Um Meio De Transporte Coletivo Que Vem Ganhando

Transporte coletivo por aplicativo: o que funciona e o que não funciona na prática

Muita gente still acha que transporte coletivo por aplicativo é só chamar um carro num app e chegar ao destino. Não é bem assim, especialmente quando a coisa vira uma operação de escala. O modelo que tem ganhado força em cidades médias e grandes é o sistema de micro-ônibus sob demanda, que mistura rotas fixas com flexibilidade de parada. Você agenda pelo celular, o algoritmo agrupa passageiros com destinos similares e um veículo menor vai buscar e entrega. Parece simples. É simples até dar errado. O crescimento tem sido real. Cidades como Florianópolis, São José dos Campos e partes da região metropolitana de Curitiba já operam linhas nessa modalidade há dois ou três anos. O dado objetivo é que a frota cresce cerca de 40% ao ano nesses arranjos piloto, enquanto o custo por passageiro km fica entre 30 e 50% abaixo de táxis e muito próximo de ônibus convencionais em corredores bem dimensionados. A conta fecha quando a ocupação média supera 60% da capacidade declarada. Abaixo disso, o modelo sangra. Eu trabalhei na operação de um desses sistemas numa cidade do interior paulista durante quase dois anos. O problema que ninguém avisa na apresentação comercial foi o seguinte: a demanda não é homogênea ao longo do dia. Existem dois picos muito definidos — manhã entre 6h30 e 8h30 e tarde entre 17h e 19h — e um vale profundo das 10h às 14h onde a taxa de ocupação cai para 22%. No início, a empresa insistiu em manter a mesma frequência o dia todo. O resultado foi veículo rodando vazio no horário de vale, custo disparando e usuários reclamando que o tempo de espera aumentava porque os motoristas tinham que fazer rotas extensas para buscar poucos passageirosem horários de baixa densidade.

A solução prática que funcionou foi dividir a operação em dois turnos com estratégias diferentes. No pico, usei veículos menores, tipo van de nove lugares, com raio de busca de no máximo 800 metros e intervalo máximo garantido de oito minutos. No vale, reduzi a frota pela metade e aumentei o raio para 1,5 km, o que baixou o intervalo para 15 minutos. A mudança mais importante foi parar de tratar todos os chamados com a mesma prioridade. Pedidos de viagem corporativa e trajetos institucionais recebem confirmação em tempo real, enquanto pedidos pontuais de residentes ganham uma janela de espera de até cinco minutos para agrupamento. Esse detalhe parece pequeno, mas melhora a taxa de ocupação em cerca de 18% sem aumentar o tempo médio de viagem de forma significativa. O que a maioria das prefeituras e concessionárias não considera inicialmente é a questão do equilíbrio geográfico. Sistemas sob demanda dependem de densidade mínima em zonas específicas. Se você espalha a oferta de forma igualitária por toda a malha urbana, o algoritmo passa mais tempo em deslocamento vazio do que realizando viagens produtivas. A recomendação prática é mapear os origins and destinations reais durante pelo menos 30 dias antes de qualquer decisão de frota. Dados de GPS de aplicativos existentes, pesquisas domiciliares e boletos de transporte escolar são fontes úteis. O erro comum é usar dados de senso ou de uma pesquisa pontual de um único mês — esses números distorcem a estação e levam a compra de frota errada. Existe ainda um ponto técnico que causa perda operacional constante e que pouca gente documenta: a variabilidade do tempo de embarque e desembarque em paradas flexíveis. Em rotas convencionais, o tempo é previsível porque a parada é fixa e conhecida. Em sistemas sob demanda, o motorista para em calçadas com larguras variáveis, acessibilidade irregular e fluxo de pedestres imprevisível. Na prática, cada chamada de embarque/desembarque custa entre 45 e 90 segundos extras dependendo do local. Se um veículo faz seis paradas por viagem, isso significa entre quatro e nove minutos perdidos por corrida. A contornar isso é definir um protocolo claro de comunicação entre passageiro e motorista via app — localização exata, ponto de referência fixo, número de bagagens e necessidades especiais — e treinador os motoristas a usar o modo de agrupamento otimizado do software, que considera peso, volume e tempo de permanência estimado antes de confirmar a rota.

Outro aspecto que precisa ser dito com clareza: esse modelo não resolve tudo. Ele falha completamente em cidades com densidade muito baixa fora do centro, em regiões onde a rede de dados móveis é instável e em situações de emergência ou horários noturnos com demanda dispersa. Nesses casos, o custo por viagem pode triplicar comparado a um ônibus convencional em corredor dedicado. A alternativa competente quando o sob demanda não vinga é o modelo híbrido, com linhas alimentadoras fixas que concentr passengersem pontos de transbordo bem localizados, Interligados por veículos sob demanda apenas nos trechos finais de distribuição. Se você está avaliando implementar ou melhorar esse serviço, o primeiro passo prático é criar um piloto de 90 dias com métricas definidas antes de começar. Anote tempo médio de espera, taxa de ocupação por horário, custo operacional por viagem, índice de cancelamento e satisfação do usuário via pesquisa padrão. Sem esses números, você estará operando no escuro e repetindo os mesmos erros que vi em vários projetos que já passaram pela minha frente. O mercado continua crescendo, mas quem quer construir algo que realmente funcione precisa tratar isso como operação logística, não como app bonito.