DTLS Security Protocol

El modelo ECL, que permite capturar y cuantificar el efecto de la desutilidad percibida por los componentes del transbordo, se basa en la teoría de la maximización de la utilidad aleatoria, tal y como se detalla en el Epígrafe 3.4. Este tipo de modelo puede tener dos enfoques diferenciados, en función de las necesidades de la investigación: (1) un enfoque predictivo o (2) explicativo. El primero utiliza métodos de pasos sucesivos para seleccionar las variables más significativas y que contribuyen en mayor medida a explicar la variable dependiente, permitiendo hacer predicciones. El segundo, estudia conjuntamente todas las combinaciones de variables y modelos con el fin de explicar el mayor número de relaciones de dependencia (Mac Nally, 2000). En esta investigación, los modelos ECL tienen un enfoque mixto. Su objetivo principal es cuantificar la desutilidad percibida al transbordar con un enfoque predictivo, incluyendo las variables más relevantes. No obstante, el modelo también incluye variables no significativas que han sido identificadas en otros estudios como relevantes, siguiendo un enfoque explicativo. El paso más importante en la obtención de los resultados es la calibración de los modelos. Este proceso, que puede llevar meses y ser costoso, cuantifica la penalización asociada a cada componente del transbordo. El objetivo es mejorar el ajuste del modelo en cada iteración, obteniendo valores de los parámetros de las variables que representan el fenómeno real de forma más precisa. En primer lugar, se deben definir las variables independientes del modelo. En la investigación se incluyen las siguientes, que pueden ser de dos categorías y cinco tipos:

• Atributos procedentes de los datos obtenidos en las encuestas:

▪ Variables de escenario, que varían entre las situaciones de elección del experimento de PD. En este tipo, se encuentran todas las variables incluidas en las funciones de utilidad. Algunas de ellas son comunes a ambos casos de estudio (modo, tiempo en vehículo, tiempo caminando, tiempo de espera e información en tiempo real), mientras que otras son específicas de Madrid (escaleras y aglomeración de personas) y Vitoria-Gasteiz (tiempo de acceso, tiempo de dispersión y climatología).

▪ Variables personales, que hacen referencia al encuestado y que no varían entre situaciones de elección. Toda la información obtenida en la parte de PR de las encuestas se incluye en este grupo, como el género, la edad, el tiempo de viaje habitual, etc.

▪ Variables de entorno, que no dependen del encuestado ni de las situaciones de elección, como la ciudad y las características de cada una: tamaño de población, reparto modal, etc.

• Nuevos atributos, obtenidos a partir de los anteriores:

▪ Nuevas variables, que surgen según las necesidades del modelador en la calibración de los modelos. Por ejemplo, el atributo intermodalidad, que toma el valor 1 si el transbordo se realiza entre metro-autobús o autobús- metro, y 0 en cualquier otro caso. La intermodalidad se genera a partir del modo, que toma el valor 1 si hace referencia a metro y 0 a autobús.

▪ Interacciones entre variables. Su objetivo es capturar efectos no lineales. Generalmente, las interacciones se realizan con variables socioeconómicas. Se determinan a partir de la revisión literaria y el análisis descriptivo de las encuestas. No obstante, su importancia es reducida en comparación con las variables anteriores. Según Louviere (1988), las interacciones suelen explicar alrededor de un 3% de la varianza de la variable dependiente de un modelo. Más del 80% de la varianza suele estar explicada por los atributos principales.

La base de datos de la investigación incluye un total de 165 y 109 categorías de variables en Madrid y Vitoria-Gasteiz, respectivamente, que parten como candidatas a formar parte de los modelos finales. La calibración de modelos se basa en maximización de la función de MV, detallada en el Epígrafe 3.4, y se estima con el software estadístico Limdep NLogit en su versión 4.0.

La calibración de los modelos ECL de ambos casos de estudio se puede consultar en el Anexo VI. En resumen, primero se calibra un modelo MNL como elemento de control, con las variables incluidas en las funciones de utilidad. Se recomienda seguir este procedimiento en la fase inicial de ajuste, pues la ejecución del modelo es más sencilla y rápida, teniendo en cuenta que este se ejecuta en numerosas ocasiones con pequeños cambios en las variables. Posteriormente, cuando el modelo MNL de control está ajustado, se indica al software que estime un modelo ECL con los mismos atributos. Este, previsiblemente, tendrá un mejor ajuste, pues considera la posibilidad de que las respuestas puedan estar correlacionadas. Este modelo ECL inicial es la base sobre la que añadir, modificar y descartar variables con el objetivo de optimizar la bondad de su ajuste. Se deben realizar tantas iteraciones como el modelador considere necesarias. El modelo final es aquel que, escogido entre todas las iteraciones realizadas, tiene un valor alto de la función de MV en comparación con el resto, controlando posibles problemas de multicolinealidad y carencias explicativas. La Tabla 8.1 muestra las variables incluidas en los modelos ECL calibrados.

Tabla 8.1. Variables incluidas en los modelos definitivos de Madrid y Vitoria-Gasteiz.

Tip

o de

variable _{Variable Descripción} Madrid Vitor

ia -Gaste iz Variabl es de escenario

Constante Captura la penalización pura por transferencia √ √

Modo Toma valor 1 si hace referencia a metro/tranvía y 0 a autobús √

Intermodalidad Toma valor 1 si el transbordo se realiza entre metro-autobús o autobús metro, y 0 en cualquier otro caso √ Tiempo en vehículo Tiempo transcurrido, en minutos, a bordo de un medio de transporte √

Tiempo caminando Tiempo transcurrido, en minutos, desde el momento en que un viajero se baja de un vehículo y camina hasta llegar a la siguiente parada o estación √ Tiempo de espera Tiempo transcurrido, en minutos, en una parada o estación esperando la llegada del

siguiente vehículo √ Tiempo total de viaje Suma de los tiempos de acceso, dispersión, en vehículo, caminando y de espera √

Escaleras Toma valor 1 si hay escaleras durante el transbordo, y 0 en caso contrario √

Información en tiempo real Toma valor 1 si hay paneles con información dinámica del tiempo de espera hasta el

siguiente vehículo, y 0 en caso contrario √ √ Aglomeración de personas Toma valor 1 si existe aglomeración de usuarios al transbordar, incluyendo la

caminata y espera, y 0 en caso contrario √ Climatología adversa Toma valor 1 si llueve y 0 si está despejado √

Hábitos de viaje Diferencia de tiempo entre alternativas del experimento de PD y el viaje habitual √

Variabl es pe rs on ales Número de transbordos realizados habitualmente

Número de transbordos que el encuestado realiza de forma habitual en sus viajes

cotidianos √ √

Leer durante el viaje Toma valor 1 si se lee habitualmente al viajar, y 0 en caso contrario √

Género Toma valor 1 si es mujer, y 0 si es hombre √ √

Joven Toma valor 1 si la edad está comprendida entre 15 y 24 años, y 0 en caso contrario √

Las dos últimas variables (género y joven) se introducen en el modelo en interacción con otros atributos, con la finalidad de capturar efectos no lineales. Además, se calcularon nuevas variables que capturaran hábitos de viaje, como complemento a la información obtenida de la parte de PR de las encuestas: tiempo caminando, tiempo de espera, etc. La hipótesis formulada consistió en que un usuario de TP penaliza una alternativa con tiempos caminando, de espera, en vehículo y total mayores que los que dedica en su viaje cotidiano. Asimismo, percibe una utilidad en alternativas con tiempos inferiores a los habituales. Para medir este efecto, se crearon ocho variables que representan estas diferencias de tiempo entre las alternativas de la parte de PD y el viaje habitual revelado en la parte de PR, tal y como detallan las Ecuaciones 8.1 y 8.2:

ℎ𝑎𝑏𝑖𝑡_𝑖𝑝= (𝑡𝑖𝑚𝑒 𝑆𝑃 _𝑖− 𝑡𝑖𝑚𝑒𝑅𝑃_𝑖); si timeSPi > timeRPi (8.1)

ℎ𝑎𝑏𝑖𝑡_𝑖𝑛= |(𝑡𝑖𝑚𝑒 𝑆𝑃 _𝑖− 𝑡𝑖𝑚𝑒𝑅𝑃_𝑖)|; si timeSPi < timeRPi (8.2)

Donde (i) puede representar el tiempo total de viaje, caminando, de espera o en vehículo; (p) si la diferencia entre el tiempo mostrado en las situaciones de elección

de la parte de PD y el tiempo revelado en la parte de PR es positiva; y (n) si es negativa.

El análisis descriptivo de las variables incluidas en los modelos ECL calibrados se puede consultar en el Anexo VI. Tras el proceso de calibración, se obtienen los modelos ECL finales de Madrid y Vitoria-Gasteiz. La Tabla 8.2 muestra los valores de los parámetros de los atributos relevantes en la percepción del transbordo, y su impacto en minutos equivalentes en vehículo (EIVM, equivalent in-vehicle minutes). Estos valores se obtienen a partir de la media de la desutilidad percibida por el tiempo en vehículo y total en cada caso de estudio, tal y como se justifica en el Epígrafe 8.2.1.

Tabla 8.2. Impacto de las variables relevantes al transbordar, y su equivalencia en EIVM. Función de utilidad Variables Madrid Vitoria-Gasteiz Parámetro EIVM (min) Parámetro EIVM (min) U (T0): sin transbordo Madrid - 1.557 obs. Vitoria - 1.611 obs. mode00 Modo ,2722* 2,965 - -

tveh00 Tiempo en vehículo -,0918* -1,000 - -

ttime0 Tiempo total de viaje - - -,1527* -1,000

ƞq Error 1,8000* - ,0081 -

U (T1): un

transbordo

Madrid - 2.754 obs. Vitoria - 1.611 obs.

constant1 Constante (captura la penalización pura por transferencia) -5,4441* -15,245 -1,6791** -18,391

ttime1 Tiempo total de viaje - - -,0913* -1,000

interm11 Intermodalidad -,7804* -2,185 - -

tveh01 Tiempo en el primer vehículo -,2866* -,803 - -

tveh11 Tiempo en el último vehículo -,4275* -1,197 - -

twalk11 Tiempo caminando -,2802* -,785 - -

twalkg11 Interacción entre tiempo caminando y género -,0748** -,209 - -

twait11 Tiempo de espera -,4076* -1,141 - -

stair11 Escaleras ,2553 ,715 - -

info1 Información en tiempo real ,1474 ,413 ,0675 ,739

infogen1 Interacción entre información en tiempo real y género - - ,4100** 4,491

crowd1 Aglomeración de personas -1,2993* -3,638 - -

crwdyng1 Interacción entre aglomeración de personas y jóvenes -,8625* -2,415 - -

weather1 Climatología adversa - - 1,3614* 14,911

numtr1 Número de transbordos realizados habitualmente ,1154 ,323 ,6722* 7,363

read1 Leer durante el viaje -,0014 -,004 - -

habittot1p

Diferencia entre el tiempo total mostrado en las situaciones de elección de la parte de PD y el tiempo total revelado (cuando es positiva)

-,000040* -,00001 - -

habitwai1n

Diferencia entre el tiempo total de espera mostrado en las situaciones de elección de la parte de PD y el tiempo total de espera revelado (cuando es negativa)

,000018 ,00005 - -

ƞq Error ,0206 - 1,6007* -

U (T2): dos

transbordos

Madrid - 1.197 obs.

constant2 Constante (captura la penalización pura por transferencia) -6,6619* -17,661 - -

interm12 Intermodalidad en el primer transbordo -,8712* -2,310 - -

interm22 Intermodalidad en el segundo transbordo -1,2413* -3,291 - -

tveh02 Tiempo en el primer vehículo -,3818* -1,012 - -

tveh12 Tiempo en el segundo vehículo -,4329* -1,148 - -

tveh22 Tiempo en el último vehículo -,3169* -,840 - -

twalk12 Tiempo caminando en el primer transbordo -,3384* -,897 - -

twalk22 Tiempo caminando en el segundo transbordo -,6013* -1,594 - -

twait12 Tiempo de espera en el primer transbordo -,4660* -1,235 - -

twait22 Tiempo de espera en el segundo transbordo -,5521* -1,464 - -

stair12 Escaleras en el primer transbordo -,5490 -1,455 - -

stair22 Escaleras en el segundo transbordo -,5027 -1,333 - -

info2 Información en tiempo real ,6577* 1,744 - -

crowd2 Aglomeración de personas -1,3209* -3,502 - -

numtr2 Número de transbordos realizados habitualmente ,7959* 2,110 - -

read2 Leer durante el viaje -,5602* -1,485 - -

habittot2p

Diferencia entre el tiempo total mostrado en las situaciones de elección de la parte de PD y el tiempo total revelado (cuando es positiva)

-,000102* -,00027 - -

habitwai2n

Diferencia entre el tiempo total de espera mostrado en las situaciones de elección de la parte de PD y el tiempo total de espera revelado (cuando es negativa)

,000068* ,00018 - -

ƞq Error 1,3650* - - -

(*) El parámetro es significativamente distinto de cero a un nivel del 95%. (**) El parámetro es significativamente distinto de cero a un nivel del 90%.

Los siguientes epígrafes se dedican al análisis de los resultados de los modelos ECL, y son la base de la recomendación de políticas de transporte que minimizan la desutilidad percibida, aumentando la competitividad del TP.