Avaliação de modelos de regressão espacial para análise de cenários do transporte rodoviário

Abstract

O Transporte Rodoviário de Carga (TRC) se apresenta atualmente como um dos modos de transporte mais utilizados no Brasil, representando 61,1% da matriz de transportes, contra 20,7% do ferroviário, 13,6% do aquaviário, 4,2% do dutoviário e 0,4% do aéreo. A possibilidade de entrega na porta do comprador, bem como a facilidade de embarque e desembarque de mercadorias são algumas das características que corroboram sua participação no mercado. Dessa forma, o conhecimento acerca das características do TRC, como também a identificação dos fatores que influenciam sua distribuição espacial auxiliam os interessados nesse modo na tomada de decisão. A distribuição espacial da frota de veículos rodoviários de carga depende geralmente de características regionais, como a produção de grãos, existência de um porto etc, indicando que o "espaço", no caso o geográfico, influência diretamente em tal distribuição. Assim, modelos de regressão convencional não são os mais adequados para trabalhar com dados espaciais, onde está presente a dependência espacial, fazendo-se necessário o uso de modelos de regressão espacial. O presente trabalho apresenta, além de uma metodologia para a construção de modelos de regressão espacial, uma avaliação dos mesmos quando comparados aos modelos de regressão convencional, no sentido de identificar e analisar os fatores intervenientes na distribuição espacial da frota de caminhões. Para isso, estudou-se os veículos rodoviários de carga do tipo graneleiro com 2 ou 3 eixos e os caminhões simples, também com 2 ou 3 eixos, onde as variáveis explicativas utilizadas foram densidade demográfica, valor das exportações, valor dos investimentos, quantidade produzida de soja e quantidade de estabelecimentos industriais. Os resultados mostraram que, na existência de dependência espacial, os modelos de regressão espacial apresentaram diagnósticos que permitem compreender melhor a realidade do que os modelos de regressão convencional, e que a forma da matriz de proximidades influência diretamente em tais disgnósticos. Conclui-se do trabalho que modelos que incorporam o fator aleatório "espaço" fornecem melhores resultados para um planejamento mais eficiente. ____________________________________________________________________________ ABSTRACT

The Road Freight Transportation (RFT) currently presents itself as one of the most used ways of transportation in Brazil, representing 61.1% of the transportation matrix, against 20.7% of railroad, 13.6% of the river-way, 4.2% of duct-way and 0.4% of the aerial. The possibility of delivery at the door of the purchaser, as well as the easiness of loading and unloading of merchandises are some of the characteristics that corroborate its participation in the market. Therefore, the knowledge concerning the characteristics of the RFT, as well as the identification of the factors that influence its spatial distribution assist the interested parties in decision taking. The spatial distribution of the road freight fleet vehicles generally depends on regional characteristics, such as the production of grains, the existence of a port and so forth, indicating that the "space", in this case, the geographic one, influences directly in such distribution. Thus, conventional regression models are not adjusted to work with spatial data, where the spatial dependence is present, making necessary the use of spatial regression models. The present work shows, through a methodology for the construction of spatial regression models, an evaluation of them when compared with the conventional regression models, aiming at identifying and analyzing the intervening factors in the trucks fleet spatial distribution. For this, the road freight vehicles of the type granary ship with 2 or 3 axles and the simple trucks, also with 2 or 3 axles, was studied where the independent variables used were demographic density, exportations value, investments value, soy produced amount and industrials establishments amount. The results showed that, there being spatial dependence, the spatial regression models presented diagnoses that allow to understand the reality better than the conventional regression models, and that the form of the neighborhoods matrix influences directly in such diagnoses. It is concluded from the work that models that incorporate the random factor "space" supply better results to a more efficient planning.