Análise dos Fatores que Influenciam a Escolha de Veículos Elétricos Compartilhados
A mobilidade urbana sustentável tem se tornado um dos pilares centrais nas estratégias de desenvolvimento das grandes cidades, impulsionada pela necessidade de reduzir emissões de carbono e aliviar a crescente pressão sobre os sistemas de transporte. Nesse cenário, o compartilhamento de veículos elétricos (VCEs) emerge como uma solução promissora, combinando os benefícios da economia colaborativa com os avanços da mobilidade limpa. Apesar do crescimento acelerado desse serviço, persistem desafios significativos relacionados à alocação ineficiente de recursos, superposição de estações e desconexão com os padrões reais de demanda. Para superar essas limitações, é fundamental compreender os fatores complexos que influenciam as decisões dos usuários, especialmente no que diz respeito às características espaciais, temporais e do ambiente construído.
Um estudo recentemente publicado no Journal of Transportation Engineering and Information oferece uma análise detalhada e inovadora sobre esses aspectos, utilizando dados operacionais de um sistema de compartilhamento de veículos elétricos em Chengdu, uma das cidades líderes na adoção dessa tecnologia na China. A pesquisa, conduzida por Liao Yang, Luo Xia e Wang Hongjie, pesquisadores da Escola de Transporte e Logística da Universidade Jiaotong do Sudoeste e do Laboratório Nacional de Aplicação de Tecnologia de Big Data em Transporte Integrado, propõe um novo quadro analítico capaz de revelar padrões ocultos e relações não lineares entre a oferta e a demanda. O trabalho se destaca por sua abordagem metodologicamente robusta, que vai além das análises tradicionais ao incorporar explicitamente a autocorrelação espacial e temporal, fatores frequentemente negligenciados em estudos anteriores.
O ponto de partida da investigação foi a análise da autocorrelação espacial e temporal do volume de pedidos de VCEs. Os autores demonstraram que ignorar essas dependências pode levar a conclusões equivocadas sobre a distribuição da demanda. Por exemplo, quando um usuário não encontra um veículo disponível em uma estação, ele tende a procurar nas estações vizinhas, criando um padrão de dependência espacial. Da mesma forma, o comportamento dos usuários varia significativamente entre dias úteis e finais de semana, e dentro de diferentes períodos do dia, indicando uma forte autocorrelação temporal. Para capturar essas dinâmicas, os pesquisadores adotaram uma abordagem que combina métodos estatísticos avançados com uma definição refinada das variáveis ambientais.
Um dos principais avanços do estudo foi a criação de um sistema de quantificação de fatores denominado “S-T+S+T+5D”. Este quadro integrado considera quatro dimensões principais: características espaço-temporais (S-T), atributos das estações (S), atributos do transporte público (T) e características do ambiente construído (5D). A inovação reside na forma como cada dimensão foi operacionalizada. Em vez de utilizar grades quadradas tradicionais para a agregação espacial, os autores optaram por grades hexagonais, que proporcionam uma representação mais natural das relações de vizinhança entre as estações. Além disso, eles desenvolveram um método aprimorado para determinar o centroide de cada grupo de estações, minimizando a distância euclidiana total e reduzindo o risco de erros na definição das conexões espaciais.
A definição dos pontos de interesse (POIs) também foi significativamente aprimorada. Enquanto muitos estudos se limitam a considerar a densidade de POIs, esta pesquisa introduziu três dimensões adicionais: densidade, proximidade e aglomeração. A aglomeração, medida por um índice de dispersão pontual, permite distinguir entre áreas onde os serviços estão espalhados de forma uniforme e aquelas onde estão fortemente concentrados em clusters. Essa distinção é crucial, pois áreas com alta aglomeração de serviços, como centros comerciais, universidades ou hospitais, tendem a gerar uma demanda muito maior por VCEs. Os POIs foram classificados em cinco grandes categorias — residenciais, comerciais, de lazer, culturais e de serviços — e 12 subcategorias, permitindo uma análise granular das diferentes funções urbanas.
Para testar a eficácia deste sistema de quantificação, os autores construíram e compararam três modelos de identificação: o Modelo Linear Generalizado (GLM), o Modelo de Floresta Aleatória (RF) e o Modelo Aditivo Generalizado Misto (GAMM). O GLM, embora amplamente utilizado, assume relações lineares entre as variáveis, o que pode não refletir a realidade complexa da mobilidade urbana. O RF, por outro lado, é um modelo de aprendizado de máquina poderoso que pode capturar padrões não lineares, mas é frequentemente considerado uma “caixa preta”, dificultando a interpretação dos mecanismos subjacentes. O GAMM combina o melhor dos dois mundos: oferece flexibilidade para modelar relações não lineares através de funções de suavização, enquanto mantém uma boa interpretabilidade ao incluir efeitos fixos e aleatórios.
Os resultados da comparação foram reveladores. Embora o modelo de Floresta Aleatória tenha apresentado a maior precisão preditiva, medida pelo coeficiente de determinação (R²), ele falhou em explicar adequadamente a autocorrelação espacial dos resíduos. Isso significa que uma parte significativa da variação na demanda ainda não era explicada pelo modelo, indicando que ele não capturava completamente a estrutura espacial do fenômeno. Em contraste, o GAMM não apenas apresentou uma boa precisão preditiva, mas também conseguiu eliminar a autocorrelação espacial dos resíduos em quase todos os períodos analisados. Isso demonstra que o GAMM é superior em explicar a dependência espacial da demanda, tornando suas conclusões mais confiáveis e válidas para fins de planejamento.
Entre os fatores analisados, os atributos das estações foram os que mais influenciaram a demanda. A capacidade de estacionamento mostrou um efeito de limiar claramente definido: até um certo ponto, aumentar a capacidade estimula a demanda, pois os usuários se sentem mais seguros de encontrar um veículo. No entanto, além de um limite crítico — identificado em torno de 70 vagas —, a demanda começa a diminuir. Esse fenômeno pode ser explicado por vários fatores. Primeiro, uma estação muito grande pode aumentar os custos operacionais de forma desproporcional. Segundo, pode dificultar a busca por um veículo, pois os usuários precisam percorrer distâncias maiores dentro da própria estação. Terceiro, pode sinalizar uma oferta excessiva, o que pode desencorajar o uso. Esse achado é crucial para os operadores, que devem buscar um equilíbrio entre a oferta de vagas e a eficiência operacional, evitando tanto a escassez quanto o excesso.
Outro fator crítico dentro dos atributos das estações é a distância entre estações adjacentes. A análise revelou uma relação em forma de U invertido: quando as estações estão muito próximas, elas competem entre si, diluindo a demanda de cada uma. Quando estão muito distantes, criam “zonas mortas” de serviço, onde os usuários não têm acesso conveniente ao sistema. O ponto ótimo de equilíbrio, onde a demanda agregada é maximizada, foi encontrado em torno de 2 quilômetros. Isso fornece uma orientação direta para o planejamento de redes: as estações devem ser suficientemente próximas para garantir cobertura, mas suficientemente distantes para evitar competição interna.
O papel do transporte público também foi analisado com um grau de sofisticação raro. Em vez de assumir uma relação linear de concorrência ou complementariedade, o estudo identificou limiares e relações não lineares. A distância até a entrada do metrô mostrou um padrão particularmente interessante. Dentro de um raio de 2 quilômetros, a presença do metrô tende a reduzir a demanda por VCEs, sugerindo que os usuários preferem o transporte coletivo para viagens curtas e diretas. No entanto, além desse raio de 2 km, a demanda por VCEs aumenta com a distância. Isso revela um potencial crucial: o compartilhamento de veículos elétricos não é um concorrente direto do metrô, mas sim um complemento estratégico. Ele pode preencher as lacunas de serviço em áreas que estão fora do alcance conveniente do sistema de metrô, atuando como um eficaz “serviço de última milha” ou mesmo como uma alternativa para viagens de média distância em regiões mal servidas.
Um achado semelhante foi observado em relação a grandes terminais de transporte, como estações de trem e rodoviárias. A proximidade com esses hubs foi associada a um aumento significativo na demanda, indicando que os VCEs são uma ferramenta valiosa para a integração modal, facilitando a conexão entre o transporte de longa distância e os destinos finais dentro da cidade. Em contraste, a proximidade com o aeroporto mostrou uma correlação negativa com a demanda. Isso pode ser atribuído à presença de serviços de transporte dedicados (taxis, vans) e à localização periférica dos aeroportos, onde o custo e o tempo de viagem tornam o uso de VCEs menos atrativo.
A análise do ambiente construído trouxe insights igualmente valiosos. A intensidade do uso misto do solo, medida pela entropia funcional, exibiu uma relação em forma de U invertido. Níveis moderados de mistura funcional (comercio, moradia, serviços) favorecem o uso de VCEs, pois criam um ambiente dinâmico com múltiplos destinos a curta distância. No entanto, em áreas de alta densidade e uso misto extremo, a demanda começa a cair. Isso pode ser devido à congestão, à escassez de vagas de estacionamento, ou à presença de alternativas de mobilidade muito eficientes, como o próprio transporte público de alta capacidade. Esse resultado desafia a noção simplista de que mais densidade e mix sempre são melhores para a mobilidade compartilhada.
Além disso, a pesquisa identificou que a densidade de locais de entretenimento, a proximidade de universidades e a aglomeração de instalações médicas são fatores positivos e significativos. Isso reforça a ideia de que o compartilhamento de veículos elétricos é particularmente popular para viagens não relacionadas ao trabalho, como lazer, educação e cuidados de saúde. A forte correlação com universidades sugere que o serviço é bem aceito por estudantes, um grupo demográfico chave para a adoção de novas tecnologias de mobilidade.
Do ponto de vista prático, os resultados deste estudo oferecem um guia detalhado para operadores e planejadores urbanos. Os operadores podem usar as descobertas para otimizar o layout de suas redes, ajustando a capacidade das estações com base no limiar identificado e posicionando novas estações a uma distância ideal de 2 km das existentes. Eles podem priorizar áreas fora do raio de 2 km das estações de metrô, perto de terminais de ônibus e trens, e em zonas com alta concentração de universidades e centros médicos. Os planejadores urbanos, por sua vez, podem integrar essas evidências em políticas de transporte sustentável, promovendo o compartilhamento de veículos elétricos como parte de uma rede de mobilidade integrada, especialmente em áreas onde a expansão do transporte público é economicamente inviável.
Em conclusão, a pesquisa de Liao Yang, Luo Xia e Wang Hongjie representa um avanço significativo na compreensão da mobilidade compartilhada. Ao adotar um modelo GAMM e um sistema de quantificação “S-T+S+T+5D” sofisticado, eles conseguiram ir além da mera descrição de padrões e revelar os mecanismos causais subjacentes à escolha do usuário. O estudo demonstra que a gestão eficaz de um sistema de VCEs requer uma abordagem baseada em dados, que considere não apenas a quantidade de veículos, mas também a complexa interação entre espaço, tempo, infraestrutura e ambiente urbano. À medida que as cidades continuam a crescer e se transformar, esse tipo de análise rigorosa será essencial para criar sistemas de transporte mais eficientes, sustentáveis e centrados no usuário.
Liao Yang, Luo Xia, Wang Hongjie, Southwest Jiaotong University, Journal of Transportation Engineering and Information, DOI: 10.19961/j.cnki.1672-4747.2024.05.011