas aplicações, metodologia que embasou o projeto e alguns
conceitos estatísticos.
2.1 Taxa de geração de viagens e a legislação brasileira
No âmbito legislacional brasileiro, é na Constituição Federal, CF, que se encontram
implantados os princípios mais importantes da política urbana e de meio ambiente, ressaltando
o respeito que os Planos Diretores devem ter ante às normas federais e estaduais (CARVALHO;
LEUZINGER, 2009).
Ainda segundo Carvalho e Leuzinger (2009), a Constituição Federal de 1988 foi a
primeira dentre as constiuições a tratar abertamente a questão ambiental, dando grande ênfase
aos estudos urbanísticos. A Lei 10.257/2001, Estatuto da Cidade, regulamentou os artigos 182
e 183 da CF, assegurando, através dos Planos Diretores - instrumentos básicos da política de
desenvolvimento e expansão urbana - o pleno desenvolvimento social e a garantia do bem-estar
dos habitantes.
Conforme Brasil (2016), o Estatuto regulamentou vários dispositivos tributários,
urbanísticos e jurídicos afim de garantir o desenvolvimento mais justo das cidades. O Plano
Diretor diz como ele será aplicado em cada município, exercendo e adequando os instrumentos
previstos, tornando-o a peça básica para nortear a política de expansão e desenvolvimento da
mancha urbana, o planejamento e a gestão municipal.
O Plano Diretor de Natal dedica uma seção de 10 artigos à legislação dos
Empreendimentos e Atividades de Impacto. Dentre estes, destaca-se o Art. 37, que estabelece
a necessidade de elaboração do Estudo de Impacto de Vizinhança (EIV) para o processo de
licenciamento de atividades de forte e moderado impacto, além de estabelecer o escopo de tais
levantamentos, que inclui a análise do tráfego e a demanda por transporte público gerados
(NATAL, 2007).
Complementando esse arcabouço teórico, destacam-se duas Leis, a Nº 4.619/ 1995 e a
4.885/ 1997. A primeira dessas versa sobre o procedimento para a análise do Relatório de
3
Impacto de Vizinhança, RIV, produto do EIV (NATAL, 1995). Já a segunda dispõe sobre a
exigência do Relatório de Impacto sobre o Tráfego Urbano, RITUR, para os empreendimentos
considerados impactantes e no âmbito residencial ela classifica como tal todo aquele edifício
com mais de 50 unidades habitacionais (NATAL, 1997).
Esta entidade discute ainda o escopo obrigatório do RITUR, reiterando a necessidade
de se realizar a estimativa do impacto através da mensuração do fluxo de veículos privados
adicionados ao sistema viário da vizinhança pelo empreendimento (NATAL, 1997).
De forma similar às cidades norte-americanas, Rio de Janeiro e São Paulo já amparam
os procedimentos de análise de impacto na geração de viagens em modelos matemáticos
(CUNHA, 2009). Entretanto, para a realização de EIV dentro da realidade de cada cidade, é
necessário criar uma metodologia de TGV adequada de mensuração aos diferentes contextos e
que gerem dados confiáveis. que sirvam de referência (GRIECO, 2010).
2.2 Aplicação da taxa de geração de viagens
O principal objetivo de um estudo de geração de viagens é coletar e analisar dados que
caracterizem a relação entre as viagens geradas e atraídas e as características de um local para
um determinado uso de solo (ITE, 2004, tradução nossa).
Entretanto, a sua aplicação vai além da análise de impacto sobre o tráfego local: ela têm
significantes consequências econômicas e ambientais. É utilizada para estimar taxas de
alterações sobre o tráfego local e são um dos principais fatores considerados para decidir a
aprovação de empreendimentos em meio urbano e implementação de estacionamentos (ABAG,
2008, tradução nossa).
No que tange ao tráfego, de acordo com ITE (2004, tradução nossa), dados desse tipo
são usados para determinar pré-requisitos de acessibilidade de empreendimentos, estimativa de
tráfego futuro e até mesmo para avaliar as implicações de alterações no uso de solo.
Segundo Rede PGV (2016b), quanto mais exatos forem os modelos obtidos para um
determinado uso de solo, mais realista será a estimativa dos impactos, facilitando o tratamento
do mesmo. Em virtude da já mencionada natureza dual, durante a implementação de um PGV,
um estudo mais aprofundado sobre a sua TGV se faz necessário afim de tirar o máximo proveito
da sua consolidação, maximizando os impactos positivos e reduzindo os negativo (REDE PGV,
2016a).
2.3 Metodologia base
A fonte primária de dados e métodos para estimar a geração de viagens automobilísticas
afim de preparar análises de impacto sobre o tráfego é o Trip Generation Manual do ITE
(NCHRP, 2013, tradução nossa).
4
Segundo a Rede PGV (2016b), o ITE propõe 3 métodos de estimativa de viagens: a
plotagem de términos de viagens versus o tamanho da variável independente, a média
ponderada da taxa de geração de viagens e a equação de regressão, sendo o último desses o
estudo que apresenta melhor ajuste aos pontos obtidos.
A curva de regressão gerada deverá atender três características: R² superior ou igual à
0,5, o número de empreendimentos ensaiados é maior ou igual a quatro e o número de viagens
deve aumentar com o crescimento da variável independente (GRIECO, 2010).
Em virtude do uso extremamente difundido do Trip Generation, é fundamental para o
ITE difundir as principais diretrizes afim de assegurar a correta aplicação do método (ITE,
2004, tradução nossa). Assim, são feitas considerações diversas a seu respeito, dentre as quais
as referentes escolha da variável independente e do período de análise, seleção das amostras e
metodologia aplicada.
A variável independente é defininda como uma unidade mensurável e previsível
característica do local de estudo, obtida através de mensuração direta. É necessário também ser
uma causa aparente para a variação de taxa de viagens para determinado uso do solo, produzir
a relação viagens/ variável que melhor se encaixa na curva, ser confiável e previsível e
relacionada ao uso de solo, não ao empreendimento (ITE, 2004, tradução nossa).
Quanto ao horário em que deverá ser feito o levantamento, segundo ITE (2004, tradução
nossa), à exceção de alguns tipos de uso de solo, os fluxos nos horários de picos são utilizados
para testar o impacto do novo empreendimento, devendo-se sempre assegurar que a contagem
seja feita em dias normais, longe de feriados, condições atmosféricas regulares e em período
escolar.
Os locais escolhidos tiveram que se enquadrar em uma série de critérios para assegurar
que fossem representativos dos bairros ensaiados. Segundo ITE (2004, tradução nossa) é
fundamental assegurar que os empreendimentos tenham ocupação superior à 85%, sem obras
de construção nas vias adjacentes, uso de solo estritamente residencial, ser um empreendimento
com mais de 2anos de construído e que permita uma contagem fácil e segura.
Além disso, foram procurados edifícios residenciais com mais de 10 andares,
enquadrando-se no uso de solo residencial 222 do ITE (High-Rise Apartment), e que tivessem
mais de 50 unidades habitacionais, caracterizando um empreendimento de impacto sobre o
tráfego urbano (NATAL, 1997).
Em relação aos procedimentos recomendados para estimar a taxa de geração de viagens,
o ITE considera uma série de fatores da análise, como o tamanho da amostra, o coeficiente de
5
determinação e o desvio-padrão. A figura a seguir demonstra resumidamente como deve ser
feita a escolha da metodologia mais adequada.
No contexto nacional, para o uso residencial, destacam-se as pesquisas
desenvolvidas por Grieco (2010) e Torquato (2013).
Na primeira, foram estudadas as taxa de geração de viagens de duas regiões distintas do
Rio de Janeiro. Uma dessas regiões, Icaraí, foi alvo de um estudo para uso de solo similar ao
dessa pesquisa, ou seja, edifícios residenciais multifamiliares com mais de 10 andares
(GRIECO, 2010). Já a segunda se preocupou com o comportamento em condomínios
residenciais horizontais em Bauru, SP (TORQUATO, 2013). Apesar de a tipologia diferir,
importantes conclusões quanto à ocupação residencial foram feitas.
2.4 Análise estatística
Os modelos de regressão procuram identificar o relacionamento entre uma variável
dependente e uma independente, explicando parcela significativa dessa variação, uma vez que
parte dela é atribuída ao acaso. Ou seja, assume-se que a função explica parcialmente a variação
dos termos envolvidos (NAGHETTINI; PINTO, 2007).
O principal objetivo na análise de regressão é estimar a função de regressão da
população, FRP, a partir da função de regressão amostral, FRA, da forma mais acurada possível.
O método mais utilizado para a construção da FRA propriamente dita é o método dos mínimos
quadrados, MQO, que calcula os estimadores β1’e β2’ de forma a tornar mínima a soma dos
resíduos (GUJARATI, 2000). Segundo este modelo, os valores de β1’ e β2’ são dados por:
β2′ =
∑ 𝑋𝑖𝑌𝑖 − 𝑛𝑋𝑚é𝑑𝑌𝑚é𝑑𝑛𝑖=0
∑ 𝑋𝑖2 − 𝑛𝑋𝑚é𝑑²𝑛𝑖=0
(1)
β1′ = 𝑌𝑚é𝑑 − β2𝑋𝑚é𝑑
(2)
Onde:
Xi, Yi = Valores dos pontos observados;
Xméd, Yméd = Médias dos valores observados;
n = Número de amostras coletadas.
Além disso, ao serem calculados por tal metodologia, os β1’e β2’ terão propriedades
estatísticas altamente desejáveis, como o fato de a reta de regressão assim obtida passar pelas
médias amostrais de Y’méd e Xméd, o valor médio dos resíduos ser zero e estes resíduos não
terem correlação nem com o Y’, nem com o X (GUJARATI, 2000).
Dentro da análise de regressão, existe a possibilidade de ela ser linear, quando a variável
dependente é função linear dos parâmetros, ou não-linear, quando isto não acontece. É
6
importante mencionar que um modelo não linear pode ser linearizável se, por meio de uma
transformação matemática, conseguir se tornar linear (ZEVIANI; RIBEIRO JÚNIOR;
BONAT, 2013). Assim, dentre os três modelos avaliados nesse estudo, um deles é linear (3) e
os outros dois são originados de relações linearizáveis (4 e 5). Eles estão apresentados a seguir
nas suas formas linearizadas.
𝑌𝑖 = 𝛽1 + 𝛽2𝑋𝑖 (3)
𝐿𝑛 (𝑌𝑖) = 𝛽1 + 𝛽2𝐿𝑛(𝑋𝑖) (4)
𝐿𝑛 (𝑌𝑖) = 𝐿𝑛(𝛽1) + 𝛽2𝑋𝑖 (5)
Onde:
Xi, Yi = Valores dos pontos observados;
β1 = Intercepto;
β2 = Coeficiente angular.
Entretanto, não é suficiente apenas definir os estimadores, mas também fazer inferências
sobre os verdadeiros β1 e β2, ou seja, saber o quão próximo os parâmetros amostrais estão dos
populacionais. Para isto, deverão ser formuladas certas hipóteses sobre o modo como os Y’
foram gerados (GUJARATI, 2000).
Disso, surgem importantes testes, como por exemplo, a homocedasticidade, que garante
igual variância para todos os X, fazendo com que quaisquer inferências sobre valores Y
populacionais oriundos de quaisquer X amostrais terão mesma probabilidade de estar corretos,
e a independência dos resíduos, assegurando que eles não exercem influência uns sobre os
outros e que são independentes de X (GUJARATI, 2000).
Como a teoria do MQO não faz qualquer hipótese sobre a natureza dos resíduos, torna-
se de pouca utilidade para fazer inferências da FRP a partir da FRA. Afim de preencher essa
lacuna, é fundamental assumir que eles seguem alguma distribuição de probabilidade, sendo
comum adotar a normal para o caso das regressões. Dentre as motivações para a sua escolha,
destacam-se o fato de os resíduos representarem a influência de um grande número de variáveis
independentes que, quando em grande quantidade e identicamente distribuídas, a sua soma
tenderá para uma distribuição normal. Em virtude de os estimadores serem função dos resíduos,
eles também se distribuem normalmente (GUJARATI, 2000).
7
Como visto anteriormente, afim de validar os modelos propostos, estes deverão se
submeter a uma série de avaliações estatísticas e testes de hipóteses básicas de análises de
regressões simples. Além das já mencionadas – homocedasticidade, independência dos resíduos
e normalidade - serão feitas análises de variância (ANOVA), linearidade e pontos influentes.
2.4.1 Análise de variância, ANOVA
Esta é uma das técnicas mais usadas para atestar a existência de uma relação linear entre
as variáveis envolvidas. A ANOVA permite fazer duas importantes e análogas avaliações de
significância, o “Teste F” e a análise do “valor-p”.
Conforme Gujarati (2000), o teste de significância é um procedimento que utiliza os
resultados da amostra para verificar a validade ou falsidade da hipótese nula, que no presente
estudo é β2 = 0, ou seja, a não-existência de relação linear na população entre a variável
independente e a dependente.
No “Teste F”, compara-se o valor encontrado de “F” com o valor tabelado de F na tabela
de Student. Para α = 5% , que é um valor bastante aplicado por econometristas aplicados
(GUJARATI, 2000), e com “n-2” graus de liberdade encontra-se o valor crítico, que permitirá
validar ou rejeitar, com 95% de confiança, a hipótese nula.
Em relação a segunda análise, é importante entender o conceito de “p-valor”. Segundo
Gujarati (2000), ele representa o limite máximo de confiança com o qual se pode rejeitar a
hipótese nula. Assim, para o presente estudo de regressão simples, obter um “valor-p” pequeno
significa aumentar a confiança com a qual se pode admitir a linearidade na população entre as
variáveis envolvidas na regressão. Uma importante observação a ser feita é que o “valor-p” é
obtido através de tabelas eletrônicas.
Quanto à linearidade, ela pode ser medida pelo coeficiente de correlação, R, e pelo
coeficiente de determinação, R². O primeiro desses é uma medida do grau de associação linear
entre as variáveis (GUJARATI, 2000), ao passo que o segundo indica a porcentagem da
variação no número das viagens associado com a variância no tamanho da variável
independente (REDE PGV, 2016) e mede o quão bem a reta de regressão se ajusta aos dados
(GUJARATI, 2000). Segundo Naghettini e Pinto (2007), esses coeficientes não
necessariamente explicitam uma relação de causa e efeito entre as variáveis mas a tendência de
ambos variarem em conjunto.
2.4.2 Análise de resíduos
Algumas das análises estatísticas são feitas baseadas na análise dos resíduos, que nada
mais são do que a diferença entre os valores amostrais da variável dependente e os estimados
pela regressão. A partir deles, são analisadas algumas premissas básicas que asseguram o
8
funcionamento do modelo, como a homocedasticidade, a normalidade, independência dos
resíduos e a análise de pontos influentes.
Homocedasticidade – Teste de Goldfeld-Quandt: Ordenam-se as observações
crescentemente em relação à variável explicativa. Dividem-se as observações em três grupos
(g1, g2 e g3), sendo o intermediário composto pelas duas observações do meio e os outros dois
pelas quatro remanescentes. Calcula-se a estatística de teste “λ” (6) e caso ela seja inferior ao
valor “Fcrítico” encontrado na para “n-2” graus de liberdade e uma significância “α”, que para
o presente estudo foi fixada em 5%, aceita-se a hipótese nula e a amostragem tem
homocedasticidade. Caso não, diz-se que tem heterocedasticidade;
λ =
𝑆. 𝑄. 𝑅. 𝑔3
𝑆. 𝑄. 𝑅. 𝑔1
(6)
Onde:
λ = Estatística de teste a ser comparada com “Fcrítico”;
S.Q.R. = Soma dos quadrados dos resíduos de cada grupo, sendo g1 a soma
oriunda das 4 primeiras observações e g3 o das últimas;
Normalidade – Teste de Shapiro-Wilk: Gera-se um fator “b” que permitirá o cálculo
da Estatística de Teste, E.T., e que, caso seja inferior ao valor tabelado de “W” da tabela de
Shapiro-Wilk para o a significância “α” e a quantidade “n” de amostras, irá rejeitar a hipótese
de normalidade dos resíduos
𝑏 = ∑ 𝑎𝑛−𝑖+1 ∗ (𝑌(𝑛−𝑖+1) ∗ 𝑌𝑖)
𝑛/2
𝑖=1
(7)
𝐸. 𝑇. =
𝑏²
∑ (𝑌(𝑖) − 𝑌𝑚é𝑑)²𝑛𝑖=1
(8)
Onde:
Yi = Valores dos pontos observados;
an-i+1 = São constantes geradas pelas médias, variâncias e covariâncias das
estatísticas de ordem de uma amostra de tamanho n de uma distribuição Normal;
n = Número de amostras coletadas.
Independência dos resíduos – Teste de Durbin-Watson: Subtrai-se os resíduos
oriundos de cada observação ordenada do da observação subsequente. Divide-se a potência
quadrada deste valor pela potência quadrada da soma dos resíduos, gerando “d”. A partir desse
valor e dos valores de “dL” e “dU” oriundos da tabela de Durbin-Watson e que se baseiam na
9
significância “α” e na quantidade de variáveis explicativas - que neste presente trabalho é 2, β1’
e β2’ - é possível chegar à conclusões sobre à independência dos resíduos.
𝑑 =
∑ (𝑒𝑖 − 𝑒𝑖−1)²𝑛𝑖=2
∑ 𝑒𝑖𝑛𝑖=1
(9)
Onde:
ei = Resíduo associado à i-ésima observação;
d = Estatística de Durbin-Watson, 0< d < 4.
Pontos Influentes – Distância de Cook: Metodologia para identificar as observações
cuja exclusão do ajuste da regressão causa uma mudança substancial nos valores encontrados.
A amostra não pode apresentar pontos influentes. Para esta etapa, foi utilizado o software IBM
SPSS Statistics for Windows, Version 24.0.
3 Método
Para a escolha dos bairros, procuraram-se, dentre os bairros residenciais, aqueles mais
verticalizados, onde houvesse forte presença de empreendimentos com mais de 50 unidades
habitacionais. Assim, os mais adequados foram Capim Macio e Lagoa Nova, ambos localizados
na Zona Sul de Natal. Além disso, pesquisaram-se dados de renda e idade das duas regiões Isso
foi feito através da curva etária da população e do rendimento domiciliar per capita de ambas
as localidades, permitindo uma caracterização do entorno das amostras estudadas. Os dados
estão disponibilizados nos gráficos a seguir.
Gráfico 1: Curva etária da população
Fonte : Adaptado do Censo Populacional do IBGE, 2010
00%
02%
04%
06%
08%
10%
12%
14%
Faixa etária, em anos
Natal Capim Macio Lagoa Nova
10
Gráfico 2: Rendimento domiciliar da população
Fonte : Adaptado do Censo Populacional do IBGE, 2010
As curvas deixam claro que se tratam de regiões com padrões de renda e idade similares.
Destaca-se também a forte presença de habitantes com rendimento per capita entre 3 e 5
salários mínimos, que representam cerca de um terço do total de cada bairro. A tabela a seguir
apresenta resumo com as características de ambas regiões e de Natal.
Tabela 1: Caracterização dos bairros escolhidos
Bairro Pop.
(hab.)
Superfície
(km²)
Dens. Pop.
(hab/km²)
Domicílios
totais
(und)
Ocup. Média
(hab/ dom.)
Idade
média
(anos)
Natal 806.739 167,89 4805,24 270.885 2,98 31,98
Capim Macio 22.760 4,29 5310,24 8.978 2,54 37,12
Lagoa Nova 37.518 22,29 1683,3 13.048 2,88 36,84
Fonte : Adaptado do Censo Populacional do IBGE, 2010
Em cada uma das regiões foram escolhidos 5 edifícios que se enquadrassem nas
características citadas em 2.3 e para cada um contou-se a quantidade de pessoas saindo e
chegando e seus respectivos meios de transporte. Os dados referentes aos edifícios encontram-
se na Tabela A.1, do Apêndice A, bem como um agrupamento por bairro e o total. Deve ser
mencionado que a caracterização foi feita na mesma época em que foi feita a contagem. Os
levantamentos propriamente ditos aconteceram nos horários de pico da manhã, das 06:30 às
08:30, e da tarde, das 17:30 às 19:30, em terças, quartas e quintas-feiras de condições
atmosféricas normais, não próximas à feriados, em Setembro/2016 e Outubro/2016. Cada
empreendimento foi levantado num mesmo dia. É importante estabelecer algumas definições
em relação às viagens. Quanto às “de pessoas”, foram separadas em “à pé”, “em carro” e
“outros”. Por “em carro” entendeu-se todos os indivíduos transportados em carros, táxis e vans
escolares, já em “outros”, foram englobados os demais transportes motorizados e não-
00%
05%
10%
15%
20%
25%
30%
35%
Semrendimento
Até 1/4 De 1/4 à1/2
De 1/2 à 1 De 1 à 2 De 2 à 3 De 3 à 5 Mais de 5
Rendimento nominal mensal domiciliar per capita, em salário mínimo
Natal Capim Macio Lagoa Nova
11
motorizados. Quanto às veiculares, contemplaram apenas aquelas feitas em carros, táxis e vans
escolares.
Os números foram separados nos dois turnos em que foram feitos, manhã e tarde. Para
cada uma dessas quantidades, analisaram-se as taxas de geração de viagens, regressões lineares
simples e regressões linearizáveis simples, como a exponencial e a logarítmica. Dentre as
regressões, as formas mais usadas pelo ITE são a linear simples e a logarítmica (REDE PGV,
2016). Estudaram-se três variáveis explicativas, unidades habitacionais, unidades habitacionais
ocupadas, e vagas. Por fim, esses levantamentos foram feitos tanto para o total de viagens de
pessoas, quanto para o de viagens veiculares, gerando 36 modelos.
As informações quanto às viagens geradas encontram-se na Tabela A.2, do Apêndice
A. É importante mencionar que Taxa de Ocupação Veicular (T.O.V.) é obtida pelo quociente
entre a quantidade de pessoas transportadas em carros e os veículos contados. Em relação à
TGV, foi obtida pela divisão entre o total de viagens de pessoas sobre a quantidade de unidades
habitacionais ocupadas, “UO”, e para cada bairro e o total foi utilizada a média ponderada, não
a aritimética, afim de diminuir ai influência de dados com alta variação na base existente (ITE,
2012, tradução nossa).
4 Resultados e discussão
4.1 Taxa média ponderada de geração de viagens
Na tabela A.3 do Apêndice A estão as TGV obtidas para cada estudo. Estabeleceu-se a
taxa média ponderada de geração de viagens horária, TGVH, tendo em vista que as extensão
do horário de pico de Grieco (2010) é diferentes da do ITE (2001, apud Grieco, 2010) e da do
presente estudo. Além disso, as tabelas A.4 e A.5, ambas do Apêndice A, estimam
respectivamente o total de viagens horárias nos picos da manhã e da tarde, caso fossem
aplicadas aos edifícios as TGVH desses estudos. Percebe-se que o modelo de Grieco (2010)
apresenta baixa geração de viagens automobilísticas, seguido do proposto pelo ITE (2001, apud
Grieco, 2010) e pelos de Natal, tanto pela manhã quanto pela tarde. Essa alta geração de viagens
automobilísticas expressa a dependência desse modal nas áreas pesquisadas. Destaca-se
também a diferença de resultados encontrada entre Capim Macio e Lagoa Nova.
4.2 Regressões simples
Na Tabela A.6 do Apêndice A estão as equações ordenadas decrescentemente de acordo
com o coeficiente de determinação, R². É importante notar também que para essas relações
enquanto o R² aumenta, os “valores-p” diminuem, reafirmando a qualidade do ajuste
proporcional ao valor do coeficiente de determinação encontrado. Já os padrões de
12
nomenclatura seguem uma regra: a primeira letra refere ao turno no qual foi feito (“M” para
manhã e “T” para tarde), a seguinte informa qual é a variável independente (“P” para viagens
de pessoas e “C” para carros), da terceira à quinta letra é representada a forma de regressão
adotada (“LIN” para linear simples, “LOG” para logarítmica simples e “EXP” para exponencial
simples) e as duas últimas, as variáveis independentes (“UH” para unidades habitacionais,
“UO” para unidades habitacionais ocupadas e “VA” para vagas). Para ambos os turnos, as
melhores regressões para a contagem de pessoas são dadas pela regressão linear em associação
à variável independente unidades ocupadas - TPLINUO e MPLINUO. Já para a contagem de
carros, destaca-se o ajuste logarítimico com o mesmo dado de entrada da anterior - MCLOGUO
e TCLOGUO. Outro fato a ser notado é que para nenhuma das contagens de pessoas feitas pela
manhã passaram no teste de normalidade, de Shapiro-Wilk. O pequeno tamanho da amostra é
um fator que poderá ter influenciado nisso, tendo em vista a sua baixa aderência aos testes de
normalidade paramétricos (TORMAN; COSTER; RIBOLDI, 2012) e esta é a razão pela qual
se optou por ainda realizar as comparações utilizando estes modelos.
A avaliação geral dos modelos e variáveis mais representativos foi feita através de uma
matriz de pontuação. Após ordenar as relações decrescentemente pelo R², foi atribuído um valor
de acordo com a qualidade do ajuste. Dessa forma, para a equação da primeira linha da tabela
A.6 do Apêndice A, foi atribuído 17 pontos, para a da segunda 16 pontos e assim por diante,
até a da última, que recebeu -17 pontos (para as duas centrais, foi atribuído 0 pontos). Ao
encaixar a pontuação referente a cada equação na respectiva classificação da matriz, tem-se o
resultado apresentado na Tabela A.7 do Apêndice A.
Percebe-se claramente que a variável independente mais representativa é a quantidade
de unidades habitacionais ocupadas, UO, e que a regressão mais adequada para a situação
estudada é a linear, LIN. Chama a atenção a inadaptação das relações exponenciais, EXP, e, a
variável vagas, VA, que apresentam resultados pouco expressivos. Outro aspecto importante é
que, ao analisar as equações com melhor ajuste linear, para cada turno e para cada tipo de
contagens (pessoas e carros), confirma-se a tendência apontada pela matriz: a melhor variável
explicativa é a UO e o modelo de regressão divide-se entre LIN e LOG. É válido fazer uma
análise comparativa com as regressões do ITE (2001 apud Grieco, 2010) e com as de Grieco
(2010). Como dito anteriormente, o primeiro utiliza o número de unidades habitacionais
ocupadas como principal variável explicativa. Já o segundo estudo encontra ajustes
interessantes baseados no número de unidades habitacionais e vagas de garagem. Um resumo
dos resultados é demonstrado na tabela A.8 do Apêndice A.
13
Aplicando-se aos prédios amostrados neste estudo cada uma das equações acima, chega-
se no total de viagens geradas por cada uma dessas regressões, representados nas tabelas A.9
(horário de pico da manhã) e A.10 (horário de pico da tarde) do Apêndice A. Para os modelos
matinais, além dos resultados semelhantes das viagens horárias obtidas pelo melhor modelo do
ITE (2001, apud Grieco, 2010), ITE – MCLOGUO, e o natalense, TT – MCLOGUO, a unidade
e a forma de regressão são similares. Deve ser mencionado que novamente o modelo de Grieco
(2010) apresentou as mais baixas gerações de viagens, seguido pelo de Natal e pelo do ITE
(2001, apud Grieco, 2010). Já relação aos vespertinos, a situação mudou. Enquanto a equação
do ITE (2001, apud Grieco, 2010) apresentou a menor quantidade de viagens, as de Grieco
(2010) tiveram um aumento considerável nesse número, ultrapassando até mesmo as de Natal,
que novamente ficou na posição intermediária. Quanto à análise entre bairros, Lagoa Nova
apresentou ajustes mais adequados do que Capim Macio. Apesar de uma amostra pequena –
mas suficiente, de acordo com o ITE (2004) - os resultados demonstram uma diferença de
comportamento entre regiões considerável, com Lagoa Nova apresentando de novo mais
movimentações que a outra área de estudo.
5 Conclusão
O presente estudo tinha como objetivo inicial estudar o comportamento da taxa de
geração de viagens em edifícios residenciais verticais de Natal, RN. Após uma série de análises
estatísticas e comparativas, descobriu-se que, tanto para o levantamento de pessoas como o de
veículos, a variável com melhor ajuste para regressões é a quantidade de unidades habitacionais
ocupadas, UO, resultado já encontrado nas pesquisas para uso residencial do ITE (2001 apud
Grieco, 2010) e de Torquato (2013). Além disso, a forma que apresentou melhores resultados
foi a mesma para os dois turnos de cada contagem: no caso de pessoas, a linear enquanto no
outro, a logarítmica.
É importante destacar também a análise mais acurada dos bairros, que trouxe conclusões
interessantes. O estudo apontou que, apesar de condições similares de amostragem (renda, faxa
etária e dimensão dos empreendimentos), existe uma diferença de comportamento considerável
entre eles, o que inviabiliza a aplicação dos modelos mais internos de forma indiscriminada
para toda a região de Natal. Isso corrobora o que foi dito por Portugal e Goldner (2003, apud
GRIECO, 2010), ou seja, que existem outros fatores, principalmente aqueles referentes ao meio
urbano, como acessibilidade ao sistema de transporte e estrutura do mercado local, que não
foram contemplados pelo estudo e que devem ser agregados aos modelos para melhorar seu
ajuste. Por fim, relembra-se o que foi proposto por Grieco (2010) e Torquato (2013), que
14
destacaram a importância de se ter uma visão mais clara do fênomeno de geração de viagens
para auxiliar a interferência de forma mais saudável nas relações entre os PGV e o seu entorno,
o que certamente irá melhorar a sintonia entre políticas de uso de solo e mobilidade.
6 Referências
ASSOCIATION OF BAY AREA GOVERNMENTS (ABAG). Trip Generation Rates for Urban
Infill Land Uses in California: Phase 1: Data Collection Methodology and Pilot Application
FINAL REPORT. California: [s.n.], 2008. 254 p.
BRASIL. SENADO FEDERAL. . Estatuto da Cidade: Perguntas e Respostas. Disponível em:
<http://www.senado.gov.br/senado/programas/estatutodacidade/perguntas.htm>. Acesso em: 07
nov. 2016.
IBGE. Sinopse do Censo Demográfico 2010. 2010. Disponível em:
<http://www.censo2010.ibge.gov.br/sinopse/index.php?dados=8>. Acesso em: 25 nov. 2016.
CARVALHO, José Camapum de; LEUZINGER, Márcia Dieguez. Considerações sobre o Estatuto
das Cidades. Revista de Informação Legislativa, Brasília, n. 182, p.121-135, abr. / jun. 2009.
CERVERO, Robert. Linking urban transport and land use in developing countries. The Journal Of
Transport And Land Use, Berkeley, v. 6, n. 1, p.7-24, maio 2013.
CUNHA, Regina Fátima de Faria. Uma sistemática de avaliação e aprovação de projetos de
Pólos Geradores de Viagens (PGV's). 2009. 252 f. Dissertação (Mestrado) - Curso de Pós-
graduação em Engenharia de Transportes, Coppe, Universidade Federal do Rio de Janeiro, Rio de
Janeiro, 2009.
GRIECO, Elisabeth Poubel. Taxa de geração de viagens em condomínios residenciais: Niterói -
Estudo de caso. 2010. 72 f. Monografia (Especialização) - Curso de Especialização em Engenharia
Urbana, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2010.
GUJARATI, Dadomar N. Econometria básica. 3. ed. São Paulo: Makron Books, 2000. 846 p.
IBM Corp. Released 2013. IBM SPSS Statistics for Windows, Version 24.0. Armonk, NY: IBM
Corp. Disponível em: <https://www.ibm.com/marketplace/cloud/statistical-analysis-and-
reporting/resources/us/en-us>. Acesso em: 27 out. 2016.
ITE - INSTITUTE OF TRANSPORTATION ENGINEERS. Trip Generation Handbook,
Washington: [s.n.], 2001. 150 p.
ITE - INSTITUTE OF TRANSPORTATION ENGINEERS. Trip Generation Handbook: An ITE
Recommended Practice. 2. ed. Washington: [s.n.], 2004. 154 p.
ITE - INSTITUTE OF TRANSPORTATION ENGINEERS. Trip Generation Manual: User’s
Guide and Handbook. 9. ed. Washington: [s.n.], 2012. 55 p.
15
MONTEIRO, B. Adson; DINIZ, O. João Alberto; CORREIA, L. Francisco. Regressão e validação
do modelo de correlação entre CE e STD: Uma contribuição ao estudo do Aquífero Cabeças.
Sudeste da Bacia Sedimentar do Parnaíba – PI. In: XVIII CONGRESSO BRASILEIRO DE
ÁGUAS SUBTERRÂNEAS, 121., 2014, São Paulo. Anais... São Paulo: ABAS, 2014.
NAGHETTINI, Mauro; PINTO, Éber José de Andrade. Hidrogeologia Estatística. Belo
Horizonte: Cprm, 2007. 600 p.
NATAL (Município). Lei nº 082, de 21 de junho de 2007. Plano Diretor de Natal.
NATAL (Município). Lei nº 4885, de 07 de outubro de 1997. Relatório de Impacto Sobre O
Tráfego Urbano. Natal, RN,
NATAL (Município). Lei nº 4619, de 28 de abril de 1995. Relatório de Impacto de Vizinhança.
Natal, RN,
NATIONAL COOPERATIVE HIGHWAY RESEARCH PROGRAM. NCHRP Report 758: Trip
Generation Rates for Transportation Impact Analyses of Infill Developments. Washington:
Cooperative Research Program, 2013. 101 p.
NITTRANS (Rio de Janeiro). Caderno Técnico da NITTRANS N° 01: Geração de Viagens. Uso
Residencial. Niterói: [s.n.], 2011. 128 p.
PORTUGAL, L. da S., e GOLDNER, L.G., Estudo de Pólos Geradores de Tráfego e seus
Impactos nos Sistemas Viário e de Transportes, 1ª. Edição, São Paulo: Editora Edgard Blücher,
2003.
REDE PGV (Rio de Janeiro). Conceitos: O que é um PGV. 2016a. Disponível em:
<http://redpgv.coppe.ufrj.br/index.php/pt-BR/conceitos/o-que-e-um-pgv>. Acesso em: 05 nov.
2016.
REDE PGV (Rio de Janeiro). Taxa de geração de viagens. 2016. Disponível em:
<http://redpgv.coppe.ufrj.br/index.php/pt-BR/conceitos/taxas-de-geracao-de-viagens>. Acesso
em: 04 nov. 2016b.
TORMAN, Vanessa Bielefeldt Leotti; COSTER, Rodrigo; RIBOLDI, João. Normalidade de
variáveis: métodos de verificação e comparação de alguns testes não-paramétricos por
simulação. Hcpa, Porto Alegre, v. 32, n. 2, p.227-234, set. 2012.
TORQUATO, Tiago Lourenço de Lima. Modelos de geração de viagens para condomínios
residenciais horizontais. 2013. 125 f. Dissertação (Mestrado) - Curso de Programa de Pós-
graduação em Engenharia Urbana, Universidade Federal de São Carlos, São Carlos, 2013.
ZEVIANI, Walmes Marques; RIBEIRO JÚNIOR, Paulo Justiniano; BONAT, Wagner
Hugo. Modelos de regressão não linear. Campina Grande: Universidade Federal do Paraná, 2013.
101 p.
APÊNDICE A
APÊNDICE A: DADOS MATEMÁTICOS DOS LEVANTAMENTOS
Tabela A.1: Caracterização do edifícios estudados
Bairro Edifício Metragem (m²) Idade
(anos) UH UO
Taxa de
ocup. (%) VA
CM
1 96 8 75 70 93,3% 155
2 97 13 69 67 97,1% 139
3 114 18 160 154 96,3% 320
4 58 10 88 81 92,0% 113
5 57 6 120 111 92,5% 191
Total 422 55 512 483 471,2% 918
Média 84 11 102 97 94,3% 184
σ (n-1) 25,7 4,7 37,8 36,5 2,3% 81,3
Coef. De var. 30,5% 42,6% 36,9% 37,8% 2,4% 44,3%
Amplitude
Máx. 114 18 160 154 97,1% 320
Mín. 57 6 69 67 92,0% 113
Ampl./ Méd. 67,6% 109,1% 88,9% 90,1% 5,4% 112,7%
LN
6 97 12 84 78 92,9% 182
7 75 20 132 129 97,7% 206
8 97 11 57 54 94,7% 114
9 79 15 80 76 95,0% 160
10 72 20 132 121 91,7% 200
Total 420 78 485 458 472,0% 862
Média 84 16 97 92 94,4% 172
σ (n-1) 12,0 4,3 33,6 32,0 2,3% 37,2
Coef. De var. 14,3% 27,4% 34,6% 35,0% 2,4% 21,6%
Amplitude
Máx. 97 20 132 129 97,7% 206
Mín. 72 11 57 54 91,7% 114
Ampl./ Méd. 29,8% 57,7% 77,3% 81,9% 6,4% 53,4%
TT
Total 841 133 997 941 943,2% 1780
Média 84 13 100 94 94,3% 178
σ (n-1) 28,4 4,9 50,5 48,6 2,2% 89,4
Coef. De var. 33,7% 36,7% 50,7% 51,6% 2,3% 50,2%
Amplitude
Máx. 114 20 160 154 97,7% 320
Máx. 57 6 57 54 91,7% 113
Ampl./ Méd. 67,8% 105,3% 103,3% 106,3% 6,4% 116,3%
Tabela A.2: Resumo da contagem e estimativa da taxa média ponderada de geração de viagens
Bairro EDF Período Pessoas Veiculares
T.O.V. Geração de viagens
Saídas (%) Total À pé Em carro Outros Carros Total / U.O. Carros/ U.O.
CM
1 M 137 40 97 0 60 1,62 1,83 0,80 57,66%
T 145 24 111 10 75 1,48 1,93 1,00 42,07%
2 M 107 27 73 7 54 1,35 1,55 0,78 62,62%
T 156 30 123 3 86 1,43 2,26 1,25 39,10%
3 M 279 85 179 15 130 1,38 1,74 0,81 58,42%
T 268 106 155 7 116 1,34 1,68 0,73 40,67%
4 M 106 25 78 3 57 1,37 1,20 0,65 64,15%
T 108 16 86 6 66 1,30 1,23 0,75 39,81%
5 M 119 33 85 1 66 1,29 0,99 0,55 68,07%
T 166 27 133 6 90 1,48 1,38 0,75 36,75%
Total M 748 210 512 26 367 7,00 7,32 3,59 310,92%
T 843 203 608 32 433 7,03 8,48 4,47 198,40%
Média M 149,6 42 102,4 5,2 73,4 1,40 1,46 0,72 62,18%
T 168,6 40,6 121,6 6,4 86,6 1,41 1,65 0,89 39,68%
σ (n-1) M 73,4 24,7 43,8 6,1 31,9 0,13 0,36 0,12 4,28%
T 59,7 36,9 25,6 2,5 18,9 0,08 0,42 0,23 1,98%
Coef. De var. M 49% 59% 43% 117% 44% 9% 24% 16% 6,88%
T 35% 91% 21% 39% 22% 6% 25% 25% 4,98%
Amplitude
M
Máx. 279 85 179 15 130 1,62 1,83 0,81 68,07%
Mín. 106 25 73 0 54 1,29 0,99 0,55 57,66%
Ampl./ Méd. 116% 143% 104% 288% 104% 23% 57% 37% 16,73%
T
Máx. 268 106 155 10 116 1,48 2,26 1,25 42,07%
Mín. 108 16 86 3 66 1,30 1,23 0,73 36,75%
Ampl./ Méd. 95% 222% 57% 109% 58% 13% 63% 58% 13%
Bairro EDF Período Pessoas Veiculares
T.O.V. Geração de viagens
Saídas (%) Total À pé Em carro Outros Carros Total / U.O. Carros/ U.O.
LN
6 M 173 38 127 8 88 1,44 2,06 1,05 67,63%
T 168 28 133 7 99 1,34 2,00 1,18 42,26%
7 M 244 53 171 20 118 1,45 3,54 1,71 67,21%
T 272 64 198 10 131 1,51 3,94 1,90 38,24%
8 M 118 27 86 5 55 1,56 0,74 0,34 60,17%
T 119 45 74 0 46 1,61 0,74 0,29 31,09%
9 M 112 31 77 4 52 1,48 1,27 0,59 64,29%
T 152 48 96 8 70 1,37 1,73 0,80 42,76%
10 M 267 62 189 16 123 1,54 2,23 1,03 62,92%
T 254 43 194 17 139 1,40 2,12 1,16 42,13%
Total M 914 211 650 53 436 7,47 9,83 4,72 322,22%
T 965 228 695 42 485 7,23 10,53 5,32 196,48%
Média M 182,8 42,2 130 10,6 87,2 1,49 2,22 0,94 64,44%
T 193 45,6 139 8,4 97 1,45 2,37 1,06 39,30%
σ (n-1) M 71,0 14,9 49,8 7,1 33,6 0,05 1,06 0,52 3,10%
T 66,6 12,9 56,2 6,1 39,5 0,11 1,16 0,59 4,93%
Coef. De var. M 39% 35% 38% 67% 38% 4% 48% 55% 4,81%
T 35% 28% 40% 73% 41% 8% 49% 55% 12,55%
Amplitude
M
Máx. 267 62 189 20 123 1,56 3,54 1,71 67,63%
Mín. 112 27 77 4 52 1,44 0,74 0,34 60,17%
Ampl. / Méd. (%) 85% 83% 86% 151% 81% 8% 126% 145% 11,58%
T
Máx. 272 64 198 17 139 1,61 3,94 1,90 42,76%
Mín. 119 28 74 0 46 1,34 0,74 0,29 31,09%
Ampl. / Méd. (%) 79% 79% 89% 202% 96% 18% 135% 151% 30%
Bairro EDF Período Pessoas Veiculares
T.O.V. Geração de viagens
Saídas (%) Total À pé Em carro Outros Carros Total / U.O. Carros/ U.O.
Total
Total M 1662 421 1162 79 803 1,45 17,15 8,31 633,14%
T 1808 431 1303 74 918 1,42 19,01 9,79 394,88%
Média M 166,2 42,1 116,2 7,9 80,3 1,45 1,83 0,89 63,31%
T 180,8 43,1 130,3 7,4 91,8 1,43 2,00 1,02 39,49%
σ (n-1) M 68,1 19,2 44,2 6,2 30,9 0,10 0,79 0,38 3,72%
T 59,6 26,1 41,2 4,4 29,2 0,09 0,85 0,43 3,55%
Coef. De var. M 41% 46% 38% 79% 38% 0,07 0,43 0,42 5,87%
T 33% 60% 32% 59% 32% 0,07 0,43 0,42 8,98%
Amplitude
M
Máx. 279 85 189 20 130 1,62 3,54 1,71 68,07%
Mín. 106 25 73 0 52 1,29 0,74 0,34 57,66%
Ampl. / Méd. (%) 104% 143% 100% 253% 97% 23% 153% 154% 16,43%
T
Máx. 272 106 198 17 139 1,61 3,94 1,90 42,76%
Mín. 108 16 74 0 46 1,30 0,74 0,29 31,09%
Ampl. / Méd. (%) 91% 209% 95% 230% 101% 21% 160% 158% 30%
Tabela A.3: Taxa de Geração de Viagens de cada estudo
Horário Identificação TGV TT (viagens / V.I.) TGVH (viagens / V.I * h)
Manhã
7:00 - 9:00 ITE - MUO 0,60 0,30
6:30 - 9:00 Gri - MUH 0,26 0,10
Gri - MVA 0,20 0,08
6:30 - 8:30
TT - MUO 0,89 0,44
CM - MUO 0,72 0,36
LN - MUO 0,94 0,47
Tarde
16:00 - 18:00 ITE - TUO 0,70 0,35
16:00 - 19:00 Gri - TUH 0,34 0,11
Gri - TVA 0,31 0,10
17:30 - 19:30
TT - TUO 1,02 0,51
CT - TUO 0,89 0,45
LN - TUO 1,06 0,53
Tabela A.4: Viagens geradas por hora, por unidade de variável independente para o
horário de pico da manhã a partir da TGV
Edifício
Características Viagens de carro
VA UH UO
ITE
- M
UO
Gri
- M
UH
Gri
- M
VA
TT
- M
UO
CM
- M
UO
LN
- M
UO
TGV horária ponderada (viagens / h) 0,30 0,10 0,08 0,44 0,36 0,47
1 155 75 70 21,0 7,8 12,4 31,0 25,1 33,0
2 139 69 67 20,1 7,2 11,1 29,7 24,1 31,6
3 320 160 154 46,2 16,6 25,6 68,2 55,3 72,6
4 113 88 81 24,3 9,2 9,0 35,9 29,1 38,2
5 191 120 111 33,3 12,5 15,3 49,1 39,9 52,4
6 182 84 78 23,4 8,7 14,6 34,5 28,0 36,8
7 206 132 129 38,7 13,7 16,5 57,1 46,3 60,9
8 114 57 54 16,2 5,9 9,1 23,9 19,4 25,5
9 160 80 76 22,8 8,3 12,8 33,7 27,3 35,9
10 200 132 121 36,3 13,7 16,0 53,6 43,5 57,1
Total 282,3 103,7 142,4 416,7 338,1 443,9
Média 28,2 10,4 14,2 41,7 33,8 44,4
σ (n-1) 9,7 3,5 4,8 14,4 11,7 15,3
Coef. De variação 34,5% 33,9% 33,7% 34,5% 34,5% 34,5%
Tabela A.5: Viagens geradas por hora, por unidade de variável independente para o
horário de pico da tarde a partir da TGV
Edifício
Características Viagens de carro
VA UH UO
ITE
- T
UO
Gri
- T
UH
Gri
- T
VA
TT
- T
UO
CM
- T
UO
LN
- T
UO
TGV horária ponderada (viagens / h) 0,35 0,11 0,10 0,51 0,45 0,53
1 155 75 70 24,5 8,5 16,0 35,7 31,3 37,2
2 139 69 67 23,5 7,8 14,4 34,1 30,0 35,6
3 320 160 154 53,9 18,1 33,1 78,4 68,9 81,9
4 113 88 81 28,4 10,0 11,7 41,3 36,2 43,1
5 191 120 111 38,9 13,6 19,7 56,5 49,6 59,0
6 182 84 78 27,3 9,5 18,8 39,7 34,9 41,5
7 206 132 129 45,2 15,0 21,3 65,7 57,7 68,6
8 114 57 54 18,9 6,5 11,8 27,5 24,1 28,7
9 160 80 76 26,6 9,1 16,5 38,7 34,0 40,4
10 200 132 121 42,4 15,0 20,7 61,6 54,1 64,4
Total 329,4 113,0 183,9 479,2 420,8 500,5
Média 32,9 11,3 18,4 47,9 42,1 50,0
σ (n-1) 11,4 3,8 6,2 16,5 14,5 17,3
Coef. De variação 34,5% 33,9% 33,7% 34,5% 34,5% 34,5%
Tabela A6: Modelos de regressão ordenados
Regressão
Estimadores
R² R
F de Snedecor
Valor-p Análise
gráfica
Méd.
Resíd.
Goldfeld -
Quandt Durbin-Watson Shapiro- Wilk Cook
β2 β1 Fcalc Fcrít λ Fmín. D Dinf Dsup E.T. W Dist.
Máx.
TPLINUO 1,67 24,06 0,786 0,89 29,45 2,31 0,00063 OK 0,00 17,9 19,0 1,70 0,88 1,32 0,851 0,842 0,23
TPLOGVA 0,94 0,34 0,781 0,88 28,58 2,31 0,00069 OK 0,00 6,1 19,0 1,80 0,88 1,32 0,899 0,842 0,38
MCLOGUO 0,88 1,13 0,760 0,87 25,34 2,31 0,00101 OK 0,00 3,5 19,0 2,63 0,88 1,32 0,908 0,842 0,27
TPLINUH 1,57 23,98 0,759 0,87 25,21 2,31 0,00103 OK 0,00 14,6 19,0 1,75 0,88 1,32 0,851 0,842 0,26
MCLOGUH 0,88 1,08 0,751 0,87 24,18 2,31 0,00117 OK 0,00 3,3 19,0 2,41 0,88 1,32 0,908 0,842 0,38
MCLINUO 1,60 21,67 0,751 0,87 24,12 2,31 0,00118 OK 0,00 9,4 19,0 2,52 0,88 1,32 0,868 0,842 0,42
MCLINUH 1,53 19,07 0,750 0,87 23,94 2,31 0,00121 OK 0,00 8,7 19,0 2,34 0,88 1,32 0,868 0,842 0,26
MCEXPUH 0,01 4,23 0,746 0,86 23,46 2,31 0,00128 OK 0,00 3,2 19,0 2,51 0,88 1,32 0,908 0,842 0,38
MCEXPUO 0,01 4,24 0,745 0,86 23,42 2,31 0,00129 OK 0,00 3,4 19,0 2,61 0,88 1,32 0,908 0,842 0,38
TPEXPUO 0,01 4,33 0,745 0,86 23,35 2,31 0,00130 OK 0,00 7,9 19,0 1,85 0,88 1,32 0,899 0,842 0,38
TPLOGUO 0,83 1,43 0,723 0,85 20,85 2,31 0,00184 OK 0,00 8,3 19,0 1,61 0,88 1,32 0,899 0,842 0,23
TPEXPUH 0,01 4,33 0,720 0,85 20,59 2,31 0,00190 OK 0,00 6,4 19,0 1,83 0,88 1,32 0,899 0,842 0,38
MPLINUO 1,79 -3,37 0,705 0,84 19,08 2,31 0,00239 NOK 0,00 14,8 19,0 2,51 0,88 1,32 0,798 0,842 0,32
MCLOGVA 0,92 0,35 0,702 0,84 18,84 2,31 0,00248 OK 0,00 5,4 19,0 2,09 0,88 1,32 0,908 0,842 0,38
TCLOGUO 0,84 0,68 0,700 0,84 18,65 2,31 0,00255 OK 0,00 1,2 19,0 2,44 0,88 1,32 0,970 0,842 0,45
MPLINUH 1,72 -5,63 0,698 0,84 18,48 2,31 0,00262 NOK 0,00 14,0 19,0 1,86 0,88 1,32 0,798 0,842 0,38
TPEXPVA 0,00 4,34 0,698 0,84 18,45 2,31 0,00263 OK 0,00 5,6 19,0 1,69 0,88 1,32 0,899 0,842 0,38
TCLOGUH 0,84 0,63 0,693 0,83 18,03 2,31 0,00282 OK 0,00 1,0 19,0 2,43 0,88 1,32 0,970 0,842 0,38
TPLOGUH 0,81 1,45 0,689 0,83 17,76 2,31 0,00294 OK 0,00 6,7 19,0 1,62 0,88 1,32 0,899 0,842 0,38
TPLINVA 0,84 30,42 0,688 0,83 17,67 2,31 0,00298 OK 0,00 14,0 19,0 1,70 0,88 1,32 0,851 0,842 0,38
MPLINVA 0,95 -2,99 0,667 0,82 16,02 2,31 0,00394 NOK 0,00 31,4 19,0 2,28 0,88 1,32 0,798 0,842 0,38
Regressão
Estimadores
R² R
F de Snedecor
Valor-p Análise
gráfica
Méd.
Resíd.
Goldfeld -
Quandt Durbin-Watson Shapiro- Wilk Cook
β2 β1 Fcalc Fcrít λ Fmín. D Dinf Dsup E.T. W Dist.
Máx.
TCLINUH 0,72 20,24 0,666 0,82 15,92 2,31 0,00401 OK 0,00 2,6 19,0 2,34 0,88 1,32 0,967 0,842 0,38
MPEXPUO 0,01 4,11 0,663 0,81 15,76 2,31 0,00412 NOK 0,00 6,9 19,0 2,56 0,88 1,32 0,829 0,842 0,38
TCLINUO 0,74 21,73 0,662 0,81 15,64 2,31 0,00420 OK 0,00 3,0 19,0 2,32 0,88 1,32 0,967 0,842 0,38
MPLOGVA 1,04 -0,30 0,660 0,81 15,56 2,31 0,00427 NOK 0,00 13,2 19,0 2,39 0,88 1,32 0,823 0,842 0,25
MPEXPUH 0,01 4,10 0,657 0,81 15,33 2,31 0,00445 NOK 0,00 6,8 19,0 2,13 0,88 1,32 0,829 0,842 0,38
TCEXPUH 0,01 3,66 0,646 0,8 14,62 2,31 0,00507 OK 0,00 0,9 19,0 2,36 0,88 1,32 0,970 0,842 0,38
MPEXPVA 0,01 4,10 0,645 0,8 14,55 2,31 0,00513 NOK 0,00 13,8 19,0 2,48 0,88 1,32 0,829 0,842 0,38
TCEXPUO 0,01 3,68 0,642 0,8 14,35 2,31 0,00532 OK 0,00 1,1 19,0 2,30 0,88 1,32 0,970 0,842 0,38
MCEXPVA 0,00 4,30 0,623 0,79 13,24 2,31 0,00660 OK 0,00 5,3 19,0 1,98 0,88 1,32 0,908 0,842 5,00
TCLOGVA 0,87 0,02 0,622 0,79 13,18 2,31 0,00668 OK 0,00 1,0 19,0 2,28 0,88 1,32 0,970 0,842 1,84
MPLOGUO 0,92 0,89 0,620 0,79 13,06 2,31 0,00684 NOK 0,00 6,5 19,0 2,32 0,88 1,32 0,823 0,842 0,38
MPLOGUH 0,89 0,98 0,610 0,78 12,54 2,31 0,00761 NOK 0,00 5,2 19,0 2,02 0,88 1,32 0,832 0,842 0,41
MCLINVA 0,78 33,15 0,609 0,78 12,47 2,31 0,00771 OK 0,00 16,3 19,0 1,88 0,88 1,32 0,868 0,842 4,11
TCEXPVA 0,00 3,75 0,504 0,71 8,13 2,31 0,02145 OK 0,00 1,0 19,0 2,03 0,88 1,32 0,970 0,842 6,11
TCLINVA 0,35 30,15 0,487 0,7 7,59 2,31 0,02485 OK 0,00 3,1 19,0 1,84 0,88 1,32 0,967 0,842 5,81
Tabela A.7 : Matriz de pontuação
Pontos LIN EXP LOG Total
UR 24 1 -1 24
UO 29 3 12 44
VA -35 -35 2 -68
Total 18 -31 13 0
Tabela A.8: Tabela comparativa dos modelos de regressão linear de viagens veiculares
Horário Identificação β2 β1 R² Valor-p Forma final
Manhã
7:00 - 9:00 ITE - MCLOGUO 0,99 -1,14 0,88 - LN(Y) = 0,99 LN(UO) + -1,14
6:30 - 9:00 Gri - MCLINUR 0,58 -8,35 0,60 - Y = 0,58UR + -8,35
Gri - MCLINVA 0,51 -3,29 0,85 - Y = 0,51VA + -3,29
6:30 - 8:30 TT - MCLOGUO 0,88 1,13 0,75 0,0010 LN(Y) = 0,88 LN(UO) + 1,13
CM - MCLOGUO 0,69 1,93 0,79 0,0449 LN(Y) = 0,69 LN(UO) + 1,93
LN - MCLOGUO 1,10 0,22 0,88 0,0184 LN(Y) = 1,1 LN(UO) + 0,22
Tarde
16:00 - 18:00 ITE - TCLINUO 0,32 12,30 0,92 - Y = 0,32UO + 12,3
16:00 - 19:00 Gri - TCLINUR 0,78 11,44 0,61 - Y = 0,78UR + 11,44
Gri - TCLINVA 0,65 23,73 0,76 - Y = 0,65VA + 23,73
17:30 - 19:30 TT - TCLOGUO 0,84 0,68 0,70 0,0026 LN(Y) = 0,84 LN(UO) + 0,68
CM - TCLOGUO 0,47 2,30 0,62 0,1153 LN(Y) = 0,47 LN(UO) + 2,3
LN - TCLOGUO 1,22 -0,94 0,91 0,0125 Y = 1,22UO + -0,94
Tabela A.9: Viagens geradas para o horário de pico da manhã a partir das equações de
regressão
Edifício
Características Viagens de carro
VA UH UO
ITE
- M
CL
OG
UO
Gri
- M
CL
INU
H
Gri
- M
CL
INV
A
TT
- M
CL
OG
UO
CM
- M
CL
OG
UO
LN
- M
CL
OG
UO
1 155 75 70 68,2 35,2 75,8 62,7 50,2 77,2
2 139 69 67 65,2 31,7 67,6 60,1 48,2 73,9
3 320 160 154 151,3 84,5 159,9 136,7 108,2 169,6
4 113 88 81 79,1 42,7 54,3 72,4 57,8 89,3
5 191 120 111 108,8 61,3 94,1 98,8 78,5 122,3
6 182 84 78 76,1 40,4 89,5 69,8 55,8 86,0
7 206 132 129 126,6 68,2 101,8 114,7 90,9 142,1
8 114 57 54 52,3 24,7 54,9 48,7 39,2 59,6
9 160 80 76 74,1 38,1 78,3 68,0 54,4 83,8
10 200 132 121 118,7 68,2 98,7 107,6 85,4 133,3
Total 920,2 494,8 874,9 839,4 668,6 1037,3
Total por hora (viagens/ h) 460,1 197,9 350,0 419,7 334,3 518,7
Média 92,0 49,5 87,5 83,9 66,9 103,7
σ (n-1) 32,2 19,6 30,6 28,6 22,4 35,7
Coef. De variação 34,9% 39,6% 34,9% 34,1% 33,5% 34,4%
Tabela A.10: Viagens geradas para o horário de pico da tarde a partir das equações de
regressão
Edifício
Características Viagens de carro
VA UH UO
ITE
- T
CL
INU
O
Gri
- T
CL
INU
H
Gri
- T
CL
INV
A
TT
- T
CL
OG
UO
CM
- T
CL
OG
UO
LN
- T
CL
OG
UO
1 155 75 70 34,7 69,9 124,5 59,5 35,2 84,5
2 139 69 67 33,7 65,3 114,1 57,0 33,8 80,8
3 320 160 154 61,6 136,2 231,7 130,0 74,7 186,9
4 113 88 81 38,2 80,1 97,2 68,7 40,4 97,9
5 191 120 111 47,8 105,0 147,9 93,9 54,5 134,5
6 182 84 78 37,3 77,0 142,0 66,2 39,0 94,2
7 206 132 129 53,6 114,4 157,6 109,0 62,9 156,4
8 114 57 54 29,6 55,9 97,8 46,0 27,7 64,9
9 160 80 76 36,6 73,8 127,7 64,5 38,0 91,8
10 200 132 121 51,0 114,4 153,7 102,3 59,2 146,7
Total 424,1 892,1 1394,3 797,2 465,3 1138,6
Total por hora (viagens/ h) 212,1 356,8 557,7 398,6 232,6 569,3
Média 42,4 89,2 139,4 79,7 46,5 113,9
σ (n-1) 10,4 26,4 38,9 27,3 15,3 39,6
Coef. De variação 24,5% 29,6% 27,9% 34,2% 32,8% 34,8%