Kurs om trafikprognoser

Transkript

1 Kurs om trafikprognoser

2 Tid 1 december KAFFE Välkomna! Inledning välkomna (Ida) Ida Kristoffersson Vad är en trafikprognos? Karin Brundell-Freij Hur kan trafikprognoser användas av planerare? LUNCH Maria Börjesson Trafikprognoser i samhällsekonomiska kalkyler Carl-Henrik Sandbreck Att använda Sampers som backcasting-verktyg KAFFE Jonas Eliasson Tunnelbaneanalyser Diskussion i smågrupper Grupperna formulerar minst en fråga till någon av föredragshållarna Diskussion i storgrupp Föredagshållare tillgängliga Avslut

3 Vad är en trafikprognos? Trafikprognoser används för att förutsäga resandets utveckling och för att utreda vad som händer vid ändringar Bygga ny väg/spår Ny markanvändning Införa trängselavgifter Oftast görs flera prognoser: Nuläge, prognosår JA jämförelsealternativ för prognosår utan åtgärd UA1, UA2, UA3 - utredningsalternativen med olika åtgärder/olika utformning av åtgärder

4 Dataunderlag för en bra trafikprognos Bra trafikprognoser kräver stora mängder data om samhället och trafiken Statistik från SCB och Långtidsutredningens analyser av ekonomisk utveckling på lång sikt (15-20år) Befolkning per zon Sysselsättning Arbetsplatser BNP-tillväxt Bränsleskatt Resvaneundersökningar (RVU:er) data om resbeteenden Trafiknätskodning (NVDB) För att genomföra prognoserna används trafikmodeller

5 Trafikmodeller Många olika trafikmodeller finns vilken modell som är bäst lämpad beror på frågeställningen Detaljeringsgrad i nätverket Mikro Meso Makro Hur tid hanteras Statisk/dynamisk Efterfrågan Fast/elastisk

6 Trafikmodeller Efterfrågan+nätutläggning Sampers (Emme) Lutrans (Emme) Visum Sims (Emme) Nätutläggning Emme Dynameq Contram Vissim Transmodeler Mezzo Visum Samhällsekonomi Samkalk Eva Sams GC-kalk

7 Sampers Nationella modellen för persontransporter Statisk makro-modell med elastisk efterfrågan Fem regionala modeller med tillsammans drygt 9000 områden Nationell modell med 700 områden

8 Sampers Regionala modeller Fem regioner: 1. Samm 2. Väst 3. Syd 4. Syd-öst 5. Palt Fem färdmedel: 1. Bil som förare 2. Bil som passagerare 3. Kollektivtrafik 4. Gång 5. Cykel Sex ärenden: 1. Arbete 2. Tjänste 3. Skola 4. Besök 5. Fritid 6. Övrigt Väst Syd Syd-öst Palt Samm

9 Sampers Modellerade resbeteenden Resgenerering Val av resa / inte resa Färdmedelsval Val mellan bil_f, bil_pass, koll, gång eller cykel Destinationsval Val av målområde Ruttval - Val av resväg (Emme)

10 Sampers Modellegenskaper Bostadsbaserade tur-och-retur-resor (förutom arbetsplatsbaserade tjänsteresor) Tillgångsvariabler modeller för bilinnehav, körkort Fasta matriser för gods- och yrkestrafik Dygn, morgon- och eftermiddagsrusning Inget val av tidpunkt, inga reskedjor, inga kombinerade färdmedel

11 Sampers Resultat Antal resor mellan olika områden per ärende och färdmedel Länkflöden antal fordon/passagerare per väglänk/kollektivtrafiksträcka Restider mellan områden Överflyttning mellan trafikslag Trafikmodeller ger indata till samhällsekonomiska kalkyler

12 Sampers Körtider Dagens Sampers tar ett knappt dygn att köra Samm längre för Väst Noggrant välja ut vilka scenarier som ska köras

13 Sampers - Styrkor Avancerad efterfråge-modell med många socio-ekonomiska attribut Nygenererad trafik Trafikslagsövergripande Bred geografisk täckning Samlat i ett modellsystem

14 Sampers Svagheter Bilträngsel i storstäder Ingen tidsdimension och därmed inget val av tidpunkt för resa Reskedjor modelleras inte Kollektivtrafik som ett färdmedel (skiljer inte på buss/spårburen trafik) Ingen trängsel ombord på kollektivtrafiken Ingen kombination av färdmedel under resa utöver gång-koll Nätkodningen är grov på många håll Gång- och cykelnäten är inte inkodade (använder bilnätet för avståndsberäkning)

15 Exempel Sampers fungerar bra Design av trängselskatt i Stockholm och Göteborg Placering och nivåsättning av trängselskatt Svårt att designa trängselskatt Många överlappande effekter svårt även för experter att förutsäga effekter trafikmodell behövs Flödesändring på omväg i Gbg Mätning Modell Björlandavägen -1% -2%

16 Exempel Sampers fungerar bra Flödesminskning över tullring i Göteborg Mätningar Modell Morgonrusning -12% -11% Eftermiddagsrusning -12% -11% Icke-rusningstid -10% -7% Dygn -10% -9% West, J., M. Börjesson, and L. Engelson Forecasting Effects of Congestion Charges. CTS Working Paper. Sampers fungerar tillräckligt bra som designverktyg för placering och nivåsättning av trängselavgifter

17 Restidsförändring Exempel Sampers fungerar inte så bra Restidsvinster under morgonrusningen p.g.a. trängselskatt i Stockholm (Trängselsituation!) 10% 0% -10% -20% -30% -40% -50% -60% Uppmätt Makromodell -70%

18 Sampers utveckling pågår Fler ärenden 12st Skattad på nyare data Nya körkorts- och bilinnehavsmodeller Ny resgenerering Helt ny implementering av koden i C# Snabbare körningar Lättare att förvalta och utveckla 1. Arbete 2. Tjänste 3. Grundskola 4. Gymnasium 5. Vuxenutbildning 6. Besök 7. Fritid 8. Dagligvaruinköp 9. Sällaninköp 10. Skjutsa 11. Service/Barntillsyn/Vård 12. Övrigt

19 Kan man lita på trafikprognoser? Ja förutsatt: Rätt prognosförutsättningar (ekonomisk utveckling, turtätheter, biljettpriser m.m.) Rätt trafiknätskodning Prognosmodellen är gjord för att hantera den aktuella åtgärden

20 Trafikprognoser Mer läsning för den intresserade Algers, S., L.-G. Mattsson, C. Rydergren, and B. Östlund Sampers: Erfarenheter Och Utvecklingsmöjligheter På Kort Och Lång Sikt. WSP Analys och Strategi Trafikprognoser - En Introduktion För Den Nyfikne. 0nyfikne.pdf