Generation and distribution models of school trips using cellular automata and multicriteria evaluation

Em condições acentuadas de restrições de recursos para a construção e manutenção de infra-estruturas urbanas, torna-se importante caracterizar e localizar espacialmente sua demanda para auxiliar os planejadores no processo decisório que envolve sua implementação, ampliação e manutenção, de forma que os usuários sejam atendidos da melhor maneira possível e dentro das possibilidades financeiras das prefeituras. Este foi o ponto de partida para este trabalho, cujos objetivos são modelar a dinâmica populacional intra-urbana de uma cidade de médio porte brasileira através da combinação de modelos com cellular automata e avaliação multicritério e, a partir daí, a distribuição de viagens para uma infra-estrutura pontual específica, as Escolas Municipais de Educação Infantil (EMEIs). Na aplicação prática da pesquisa inicialmente modela-se a dinâmica populacional intra-urbana na cidade de São Carlos como um todo com um modelo de cellular automata e um modelo demográfico de extrapolação de tendências. Baseando-se em valores de densidade populacional obtidos com dados dos censos do IBGE referentes aos anos de 1980, 1991 e 2000, obteve-se o cenário referente ao ano de 2010. O modelo urbano de cellular automata utilizado foi construído em três fases: quantificação da dispersão (cálculo da área total que deveria ser incorporada à mancha urbana), localização da dispersão (definição da localização das áreas que deveriam ser incorporadas à mancha urbana) e diferenciação da dispersão (cálculo das densidades demográficas na mancha urbana prevista). O modelo conseguiu apresentar bons resultados tanto na localização quanto na diferenciação da dispersão. Para caracterizar a demanda por EMEIs neste caso estabeleceu-se uma relação matemática entre a população total e a população na faixa etária que utiliza o serviço das EMEIs (4 a 6 anos). No caso do modelo demográfico, no qual a densidade populacional foi calculada a partir de uma curva de tendência linear, notou-se que devido à restrição da mancha urbana à área previamente ocupada, surgem valores de densidade populacional acima da faixa observada na série histórica. A demanda por EMEIs neste modelo também foi obtida através de uma curva de tendência linear, utilizando dados específicos da faixa etária de 4 a 6 anos. Após a caracterização da demanda por EMEIs foram criados cenários de distribuição de viagens para as mesmas nos anos de 2000 e 2010. Observou-se que os modelos apresentaram comportamentos distintos na caracterização da demanda, que foi expressivamente maior no modelo de cellular automata mas quando tiveram a demanda adaptada à oferta existente, através da multiplicação por uma taxa de atendimento, apresentaram resultados bastante semelhantes. No entanto, considerando um cenário muito provável de aumento da oferta, seja em escolas novas ou nas já existentes, o impacto sobre os transportes seria muito melhor caracterizado no caso dos modelos de CA, não só porque as estimativas de demanda foram significativamente maiores, mas também porque incorporaram a possibilidade de ocupação de novas áreas urbanasIn conditions of extreme restrictions of resources for construction and maintainance of public facilities, the correct demand alocation is essential not only for the decision-making process, which involves their implementation and rational use, but also for reaching a significant share of the demand with a reasonable level of service and within the budget limits. That was the starting point for the definition of the objectives of this work, which are to model the population dynamics in a medium-sized city by using a cellular automata approach and multicriteria evaluation techniques and to simulate trip distribution patterns to a particular public facility, the EMEIs, i.e., schools for children between 4 and 6 years-old. The study starts with an application of two urban dynamics models in the city of São Carlos: a cellular automata model and a demographic model based on linear regression. A scenario of the year 2010 was built based on 1980, 1991, and 2000 census data. The cellular automata model was constructed in three fases: quantification of sprawl (definition of the total area added to the existing urban area), location of sprawl (alocation of areas of expansion), and differentiation of sprawl (definition of the population density in each cell of the new urban area). The model captured reasonably well the urban dynamics process in both location and differentiation of sprawl. The demand for EMEIs was then defined through the definition of a mathematical relationship between the total population and the target population. The population density predicted by the demographic model was calculated through a linear trend applied to historical data. It was significant in this case the occurrence of estimated values higher than the actual values mainly due to the restrictions of the urban area to its previous boundaries. The demand for EMEIs was also obtained using a linear trend, this time using specific data of the target population. Scenarios of trip distribution in the years 2000 and 2010 were created after the demand was modeled. The predictions of the models were very different, and the total demand estimation of the cellular automata model was higher than that obtained with the demographic model. When adjusting the demand to the existing supply in the year 2000, the trip distribution results were quite similar, although resulting in extremely different service rates. However, in a very likely scenario of supply growth, either through new or existing schools, the impacts on transportation would be better identified in the case of CA models, not only because they have produced higher demand estimates, but also because they have considered the inclusion of new areas into the modeled spac