Modelos dinámicos desagregados basados en microsimulación

El concepto de microsimulación se entiende como aquel en el que el comportamiento agregado de un sistema se simula explícitamente a través del comportamiento reflejado en las acciones e interacciones de sus unidades desagregadas (Iacono et al., 2008). Si bien es cierto que la microsimulación se ha venido aplicado de manera esporádica entre las décadas de los 1960s y los 1980s para resolver una variedad de problemas espaciales como los estudios de difusión espacial (Hägerstrand, 1968) y la elección de vivienda; y además ha formado parte de algunos de los sub-modelos de modelos agregados de uso de suelo transporte o LUT, ya revisados, como IRPUD (Wegener, 1982) que utilizaba la microsimulación para estimar la población o MUSSA y UrbanSim, que como ya se ha visto fueron pioneros en desagregar el sector residencial; también

es cierto que sólo a partir de los 1990s se planteó como nuevo enfoque para modelado urbano y hoy en día, los modelos desagregados ocupan una gran parte de los trabajos publicados en la literatura especializada, principalmente los modelos de transporte (demanda de viajes) basados en actividad y basados en agentes (Wegener, 2011). Esto se debe en parte a que hasta antes de la década de 1990s la necesidad de contar con una gran cantidad de datos desagregados para calibrar y validar los modelos de microsimulación significó un obstáculo. Sin embargo, a finales de la década de 1980s, el avance tecnológico permitió mayor poder de cómputo y una mayor disponibilidad de datos, lo que hizo posible que muchos de los modelos LUT basados en teorías más sólidas como la teoría de renta ofertada (bid-rent) y la teoría de elección discreta integraran la dimensión temporal y se incrementara la resolución espacial de sus datos. Esto último, gracias a la aparición de los Sistemas de Información Geográfica (SIG) a finales de la década, que permitieron contar con información detallada y en alta resolución de las parcelas y células que conforman un área de estudio; además de ofrecer una visualización mediante mapas temáticos de las variables endógenas y exógenas del modelo, lo que facilitó su comprensión, así como el entendimiento de las relaciones e implicaciones espaciales.

No es de extrañarse que dentro de la literatura, recurrentemente se reconozca el papel de los Sistemas de Información Geográfica como generadores de la nueva ola de modelos urbanos en la década de los 1990s (Serras, Bosredon, Herranz & Batty, 2014; Acheampong & Silva, 2015;

Torrens, 2001; Wegener, 2004, 2011; Batty, 2013b; Liu, Long, & Batty, 2014); pues, facilitaron la integración de datos digitales y de sus atributos espaciales y no espaciales; así como la visualización de éstos en mapas; lo que hizo que fueran rápidamente adoptados por los modeladores y planeadores urbanos, pues el contar con una representación geográfica de los datos y resultados de los modelos favorece su interpretación y comunicación haciendo a los modelos más entendibles y amistosos con el usuario. En parte, a esto se debe que se realizaran números esfuerzos por extender las funcionalidades de los SIG para incluir aplicaciones basadas en modelos (Harris & Batty, 1993), muestra de ello es la propuesta de Harris (1989) por desarrollar sistemas de soporte para la planeación “planning support systems (PSS)” que sintetizaran los sistemas espaciales para la toma de decisiones “Spatial Decision Support Systems (SDSS)” con aplicaciones a la planeación estratégica y que más adelante hicieron posible su aplicación en EUA y Europa (Serras, Bosredon, Herranz & Batty, 2014). La relación entre la teoría urbana, los SIG y el uso de los últimos en el modelado de sistemas urbanos no es trivial, prueba de ello son los grandes esfuerzos en el diseño de modelos que integrarán el enfoque espacial de los SIG (Batty, 1992).

Hoy en día los SIG son la herramienta dominante para la organización y visualización de datos espaciales para modelos urbanos; además de que al permitir múltiples representaciones de datos espaciales es posible aprovechar las ventajas derivadas de la desagregación espacial (raster) y los algoritmos de análisis de redes (vector) (Wegener, 2004).

Por otro lado, los modelos urbanos que se habían desarrollado hasta la década de 1990s respondían a una representación de una ciudad muy distinta a la que vemos hoy en día; es decir, las ciudades mono-céntricas se han transformado en ciudades poli-céntricas ante la abundancia de automóviles, servicios y tecnología. Además de que su dimensión actual se caracteriza por su

movilidad, individualidad y diversidad en el estilo vida de sus habitantes, de sus redes sociales y de sus patrones de movilidad. Esta heterogeneidad ha acelerado la dinámica de los procesos urbanos y ha generado interrelaciones cada vez más complejas acompañadas de una incesante urbanización y densificación, que en conjunto plantean grandes retos para la sustentabilidad de las ciudades ante el ya presente cambio climático.

En este nuevo entorno, los planeadores y analistas urbanos requieren de modelos que sean capaces de capturar esta incesante evolución y diversificación; esto, sin desaprovechar el conocimiento generado por los modelos tradicionales que suelen brindan buenos resultados en escalas macro; por lo que su mayor contribución radicará en la microsimulación de fenómenos espaciales con datos desagregados que representen al espacio y a las personas. Así, la microsumulación es un tipo de modelado en el comportamiento de entidades individuales se simulan en un periodo de tiempo, estas entidades representan entidades reales como personas, hogares o empresas; y su comportamiento se diseña de tal modo que refleje el comportamiento real del objeto de simulación.

La característica distintiva de estos modelos desagregados es que buscan explicar a los sistemas urbanos a partir del estudio del comportamiento espacio-temporal de cada uno de las unidades de análisis a nivel individual (agentes o células) que poseen identidad, estado y comportamiento.

La identidad es la característica que distingue al objeto de todos los demás que conforman al sistema; el estado toma en cuenta las características socio-demográficas del individuo, así como el conocimiento o aprendizaje acumulado de realizar elecciones previas relacionadas con el espacio (viajes y localización); por fin, el comportamiento describe cómo actúa y reacciona el objeto y está determinado por su estado y el de los demás objetos. Además, para representar el cambio socio-demográfico y económico real que viven las ciudades, el conjunto de objetos se actualiza periódicamente al incluir procesos endógenos (envejecimiento, nacimientos y muertes) y exógenos (migración) al sistema.

Los modelos de microsimulación trabajan con datos de cada entidad individual, lo cual implica un nivel muy alto de desagregación; y si bien los modelos econométricos basados en elección discreta pueden considerarse como desagregados, los modelos de microsimulación tienen una ventaja sobre ellos, que consiste en poder modelar la heterogeneidad y dinamismo de una ciudad, así como nuevas tendencias de movilidad y los impactos ambientales de políticas de uso de suelo-transporte en la resolución espacio-temporal necesaria (Wagner & Wegener, 2007). Esto gracias a la inclusión de las características de identidad, estado y comportamiento.

Durante los últimos años, estos nuevos modelos han provenido de la teoría de la complejidad en compañía de técnicas y conceptos adoptados de las ciencias computacionales y de la complejidad, específicamente de la inteligencia artificial, cuyas ideas aplicadas dotan a los modelos urbanos de un marco teórico robusto para estudiar fenómenos como el de dependencia de camino o comportamiento emergente de actores urbanos. Las técnicas que dominan en este tipo de modelos son los autómatas celulares que son objetos o autómatas asociados a áreas rectangulares llamadas células cuyo comportamiento está regido por reglas simples de estímulo- respuesta de acuerdo al estado de células adyacentes. Si se aumenta la complejidad de las reglas

de comportamiento a tal grado que los autómatas sean capaces de modificar su entorno y su propio comportamiento (aprendizaje) se habla de modelos multi-agentes o modelos basados en agentes.

Existen tres tipos de modelos que se desarrollaron bajo este enfoque desagregado de microsimulación:

 Modelos LUT basados en agentes

 Modelos de uso de suelo basados en autómatas celulares

 Modelos de demanda de viajes basados en actividades

Todos estos comparten una estructura característica, de manera similar que en el caso de los modelos estáticos agregados tradicionales, la cual se describe en las siguientes líneas.

Representación: Son modelos que para explicar a un sistema de naturaleza compleja como la ciudad, modelan el comportamiento espacio-temporal de los elementos individuales que conforman al sistema (personas, hogares y firmas), a través de sus características, interacciones y decisiones relacionadas con el espacio, lo que hace posible capturar propiedades emergentes en el sistema (patrones). De acuerdo con Parker et al. (2003) al estudiar el estudiar a las ciudades desde el enfoque bottom-up se requiere identificar: 1) la escala espacial apropiada, 2) la escala temporal apropiada y 3) los procesos de comportamiento o toma de decisiones de los actores (agentes).

Objetivo de los modelos: explicación y predicción de fenómenos y sistemas emergentes donde la incertidumbre tiene cabida, lo que se logra a través de la exploración de los datos, la identificación de patrones en los mismos y la simulación del modelo bajo diferentes escenarios. Timmermans (2003) menciona que este tipo de modelos consumen teoría a diferencia de los modelos tradicionales estáticos y agregados que buscaban producirla.

 Unidad de análisis espacial: en zonas pequeñas o incluso a nivel de agente individual (persona, hogar o firma)

 Tipo de datos:

o Datos desagregados estructurados: Este tipo de modelos dependen de datos que representen información detallada de factores socio-demográficos y económicos de los individuos que componen una zona de estudio, tales como edad, género, ocupación, ingreso, posesión de automóvil, entre otros, dependiendo del modelo utilizado; que por lo general no se encuentra disponible en los resultados censales con el suficiente nivel de desagregación debido a razones de privacidad. Respecto a los datos de movilidad y transporte, se requiere de datos desagregados tanto en la dimensión espacial como temporal; el primer requisito lo podrían cumplir algunos de los datos que provienen de las Encuestas Origen-Destino y diarios de viaje, si la estrategia de dichos instrumento no se guiara por su agregación en unidades espaciales cuyos resultados tengan representatividad estadística de acuerdo a un marco muestral seguido. Además, este tipo de fuentes de información implican grandes inversiones de tiempo y recursos, lo que no permite que existan en los

intervalos de tiempo necesarios para hacer a un modelo lo suficientemente dinámico.

Ante la poca o nula disponibilidad de este tipo de datos, la práctica común consiste en construir poblaciones sintéticas de individuos a partir de datos con un nivel de agregación mayor al deseado, lo cual se realiza con técnicas de estimación estadístico que garantizan que los micro-datos sintéticos sean consistente con distribuciones marginales de datos agregados conocidos; esto a costa de introducir cierto grado de incertidumbre en los modelos. En este método los datos agregados por zona se transforma en datos agregados en células en formato raster, primero se convierten el polígono en raster y después cada registro se localiza en una célula a través de simulaciones Monte-Carlo.

o Datos desagregados no estructurados (Big Data): Ante la inviabilidad de obtener datos estructurados con el nivel de resolución temporal y espacial requeridos de fuentes tradicionales como los censos, ha surgido una tendencia en la comunidad científica que consiste en la obtención de datos dinámicos, casi en tiempo real, y no estructurados a partir de fuentes no convencionales como teléfonos móviles, sensores, terminales bancarias, entre otras. Ya sea datos sobre registros de llamadas o datos generados por las redes sociales como Facebook, Twiiter o Foursquare, todos poseen información geoespacial sobre su ubicación y un registro temporal del momento en que se realizó el registro.

 Supuestos en los que se basan: estos modelos ven a la ciudad como sistemas auto- organizados evolutivos cuya estructura espacial es dinámica y compleja, pues se transforma continuamente a través del tiempo y el espacio. Sin embargo, para poder predecir la dinámica general del sistema a partir de sus elementos individuales, implica asumir que un conjunto finito de reglas lógicas de decisión que pueden ser deterministas o estocásticas son válidas para los agentes y determinan las acciones y decisiones de estos.

 Ventajas

o Este tipo de modelos tienen una naturaleza inherentemente dinámica, por lo que permiten simular la evolución de los sistemas de transporte y uso de suelo urbanos (Miller, 2003) a través de la dinámica de comportamiento de unidades individuales y pueden extenderse fácilmente tanto a procesos de demanda y oferta del fenómeno en cuestión.

o Permiten capturar la naturaleza compleja del sistema al incorporar a los elementos individuales del sistema, sus interacciones, procesos para la toma de a partir de reglas de operación y probabilidades, lo que da lugar a fenómenos emergentes como la innovación.

o Son más fáciles de comunicar ya que describen el comportamiento de un individuo y no de un grupo homogéneo y dado que simulan las interacciones individuales de forma explícita son coherentes con las teorías urbanas, las cuales explican cada vez mejor la relación entre patrones de actividades y las elecciones de transportación que contribuyen a una mejor predicción de su demanda de viajes.

o El nivel de agregación de agentes es mínimo y el tamaño de las zonas es cada vez menor, lo que ofrece una alta resolución espacial (Iacono et al., 2008)

permitiendo capturar estilos de vida o patrones de actividades individuales (Wegener, 2008).

o Es posible modelar impactos ambientales con la resolución espacial requerida, ya que es posible modelar la retroalimentación uso de suelo-transporte-medio ambiente (Wegener, 2008).

 Limitantes:

o Estos modelos requieren de una gran cantidades de datos desagregados y geo- referenciados y no siempre son compatibles con los procesos top-down que caracterizan a los sistemas urbanos. Además de que la dependencia de datos ha hecho que muchos de los modelos se queden en la parte de recolección de datos y calibración del modelo (Wegener, 2011) que sumado a la dificultad de generar interfaces entre los sub-modelos han obstaculizado la validación e implementación de los modelos en procesos de toma de decisiones, haciéndolos in-operacionales.

o La heterogeneidad de los agentes puede deberse a aleatoriedad local y a problemas de variación estocástica; sin embargo, algunos modelos han optado por ignorar esto reportando resultado con una precisión ilusoria al no reportar su niveles de error debido a estos efectos (Wegener, 2011).

o Debido a que las predicciones no son determinísticas sino estocásticas y pueden llevar a resultados inestables es riesgosa su inclusión en el modelado de la operación de las ciudades (Wegener, 2008).

o La complejidad del modelo en términos de memoria y tiempo puede superar los recursos disponibles afectando su viabilidad práctica y operativa, ya que los tiempo de computo suelen ser muy altos, semanas o días completos (Wegener, 2011).

o El alto grado de sofisticación de los modelos hace que su utilización e integración en los procesos de toma de decisiones sea muy escasa sino es que nula; pues, la mayoría de las ciudades no utilizan modelos cuantitativos para su planeación urbana y aquellas que sí lo hacen se refugian en los modelos LUTI tradicionales, dada su relativa facilidad de uso (Eunoia, 2012).

o Wegener (2008) identifica una serie de limitantes en el incrementar la resolución temporal y espacial de este tipo de modelos:

 Limitantes teóricas cuando la población de eventos o procesos simulados es muy pequeña y carecen de confiabilidad estadística.

 Limitantes empíricas cuando los costos marginales derivados de obtener datos desagregados son mayores al valor añadido.

 Limitantes prácticas cunado los tiempos de cómputo para correr un modelo exceden la duración de los procesos modelados.

 Limitantes éticas cuando la obtención de datos pone en riesgo la privacidad de las personas.

 Teoría que enmarca los modelos: La mayoría de los modelos dinámicos desagregados, hacen uso de técnicas provenientes de la teoría de los sistemas complejos, la cual considera que dichos sistemas no pueden ser entendidos a partir de modelos matemáticos o estadísticos tradicionales; sino que deben de estudiarse a partir de la interacción colectiva y la auto-organización de sus elementos individuales que genera el estado general o macro que observamos en el sistema (Benenson, 1998). Para esto, existen tres

grandes tendencias en la manera en que se modela el comportamiento de los agentes, la primera es a través de modelos matemáticos como la teoría de utilidad aleatoria y las técnicas de elección discreta en donde las decisiones se realiza a través de la selección de un conjunto de alternativas en función de la utilidad percibida por el agente, este es el caso de UrbanSim; mientras que la segunda sigue un marco cognoscitivo a través de la definición de un sistema de reglas lógicas simples como en Ramblas; o bien, como la combinación de ambas en modelos híbridos como en ILUTE.

2.2.2.1 Modelos de interacción uso de suelo - transportes basados en agentes El modelado basado en agentes (ABM, por sus siglas en inglés) es una técnica computacional que permite el simular el comportamiento de un sistema compuesto por agentes autónomos que interactúan entre ellos y con su ambiente; de estas interacciones emergen un comportamiento macro del sistema en forma agregada. En este tipo de modelos cada agente responde a reglas de comportamiento similares a las ocupadas por otro tipo de modelos desagregados basados en utilidad; sin embargo, en el enfoque basado en agentes, éstos además de tomar decisiones, procesan, comunican, aprenden, adaptan y mejoran la manera en cómo se comportan e interaccionan con el resto del sistema y su ambiente (Batty, 2007).

Las reglas que componen a los agentes, permiten que éstos procesen y transformen información interna y externa en estados internos, decisiones y acciones; que incluyen la opción de trasladarse en un espacio físico o virtual, todas estas posibilidades se realizan o simulan de manera dinámica de manera síncrona o asíncrona, lo que hace que estos modelos sean capaces de capturar la heterogeneidad e interdependencias en el sistema a modelar, como sucede en las ciudades.

Existen modelos basados en agentes capaces de capturar patrones de movilidad generados por la realización de un programa de actividades cotidianas de los agentes (Heppenstall et al., 2012).

Hoy en día el estado del arte en el modelado de uso de suelo y transporte recae en los sistemas de microsimulación, ya sea mediante el uso de autómatas celulares o agentes, particularmente en modelos que han dominado la escena desde comienzos de los 2000s o incluso antes, como en el caso de UrbanSim que ha sido el único en cambiar de paradigma de modelos estático a modelo dinámico desagregado.

Otro caso es el de ILUMASS (Moeckel et al. 2003) que con base en el trabajo realizado por Wegener con IRPUD en los 1980s hace uso de un módulo o sub-modelo de microsimulación del tráfico urbano, uno de cambio demográfico, desarrollo del hogar, ciclo de vida de empresas, construcción residencial y no residencial, movilidad laboral y residencial. Estos módulos están relacionados con un modelo de viajes basado en actividad. Además ILUMASS cuenta con un GIS que combina datos en formato raster y vector, el primero hace que la resolución espacial del uso de suelo sea alta y el segundo permite implementar algoritmos para el análisis de la red de transporte (Iacono et al., 2008).

En esta misma categoría de modelos se encuentra ILUTE (Salvani & Miller, 2005) que hoy en día es uno de los modelos de microsimulación más completos, pues integra un conjunto de técnicas para modelar el comportamiento de los agentes, tales como: modelos de transición de estado, modelos de elección discreta, modelos computacionales basados en reglas, modelos de aprendizaje máquina, entre otros. Ramblas (Veldhuisen, Timmermans, and Kapoen, 2000) es un modelo que se centra en la predicción de los flujos debido a la participación de los agentes en actividades; esto lo logra a través de la simulación de agentes cuyo comportamiento está basado únicamente en reglas, lo cual lo hace único en su tipo.

2.2.2.2 Modelos de transporte para demanda de viajes basados en actividades Por casi un siglo (Carey, 1859), los planeadores urbanos y los ingenieros de transporte utilizaron modelos agregados para estimar la demanda de viajes, como en el caso de los modelos de interacción espacial gravitacionales o de máxima entropía. Estos enfoques sirvieron para que durante la segunda mitad del siglo XX se desarrollará un modelo de transporte conocido como modelo de 4 pasos o basado en viajes el cual fue adoptado para modelar el sistema de transporte de gran parte de los modelos LUT desarrollados en este periodo. Sin embargo, el modelado de estos sistemas de transporte se mantuvo estancado a diferencia de su contraparte complementaria, el sistema de uso de suelo, que evolucionó de modelos estáticos agregados hacia modelos econométricos desagregados y pseudo-dinámicos.

A comienzos de la década de 1990s la sobrepoblación en las urbes trajo un grave congestionamiento de sus sistemas de transporte, y ante la imposibilidad de ampliar la red de caminos al ritmo de la tasa de incremento población; los planeadores y tomadores de decisiones optaron por recurrir a enfatizar en la conservación y mantenimiento de su infraestructura al mejorar la gestión de la misma mediante nuevas políticas públicas, de ahí que haya resurgido el interés por estudiar el comportamiento de los individuos al realizar sus viajes cotidianos, y particularmente, el poder predecir el impacto y cambio que las nuevas políticas producirían en este comportamiento.

En este contexto ocurrió un cambio de paradigma en el modelado de la demanda de transporte, pasando del enfoque agregado, que buscaba describir y/o predecir los flujos entre dos zonas de origen y destino, al enfoque desagregado, que busca conocer y predecir el proceso de toma de decisiones de los viajeros que permite estimar el cuándo, dónde, y cómo del patrón individual de actividades que afecta el patrón individua de movilidad (viajes). Este último enfoque nació gracias a la creación de los modelos basados en actividad (Axhausen & Gärling, 1992; Ben-Akiva et al., 1998; Bowman & Ben-Akiva, 2001) que operan bajo el supuesto de que la demanda de viajes se deriva de los patrones de actividad de los individuos; o en otras palabras, que la necesidad que tiene un individuo (u organización) por trasladarse se deriva de su deseo o necesidad de participar en alguna actividad que se lleva a cabo en un lugar distinto al de su origen. En este paradigma cada persona en una región se modela como un agente que se traslada durante el día, con incrementos de tiempo que van desde los cinco minutos, capturando el comportamiento del agente y la forma en que se traslada de lugar a lugar, utilizando modelos de elección discreta anidados.