Fördelningseffekter av trängselavgifter

Transkript

1 Fördelningseffekter av trängselavgifter - en utredningsmetod samt fallstudie i Stockholm 700 kr 600 kr 500 kr 400 kr 300 kr 200 kr 100 kr 0 kr -100 kr -200 kr -300 kr Låg inkomst Medelinkomst Hög inkomst Netto om lika återbäring Netto om intäkter till kollektivtrafik Netto om sänkt skatt

2 Förord Vägavgifter är ett styrmedel som har diskuterats under lång tid i Sverige och internationellt. Frågan har nyligen fått förnyad aktualitet, inte minst i Stockholm där ett fullskaligt försök är planerat att genomföras inom kort. Även om de praktiska erfarenheterna än så länge är relativt begränsade är forskningen om vägavgifter omfattande. En av de viktigaste frågorna när konsekvenserna av ett avgiftssystem ska analyseras är vilka fördelningseffekter det ger. Denna fråga är dock betydligt mindre väl utforskad, och det har dessutom hittills saknats goda metoder för att göra sådana studier. Med fördelningseffekter avses hur olika samhällsgrupper påverkas av avgiftssystem det kan t ex gälla olika inkomstgrupper, hushållstyper, åldrar eller geografiska områden. Detta är förstås en viktig del av beslutsunderlaget. I regel behöver varje enskilt fall analyseras för sig, eftersom generella slutsatser, giltiga för alla städer och avgiftssystem är svåra eller omöjliga att dra. Vilka fördelningseffekterna blir hänger nämligen på dels på avgifternas utformning, dels på resmönster och befolkningsfördelning i utgångsläget. Syftet med detta forskningsprojekt har därför varit att utveckla en metod för att beräkna fördelningseffekter av vägavgiftssystem. Beräkningsmetoden ska sedan någorlunda enkelt kunna användas för att analysera och jämföra effekterna av olika system. Projektets andra syfte har varit att tillämpa metoden på ett konkret vägavgiftssystem. På så sätt illustreras hur beräkningarna av de olika måtten utförs. Resultaten kan också förväntas vara av stort intresse vid fortsatta diskussioner om hur eventuella verkliga avgiftssystem bör utformas. Forskningsprojektet har finansierats av Vinnova och Vägverket, och har genomförts av Transek AB i samarbete Institutionen för infrastruktur, KTH. Det huvudsakliga arbetet på Transek har utförts av Jonas Eliasson, Carl-Henrik Johansson och Joakim Köhler. Jonas Eliasson och Mattias Lundberg har skrivit rapporten, och Marika Jenstav har varit projektledare. Från KTH har professor Lars-Göran Mattsson medverkat. Stockholm i november 2003 Marika Jenstav, vd Transek AB 2

3 Innehållsförteckning FÖRORD 2 SAMMANFATTNING 6 Syfte och avgränsningar... 6 Metodik... 7 Resultat från fallstudien INLEDNING Bakgrund Syfte Avgränsningar Kortfattad metodbeskrivning Läsanvisning Terminologi DEL 1: METOD FÖR ATT ANALYSERA FÖRDELNINGSEFFEKTER 1 PROBLEMBESKRIVNING Dagens trafikmodeller och enstaka gruppers resande Aggregerade respektive sample-baserade dataunderlag En nyutvecklade resefterfrågemodell METOD FÖR BERÄKNING AV FÖRDELNINGSEFFEKTER Beräkning av resandeprognos med SAMPERS/GR-modellerna Beräkning av totala välfärdseffekter Beräkning av variationen inom en viss grupp DEL 2: EN FALLSTUDIE I STOCKHOLM 1 ANALYSERAT SYSTEM Utgångspunkter för val av fallstudie Analyserade scenarier Övriga analysförutsättningar

4 2 ÖVERGRIPANDE TRAFIKEFFEKTER Antal resor och trafikarbete Flaskhalsar Kostnadsförändringar FÖRDELNINGSEFFEKTER - INLEDNING 60 4 KVINNOR OCH MÄN Dagens resande Förändringar av resandet Restidsvinster och betalning av avgift Effekt efter återföring av intäkter INKOMST Dagens resande Förändringar av resandet Restidsvinster och betalning av avgift Effekt efter återföring av intäkter HUSHÅLLSTYPER Dagens resande Förändringar av resandet Restidsvinster och betalning av avgift Effekt efter återföring av intäkter SYSSELSÄTTNING Dagens resande Förändringar av resandet Restidsvinster och betalning av avgift Effekt efter återföring av intäkter RESANDE MELLAN OMRÅDEN Resande mellan områden i utgångsläget Avgifternas påverkan på resmönster Reskostnader Nettoeffekter SLUTSATSER 110 REFERENSER 113 TABELLBILAGA 114 Resande enligt RES

5 Modellberäknat resande i utgångsläget - kalibreringsunderlag Modellberäknat resande utgångsläge Scenario 1 ingen avgift på Essingeleden Scenario 2 avgift även på Essingeleden

6 Sammanfattning Syfte och avgränsningar Trängselavgifter är ett styrmedel som har diskuteras under lång tid i Sverige och internationellt. Argumenten för avgifterna har dels varit att finansiera investeringar i infrastruktur, dels att minska trafiken i innerstaden, dels att bidra till att minska trängselproblemen genom en trafikstyrande utformning av avgifterna. Syftet med detta forskningsprojekt har varit att analysera vilka fördelningseffekter trängselavgifter har. Med fördelningseffekter menas hur olika samhällsgrupper olika inkomstgrupper, hushållstyper, åldrar, geografiska områden osv. påverkas. Projektets ena syfte har varit att utveckla en metod för att beräkna fördelningseffekter av vägavgiftssystem. Avsikten har varit att utveckla en beräkningsmetod som sedan kan användas för att analysera och jämföra effekterna av olika system. Beräkningsmetoden kan även användas för att analysera fördelningseffekter av andra åtgärder i transportsystemet, som t ex investeringar i kollektivtrafik eller vägar. Projektets andra syfte har varit att tillämpa beräkningsmetoden på ett konkret vägavgiftssystem en fallstudie. Fallstudien är ett hypotetiskt avgiftssystem för Stockholm. De kvantitativa resultaten beror på hur systemet utformas. Slutsatserna är därför inte nödvändigtvis giltiga för ett godtyckligt avgiftssystem, och framför allt inte för andra orter om dessa har betydande skillnader i resmönster och tillgänglighetsförutsättningar. Men avgiftssystemet har utformats för att vara någorlunda realistiskt, på så sätt att det överensstämmer med de flesta tidigare förslag till trängselavgiftssystem för Stockholm på de väsentligaste punkterna 1. Fokus i detta projekt har legat på att beskriva konsekvenser för olika grupper av individer. Det betyder att en mängd konsekvenser ligger utanför ramen för detta projekt. Bland annat behandlas inte konsekvenser för kollektivtrafik eller yrkestrafik. 1 Det analyserade systemet påminner mycket om det förslag som just nu (hösten 2003) planeras i Stockholm, men är inte identiskt. 6

7 Rapporten består av två delar. I del 1 redovisas metodiken. I del 2 presenteras resultaten av fallstudien. Metodik Befintliga trafikanalysmodeller är inte lämpade för fördelningseffektanalyser av två skäl. För det första tar befintliga trafikmodeller inte tillräcklig hänsyn till skillnader i olika gruppers resbeteende, t ex det faktum att höginkomsttagare reser med bil i större utsträckning. För det andra återspeglar inte modellernas dataunderlag skillnader i olika gruppers resförutsättningar, t ex att höginkomsttagare har tillgång till bil i större utsträckning. I detta forskningsprojekt har en beräkningsmetod utvecklats som löser dessa två problem. Metoden kan mycket kort sammanfattas enligt följande. 1. Trafikmodellen SAMPERS används för att ta fram hur trafiken förändras av trängselavgifterna, och därmed hur restiderna med bil förändras. 2. Bilrestiderna utan respektive med trängselavgifter (samt en del ytterligare data) stoppas in i en nyutvecklad modell som bättre förmår hantera olika gruppers resande (kallad GR-modellen ). 3. GR-modellen används för att prognosera olika gruppers resmönster. 4. Ur GR-modellen kan man slutligen plocka ut resandet för godtyckliga grupper av individer, t ex kön eller inkomstklasser. GR-modellen är en s k sample enumeration -modell, vilket betyder att den prognoserar resandet för en lång lista av individer. Varje individ beskrivs av bl a bostadsort, bilinnehav, inkomst, kön osv. Genom att summera alla individer som tillhör en viss grupp får man genomsnittliga effekter för denna grupp. Skälet till detta förfarande är att SAMPERS styrka är att prognosera förändringar av aggregerade fenomen, som t ex hur många bilar som går på en viss väg, medan GRmodellens styrka är att den förmår att detaljerat återspegla skillnader i olika gruppers resande och hur detta resande förändras av (i detta fall) förändrade reskostnader och restider till följd av trängselavgifterna. Förfarandet löser också problemet med modellernas relativa svagheter: i SAMPERS fall att olika gruppers resande inte återspeglas tillräckligt korrekt, och i GR-modellens fall att den inte kan prognosera aggregerade fenomen som t ex förändrade restider på grund av minskad trängsel i vägnätet. Den sammanlagda välfärdseffekten av avgifterna för en individ (eller grupp) är summan av förändringarna i restid, reskostnad och resmönster. Nettoeffekten beräknas med s k 7

8 rule-of-a-half. För att få konsistens mellan välfärdsberäkning och prognoserat resbeteende används varje individs modellberäknade tidsvärde, dvs. det tidsvärde som impliceras av bl a parametervärden, inkomst, kön och ärende. Liksom alla prognosmodeller innehåller även de modeller som använts i detta projekt osäkerheter. I detta sammanhang är sannolikt de mest betydelsefulla urvalsosäkerheten samt att trafikmodellen inte beaktar förändrade restidpunkter. Resultat från fallstudien Med fördelningseffekter av trängselavgifter menas hur olika samhällsgrupper påverkas av avgifternas direkt och indirekt. Avgifterna påverkar trafikanterna på fyra olika sätt: - De som reser med bil på avgiftsbelagda platser och tider får högre reskostnader. - Somliga anpassar sitt resande till följd av avgifterna (t ex genom att välja andra restidpunkter eller färdmedel än tidigare). - Att trängseln minskar till följd av avgifterna ger kortare restider. (Det är också tänkbart att vissa trafikanter får längre restider på grund av att andra trafikanter ändrar restid, resväg osv.) - De flesta trafikanter får (normalt) på ett eller annat sätt del av intäkterna när dessa används till att t ex förbättra vägar eller kollektivtrafik. Det är nettoeffekten av dessa fyra effekter för den enskilde trafikanten som avgör om denne är en vinnare eller förlorare på systemet. Anpassningskostnader och restidsvinster får då översättas till kronor så att de kan jämföras med avgifter och intäkter. Vad är då de avgörande faktorerna för nettoeffekten för en viss grupp? Studien bekräftar två allmänna slutsatser från internationell forskning: De avgörande faktorerna är resandet i utgångsläget samt hur intäkterna används. Att resandet i utgångsläget är en avgörande faktor betyder att de grupper som t ex kör mycket bil i innerstaden också är de som kommer att påverkas mest. Det är alltså av mindre betydelse att t ex låginkomsttagare är kostnadskänsligare än höginkomsttagare: det är ändå höginkomsttagarna som minskar sitt bilresande mest, eftersom dessa reser mer med bil i utgångsläget. Den kanske viktigaste allmänna slutsatsen av studien är att det framför allt är intäktsanvändningen som avgör vad nettoeffekten blir för olika grupper. Tre hypotetiska 8

9 exempel används för att illustrera vilken avgörande effekt olika sätt att använda intäkterna har för fördelningseffekterna: - intäkterna delas lika mellan alla invånare i länet - intäkterna går till kollektivtrafik - intäkterna används till att sänka skatten. Detta är givetvis bara exempel på olika sätt att använda intäkterna. Hur intäkterna används är en politisk fråga. Analyserat avgiftssystem i fallstudien Två scenarier har analyserats, ett med avgift på Essingeleden och ett utan. De kvantitativa resultaten är hämtade ur scenariet med avgift på Essingeleden. Resultaten för det andra scenariet är snarlika. Avgift tas ut dagtid på vardagar, och är högre i rusningstid än annars. - Avgift för passage över tullsnittet (bägge riktningar) - Avgift för passage över innerstadens Saltsjö-Mälarsnitt (bägge riktningar) - 15 kr i högtrafik (vardagar kl 7-9 och 16-19) - 10 kr i mellantrafik (vardagar kl 9-16) - Ingen avgift kvällar och helger - Ingen avgift mellan Lidingö och norra innerstadszonen - 15 kr på Essingeleden i högtrafik i huvudscenariet (ingen avgift i det alternativa scenariet) Analysen avser trafiksituationen år Den viktigaste förändringen jämfört med dagsläget (2003) är att Södra Länken har öppnats. Övergripande trafikeffekter Bilresorna i länet beräknas minska med nästan 5 %. Antalet resor med kollektivtrafik beräknas öka med 3 % medan gång och cykel ökar med drygt 1 %. Det totala antalet resor i länet påverkas nästan inte alls av avgifterna. Biltrafikarbetet 2 under avgiftsbelagd 2 Dvs. antalet fordonskm med bil 9

10 tid minskar med 3 % i länet och med 20 % i innerstaden. Det totala antalet resor till innerstaden (med alla färdmedel) beräknas minska med omkring 3 %. Figur 7 visar hur medelhastigheter och trafikvolymer beräknas förändras av avgifterna. Flaskhalsar i form av mycket långsamma köer syns som breda röda fläckar. De olika streckens bredd motsvarar trafikvolymen på vägen. Observera att de tunnare, röda strecken i innerstaden inte nödvändigtvis innebär stora problem; vissa av dessa gator är smågator, i vissa fall 30-skyltade, där en medelhastighet på 20 eller 30 km/h inte är liktydigt med svåra köer. Observera också att fläckarna visar var köer uppstår; bilden visar inte hur bilköerna sprider sig utåt. (T ex orsakar trängseln vid Norrtull köer som sträcker sig längs Uppsalavägen norrut, men på bilden syns bara en kraftig röd fläck vid själva Norrtull.) Figur 1. Hastigheter och trafikvolymer 2005, högtrafik. Utan avgifter vänster, med avgifter höger. Avgifterna gör att de flesta av de svåraste flaskhalsarna i trafiken försvinner, och trafiken på innerstadsgatorna minskar tydligt. Problem kvarstår framför allt på Valhallavägen (särskilt nära Lidingövägen) och på Solnavägen nära Norrtull, även om trafikmängderna minskat i bägge fallen. Observera att det i det analyserade systemet inte finns någon avgift mellan Lidingö och norra innerstaden, så det är naturligt att effekten på Lidingötrafiken blir liten. Klarastrandsleden med angränsande vägar och påfarter får en mycket kraftig trafikminskning - faktiskt så kraftig att den antyder att avgiften över Saltsjö-Mälarsnittet valts onödigt hög. 10

11 Avgiftssystemet beräknas ge nära 1,3 miljarder kr per år i intäkter. Utan avgift på Essingeleden faller intäkterna till ganska exakt 1 miljard, dels för att Essingeintäkten försvinner, dels för att fler bilar då tar vägen via Essingeleden. Effekter för olika grupper I det följande ska vi beskriva effekterna på olika grupper. Det är värt att påpeka att det hela tiden rör sig om genomsnitt för en viss grupp. Trängselavgiften antas ju vara lika hög för alla, oberoende av om man är man eller kvinna, hög- eller låginkomsttagare eller vilken ålder man har. Det som genomsnitten beskriver kan därför tolkas som hur många i en viss grupp som berörs en given dag notera också att de flestas resande skiljer sig från dag till dag. Man bör alltså hålla i minnet att variationen inom grupperna kan vara betydande. Män och kvinnor Män och kvinnor gör ungefär lika många resor totalt sett, men män kör i högre grad bil och gör längre resor än kvinnor. Det innebär att trängselavgifter berör männens resor och reskostnader i större utsträckning än kvinnornas. T ex görs nära 70 % av bilresorna till innerstaden i rusningstid av män. Ser man till det totala resandet (med alla färdmedel) beräknas männens resande förändras mer av avgifterna än kvinnornas. Effekten är logisk eftersom en större andel av männens resor sker med bil. Männen beräknas minska sitt totala antal resor till innerstaden med ca 3,5 % medan kvinnornas innerstadsresor minskar med drygt 2 %. Omkring två tredjedelar av avgifterna betalas av män. Nära dubbelt så många män som kvinnor betalar avgift för sin arbetsresa 8 % mot drygt 4 %. Männen har högre reskostnad per person och vardag redan i utgångsläget, och männens reskostnad ökar sedan mest även relativt sett: männens reskostnad ökar med 19 %, medan kvinnornas ökar med 15 %. Skillnaderna är naturligtvis stora inom respektive grupp. Man kan jämföra den femtedel som betalar mest avgifter i respektive grupp. De kvinnor som tillhör denna värst drabbade grupp betalar ca 1800 kr/år, medan den värst drabbade femtedelen av männen betalar omkring 6500 kr/år - nära fyra gånger så mycket. I Figur 26 visas det totala värdet per år av mäns och kvinnors avgifter, anpassningskostnader och restidvinster. Den sista stapeln visar nettoeffekten av avgifterna (före intäktsåterföring). Som synes är denna negativ, dvs. värdet av 11

12 restidsvinsterna är lägre än avgifterna plus värdet av anpassningskostnaderna i genomsnitt. Totalt förlorar män ca 600 kr per år på avgifterna i genomsnitt, medan kvinnor förlorar ca 400 kr per år - allt i mätt i generaliserad kostnad. Observera att nyttan av intäkterna inte syns i diagrammet nedan och att variationen inom grupperna kan vara stor. 600 kr Avgift Anpassning Restid Netto före intäktsåterföring 400 kr 200 kr 0 kr -200 kr -400 kr -600 kr -800 kr -1,000 kr Män Kvinnor Figur 2: Sammanvägda effekter av avgifterna för kvinnor och män. Helt avgörande för nettoeffekten är hur intäkterna används. I Figur 28 visas nettoeffekten för kvinnor och män med tre hypotetiska intäktsanvändningar (beskrivna i inledningen), lika återbäring, kollektivtrafik och sänkt skatt. Nettoeffekten är alltså den samlade effekten av betalda avgifter, förändrat resande, kortare restider och del av intäkterna. 12

13 450 Män Kvinnor Netto om lika återbäring Netto om intäkter till kollektivtrafik Netto om sänkt skatt Figur 3: Nettoeffekt för olika grupper, kronor per år med tre hypotetiska intäktsanvändningar. Diagrammet antyder att kvinnor gynnas om alla delar lika på intäkterna eller i ännu högre grad om intäkterna går till kollektivtrafiken (eftersom kvinnor använder kollektivtrafik mer än män). Om intäkterna används till att sänka inkomstskatten tjänar bägge grupperna i genomsnitt ungefär lika mycket på avgifterna totalt sett - män något mer än kvinnor. Inkomst Det finns ett tydligt samband mellan inkomst och såväl bilanvändning som reslängd. Ju högre inkomst, desto större andel av resorna företas med bil och desto längre är resorna (särskilt arbetsresorna). Det betyder att avgifterna berör höginkomsttagares resor mer än låginkomsttagares. Den rikaste tredjedelen gör ungefär tre gånger så många bilresor till innerstaden som den fattigaste tredjedelen. Länsinvånarna har delats in efter inkomst i tre lika stora grupper. Definitionen av hög och låg inkomst är alltså ganska bred. För större inkomstskillnader blir skillnaderna större mellan grupperna. Ser man till det totala antalet resor till innerstaden (alla färdmedel) beräknas medel- och höginkomsttagare minska sitt resande mest (ca 3,5 % mot låginkomsttagarnas knappa 2 % färre innerstadsresor). Den rikaste tredjedelen av invånarna i länet betalar drygt fyra gånger mer i trängselavgifter än den fattigaste tredjedelen av invånarna. Det är också fyra gånger så många hög- som låginkomsttagare som betalar avgift för sin arbetsresa en given dag (10 % av höginkomsttagarna mot 2,5 % av låginkomsttagarna). Reskostnaderna beror starkt på inkomsten redan före avgifterna. Höginkomsttagare har mer än dubbelt så höga 13

14 reskostnader totalt sett som låginkomsttagare (mycket beroende på att de kör mer bil). Till följd av avgifterna ökar de med ca 24 %, medan låginkomsttagarnas reskostnad ökar i genomsnitt med hälften så mycket, ca 12 %. Den femtedel av höginkomsttagarna som betalar mest avgifter betalar knappt 8000 kr per år, vilket är nära sex gånger så mycket som motsvarande låginkomsttagare: den femtedel av låginkomsttagarna som betalar mest betalar ca 1400 kr per år. Summerar man avgifter, anpassningskostnader och restidsvinster visar det sig att låginkomsttagare totalt förlorar knappt 300 kr, medelinkomsttagare drygt 500 kr, och höginkomsttagare drygt 700 kr - allt mätt i generaliserad kostnad. Observera att nyttan av intäkterna inte syns i diagrammet nedan. 1,000 kr 800 kr 600 kr 400 kr 200 kr 0 kr -200 kr -400 kr -600 kr -800 kr -1,000 kr -1,200 kr -1,400 kr -1,600 kr Avgift Anpassning Restid Netto före intäktsåterföring Låg Medel Hög Figur 4: Sammanvägda effekter av avgifterna för olika inkomstgrupper (tre lika stora grupper). Återigen är det hur intäkterna används som avgör nettoeffekten för olika grupper. I Figur 40 visas nettoeffekten med de tre hypotetiska intäktsanvändningarna som beskrivits ovan, lika återbäring, kollektivtrafik och sänkt skatt. 14

15 700 Låg Medel Hög Netto om lika återbäring Netto om intäkter till kollektivtrafik Netto om sänkt skatt Figur 5: Nettoeffekt för olika grupper, kronor per år med tre hypotetiska intäktsanvändningar. Diagrammet antyder att om intäkterna antas delas lika mellan alla länsinvånare blir låginkomsttagare den största nettovinnargruppen. Även medelinkomsttagare blir nettovinnare, medan höginkomsttagare sammantaget får en liten förlust. Om intäkterna går till kollektivtrafiken gynnar avgifterna totalt sett låginkomsttagare, medan om intäkterna används till att sänka inkomstskatten gynnas höginkomsttagare. Hushållstyp Hushåll med två vuxna kör bil i betydligt högre grad än hushåll med bara en vuxen. Mest bil kör hushåll av typen två vuxna med barn. Hushåll med två vuxna skulle också beröras mest av avgifterna. Om avgifter tas ut både i innerstaden och på Essingeleden skulle ca 5 % av ensamstående föräldrars resor beröras, medan motsvarande siffra för hushåll med två vuxna utan barn är mer än dubbelt så hög. När man jämför hur mycket avgifterna beräknas förändra det totala resandet (med alla färdmedel) för olika hushållstyper relativt sett (alltså i procent av dagens resande) är skillnaderna ganska små. Hushåll med två vuxna och barn minskar sitt resande i de avgiftsbelagda områdena mest (ca 4-7 % färre resor), ensamhushåll minst (1,5-4 % färre resor). Skillnaderna i avgiftsbetalning mellan hushållstyper är ganska små. Hushåll med två vuxna betalar mest i avgifter (per vuxen i hushållet), ensamhushåll något mindre, och ensamstående med barn minst. 15

16 I Figur 48 visas nettoeffekten med de tre hypotetiska intäktsanvändningarna som beskrivits ovan, lika återbäring, kollektivtrafik och sänkt skatt. Exemplet visar återigen att intäktsanvändningen är avgörande för de samlade fördelningseffekterna vx 2 vx 2 vx m barn 1 vx m barn Netto om lika återbäring Netto om intäkter till kollektivtrafik Netto om sänkt skatt Figur 6: Nettoeffekt för olika grupper, kronor per år med tre hypotetiska intäktsanvändningar. Överslagsberäkningen i diagrammet antyder att om intäkterna antas delas lika mellan alla länsinvånare blir skillnaderna mellan hushållstyper liten. Samtliga tjänar omkring 200 kr per person och år, om man ser till den samlade effekten av betalda avgifter, förändrat resande, kortare restider och del av intäkterna. Om intäkterna går till kollektivtrafiken gynnar avgifterna totalt sett ensamstående föräldrar jämfört med övriga hushållstyper, medan om intäkterna används till att sänka inkomstskatten gynnar det hushåll med två vuxna och barn. Förklaringen är dels skillnader i gruppernas resmönster (ensamstående åker mindre bil och mer kollektivtrafik), dels skillnader i inkomst (två vuxna med barn har högre inkomst). Man bör förstås hålla i minnet att variationen inom grupperna kan vara betydande. Sysselsättning I studien har fyra olika sysselsättningstyper jämförts: förvärvsarbetande, studerande (över 18 år), pensionärer och icke arbetande. I den sista gruppen ingår arbetslösa, föräldraoch sjuklediga samt övriga icke förvärvsarbetande. Jämför man hur mycket av dessa gruppers totala resande som berörs av avgifterna visar det sig att förvärvsarbetande berörs betydligt mer än övriga grupper. Sett till det totala 16

17 resandet skulle de studerandes resande förändras minst av avgifterna (logiskt eftersom studerande sällan kan välja annan målpunkt för sina resor). Förändringarna är ganska likartade för övriga grupper, räknat i procent. Förvärvsarbetande beräknas betala omkring fyra gånger så mycket i total avgift per person som övriga grupper. Mellan övriga grupper är skillnaderna ganska små. I Figur 48 visas nettoeffekten med de tre hypotetiska intäktsanvändningarna som beskrivits ovan, lika återbäring, kollektivtrafik och sänkt skatt. Exemplet visar återigen att intäktsanvändningen är avgörande för de samlade fördelningseffekterna. Arbetande Pensionärer Studerande Arbetslösa Netto om lika återbäring Netto om intäkter till kollektivtrafik Netto om sänkt skatt Figur 7: Nettoeffekt för olika grupper, kronor per år med tre hypotetiska intäktsanvändningar. Överslagsberäkningen i diagrammet antyder att om intäkterna antas delas lika mellan alla länsinvånare tjänar förvärvsarbetande minst, en bit över 100 kr per år i genomsnitt, medan övriga grupper tjänar omkring det tredubbla, omkring 400 kr per person och år, om man ser till den samlade genomsnittliga effekten av betalda avgifter, förändrat resande, kortare restider och del av intäkterna. Om intäkterna går till kollektivtrafiken gynnar avgifterna totalt sett studerande jämfört med övriga grupper, medan om intäkterna används till att sänka inkomstskatten gynnar det förvärvsarbetande. 17

18 Geografiska skillnader Omkring 35 % av resorna i länet har innerstaden som start eller mål 3. Knappt 10 % av alla resor i länet görs med bil och har innerstaden som start eller mål, och kommer därmed att beröras av avgifter i innerstaden. Som förväntat minskar bilresandet mest från innerstaden och sedan mindre ju längre ut från centrum man kommer. Bilresandet från södra innerstadszonen minskar t.ex. med 15 % medan det bara minskar med 2 % från de yttre norra förorterna se Figur 62. Den norra innerstadszonen är en betydligt större målpunkt än den södra. Nästan en fjärdedel (24 %) av alla resor med start i länet under avgiftsbelagd tid har norra innerstaden som mål medan mindre än en tiondel (7 %) har södra innerstaden som mål. -1% -3% -7% -2% -15% -7% -2% Figur 8: Förändring av antal bilresor från olika områden. Obs. att Lidingö ingår i norra innerstadszonen. I Figur 63 visas hur antalet resor till innerstaden från olika områden förändras. Resor som startar i innerstaden och på Lidingö väljer i större utsträckning till målpunkter i innerstaden, medan det motsatta gäller för resor som startar utanför innerstaden. Totalt minskar antalet resor till innerstaden med 3 %. Ökningen av antalet resor med kollektivtrafik motsvarar drygt halva minskningen av antalet bilresor. I relativa tal ökar kollektivresandet till och från innerstaden betydligt mindre än bilresandet minskar. Exempelvis ökar kollresandet från innerstaden med 1 % 3 Observera att här även ingår resor med både start och mål i innerstaden. 18

19 medan bilresandet minskar med %. För resor till innerstaden är ökningen av kollektivresandet dock betydligt större (ca 7 %). Reskostnaderna är betydligt högre i länets yttre delar i utgångsläget. Avgifterna påverkar av naturliga skäl reskostnaderna allt mer ju närmare länets centrala delar man kommer. Reskostnaden för resor med start i innerstaden ökar 40-50%. Liksom tidigare beror nettoeffekterna i hög grad på vart intäkterna går. Men effekten är betydligt mer likformig över länets delar än över befolkningsgrupper. Som framgår av figuren nedan förlorar länets centrala delar totalt sett för samtliga analyserade intäktsanvändningar, medan länets yttre delar tjänar i samtliga fall. De södra delarna förlorar mer än de norra Yttre norrort Inre norrort Norra innerstaden Södra Innerstaden Inre söderort Yttre söderort Netto om lika återbäring Netto om intäkter till kollektivtrafik Netto om sänkt skatt Figur 9. Nettoeffekter per år och invånare i olika länsdelar. Det är givetvis möjligt, om man så önskar, att använda intäkterna så att de geografiska nettoeffekterna blir mer likafördelade. Man kan t ex rent hypotetiskt välja att särskilt förbättra kollektivtrafiken i de centrala delarna, eller låta avgifterna finansiera differentierade sänkningar av kommunalskatten (vilket förstås medför juridiska komplikationer). 19

20 1 Inledning 1.1 Bakgrund Vägavgifter är ett styrmedel som har diskuteras under lång tid i Sverige och internationellt. Argumenten för avgifterna har dels varit att finansiera investeringar i infrastruktur, dels att minska trafiken i innerstaden, dels att bidra till att minska trängselproblemen genom en trafikstyrande utformning av avgifterna. Frågan har nyligen fått förnyad aktualitet i Stockholm där ett fullskaligt försök är planerat att genomföras inom kort. En av de viktigaste frågorna när man ska analysera konsekvenserna av ett avgiftssystem är vilka fördelningseffekter det får. Ett trängselavgiftssystem gör att de flesta bilresor går snabbare men blir dyrare, samtidigt som det orsakar omfördelning av resor i tid och rum och mellan färdmedel. Olika samhällsgrupper olika inkomstgrupper, hushållstyper, åldrar, geografiska områden osv. påverkas olika av dessa effekter. Av befintlig forskning kan man dra två slutsatser. För det första krävs ytterligare arbete med att utveckla metoder för att analysera fördelningseffekterna, och för att utveckla mått som både är kommunicerbara och rättvisande. För det andra behöver varje enskilt fall analyseras för sig; generella slutsatser, giltiga för alla städer och avgiftssystem är svåra eller omöjliga att dra. Vilka fördelningseffekterna blir hänger nämligen bl a på resmönster, befolkningsfördelning, avgifternas utformning samt tillgången till bra alternativa färdmedel, vägar och målpunkter. 1.2 Syfte Projektets ena syfte är att utveckla en metod för att beräkna fördelningseffekter av vägavgiftssystem. Avsikten är att utveckla en beräkningsmetod som sedan kan användas för att analysera och jämföra effekterna av olika system. Beräkningsmetoden kan även användas för att analysera fördelningseffekter av andra åtgärder i transportsystemet, som t ex investeringar i kollektivtrafik eller vägar. 20

21 Projektets andra syfte är att tillämpa beräkningsmetoden på ett konkret vägavgiftssystem. Resultaten från dessa beräkningar kan förväntas vara av stort intresse vid diskussioner om hur eventuella verkliga avgiftssystem bör utformas. Steget syftar även till att illustrera hur beräkningarna av de olika måtten utförs, så att metoderna kan återanvändas när andra system (eller andra åtgärder) ska analyseras. 1.3 Avgränsningar Fokus i detta projekt ligger på att beskriva konsekvenser för olika grupper av individer. Det betyder att en mängd konsekvenser ligger utanför ramen för detta projekt. Ett par exempel är hur kollektivtrafiken påverkas och vad som kan vara rimliga åtgärder för att hantera den samt hur behovet av lokala trafiklösningar etc. påverkas. I detta projekt studeras enbart fördelningseffekter för olika befolkningsgrupper, inte effekter för yrkestrafik, tjänsteresor eller näringslivstransporter. Det främsta skälet för det är bristen på data om näringslivstransporter och yrkestrafik. En av många brister är att det i befintliga data (s k NÄTRA-data) verkar finnas en underrapportering av korta distributionsresor framför allt i innerstaden. Dessutom beaktar varken dessa data eller trafikmodellerna yrkestrafikens problem med att distributionsbilar, bussar och taxi inte kommer fram p.g.a. bl.a. felparkerade bilar eller otillräckligt dimensionerade lastfickor. Avgörande för avgifternas totala fördelningseffekter är vad intäkterna används till. I ett fullständigt beslutsunderlag bör självklart individers hela välfärdsförändring ingå, och där måste nettoeffekten, alltså inklusive intäktsanvändning, belysas. Det har emellertid i huvudsak legat utanför detta projekt, av två skäl. För det första är syftet främst att lösa en tidigare olöst forskningsuppgift och inte att ge något fullständigt beslutsunderlag. För det andra är det svårt att veta vad intäkterna ska användas till samtidigt som fördelningseffekterna kan bli helt olika beroende på hur intäkterna används. I stället illustreras hur olika de totala nettoeffekterna kan bli för olika grupper med olika användning av intäkterna genom en översiktlig analys av effekterna av tre hypotetiska sätt att använda intäkterna. 21

22 1.4 Kortfattad metodbeskrivning Praktiskt taget alla trafikmodellsystem världen över 4 är i första hand avsedda att beräkna aggregerade effekter av olika åtgärder. Med aggregerade effekter menas att modellen inte i första hand är konstruerad för att avspegla enskilda gruppers resande, utan det är summan av dessa gruppers resande som beräknas. Trafikmodeller brukar visserligen innehålla (delvis) skilda delmodeller för män, kvinnor, förvärvsarbetande osv. och dessa delmodeller gör det möjligt att i viss utsträckning även studera enstaka gruppers resande. Men sådana studier är inte särskilt pålitliga, beroende på två faktorer. För det första avspeglar inte de olika delmodellerna skillnaderna mellan olika gruppers resbeteende fullt ut. Endast sådana skillnader som påverkar summan av gruppernas resande beaktas. Det betyder att det finns skillnader i gruppernas resande, och känslighet för olika typer av förändringar, som inte fångas av de existerande modellerna. För det andra fångas inte skillnader mellan olika grupper korrekt i den typ av dataunderlag som storskaliga modeller använder. Orsaken är att det underlaget inte beskriver hur olika egenskaper samvarierar, t ex att bilinnehavsgraden är högre för höginkomsttagare och för förvärvsarbetande. Metoden som använts för att beräkna trängselavgifters fördelningseffekter kan mycket kort sammanfattas enligt följande. 5. Trafikmodellen SAMPERS används för att ta fram hur trafiken förändras av trängselavgifterna, och därmed hur restiderna med bil förändras. 6. Bilrestiderna utan respektive med trängselavgifter (samt en del ytterligare data) stoppas in i en nyutvecklad modell för att hantera olika gruppers resande. 7. Modellen för gruppers resande används för att prognosera olika gruppers resmönster. Bland annat beräknas förändringar i resandet och hur restider och reskostnader påverkas. Skälet till detta förfarande är alltså att SAMPERS styrka är att prognosera förändringar av aggregerade fenomen, som t ex hur många bilar som går på en viss väg, medan den andra modellens styrka är att den förmår att detaljerat återspegla skillnader i olika gruppers resande och hur detta resande förändras av (i detta fall) förändrade reskostnader och restider till följd av trängselavgifterna. Förfarandet löser också problemet med modellernas relativa svagheter: i SAMPERS fall att olika gruppers resande inte 4 Här åsyftas relativt storskaliga modellsystem, som täcker allt eller praktiskt taget allt resande i någon region. 22

23 återspeglas tillräckligt korrekt, och i den andra modellens fall att den inte kan prognosera förändringar i restider. 1.5 Läsanvisning Denna rapport består av två delar som var och en kan läsas separat. I del 1 beskrivs den metod som har utvecklats i detta projekt. Denna del riktar sig främst till experter som vill sätta sig in i metodiken, med dess ibland ganska komplicerade resonemang. För att möjliggöra jämförelser med andra studier finns också en relativt utförlig tabellbilaga med. Del 2 riktar sig till en bredare grupp. Här redovisas resultatet av den fallstudie som har genomförts. Tanken är att denna del ska kunna läsas separat av dem som vill förstå vilka fördelningseffekter ett avgiftssystem kan ge. Separat utges också en betydligt kortare, populärvetenskaplig broschyr med en sammanfattning av de viktigaste resultaten (Vägverket publikation 2003:95). 1.6 Terminologi Enligt en definition i ett EG-direktiv avser vägavgift betalning för rätten att under en given tid använda en väg 5. Ordet vägavgifter används vanligen som en samlingsbeteckning för avgifter som tas ut av fordon för rätten att utnyttja en viss väg eller köra i ett visst område. Det finns många andra beteckningar och terminologin inte alltid är helt konsekvent delvis därför att motståndare och förespråkare ibland tenderar att välja beteckning efter negativa eller positiva övertoner i beteckningen. Flera beteckningar överlappar varandra. Med biltullar eller vägtullar menar man oftast en avgift för att passera in i ett visst område eller förbi en viss punkt på en väg, t ex de avgifter som tas ut på betalvägar utomlands. Sträckbaserade avgifter (t ex 1 kr/km för att köra i innerstaden under vardagsmorgnar) kallas sällan vägtullar trots att vägtull enligt definitionen i ovannämnda EG-direktiv ska grundas på just det avstånd som tillryggalagts. Trängselavgifter är avgifter som konstrueras för att i första hand avhjälpa trängselproblem. Idén är att ta ut en avgift vid de tider och de platser där det är mycket trängsel, och liten eller ingen avgift där det inte är några problem med trängsel. Framkomlighetsavgifter används synonymt med trängselavgifter. 5 Direktiv 99/62/EG. 23

24 Miljöavgifter brukar avse avgifter som konstrueras för att i första hand minska miljöbelastningen från biltrafiken. Ett delmål är då ofta också att minska trängseln (precis som trängselavgifter), men dessutom differentieras vanligen avgifterna efter fordonens miljöegenskaper. Avgifterna kan också variera efter hur känsligt ett visst geografiskt område är. Det engelska uttrycket road pricing används i Sverige ofta för att beteckna (samhällsekonomiskt) optimala avgifter, alltså avgifter som sätts direkt beroende på trafikbelastningen och därmed trängseln, utsläppen, olyckorna osv. på en viss vägsträcka. Urban road pricing är i princip en synonym för detta men används för att understryka att det är avgifter i tätorter som avses. Avgifterna i sådana system kommer att variera med trafiken, tiden på dygnet osv. Av lätt insedda skäl är sådan [full] road pricing mest en teoretisk konstruktion som dock ofta är användbar för att t ex beräkna trafikens externa kostnader eller för att konstruera praktiskt genomförbara förslag. På engelska är road pricing ett något vidare begrepp, och motsvarar ungefär det svenska trängselavgifter, alltså avgiftssystem där huvudsyftet är att minska trängseln genom att styra trafiken till mindre belastade tider och platser. Även uttrycken congestion pricing och congestion charges är vanliga. Det svenska biltullar heter road tolls, car tolls eller road [user] charges. I USA används beteckningen value pricing, särskilt för möjligheten att betala för att köra i en särskild fil med lägre trafik. Bompeng är ett norskt ord som ungefär motsvarar biltull, alltså en avgift för att köra in i ett visst område eller använda en viss väg. Anledningen till att det har dykt upp på svenska torde vara att Norge till skillnad från Sverige har sådana avgifter i verkligheten, samt kanske för att det bättre antyder att det är fråga om en tullring runt en stad. 24

25 Del 1 Metod för att analysera fördelningseffekter 25

26 1 Problembeskrivning I denna delrapport redogörs för en metod att analysera fördelningseffekter av olika åtgärder i transportsystemet. Det främsta exemplet på en åtgärd där fördelningseffekterna tilldragit sig stor uppmärksamhet är trängselavgifter. Metoden är utvecklad med tanke på just trängselavgifter, men går alltså även att tillämpa för att beräkna fördelningseffekter av andra åtgärder. 1.1 Dagens trafikmodeller och enstaka gruppers resande Traditionella modeller är inte byggda för att återspegla olika gruppers resande Praktiskt taget alla trafikmodellsystem världen över 6 är i första hand avsedda att beräkna aggregerade effekter av olika åtgärder. Med aggregerade effekter menas att modellen inte i första hand är konstruerad för att avspegla enskilda gruppers resande, utan det är summan av dessa gruppers resande som beräknas. Sådana summor kan t ex vara trafikflödet på en viss väg, antalet inköpsresor till ett visst område eller andelen kollektivresor mellan ett visst par av områden. För att dessa aggregerade effekter ska kunna beräknas så exakt som möjligt tar även många traditionella trafikmodeller hänsyn till skillnader i resandet mellan olika socioekonomiska grupper. Men av två skäl är traditionella trafikmodeller (som t ex SAMPERS, T/RIM och FREDRIK för att nämna några av de mest använda svenska modellerna) olämpliga att studera fördelningseffekter med. För det första fångas inte skillnader mellan olika grupper korrekt i den typ av dataunderlag som storskaliga modeller använder. För det andra avspeglar inte de olika delmodellerna skillnaderna mellan olika gruppers resbeteende fullt ut. 6 Här åsyftas relativt storskaliga modellsystem, som täcker allt eller praktiskt taget allt resande i någon region. 26

27 Traditionella modellers dataunderlag återspeglar inte en grupps alla egenskaper Alla någorlunda storskaliga transportmodeller arbetar med geografiska områden, där det för varje område anges bl a befolkning, könsfördelning, inkomstfördelning, förvärvsgrad och bilinnehav. Men vad som inte finns i underlaget är hur dessa karakteristika samvarierar, t ex att bilinnehavsgraden är högre för höginkomsttagare och för förvärvsarbetande. Egenskaper som t ex förvärvsgrad och inkomst antas alltså inte påverka t ex bilinnehavet. Detta är uppenbarligen orealistiskt, men denna förenkling har gjorts dels av nödtvång, eftersom dataunderlaget annars skulle bli fruktansvärt stort, dels därför att den knappast påverkar prognoserna för de aggregerade trafikeffekterna. Men vill man studera en viss grupps resande, t ex höginkomsttagares, så får det sannolikt stora konsekvenser, eftersom dataunderlaget inte återspeglar hur inkomsten samvarierar med t ex bilinnehav eller förvärvsgrad. I detta projekt löses detta problem genom att använda s k sample-baserat dataunderlag, som just har egenskapen att återspegla alla sådana samvariationer. Eftersom skillnaden mellan aggregerade och sample-baserade dataunderlag är så pass viktig i detta sammanhang, redogörs i avsnitt 1.2 mer utförligt för denna skillnad och de problem som kan uppstå. Traditionella modeller avspeglar inte alla skillnader i olika gruppers resande För det andra avspeglar inte de olika delmodellerna skillnaderna mellan olika gruppers resbeteende fullt ut. Olika grupper skiljer sig åt i hur de t ex väger restid mot reskostnad eller bil mot kollektivtrafik. Det är alltså frågan om skillnader som går utöver skillnader i rena resförutsättningar som t ex bilinnehav eller tillgänglighet till kollektivtrafik. Det är dessa skillnader som åsyftas med termen skillnader i resbeteende. Tekniskt sett visar sig detta genom att olika grupper har olika parametervärden (som t ex tids- och kostnadskänslighet) när deras resande analyseras. Vanligen beaktar man vid utvecklandet av en trafikmodell endast sådana skillnader som bedöms ha påverkan på summan av gruppernas resande. Det betyder att det finns skillnader i gruppernas resande (och framför allt känslighet för olika typer av förändringar) som inte fångas av t ex de existerande delmodellerna i SAMPERS. För att komma runt detta problem används i detta projekt en nyutvecklad modell (eller egentligen en uppsättning modeller) som här kallas GR-modellen (GR som i Gruppers resande ). GR-modellen tar i mycket högre grad hänsyn till skillnader i resandet mellan 27

28 bl a olika kön och inkomstgrupper. Denna modell, och hur den skiljer sig från SAMPERS, beskrivs något utförligare i avsnitt 1.3 nedan. 1.2 Aggregerade respektive sample-baserade dataunderlag Definition av aggregerade respektive sample-baserade dataunderlag Med aggregerade data menas (i detta sammanhang) data som beskriver andelen av befolkningen som tillhör en viss grupp eller har en viss egenskap, alternativt data som anger genomsnittet för en viss variabel som t ex inkomst. Problemet med denna beskrivning är att det inte framgår hur dessa olika egenskaper samvarierar. T ex är genomsnittsåldern antagligen högre för dem med körkort än för dem utan, och inkomsten för dem som förvärvsarbetar är antagligen högre än för dem som inte arbetar. Ett sample-baserat data löser dessa svårigheter. Sample-data är helt enkelt en lång lista med personer som har olika egenskaper som inkomst, körkortsinnehav osv. Oftast är det en lista på verkliga personer ur en resvaneundersökning eller liknande, men det kan också vara konstruerade personer. Denna lista kan sedan analyseras på alla ledder man önskar. Det är enkelt att t ex undersöka genomsnittsinkomsten för förvärvsarbetande, år utan körkort. När man använder denna typ av sample-data för prognoser kallas det för sample enumeration. Helt sample-baserade dataunderlag blir orimligt stora Problemet är att datamängderna som krävs för att verkligen genomföra idén med helt sample-baserade prognoser snabbt blir oöverstigliga. Skälet är framför allt att kraven på geografisk noggrannhet är så höga att antalet områden i en modern modell som t ex Sampers blir mycket stort. Det betyder att antalet individer vars valsannolikheter ska beräknas måste multipliceras med antalet områden. Om antalet relevanta egenskaper som körkort, bilinnehav osv. är N och antalet områden M blir det minsta antalet individer som krävs 2 N *M. 7 Detta är ett tal som växer snabbt med N. För 1000 områden och 10 egenskaper krävs t ex över en miljon individberäkningar, där var och en är ganska krävande eftersom antalet valsannolikheter är omkring per individ (6 färdmedel och 1000 destinationer). 7 Om någon egenskap har fler än två klasser (som t ex körkort/inte körkort) får tvåan ersättas med antalet klasser. Exempel är ålder och inkomst. 28

29 Därför tvingas man i praktiken till två förenklingar. Den första är att man negligerar vissa socioekonomiska korrelationer. Det är den förenkling som redan antytts: I stället för att dataunderlaget anger t ex hur många män respektive kvinnor med respektive utan körkort som bor i ett visst område, så anges enbart könsfördelning och andel med körkort - utan att ange hur dessa två variabler samvarierar (i detta fall om körkortsinnehavet är olika mellan könen). Den andra förenklingen är att man använder medelvärden av vissa variabler. T ex kan man i modellberäkningen låta alla individer ha ett genomsnittligt körkortsinnehav, och beräkna valsannolikheterna utifrån det. Felen som förenklingarna orsakar är i vanliga fall ganska små För att undersöka hur stora fel i vanliga prognoser som dessa förenklingar av dataunderlaget orsakar har Transek i annat sammanhang 8 genomfört en simuleringsstudie. I studien jämfördes prognoser från två olika modeller, som var identiska så när som på att den ena hade ett sample-baserat underlag, medan den andra hade ett aggregerat underlag. Prognoserna gällde effekter av åtgärder som t ex förändrade restider och reskostnader med bil respektive kollektivtrafik. Studien visade de två prognoserna oftast stämde någorlunda överens på aggregerad nivå, men att skillnaden för vissa effekter i vissa fall kunde vara uppåt 20% av den prognoserade förändringen (dvs. om den ena modellen gav en prognos på, säg, en ökning av antalet bilresor med +10% så kunde den andra i värsta fall ge en prognos på +8% - alltså 20% mindre effekt). Förenklingarna orsakar missvisningar när man studerar olika gruppers resande Förenklingarna spelar alltså i vanliga fall inte så stor roll. Men när syftet inte är att studera aggregerade effekter, utan att studera effekterna för olika delgrupper, blir läget ett annat. Av Transekstudien ovan framgick nämligen också att det (som förväntat) fanns stora korrelationer mellan t ex inkomst, ålder, kön och bilinnehav. Om man inte tar hänsyn till dessa korrelationer kommer prognoserna för de olika delgruppernas resande att bli missvisande - även om alltså summan av resandet stämmer hyggligt. 8 Transek (2002) Skillnader i värderingar och resande mellan olika grupper. 29

30 1.3 En nyutvecklade resefterfrågemodell Transek har i ett annat sammanhang nyligen utvecklat en uppsättning modeller som bättre tar hänsyn till skillnader mellan olika gruppers resande. Modellerna och utvecklingsarbetet finns utförligt beskrivet i rapporten Transek (2002) Skillnader i värderingar och resande mellan olika grupper. Modellerna består av separata modeller för män, kvinnor, arbetsresor och övriga resor, dvs. fyra oberoende Karakteristiskt för modellerna är att såväl restids- och reskostnadskänslighet beror av inkomsten. Högre inkomst visar sig ge högre tidskänslighet för alla resärenden och för bägge könen. Högre inkomst ger också lägre kostnadskänslighet, men bara för övriga resor, inte för arbetsresor. Modellen körs genom programmet Alogits s k apply-algoritm, och genom att använda ett individ-sample. Storleken på detta sample begränsar upplösningen i resultatuttaget. Den geografiska upplösningen blir därför relativt låg, varför modellen inte direkt kan användas för att prognosera aggregerade trafikflöden. Tidsvärden Att modellerna låter tids- och kostnadskänslighet bero på inkomsten innebär att tidsvärdet beror på kön, inkomst och resärende. Figur 10 visar fördelningen av olika tidsvärden för olika kön och resärenden. 70% 60% 50% 40% 30% 20% Arb Kv Arb M Övr Kv Övr M 10% 0% >200 Figur 10. Fördelning av tidsvärden per kön och ärende. 30

31 Som framgår av figuren är spridningen relativt stor. Medeltidsvärden för olika ärenden och kön framgår av tabell 1. Arbetsresor, Arbetsresor, Övriga resor, Övriga resor, kvinnor män kvinnor män Genomsnittligt tidsvärde Tabell 1. Genomsnittliga tidsvärden. I genomsnitt har alltså kvinnor lägre tidsvärde än män för arbetsresor. Men detta är i stor utsträckning orsakat av att kvinnor har lägre inkomster. För högre inkomster (uppåt 300 tkr/år) så har kvinnor högre tidsvärde än män för arbetsresor. Inkomsteffekten på kvinnors arbetsresor är mycket tydlig. För övriga resor är mäns och kvinnors tidsvärden mycket lika. Inkomsteffekten på tidsvärdet för övriga resor är inte särskilt stark Arb Kv Arb M Övr Kv Övr M Tabell 2. Tidsvärde som funktion av inkomst. Inkomst i hundratusental kr per år. Men tidsvärdet är inte hela sanningen. I själva verket är kvinnor både mer kostnadskänsliga och tidskänsliga än män, om man ser till parametervärdena - hur detta egentligen ska tolkas är en öppen fråga. Men eftersom skillnaden i kostnadskänslighet är större så blir det genomsnittliga tidsvärdet för kvinnor lägre. Det yttrar sig även i att kvinnor har kortare arbetsresor än män. Detta fenomen är känt sedan tidigare. Det har föreslagits ett antal olika möjliga förklaringar till detta. Några exempel på möjliga förklaringar är att kvinnor jobbar i mindre specialiserade branscher och därför inte behöver resa så långt för att få lämpligt 31