avaliaÇÃo dos resultados obtidos pelo uso estimador … · avaliaÇÃo dos resultados obtidos...
TRANSCRIPT
AVALIAÇÃO DOS RESULTADOS OBTIDOS PELO USO ESTIMADOR KERNEL
PARA A SELEÇÃO DE PONTOS PARA CONTAGEM VOLUMÉTRICA
Cassiano Gustavo Messias1
Lilian da Silva Santos1
Sérgio Adriano Loureiro1
Bruno Vieira Bertoncini2
Oneida Barros Bezerra3
Orlando Fontes Lima Jr1
1Universidade Estadual de Campinas - UNICAMP
2Universidade Federal do Ceará - UFC
3Universidade Federal do Piauí - UFPI
RESUMO
O objetivo desse trabalho foi avaliar os resultados da aplicação do estimador de densidades Kernel, utilizado
para a seleção de pontos de contagem volumétrica em áreas críticas ao transporte urbano de cargas, etapa inicial
à aplicação da modelagem matriz origem-destino (O/D) sintética em Teresina/PI. Para tanto, os resultados do
método Kernel foram comparados com um método alternativo, Pontos por Quadrícula e foi aplicado o Distância Média ao Vizinho Mais Próximo (Rn), para verificar o grau de agregação pontos de Polos Geradores de Tráfego
(PGTs). Foram também identificados os pontos médios de nuvens de pontos, nas áreas com maiores densidades
de PGTs, para a escolha de interseções de vias para a coleta de dados sobre fluxos de carga. A metodologia em
questão apresentou bons resultados, demonstrando que a sua aplicação pode ser indicada para estudos similares.
ABSTRACT
This paper aimed to evaluate results of Kernel Density Estimator, used to select volumetric count traffic points in
critical areas of urban transport loads, which is an initial step to modeling Origin-Destination Synthetic Matrix in
Teresina/PI. Therefore, the results of Kernel method have been compared with an alternative method, Points per
Grid, and is has been applied the Average Distance to Nearest Neighbor (Rn) to verify statistically whether there
is a concentration of Traffic Generators Poles (TGPs). Also have been identified the midpoints in areas with
highest densities of TGPs for selection of routes intersections where will be collect data on cargo flows. The
proposed method had good results and its application could be used for similar studies in transportation.
1. INTRODUÇÃO
O município de Teresina, capital do estado do Piauí, Brasil, é um importante polo regional de
serviços, indústria e comércio da região nordeste brasileira, que cresceu de forma pouco
planejada e apresenta bolsões populacionais muito adensados em regiões carentes de
infraestrutura e serviços, dentre eles o transporte (CLUB, 2013). Uma das ações voltadas para
o Planejamento do Transporte de Cargas nesse município é aplicação piloto da modelagem da
matriz O/D sintética (Santos et al., 2015). Essa modelagem permite estimar fluxos O/D
intercambiados entre zonas de tráfego ou entre regiões de interesse, conforme os critérios a
serem analisados (Willumsen, 1981). Dados para alimentar essa modelagem podem ser
obtidos a partir de métodos tradicionais, como avaliação de fichas de entrega de mercadorias e
pesquisas de contagem volumétricas. Contudo, esses métodos podem ser inviáveis em
diversos casos. Outra dificuldade a se destacar no caso da contagem volumétrica, é que se a
seleção dos pontos para a amostragem for realizada de forma arbitrária, incorre-se no risco de
se obter uma amostra de fluxos de carga com dependência linear, ou seja, redundância de
informações. Assim, a seleção adequada desses pontos, de forma a reproduzir as zonas de
interesse para a modelagem, é uma tarefa fundamental para garantir a aplicabilidade do
modelo e retratar a distribuição de carga na área de interesse (Bertoncini e Kawamoto, 2012).
Diante da indisponibilidade de recursos financeiros para a realização de coletas de dados
sobre fluxos de carga em todos os links da rede de transportes de Teresina, de forma a aplicar
a modelagem da matriz O/D sintética, foi feita uma seleção de pontos para contagem
volumétrica, mediante ao uso de ferramentas de Sistema de Informação Geográfica (SIG),
mescladas com técnica de Estatística Espacial denominada estimador de densidades Kernel.
Santos et al. (2015) selecionaram, em uma área considerada muito crítica ao transporte de
cargas em Teresina, ou seja, locais com grandes concentrações de problemas relacionados à
movimentação de cargas (ver. Messias et al., 2015), 23 pontos para a contagem volumétrica.
O estimador de densidades Kernel, aplicado em ambiente SIG, gera uma interpolação sob as
bases cartográficas (pontos e linhas), demonstrando onde estão alocadas as concentrações de
um determinado evento, em maior ou menor intensidade (Matsumoto e Flores, 2012). Uma
aplicação do estimador de densidades Kernel para a identificação de locais críticos de
acidentes de trânsito em Belo Horizonte/MG foi feita por Teodoro et al. (2014). Esses autores
compararam os resultados obtidos por esse estimador com resultados encontrados com a
aplicação da metodologia tradicional utilizada pelo Ministério dos Transportes, denominada
“PARE”. Concluíram que o estimador de densidades Kernel apresenta bons resultados, e a sua
aplicação é mais simples e prática, se comparada ao PARE. Além disso, apresenta algumas
vantagens, como a geração de mapas temáticos, o que facilita a compreensão dos resultados
tanto para os técnicos quanto para os leigos.
O objetivo principal do presente artigo é avaliar os resultados obtidos pela aplicação do
estimador de densidades Kernel, que foi utilizado para a seleção de pontos de pesquisa de
contagem volumétrica, para fins de operacionalização da modelagem da matriz da matriz O/D
sintética em Teresina. Os objetivos específicos são: 1) comparar os resultados do método
Kernel a partir de um método alternativo, Pontos por Quadrícula; 2) utilizar o Distância
Média ao Vizinho Mais Próximo (Rn) para comprovar se há concentração de pontos de PGTs
na área de estudo; 3) identificar os pontos médios de nuvens de pontos, nas áreas de altas e
muito altas densidades de PGTs, para a escolha de interseções de vias para a coleta de dados
sobre fluxos de carga.
Portanto, para o desenvolvimento desse estudo foram aplicados métodos estatísticos e
técnicas de análise espacial, através do uso de ferramentas em SIG. O ferramental estatístico
pode ser extremamente útil para pesquisadores que trabalham com análise espacial, visto que
esta se apoia em modelos quantitativos e geométricos (Ferreira, 2014). A análise espacial
busca mensurar propriedades e relacionamentos, considerando a localização espacial do
fenômeno estudado. Tais questões estão cada vez mais comuns, devido a SIGs de baixo custo
e interfaces de fácil aplicação (Câmara et al., 2004).
O texto está organizado em cinco seções, que inclui a presente introdução. Na segunda seção
é detalhada a forma como o procedimento de seleção dos pontos de contagem volumétrica foi
realizado em Teresina, objeto da avaliação do presente estudo. Os materiais e os métodos
utilizados no presente estudo são descritos na terceira seção. Na quarta seção são apresentados
os resultados e discussão. Finalmente, na quinta seção são apresentadas as conclusões.
2. A DEFINIÇÃO DOS PONTOS DE CONTAGEM VOLUMÉTRICA EM TERESINA
Teresina possui área da unidade territorial de 1.391,981 km². A sua localização privilegiada
no interior do Piauí lhe confere uma vantagem estratégica com elo das demais capitais
nordestinas com o Norte do Brasil (Figura 1). Estima-se que a sua população em 2014 era de
840.600 pessoas (IBGE, 2014). O município cresceu de forma pouco planejada, resultando
em bolsões populacionais muito adensados em regiões carentes de infraestrutura e serviços
públicos adequados, dentre eles o transporte urbano. Como resultado, existem diversas zonas
e vias nas quais a acessibilidade é considerada crítica para o transporte urbano de pessoas e de
cargas (CLUB, 2013).
Figura 1: Mapa de localização da cidade de Teresina (Messias et al., 2015)
Com o propósito de identificar e avaliar as áreas críticas ao transporte urbano de cargas em
Teresina, Messias et al. (2015) geraram um produto cartográfico a partir de base de dados
espaciais da rede viária, das zonas e as vias de acessibilidade crítica e das vias de
acessibilidade crítica (segundo atores envolvidos no transporte urbano de cargas). Por meio de
um mapa de criticidade, demonstraram que as áreas muito críticas ao transporte de cargas
estão associadas às zonas centrais e à ponte Governador José Sarney, que dá acesso ao
município de Timon/Maranhão/Brasil. As áreas com menor criticidade ao transporte urbano
de cargas se localizam mais afastadas do centro, com criticidades muito baixas nas zonas
periférica (Figura 2.a). Na área delimitada com criticidade muito alta ao transporte urbano de
cargas de Teresina, Santos et al. (2015) identificaram 688 Polos Geradores de Tráfego
(PGTs), ou seja, empreendimentos que atraem ou produzem impactos no sistema viário
(Portugal, 2012; Portugal e Goldner, 2009), com o auxílio do Google Earth, sendo esses: 170,
de Serviços de Alimentação; 492, de Comércio de Mercadorias; e, 26, de Postos de
Combustível (Figura 2.b).
(a) (b)
Figura 2. PGTs identificados na área com criticidade muito alta ao transporte urbano de cargas
(Baseado em Santos et al., 2015)
Nota-se que na área com criticidade muito alta ao transporte urbano de cargas de Teresina há
formação de clusters de PGTs. Utilizando o estimador de densidade Kernel,
Santos et al. (2015) calcularam a densidade dos PGTs nesta área, e realizaram a contagem dos
pontos de PGT dentro de uma região de influência (raio de abrangência), ponderando-os pela
distância de cada um. Para a geração dos mapas de densidade, utilizaram o raio de 100
metros, com a justificativa de que valores de raios menores que estes interpolaram apenas
pontos de maior proximidade, gerando a densidade de áreas muito pequenas; e, por outro
lado, valores de raio maiores interpolaram um alto número de pontos, gerando superfícies
generalizadas.
Santos et al. (2015) aplicaram o classificador de intervalos quebras naturais, segundo o qual
Ferreira (2014) explica que há maior subjetividade com relação a outros, por buscar inserir os
limites das classes em rupturas existentes na série de dados original. Na área com criticidade
muito alta ao transporte urbano de cargas, identificaram 413 interseções de vias, e dessas,
selecionaram 23 para a localização de pontos de coleta de dados sobre fluxos de carga em
Teresina, que na Figura 3 estão ilustradas com círculos roxos, sendo que: 10 circundam a
rede, definindo assim o limite geográfico; e, 13 estão distribuídos no interior da rede, dos
quais 9 estão na região com maior densidade de PGTs.
Figura 3: Densidade de PGTs e seleção de pontos de contagem de tráfego na área mais crítica ao
transporte urbano de cargas em Teresina (Baseado em Santos et. al., 2015)
Esses 23 pontos foram distribuídos dessa forma com o propósito de capturar uma quantidade
maior de fluxos a partir de um número reduzido de pontos representativos, sem gerar
informação redundante (linearmente dependente) proveniente de contagem de tráfego. Assim,
o propósito foi garantir a proposta original de Willunsem (1981) de se empregar um método
capaz de resultar em uma matriz O/D de viagens com mínimo possível de informações. Ou
seja, algo sintético.
3. MATERIAL E MÉTODOS
Para avaliar quantitativamente se de fato há concentração de PGT na área mais crítica ao
transporte urbano de cargas em Teresina, no presente artigo foi feita a aplicação do índice
estatístico Distância Média ao Vizinho Mais Próximo (Rn). Este índice pode ser aplicado a
fenômenos que possuem localizações espaciais discretas, podendo ser mapeados por pontos.
A partir dele, é possível avaliar o grau de agregação ou dispersão de pontos no espaço
(Grossbart et al., 1978). O índice Rn é calculado pela razão entre a distância média de cada
ponto até o ponto vizinho mais próximo (Lo) e a distância média esperada de todos os pontos
(Le):
Rn = Lo
Le
No caso de uma distribuição aleatória, o Rn assume valor igual a 1. Sob condições de máxima
agregação, o Rn assume valor 0. Por outro lado, se há máxima dispersão de pontos, o Rn é
igual a 2,149 e os pontos são distribuídos uniformemente pelo espaço (Clark e Evans, 1954)
(Figura 4). A aplicação foi realizada pela função Average Nearest Neighbor do Spatial
Statistics Tools do ArcMap 10.2.
Figura 4: Modelo de dispersão espacial de pontos, conforme os valores de Rn. (Adaptado de Esri,
2015; e Ferreira, 2014)
Como foi mencionado na seção 2, Santos et al. (2015) calcularam, concomitantemente, a
densidade de todas as classes de PGT. No presente artigo, foi calculada a densidade de cada
classe de PGT, gerando os mapas de densidade de serviços de alimentação, comércio de
mercadorias e postos de combustível. Foi aplicado o estimador de densidades Kernel e raio de
abrangência de 100 metros, o mesmo valor atribuído por Santos et al. (2015).
Para avaliar os resultados obtidos pelo estimador de densidades Kernel, calculou-se a
densidade de PGT por uma segunda técnica, denominada pontos por quadrícula. Esta técnica
é realizada pela sobreposição de uma grade de quadrículas regulares aos pontos e, em seguida,
a contagem dos pontos ocorrentes em cada quadrícula (Ferreira, 2014). Pela função create
fishnet, do ArcMap 10.2, geraram-se células de 100x100m, valor análogo ao raio utilizado
estimador de densidades Kernel. A contagem dos pontos no interior das células foi feita
visualmente e a densidade de pontos por quadrícula calculada no Excel 2010.
Por seguinte, exportou-se as áreas de alta e muito alta densidade de PGT, geradas pelo
estimador de densidades Kernel, para as três classes concomitantemente. Essas áreas foram
utilizadas como máscara para exportar os pontos existentes. Esta nuvem de pontos apresenta
duas dimensões, representadas pelas coordenadas X e Y. Deste modo, pôde-se calcular as
médias destas, formando um par de coordenadas denominado centro médio (Ferreira, 2014).
Em ambiente SIG, foi calculado o centro médio de nuvem de pontos, pela função Mean
Center.
4. RESULTADOS E DISCUSSÃO
Como mencionado, Messias et al. (2015) definiram áreas críticas ao transporte de cargas em
Teresina e, em seguida, Santos et al. (2015) mapearam os PGT na área mais crítica.
Buscando comprovar a ocorrência de concentração de PGT nessa área, foi utilizado o índice
estatístico distância média ao vizinho mais próximo (Rn), que baseia na concepção de que
(1)
processos aleatórios não produzem padrões espaciais uniformes, esperando-se que estes
produzam alguns clusters (Grossbart et al., 1978). Esse índice possibilita avaliar a agregação
e dispersão de pontos no espaço, e reflete em diferentes graus de organização espacial,
fornecendo pistas para investigação geográfica (Ferreira, 2014).
Os PGTs são empreendimentos de grande porte e que produzem grandes números de viagens
(DENATRAN/FGV, 2001), portanto, pode-se afirmar que quanto mais concentrados em uma
determinada área, maiores serão os reflexos negativos na circulação viária em seu entorno.
Desta maneira, o índice Rn permitiu avaliar o padrão de distribuição dos PGTs na área mais
crítica ao transporte de cargas em Teresina (Tabela 1). Tabela 1: Aplicação do índice distância média ao vizinho mais próximo (Rn) nos PGT localizados na
área crítica ao transporte de cargas em Teresina-PI
Classe Nº de pontos Rn Padrão de dispersão
1-Serviços de alimentação 170 0,777 Agregado
2-Comércios de mercadorias 492 0,556 Agregado 3-Postos de gasolina 26 1,172 Aleatório
1, 2 e 3 – Todas as classes 688 0,566 Agregado
Verifica-se pela aplicação do índice Rn que comércio de mercadorias é a classe de PGT que
mais se arranjam de maneira agregada (Rn = 0,556). Esses são os empreendimentos mais
representativos da região estudada, sendo identificados 492 pontos e densidades que variam
entre 0 e 1575,7 pontos/Km2 (Figura 5.b). Estes empreendimentos se concentram
principalmente na porção centro-oeste, sendo que as áreas de densidade muito alta se
localizam na Rua Rui Barbosa, entre os cruzamentos com as ruas Álvaro Mendes e Félix
Pacheco e Rua Lisandro Nogueira, entre a Simplício Mendes e Barroso. Nestes locais, há
comércios de eletrodomésticos, vestuário, higiene, atacados, entre outros. É importante
destacar, no bairro Piçarra, porção centro-leste, que a Avenida São Raimundo, mesmo estando
fora do centro da cidade, possui grande adensamento de lojas de materiais de construção.
As áreas de densidades altas estão geralmente no entorno dos locais com densidade muito
alta, na zona centro-oeste. Verificaram-se altas densidades também ao sul, na Avenida Barão
de Gurguéia, em proximidades com os cruzamentos da Avenida Joaquim Ribeiro e a Rua
Benjamim Batista, devido à concentração de lojas serviços automotivos. As densidades baixas
e muito baixas estão geralmente espalhadas pela porção leste, local em que há menor número
destes empreendimentos.
Os serviços de alimentação, também apresentam padrão de dispersão agregado, de modo que
o Rn da classe é de 0,777. Identificaram-se 170 pontos destes estabelecimentos pela área de
estudo, os quais estão adensados entre 0 e 583,7 pontos/Km2 (Figura 5.b). Estes serviços se
aglomeram em densidades muito altas em algumas áreas específicas, tais como trechos das
ruas Senador Teodoro Pacheco e Álvaro Mendes, na região centro-oeste e da Avenida
Campos Sales, ao norte. Além disso, há destaque para um trecho da Avenida Frei Serafim, na
pista que vai da ponte Frei Serafim em direção ao centro. As classes restantes se distribuem
por todas as áreas, especialmente na região central, onde estão localizados restaurantes, bares
e lanchonetes.
Figura 5: a) Densidade de serviços de alimentação; b) Densidade de comércio de mercadorias; c)
Densidade de postos de combustível; d) Densidade de polos geradores de tráfego em Teresina, pelo
estimador de densidades Kernel
Os postos de combustível têm o Rn de 1,172, valor maior e próximo de 1, o que demonstra
que não há a formação de grandes clusters na região estudada. Quando o valor é igual ou
próximo de 1, o padrão é aleatório e independe das características locacionais (Ferreira,
2014). Além do mais, os postos ocorrem em menor expressividade, sendo identificados
apenas 26 estabelecimentos, adensados entre 0 e 199,5 pontos/Km2 (Figura 5.c). Contudo,
mesmo que em menores densidades, com relação às classes de PGT anteriormente discutidas,
encontram-se postos de combustível aglomerados em certos locais. Exemplo disso ocorre nas
proximidades de cruzamentos da Avenida Rui Barbosa com São Pedro e Joaquim Ribeiro, ao
sul, assim como Avenida Miguel Rosa com Santa Luzia e Frei Serafim com Miguel Rosa, a
leste. Há outros postos aleatoriamente distribuídos por toda a área, porém sem grandes
concentrações. Se forem consideradas todas as classes concomitantemente em um único mapa
de densidades, é obtido o Rn de 0,566, ou seja, o padrão de distribuição é considerado
agregado. Obtém-se um total de 688 estabelecimentos e as densidades dos mesmos no espaço
variam entre 0 e 1.573,7 pontos/Km2
(Figura 5.d).
As áreas de densidade muito alta se localizam na região central, na Rua Rui Barbosa, em
cruzamentos com as ruas Álvaro Mendes e Félix Pacheco e Rua Lisandro Nogueira, quando
esta cruza com a Simplício Mendes e Barroso, assim como na Avenida São Raimundo, no
bairro Piçarra. Neste caso, há a formação de áreas com densidades altas distribuídas por toda a
área, o que ocorre pela concentração das três diferentes classes de PGTs. No entanto, pode-se
afirmar que os maiores clusters estão agrupados na zona centro-oeste. Para avaliar a
confiabilidade do estimador de densidades Kernel para identificação de áreas de concentração
e dispersão de PGT na área estudada (Figura 6.a), foi calculada a densidade de pontos por
quadrícula (Figura 6.b).
Figura 6: a) Densidade de polos geradores de tráfego em Teresina, pelo estimador de densidade
Kernel (Adaptado de Santos et al., 2015). b) Densidade de PGT por quadrícula, de PGTs em Teresina
Este produto apresenta a densidade de PGT em células regulares de 100x100m. O método
demonstra que as altas e muito altas concentrações de PGTs estão situadas a centro-oeste.
Além disso, destaca a área densidade muito alta na Avenida São Raimundo, assim como altas
densidades na Avenida Barão de Gurguéia, Frei Serafim, Campos Sales, entre outras. Regiões
de média, baixa e muito baixa densidade também são destacadas por toda a região, assim
como ocorre no mapa gerado pelo estimador de densidades Kernel.
Desta maneira, verifica-se que o estimador de densidades Kernel se mostrou eficaz para o
mapeamento da densidade de pontos de PGT distribuídos no espaço. Deve-se destacar que o
SIG utilizado não possibilita a aplicação de diferentes funções de estimação (gaussiana,
quártica, triangular, exponencial etc). Esta é uma restrição desta pesquisa, visto que as
diferentes formas de cáculo poderiam alterar o desempenho do modelo.
Após verificar que há concentração de PGTs em certos locais, pelo índice distância média ao
vizinho mais próximo e espacializadas as áreas de alta e muita alta densidade, é identificada a
localização do centro médio de pontos nestas áreas. O centro médio de pontos pode auxiliar
na escolha de pontos para coleta de dados sobre fluxos de cargas (Figura 7).
Figura 7: Cálculo do centro médio de pontos de PGTs, nas áreas de alta e muito alta densidade de
PGTs, na área crítica ao transporte de cargas em Teresina
Percebe-se que os pontos para a coleta são distribuídos com a finalidade de capturar a maior
quantidade de viagens, a partir da menor quantidade de pontos, representativos e que não
gerem informações redundantes (linearmente dependentes) provenientes de contagem de
tráfego.
5. CONCLUSÃO
Esse trabalho alcançou o seu objetivo principal que foi avaliar os resultados obtidos a partir da
aplicação do estimador de densidades Kernel para a seleção de pontos de contagem
volumétrica. Foi utilizado o índice Rn para verificar o padrão de distribuição dos PGTs na
área crítica ao transporte de cargas. Foram comparados os resultados obtidos pelo método
Kernel, para o cálculo da densidade de PGTs, a partir de um método alternativo, Pontos por
Quadrícula. Foram calculados os pontos médios da nuvem de pontos de áreas com alta e
muito alta densidade de PGT. Estes resultados correspondem a primeira etapa da aplicação
modelagem da matriz O/D sintética de cargas no município de Teresina/PI.
A aplicação do índice Rn demonstrou que classes de PGTs, como serviços de alimentação e
comércio de mercadorias, apresentam padrão de distribuição agregado, formando grandes
clusters em determinados locais. Já a classe postos de combustível se arranja em um padrão
aleatório, ocorrendo por toda a área sem grandes concentrações. O estimador de densidades
Kernel e Pontos por Quadrículas apontaram locais de concentração e dispersão de PGT, os
quais são distintos conforme cada classe. Por fim, a identificação dos pontos médios de
nuvens de pontos, nas áreas de altas e muito altas densidades de PGTs, poderá auxiliar a
escolha de interseções de vias para a coleta de dados sobre fluxos de carga.
A aplicação do método de densidade de Pontos por Quadrículas comprovou a eficácia do
estimador de densidades Kernel, reafirmando também que as maiores densidades de PGT
ocorrem, em grande parte, na região centro-oeste. A escolha do raio de 100 metros e do
classificador de intervalo quebras naturais foi essencial para a obtenção de resultados precisos
nos mapas geradores pelo estimador de densidades Kernel, já que as áreas de concentração e
de dispersão de pontos são similares às identificadas pelo método Pontos por Quadrícula.
A aplicação de modelos estatísticos e técnicas de Análise Espacial em SIG subsidiaram a
geração de índices e produtos cartográficos, que permitiram a caracterização de áreas críticas
ao transporte de cargas em Teresina. Estes resultados serão utilizados como subsídios para
ações voltadas para o Planejamento de Transporte de Cargas desse município.
No caso de adotar o uso do estimador de densidades Kernel para a definição de pontos de
coleta de dados para contagem volumétrica, sugere-se que o pesquisador tenha especial
atenção ao escolher o raio e o classificador de intervalos, pois diferentes resultados poderão
ser obtidos conforme os valores aplicados. Além disso, é recomendável utilizar um segundo
método de análise, de forma a complementar o mapeamento realizado pelo estimador de
densidades Kernel e de avaliar os resultados obtidos por ele.
AGRADECIMENTOS Os autores agradecem ao Conselho Nacional de Desenvolvimento Científico e Tecnológico -CNPq, ao CLUB –
Centro de Logística Urbana do Brasil e ao Laboratório de Aprendizagem em Logística e Transportes – LALT
pelo auxílio à pesquisa.
REFERÊNCIAS BIBLIOGRÁFICAS Bertoncini, B. V. e E. Kawamoto (2012) Modelagem da matriz OD sintética a partir dos volumes observados nas
interseções da rede de transportes. Transportes, v.20, n2, pp. 75-83.
Câmara, G. e M.S. Carvalho (2004) Análise de processos pontuais. In.: Druck, S.; Carvalho, M.S.; Câmara, G.;
Monteiro, A.V.M. (eds). Análise Espacial de Dados Geográficos. Brasília, DF.
Clark, P. J.; Evans, F. C. (1954) Distance to Nearest Neighbor as a measure of Spatial relationship in
populations. Ecology, , v. 35, p. 45-53.
CLUB – Centro de Logística Urbana do Brasil (2013) Debates Sobre Logística Urbana Brasileira. Grupos
Focais. Relatório Técnico Teresina (PI). Disponível em
http://www.clubbrasil.org/observatorio/relatorios.html. Acesso em: 01 de jul. 2015.
DENATRAN/FGV - Departamento Nacional de Trânsito/Fundação Getúlio Vargas (2001). Manual de
procedimentos para o tratamento de pólos geradores de tráfego. Disponível em
<http://www.denatran.gov.br/publicacoes/download/PolosGeradores.pdf> Acesso em: 21 de set. 2015. ESRI - Environmental Systems Research Institute (2015) Help. Disponível
em: http://resources.arcgis.com/en/help/. Acesso em: 01 de jul. 2015.
Ferreira, M.C. (2014) Iniciação à análise geospacial: teoria, técnicas e exemplo para geoprocessamento. 1. ed.,
Editora Unesp, São Paulo, SP.
Grossbart, S.L.; Mittelstaedt, R.A. e G.W. Murdock (1978) Nearest Neighbor Analysis: Inferring Behavioral
Processes From Spatial Patterns", in NA - Advances in Consumer Research Volume 05, eds. Kent Hunt,
Ann Abor, MI : Association for Consumer Research, Pages: 114-118.
IBGE - Instituto Brasileiro de Geografia e Estatística (2014). Cidades: Piauí>Teresina. Disponível em:
http://cidades.ibge.gov.br/xtras/perfil.php?codmun=221100. Acesso em: 01 de jul. 2015.
Matsumoto, P. S. S. e E. F. Flores (2012) Estatística Espacial na Geografia: Um Estudo dos Acidentes de
Trânsito em Presidente Prudente – SP. Departamento de Geografia da FCT/UNESP, Presidente Prudente, SP.
Messias, C.G., Santos, L.S., Loureiro, S.A., Bertoncini, B.V., Lima Jr., O.F. e O.B. Bezerra (2015) Técnicas de
análise espacial aplicadas em Sistemas de Informações Geográficas (SIG), para a identificação de áreas
críticas ao transporte de cargas em Teresina – PI – Brasil. Anais do XV Encuentro de Geógrafos de
América Latina, EGAL, La Habana, Cuba.
Portugal, L. S. (Org.). Polos Geradores de Viagens orientados à Qualidade de Vida e Ambiental: Modelos e
Taxas de Geração de Viagens. 1. ed. Rio de Janeiro: Interciência, 2012. v. 1. 708p .
Portugal, L.S., Goldner, L.G. (2009) Estudo dos pólos geradores de tráfego e de seus impactos nos sistemas
viários e de transportes.
Santos, L.S.; Messias, C.G., Loureiro, S.A., Bertoncini, B.V., Bezerra, O.B., Lima Jr., O.F (2015)
Methodological proposal for identification data collection points on cargo flows: a contribution to matrix freight flow models. Anais do XIV International Conference on Computers in Urban Planning and Urban
Management, CUPUM, Cambridge, MA, EUA.
Teodoro, A.G.; Alcântara e H.M. Barbosa (2014) Comparação entre dois métodos para identificação de locais
críticos de Acidentes de trânsito. Anais do XXVIII Congresso de Pesquisa e Ensino em Transportes,
ANPET, Curitiba, PR.
Willumsen, L.G. (1981) Simplified transport models based on traffic counts. Transportation, n. 10, p. 257-278.