Por que a maioria dos planos de mobilidade falha em escalas reais
Eu passei três semanas tentando ajustar um modelo de simulação de fluxo viário para um município do interior de São Paulo. O software ia travar sempre que eu entrava no trecho de divisa entre dois bairros onde os fluxos se comportavam de maneira completamente diferente. O problema não era o código. Era que eu estava tratando movimento convergente e divergente como se fossem a mesma coisa, só que invertido. Na prática, não são. E a diferença custa caro em termos de tempo e precisão quando você está no campo. A gente costuma explicar isso em aulas introdutórias de geografia urbana ou engenharia de transportes como se fosse simples: convergente é tudo indo para o centro, divergente é tudo saindo. Mas a realidade não funciona assim. Existem zonas de transição onde os dois tipos de movimento acontecem simultaneamente, e o software que você usa frequentemente não consegue distinguir isso automaticamente. Você precisa configurar manualmente, e aí começa o trabalho real.
O que movimento convergente e divergente significa de verdade
Movimento convergente descreve o fenômeno em que fluxos de pessoas, veículos ou recursos se concentram em direção a um ponto ou eixo central. Pense no horário de pico de uma cidade média: todo mundo vai para o centro empresarial, para a região dos Shopping, para os hospitais. O fluxo se estreita. A velocidade cai. A densidade sobe. Isso é convergência. Movimento divergente é o oposto. Os fluxos se espalham a partir de um núcleo. É o que acontece no final do expediente, nos horários de saída das escolas, nos finais de semana quando as pessoas saem do centro para bairros residenciais. A densidade diminui, a velocidade aumenta, e a rede de transporte se expande em múltiplas direções.
O que poucos cursores ensinam é que esses dois movimentos compartilham a mesma infraestrutura e competem pelo mesmo espaço em horários diferentes. Um plano que considera apenas um deles vai falhar. A convergência cria gargalos que a divergência não resolve. E a divergência cria vazios de capacidade que a convergência não preenche.
Como eu configurei isso na prática
No projeto que mencionei no início, o problema era um trecho de 2,3 quilômetros na divisa entre os bairros Jardim Paulista e Centro Velho. O software de simulação, um Vissim versão 12, configurava automaticamente todos os fluxos como convergentes quando a densidade populacional do lado centro era maior que a do lado residencial. Mas nos dados de campo, coletados com contadores infravermelhos em seis momentos ao longo de uma semana, eu via que entre 11h e 14h o fluxo era predominantemente divergente: pessoas saíam do centro para almoçar nos bairros vizinhos, e o software classificava aquilo como convergente porque o volume absoluto era maior no sentido centro. A solução foi mais chatinha do que elegante. Eu exportei os dados brutos para o Excel, criei uma coluna nova calculando a razão entre o fluxo bidirecional em cada trecho, e usei um critério simples: se mais de 60 por cento dos veículos em um segmento se moviam em direção oposta ao centro de gravidade populacional, eu marcava como divergente. Depois importei de volta para o Vissim usando um script Python que eu tinha feito há dois anos para outra cidade e que funcionava perfeitamente bem. Levou cerca de quatro horas para rodar a simulação corrigida. A versão errada tinha demorado onze horas e dado um resultado que estava 34 por cento abaixo da realidade observada.
O que ninguém te conta sobre esses modelos
Uma coisa contra-intuitiva que eu aprendi na marra é que movimentos divergentes são muito mais difíceis de prever do que convergentes. A convergência segue padrões quase matemáticos: todo mundo quer chegar ao trabalho, todo mundo quer ir ao hospital, todo mundo quer ao shopping. A divergência é caótica porque depende de escolhas individuais. As pessoas saem para lugares diferentes, em horários diferentes, com destinos imprevisíveis. Isso significa que modelos baseados apenas em dados de telefonia móvel ou GPS de aplicativos tendem a superestimar a convergência e subestimar a divergência. Os dados de celular mostram onde as pessoas estão paradas, não para onde estão indo quando saem. Eu vi isso acontecer em pelo menos cinco projetos diferentes. O resultado sempre era o mesmo: os planejadores subdimensionavam a capacidade de saída das regiões centrais porque os dados não captavam bem o padrão divergente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A outra nuance que as pessoas ignoram é que movimento convergente e divergente não são estados permanentes. Eles se alternam ao longo do dia, da semana e das estações. Um bairro que é puramente convergente às segundas-feiras pode se tornar divergente nos sábados. Um bairro-dormitório na periferia inverte completamente seu comportamento entre semana e nos fins de semana. Se você estiver usando dados de apenas um dia ou uma única estação, seu modelo vai mentir para você.
Limitações que você precisa aceitar antes de começar
Não adianta fingir que esses modelos são perfeitos. Eles não são. O maior problema é que a maioria dos softwares de simulação de tráfego que existem no mercado comercial exige que você defina manualmente as zonas de convergência e divergência. Não existe detecção automática confiável. Você passa mais tempo configurando o modelo do que analisando os resultados. Em projetos grandes, com cidades acima de 500 mil habitantes, eu vejo engenheiros gastando de dois a três dias apenas na fase de configuração dos fluxos, antes mesmo de rodar a primeira simulação. Outro problema real: a precisão dos dados de entrada. Se você usar dados de censos antigos, que no Brasil muitas vezes têm dez ou quinze anos de defasagem, o modelo vai produzir resultados que parecem convincentes mas estão errados. Eu já vi um município inteiro aprovar um plano de mobilidade baseado em dados de 2010, e quando foram comparar com a realidade em 2023, a divergência entre o previsto e o observado era de quase 40 por cento em alguns corredores.
Se você está começando agora e não tem acesso a softwares caros como PTV Visum ou TransCAD, uma alternativa viável é o SUMO, que é gratuito e de código aberto. Ele tem uma curva de aprendizado mais íngreme, mas permite controle manual sobre os parâmetros de convergência e divergência que os softwares comerciais escondem atrás de interfaces simplórias. Para projetos pequenos e médios, com orçamentos apertados, eu recomendo começar pelo SUMO e usar dados abertos do IBGE ou das secretarias municipais de transporte.
Um exemplo concreto de como fazer a leitura certa
Vou descrever um caso simples. Você tem uma avenida de quatro pistas que liga um bairro residencial a um polo empresarial. Entre 7h e 9h da manhã, 85 por cento dos veículos se movem do residencial para o empresarial. Isso é convergência pura. O software deve estar configurado para detectar alta densidade unidirecional nesse horário. Entre 11h e 13h, esse mesmo trecho mostra 60 por cento dos veículos indo no sentido inverso, mas com velocidades médias 25 por cento menores do que no sentido oposto do horário de pico. Isso indica movimento divergente com retenção: as pessoas estão saindo, mas freando para entrar em comércios, escolas, ou serviços pelo caminho. Um modelo que tratasse esse trecho como puramente convergente ou puramente divergente em todos os horários ia errar completamente a previsão de tempo de viagem e de congestionamento.
A leitura correta exige que você divide o dia em janelas de tempo de 30 minutos no máximo, calcule a proporção de fluxo em cada direção para cada janela, e aplique pesos diferentes para convergência e divergência conforme a proporção mude. Não existe fórmula mágica. O que funciona para mim é usar a seguinte regra prática: se a proporção de fluxo em uma direção for maior que 55 por cento, trata-se como convergência. Se ficar entre 45 e 55 por cento, o trecho é de transição e você deve rodar simulações separadas para cada direção e tomar a média. Abaixo de 45 por cento, é divergência. Essa regra não é Teorema. Foi construída com base em calibração manual ao longo de oito projetos diferentes, e funciona razoavelmente bem para cidades de médio porte no contexto brasileiro. Para metrópoles como São Paulo ou Rio de Janeiro, os patamares precisam ser ajustados porque a complexidade dos fluxos é maior.
O que eu posso afirmar com certeza é que Ignorar a distinção entre movimento convergente e divergente custa mais do que gastar algumas horas a mais calibrando o modelo. A diferença entre um planejamento que funciona e um que gera congestionamentos crônicos muitas vezes está exatamente nessa decisão simples de tratar os dois fenômenos como coisas separadas.
