Den byggda miljöns betydelse för transporterna

Transkript

1 UPTEC STS Examensarbete 15 hp December 2015 Den byggda miljöns betydelse för transporterna Emma Ivarsson

2 Abstract The built environment influence on travel behavior Emma Ivarsson Teknisk- naturvetenskaplig fakultet UTH-enheten Besöksadress: Ångströmlaboratoriet Lägerhyddsvägen 1 Hus 4, Plan 0 Postadress: Box Uppsala Telefon: Telefax: This study aimed to examine the qualities of the built environment that influence travel behavior. This is still a relatively unexplored area of European environments. The concept of the built environment contains different elements such as building structures which describes diversity, density, design, destination accessibility and distance to transit. Logit models estimated mode choice and car ownership from an activity-based approach. A range of variables for the socio-economic and built environments were tested for these models. The result suggests that the built environment has a rather complex impact on travel behavior. Variables such as density, destination accessibility and design has a great influence on mode choice. However it is not possible to ensure that there is the built environment itself that contribute to certain behaviors or if individuals with these behaviors tend to seek areas with a suitable environment. Hemsida: Handledare: Svante Berglund Ämnesgranskare: Jesper Rydén Examinator: Elísabet Andrésdóttir ISSN: , UPTEC STS15 041

3 Populärvetenskaplig sammanfattning Detta arbete syftade till att utreda den byggda miljöns betydelse för persontransporter. Detta är ett område som omnämns i fler stads-och samhällsplaneringssammanhang och är av stor vikt då man ämnar att skapa bebyggelsestrukturer i samhället som hämmar bilåkande och främjar mer miljövänliga färdsätt, så som gång, cykel och kollektivtrafik. Ämnet byggd miljö och resvanor är tämligen välutforskat i amerikanska miljöer och studier har visat att resor till större del sker till fots i täta områden med funktionsblandning än i mer förortsliknande områden. Däremot är ämnet relativt outforskat i europeiska miljöer därför behövs mer empiriskt material och studier för att undersöka den byggda miljöns inverkan på resvanor i typiskt europeiska miljöer för att se vilket inflytande byggd miljö har på resvanor där. I denna studie utreds den byggda miljöns inflytande på transporter i Stockholmsregionen. Data hämtas från en resvaneundersökning som genomfördes 2006 då ca personer i Stockholms län besvarade frågor om deras resande. Byggd miljö definieras i denna studie utifrån element i the six Ds som ofta omnämns i amerikanska studier, nämligen variabelkategorierna: Density, Diversity, Design, Destination accessibility, Distance to transit. Med andra ord används variabler som bland annat beskriver tätheter, tillgänglighet och närhet till kollektivtrafikutbud. För att avgöra dessa variablers inverkan på resvanor används logistisk regression som är en regressionsmodell lämpad för diskreta val. Logitmodeller (logistiska regressionsmodeller) används för att identifiera de nyttor valen att ta olika färdmedel har. En utgångspunkt är att individer alltid gör de val som ger dem själva störst nyttor. Det är upp till modellbyggaren att finna dessa nyttor för att göra en sådan god modell som möjligt. Byggd miljö kan inte i sig själv skapa resvanor utan kan endast verka som ett hinder eller uppmuntran till vissa beteenden. Personers resvanor skapas från deras behov i att delta i aktiviteter, deras livsstil och attityd såväl som socioekonomi och byggd miljö. Resor sker alltså inte för resandets skull utan som en följd av personers behov, vilja och möjligheter att delta i aktiviteter belägna på en annan plats än de befinner sig. Vissa aktiviteter prioriteras högre än andra så som exempelvis att arbeta, sova och äta. Andra aktiviteter, så som fritidsaktiviteter, utförs endast i den mån personer har tid och möjlighet att delta i dessa. Därför kommer även resvanorna samt den byggda miljöns och socioekonomiska egenskapers inflytande att skilja sig åt mellan olika ärenden. I denna studie skattades en modell för bilinnehav samt modeller för färdmedelsval som även tog hänsyn till antal resor. För färdmedelsval skattades olika modeller för ärendena 1

4 arbetsresor, fritidsresor, dagligvaruinköp, hämta/lämna barn, serviceresor samt övriga resor. Resultatet visar att det finns en korrelation mellan resvanor och byggd miljö. Personer tenderar till att gå mer och köra mindre bil i täta miljöer. Typiskt utför personer som bor i innerstadsmiljöer sina resor till fots, personer som bor i områden med hög bebyggelse (som är typiskt för förorter) sina resor kollektivt medan personer som bor i villaområden reser med bil. Det finns även stora socioekonomiska skillnader, personer med barn som bor i villa reser med hög sannolikhet i bil medan kvinnor och personer med utländsk bakgrund i större utsträckning reser med kollektivtrafik eller till fots än svenska män. Även om det går att se ett samband mellan byggd miljö och resvanor går det inte att avgöra om detta samband är kausalt eller ej. Det kan vara så att personer väljer att bosätta sig i områden som tillgodoser deras livsstil och attityd gentemot resande snarare än att den byggda miljön i sig påverkar personers resvanor. 2

5 Innehållsförteckning Populärvetenskaplig sammanfattning...1 Innehållsförteckning...3 Inledning...5 Frågeställning/Syfte...6 Avgränsningar...6 Resvanor och den byggda miljön...7 Hur uppstår resvanor?...7 Varför väljer man att gå?...9 Byggd miljö Självselektion Europeisk forskning Metod Deskriptiv statistik Logitmodell Nästlad logitmodell Kvalité på modell Arbetsgång GIS Variabler Density Design Destination accessibility Distance to transit Socioekonomi Resultat

6 Deskriptiv statistik Logitmodeller Bilinnehav Färdmedelsval för arbetsresor Färdmedelsval för fritidsaktivitetsresor Färdmedelsval för dagligvaruinköpsresor Färdmedelsval för hämta/lämna barn Färdmedelsval för serviceresor Färdmedelsval för övriga resor Sammanställning Diskussion Slutsats Vidare studier Referenser Böcker Elektroniska källor

7 Inledning För att uppnå de miljömål som är uppsatta av regeringen är det viktigt att minska utsläppen av koldioxid. Inom transportsektorn kan detta göras genom att minska andelen resor som sker med fossildrivna färdmedel. Det behövs alltså en stor omställning för att minska på antalet resor som sker med personbil och öka andelen resor som sker kollektivt, till fots eller med cykel. Denna omställning har i Stockholmsregionen fler positiva effekter då kapacitetsproblemen ökar i takt med en ökad befolkning. Inom samhällsplanering har det länge varit ett känt fenomen att det går att påverka denna utveckling genom att bygga miljöer som är mer lämpade för en viss transportform än andra. I USA har detta väckt ett forskningsområde som ofta benämns som built environment and travel behavior byggd miljö och resbeteenden- som ämnar att förklara den inverkan byggd miljö tycks ha på resvanor. Studier har visat att bland annat bebyggelsekaraktärer samt tätheten i amerikanska bostadsområden har stor inverkan på färdmedelsvalet vid persontransporter. Däremot är ämnet ännu relativt outforskat i Europa och Sverige. Då det finns stora skillnader i infrastruktur, inställning till transporter och stadsmiljöer mellan USA och Sverige behövs fler studier i lämpliga miljöer för att förstå den byggda miljöns inverkan på resorna i Sverige. Denna studie ämnar att bidra med kunskap inom detta område och utreda vilka kvalitéer i byggd miljö som påverkar resvanor samt i vilken utsträckning. Genom att förstå sambandet mellan byggd miljö och resor samt identifiera de mest inflytelserika kvalitéerna i den byggda miljön kan man effektivt planera regioner och stadsdelar som bidrar till en ökad andel fossilfria/snåla färdmedel. 5

8 Frågeställning/Syfte Syftet med denna uppsats är att undersöka hur den byggda miljön påverkar resvanor. Studien ämnar till att undersöka vilka kvalitéer i byggd miljö som har inverkan på resvanor samt hur resvanorna påverkas av den byggda miljön. För att göra detta skall följande frågor besvaras: Vilka element i byggd miljö har betydelse för färdmedelsval? Hur påverkar byggd miljö resfrekvensen? Har den byggda miljön samma inflytande på resor med olika ärenden? Avgränsningar Vissa avgränsningar har gjorts under arbetets gång. Till exempel har hushåll med endast en vuxen uteslutits från skattningarna. Detta gjordes på grund av att inkomsten i datamaterialet endast var angiven per hushåll och ingen information fanns om hur många i hushållet som hade egen inkomst. Det hade även varit intressant att undersöka individernas attityd gentemot resande. Då datamaterialet inte innehöll någon information angående respondenternas attityd har detta ej kunnat göras. 6

9 Resvanor och den byggda miljön Hur uppstår resvanor? Byggd miljö har i flera studier visat sig ha en inverkan på hur folk transporterar sig, däremot är det viktigt att inse att det är just människor som utför resorna och inte byggnader eller urbana funktioner. Naess (2005) menar att resvanor endast till viss del påverkas av byggd miljö och att andra faktorer så som socioekonomiska faktorer, livsstil, attityder, normer och bekantskapskrets har stor inverkan på folks resvanor. Vidare menar Naess att resvanor kan ses som ett resultat av personers önskningar, behov och resurser som modifierats av de möjligheter och begränsningar som strukturella förhållanden i samhället ger upphov till. Byggd miljö kan alltså inte i sig själv få människor att ändra sina resvanor, men det kan bidra till tillgänglighet eller hinder och på så vis påverka våra vanor. Själva resandet uppstår som ett resultat av de vardagliga behov människor har där byggd miljö antingen kan underlätta eller försvåra. Enligt Naess bör den inverkan urban struktur har på resvanor ses som otillräckligt men nödvändigt. I linje med det Handy (1996) tar upp om varför personer väljer att resa till fots skriver Naess (2005) om det så kallade aktivitetsbaserade angreppsättet. Detta angreppsätt innebär att resor bör ses som en följd av personers vilja eller behov att delta i aktiviteteter. Vardagen består då av en följd med aktiviteter som utförs på olika platser för att tillfredsställa de behov individen har. Dessa behov kan vara att äta, sova, gå i skolan, arbeta, göra inköp eller att utöva fritidsaktiviteter. Resor till flertalet av dessa aktiviteter sker rutinmässigt och planeras därmed inte medvetet av individen. Det är alltså vanligt att personer inte reflekterar över varför eller hur de reser i vardagen utan resorna sker omedvetet. Däremot har dessa rutiner inte alltid funnits där utan de har någon gång skapats. När rutiner skapas görs ofta medvetna val bland en mängd alternativ. Även etablerade rutiner kan ändras vilket bland annat kan ske vid förändring av yttre faktorer, attityd, kunskap eller familjeförhållande. Naess (2005) argumenterar även för att resor ofta sker in till innerstaden. Även om förorter tillhandahåller den service som efterfrågas sker resor ofta in till regioncentrumet. Detta kan bland annat bero på den uppsjö av utbud som finns i en innerstad, att innerstaden anses vara attraktiv eller att en mängd destinationer kan nås inom ett väldigt kort avstånd. De flesta linjer i kollektivtrafiken har även knutpunkter i innerstaden vilket gör innerstaden till en bekväm destination. Dessutom går många vägar genom centrum. Många resor mellan förorter kräver att man passerar innerstaden. 7

10 Det är vanligt förekommande att bostadsområden i amerikanska studier delas upp i olika typer av områden, t.ex. förorter eller traditionella områden. Flera studier har visat att individer i traditionella områden (som är täta och mixed-use ) tenderar till att gå mer och köra mindre bil än individer som bor i förorter (som har låg täthet och single use ). Detta menar Mokhtarian & Cao (2007) inte nödvändigtvis behöver betyda att traditionella områden leder till att man går mer utan det kan vara så att personer som tycker om att gå söker sig till gångvänliga områden. Handy et al. (2005) genomförde en studie av åtta olika bostadsområden i norra Kalifornien där områdena valdes så att de systematiskt skulle variera i tre avseenden: typ av bostadsområde, regionenscentrumets storlek samt region i delstaten. Områden som byggdes innan andra världskriget klassificerades som traditionella och mer moderna som förort. Det visade sig att personer som bor i förorter kör 18% mer bil i veckan än de som bor i traditionella områden. Detta mönster var tydligt i alla städer som undersöktes, den förort med lägst bilkörning hade fortfarande mer bilkörning än det traditionella område med mest bilkörning. Både mängden bilkörning (vehicle miles driven) som är jobbrelaterad och ickejobbrelaterad skilde sig åt för de två områdestyperna. Figur 1 sammanfattar hur resvanor uppstår till en följd av byggd miljö, socioekonomi, attityd samt behov. Det är alltså denna kombination som resulterar i personers resvanor. Figur 1. Sammanfattning resvanor 8

11 Varför väljer man att gå? Handy (1996) beskriver hur resor till fots skiljer sig från andra resor. Generellt sett så reser individer främst inte på grund av att de vill resa utan på grund av att de vill delta i en aktivitet (arbete, nöje, träning, shopping etc.) på en annan plats. Att gå är ett stort undantag till detta då man ofta går just för att man vill gå. Vidare beskriver Handy motivation och begräsningar som viktiga faktorer för att gå. Att gå till en destination särskiljs från att ta promenader vilket innefattar rastning av hund, motion mm. Miljön spelar roll så fort människan kommer utanför dörren för promenader och fortsätter att ha en avgörande roll under hela promenadens gång, åt det håll som känns mest inbjudande och lockande kommer promenaden att gå. Den urbana miljön är alltså en yttre faktor som antingen kan uppmuntra eller avskräcka promenader. Det är viktigt att poängtera att det är hur den urbana miljön upplevs som spelar roll vilket är ytterst subjektivt då miljöer kan upplevas olika av olika personer. Handy beskriver modellen för att gå till en destination som mer komplex än modellen för promenader. För att finna motivation till att gå till en destination måste individen dels vara motiverad till att gå och dels vara motiverad till att delta i en aktivitet vid destinationen. Är motivationen till att gå inte tillräckligt hög kommer individen att ta sig till destinationen på annat sätt än att gå om den har möjlighet. Lindelöw et al. (2014) menar på att angreppsättet för att forska kring gångbarhet ofta grundar sig i vissa fysiska egenskaper i den byggda miljön. Vare sig om det är i positiv eller negativ bemärkelse så påverkas valet att gå både av den byggda miljön samt krav på vardagliga aktiviteter. En byggd miljö som gagnar gång kan endast påverka valet att gå till en viss gräns, går inte vardagen ihop så kommer man inte att gå även om den byggda miljön är rätt. I Lindelöw et al. (2014) studie undersöktes tre områden i Malmö för att se hur byggd miljö och vardagliga aktiviteter påverkar hur ofta individer väljer att gå. Resultatet från regressionsanalysen blev att den byggda miljön inte hade någon inverkan på hur ofta individer går utan det var behovet som hade den avgörande rollen. Dock är den byggda miljön i de områden som var med i studien relativt gångvänlig. Resultatet kan därmed ha påverkats av att det inte fanns några extrema skillnader i hur infrastrukturen var utformad för att gå. Begreppet gångbarhet definieras olika i olika studier men många forskare är överens om att gångbarhet dels bör beskrivas med fysiska egenskaper, dels med tillgänglighetsmått men även med mer subjektiva variabler som berör personers inställning till att gå. Ewing & Handy (2009) menar på att det är viktigt att särskilja hur egenskaper i byggd miljö och hur 9

12 egenskaper som komfort, säkerhet och intresse påverkar gångbarheten. Känsla av komfort och säkerhet är typiska variabler som förklarar hur individer reagerar på olika platser, med andra ord hur de tar till sig förhållanden utifrån deras egna attityder och preferenser. Olika individer kan uppleva samma miljö på olika sätt eftersom de inte har samma tidigare erfarenheter, eller skilda världsbilder och därmed tolkar den upplevda miljön olika. Fysiska faktorer så som bullernivå, gatubredd, antal personer/fordon, bredd på trottoar och väder är mer objektiva än individers reaktioner. I gränslandet mellan dessa kategorier hamnar egenskaper i byggd miljö så som tillgänglighet, komplexitet mm. Byggd miljö Att styra efterfrågan på transporter med hjälp av förändringar i den byggda miljön är enligt Ewing & Cervero (2010) det mest frekvent undersökta området inom stadsplanering. I forskning inom området benämns de kategorier av variabler i byggd miljö som påverkar resvanor ofta med D. Befintlig litteratur refererar ofta till de fem variabelkategorierna Density, Diversity, Design, Destination accessibility och Distance to transit. Översatt till svenska är dessa kategorier täthet, variation, utformning, tillgänglighet och avstånd till kollektivtrafik. Kategorierna är grova med diffusa gränser som ibland går in i varandra. Density Täthet mäts som den undersökta variabeln per enhet area där den undersökta variabeln kan vara bostäder, befolkning, arbetsplatser etc. Diversity Variation mäts som antalet olika sätt för markanvändning inom en given area samt till vilken grad de representeras i området. Till exempel används förhållandet mellan antalet arbetsplatser och boenden som ett mått på variation i området. Design kännetecken för gatunätverk, storlek på typiska kvarter, antalet korsningar, andel trottoarer, bredd på en normal väg etc. ryms inom ramen för design. Destination accessibility hur lätt det är att ta sig till olika destinationer brukar mätas som tillgänglighet vilket kan ske på lokal eller regional nivå. Detta kan göras på olika sätt, i vissa studier används avståndet till det centrala affärsområdet som ett mått på regional tillgänglighet medan andra studier använder antalet jobb som kan nås inom en viss tid. Då antalet destinationer som är tillgängliga inom en viss restid används som mått på tillgänglighet blir tillgängligheten ofta som högst i centrala lägen. Lokal tillgänglighet kan definieras som avståndet från hemmet till närmsta butik. 10

13 Distance to transit vanligtvis mäter man den kortaste vägen mellan bostad eller arbetsplats till närmsta kollektivtrafikstation/hållplats för att avgöra avstånd till kollektivtrafik. Det kan även mätas som avstånd mellan hållplatser, täthet för kollektivtrafik eller antalet hållplatser per areaenhet. Många studier från USA använder sig av komponenterna density, diversity, design och accessibility för att finna samband mellan resvanor och byggd miljö. Däremot är det inte helt självklart hur dessa komponenter ska mätas. För att komplettera forskningen från USA har Comendador et al. (2014) genomfört en undersökning i Madrid för att med hjälp av faktoranalys finna variabler som beskriver hur density, diversity, design och accessibility är mått på byggd miljö. Självselektion Många studier visar på att det finns ett samband mellan byggd miljö och resvanor, dock behöver detta inte nödvändigtvis innebära kausalitet. Personer som tycker om att gå kan medvetet söka sig till områden som är gångvänliga, det behöver alltså inte vara den byggda miljön som får personen att vilja gå utan personer som vill gå kanske söker sig till områden där den byggda miljön gör det lämpligt att gå. Detta problem brukar forskarna benämna som the Self-Selection Problem vilket syftar just till svårigheten att härleda kausalitet mellan byggd miljö och resvanor givet att man ser ett samband (Cao et al., 2009b). Det är alltså möjligt att falska samband mellan byggd miljö och resvanor egentligen tyder på att preferenserna för resvanor är detsamma som preferenserna för var individer väljer att bosätta sig. Metodvalet är viktigt för att undvika denna typ av falska samband mellan byggd miljö och resvanor. Däremot betyder det inte att den byggda miljön saknar betydelse utan självselektion är snarare något som måste tas hänsyn till när samband mellan byggd miljö och resvanor undersöks. Att förstå dels sambandet mellan byggd miljö och resvanor samt dels sambandet mellan folks val av bostadsplatser och deras livsstil, ekonomi, resvanor är viktigt för samhällsplanerare och beslutsfattare. Genom att ta hänsyn till personers behov och önskningar inom samhällsplanering kan man nå effekter som annars är svåra, till exempel kanske det är många som bor långt från regioncentrum i bilorienterade områden men som egentligen vill bo i områden som är mer gångvänliga eller har bättre kollektivtrafiksanknytningar. (Cao et al., 2009a) 11

14 Cao et al. (2009a) förklarar vikten av att använda sig av rätt metod för att visa korrelation mellan byggd miljö och resvanor. Vidare menar Cao et al. på att det behövs fyra typer av bevis (association, non-spuriousness, time precedence, causal mechanism) för att dra robusta slutsatser om kausalitet. Det krävs alltså att ett statistiskt signifikant samband, ett samband som inte kan tillskrivas en annan variabel, att anledningen föregår effekten samt en logisk förklaring till varför den påstådda orsaken skulle ge upphov till den observerade effekten för att robust bevisa kausalitet. En del metoder för att bevisa kausalitet består av att använda sig av två testgrupper som undersöks vid två tillfällen där den ena gruppen flyttar, en så kallad longitudinell metod. På så vis kan man se om resvanor ändrats när den byggda miljön ändrats. Dock är det viktigt att inse att flyttar inte är något som sker slumpmässigt utan snarare ett medvetet val personer gör till följd av förändring av arbetsplats, familjeförhållande, livsstil eller inställning till resor. Europeisk forskning En stor mängd studier har gjorts i USA för att försöka förklara hur byggd miljö påverkar transporter som en följd av den allmänna uppfattningen att utglesning gynnar en bilberoende livsstil. Dock är det endast en bråkdel av studierna som behandlar detta ämne som visat en robust kausalitet mellan byggd miljö och transporter, inte minst i Europa. Då attityder, transportmönster, miljöer och socioekonomiska egenskaper skiljer sig mycket åt mellan olika städer är det inte självklart att resultaten som fås från en plats nödvändigtvis kommer att gälla på en annan. Därför krävs det fler studier från europeiska länder för att identifiera hur sambandet ser ut där. Aditjandra et al. (2011) fann att i Storbritannien hade egenskaper i bostadsområdet stor betydelse för transporter även när hänsyn togs till självselektion på så vis att ju mer personer blir exponerade för kollektivtrafik desto större sannolikhet är det att de kör mindre bil. Det visade sig även att egenskaper i bostadsområden har inverkan på bilinnehav och att en tillfredsställande social miljö minskar mängden privata bilresor. 12

15 Metod Deskriptiv statistik Data hämtas från resvaneundersökningen som genomfördes i Stockholms län år Denna resvaneundersökning (RVU) var speciellt lämpad för denna studie då den innehåller en stor mängd data vilket är unikt för Stockholmsregionen. Resvaneundersökningen genomfördes av Trivector Traffic som fått i uppdrag att göra en undersökning i samband med Stockholmsförsöket. Trivector Traffic tog fram frågeenkäten medan Sifo och Stockholms Stads Utrednings- och Statistikkontor (USK) ansvarade för urval, utskick och sammanställning av enkäterna. Enkäten bestod av två delar där den första delen bestod av frågor som behandlade familjeförhållande, inkomst, sysselsättning, körkort- och bilinnehav etc. medan den andra delen bestod av en resedagbok. Respondenten ombads att redogöra för alla resor under en specifik mätdag. Då datamaterialet är stort är det fördelaktigt att på förhand ha en idé om vilka variabler som kan vara beroende av varandra innan skattningarna påbörjas. För att åskådliggöra enkla beroende mellan variabler genomfördes deskriptiv statistik på RVU-datan i SPSS. Med hjälp av frekvenstabeller kunde resultat från enskilda frågor visualiseras. Korstabeller användes för att se enklare samband mellan variabler. Detta skapade kunskap och förståelse för relationerna mellan olika variabler vilket var till användning när skattningar senare genomfördes. Logitmodell Vid flera planeringssituationer som berör markanvändning och reseefterfrågan finns ett behov av att uppskatta antalet val som görs av personer när de ska välja bland de diskreta alternativ som finns tillgängliga. För att beskriva dessa diskreta val används olika modeller för diskreta val där multinomial logitmodell (logistisk regressionsmodell) är den vanligaste. Typiskt är att dessa modeller tillämpas vid analys av markanvändning och reseefterfrågan då hänsyn tas till lokalisering av bostäder och arbetsplatser samt valen för resfrekvens, startpunkt, destination och färdmedel (Erlander 2010). Att använda sig av nyttomaximering är en väl tillämpad metod för att härleda funktionen för sannolikheten för ett val. Vanligen förutsetts ett nyttomaximerande beteende vid härledningen 13

16 av logitmodeller (Erlander 2010, Train 2003, Ben-Akiva & Lerman 1997). Detta innebär i praktiken att personer gör de val som ger dem själva störst nytta. När en beslutstagare n gör ett val bland J alternativ får beslutstagaren olika vinster, så kallade nyttor, från de olika alternativen. Nyttan som beslutstagare n får genom att välja alternativ j definieras som U nj där j = 1,, J. Det alternativ som ger beslutsfattaren störst nytta kommer han/hon att välja. Detta leder till en beteendemodell som säger att alternativ i skall väljas om och endast om U ni > U nj för alla i j. Nyttofunktionen U nj är känd för beslutsfattaren men inte för modellbyggaren som endast observerar attribut för de olika alternativen beslutsfattaren har framför sig samt attribut för beslutsfattaren. Dessa attribut som är kända för modellbyggaren betecknas tillsammans som V nj. Eftersom det finns nyttor som modellbyggaren ej känner till kommer V nj inte ensamt kunna beskriva nyttofunktionen. Faktorer som påverkar nyttan men som inte finns med i V nj samlas i ε nj vilket ger att: U nj = V nj + ε nj (1) Där ε nj beror på hur modellbyggaren specificerat V nj då ε nj per definition är skillnaden mellan den sanna nyttan U nj och de element i nyttan som modellbyggaren tar hänsyn till (V nj ). Modellbyggaren har ingen kunskap om ε nj och därför betraktas den sista termen i nyttofunktionen som slumpmässig. Givet att en beslutsfattare alltid väljer de alternativ som ger störst nytta är sannolikheten för att beslutsfattare n ska välja alternativ i: P ni = P(U ni > U nj ) = P(V ni + ε ni > V nj + ε nj ) = P(V ni V nj > ε nj ε ni ) (2) för alla i j. Genom att anta att ε nj är oberoende och likafördelade (eng. independent and identically distributed, i.i.d.) extremvärden fås logitmodellen. Fördelningen kallas även för Gumbel vars kumulativa funktion är F(ε nj ) = e e ε nj (3) Logit sannolikhet för ett val går att härleda från (2) och (3) vilket ger: P ni = e V ni e V nj j (4) 14

17 Den del av nyttofunktionen som specificerats av modellbyggaren, V nj, brukar vanligen skrivas på den linjära formen V nj = β x nj vilket ger den nya sannolikheten P ni = e β x ni e β x nj j (5) Genom att betrakta ekvationen ovan blir det tydligt att P ni går mot noll när V ni minskar samtidigt som P ni går mot ett när V ni ökar. Då nyttan för ett specifikt val är mycket låg blir summan av nyttorna för de övriga valen mycket hög. På samma sätt är nyttan för övriga val liten om nyttan för ett specifikt val är stor. Alltså går summan av samtliga nyttor mot V ni när V ni växer och därmed går P ni mot ett. Sannolikheten för ett alternativ i en logitmodell är aldrig exakt noll, de alternativ som modellutvecklaren anser ha ingen chans alls att bli valda utesluts från modellen. Nästlad logitmodell Vid mer komplexa situationer där varje alternativ består av en kombination av underliggande val kan det vara nödvändigt att använda sig av nästlade logitmodeller. Detta kan till exempel vara fallet då en modell skall skapas för fritidsresor där varje alternativ ges för både färdmedelsval och antal resor. Denna typ av modell består av så kallade flerdimensionella valuppsättningar. Om C 1 och C 2 antas vara två uppsättningar med val där elementen ges av J 1 respektive J 2 kommer valuppsättningen C 1 C 2 (Cartesisk produkt) att bestå av J 1 J 2 element. De element i C 1 C 2 som ej är tillgängliga för individ n samlas i C n vilket ger att den flerdimensionella valuppsättningen för individ n definieras som C n = C 1 C 2 C n (6) Om vi antar att alla möjliga färdmedelsval för fritidsresor samlas i F = {f 1, f 2,..., f JF }och antalet resor samlas i A = {a 1, a 2,..., a JA } så är A F = {(a 1, f 1 ), (a 1, f 2 ),..., (a 1, f JF ), (a 2, f 1 ),..., (a 2, f JF ),..., (a JA, f 1 ),..., (a JA, f JF )} (7) samtliga potentiella kombinationer av antal resor och färdsätt. Däremot kommer alla dessa kombinationer inte att vara tillgängliga för samtliga personer. Till exempel kan bil som förare vara ett färdsätt som ej är tillgängligt för personer utan körkort. Då vissa element i den 15

18 kombinerade valuppsättningen har gemensam resfrekvens medan andra element har gemensamt färdmedel följer det att en del av attributen till elementen i valuppsättningen kommer att vara samma för olika delmängder. När såväl de observerade som de oobserverade attributen antas gemensamma fås nästlade logitmodeller. Den totala nyttan i exemplet för fritidsresor blir då U af = V f + V a + V af +ε f+ε a+ε af (8) där ε f eller ε a antas vara lika med noll. Ty ε f och ε a definieras som de oobserverade komponenterna i den totala nyttan som i detta exempel tillskrivs färdsätt samt antal resor, ε af består av resterande oobserverade komponenter i den totala nyttan. I nästlade modeller antas att någon av dessa ε är så liten att den kan uteslutas från modellen. Vid skattning ställs nyttofunktionen upp så att V a = β a x a (9) V f = β f x f (10) V af = β af x af (11) där β af, β a och β f är vektorer med parametrar tillhörande attributen x af, x a samt x f. För att beskriva nästlade modeller används ofta schematiska bilder som visar modellens trädstruktur. Exempel på en sådan bild går att se i Figur 9. Kvalité på modell För att avgöra hur väl anpassad en logitmodell är används bland annat ρ 2 (även kallat McFaddens R 2 ) som är ett mått på hur mycket bättre modellen blir med hänsyn till parametrarna (Ben-Akiva & Lerman, 1985., Maddala,1983). Genom att beräkna kvoten mellan den ursprungliga likelihoodfunktionen och likelihoodfunktionen som tar hänsyn till alla parametrar fås ρ 2. ρ 2 = 1 LL(β ) LL(0) (12) 16

19 Ju högre ρ 2, desto bättre anpassad modell. ρ 2 liknas ofta vid R 2, som används vid linjär regression, och är på samma vis ett mått på modellens förklarningsgrad vid logistisk regression. Generellt sett tenderar ρ 2 till att vara lägre än R 2 och värden över 0,2 anses ge bra modeller (Rupert et al., 2008). För att avgöra om regressionskoefficienterna är signifikanta används t-värde som generereras vid skattningarna. Ju längre bort från noll absolutbeloppet av t-värdet är desto större signifikans har koefficienten. För en 95%-konfidensnivå anses koefficienter med absolutbelopp på t-värdet som är större än 1,96 vara signifikanta. Då modellerna är komplexa kan det förekomma korrelation sinsemellan de förklarande variablerna som ger upphov falska värden i resultatet. För att undvika detta kontrollerades korrelationsmatrisen som visar korrelationen mellan variablerna. Höga värden i denna matris bör undvikas då det tyder på hög korrelation mellan två förklarande varialer. Arbetsgång Den här studien utgår från ett aktivitetsbaserat synsätt vilket innebär att individer antas utföra resor på grund av att de skall delta i en aktivitet som äger rum på en annan plats än de befinner sig på. Resor utförs alltså för att färdas till olika aktiviteter där olika aktiviteter fyller olika syften. En del aktiviteter (så som äta, jobba, sova) prioriteras i regel högre än tex fritidsaktiviteter. Resvanor för sex olika aktiviteter kommer att analyseras. Då resfrekvens, färdlängd samt färdmedelsval kan variera mellan de olika aktiviteterna är det intressant att analysera dem var för sig. Därefter vägs resultaten samman för att identifiera generella resbeteenden. De aktiviteter som tas hänsyn till är arbete, dagligvaruinköp, hämta/lämna barn, service, fritidsaktivitet samt övriga aktiviteter. Det är viktigt att särskilja dagligvaruinköp från övriga inköp då resbeteendet för dessa ofta ser olika ut. T.ex. sker dagligvaruinköp ofta med högre frekvens än övriga inköp. Service innefattar ärenden så som läkarbesök, frisör, tandvård mm. Arbetet inleddes med en litteraturstudie med syftet att få fördjupad förståelse för området byggd miljö och resvanor. I samband med denna litteraturstudie identifierades lämpliga variabler för att beskriva byggd miljö med hjälp av de fem kategorierna Density, Diversity, Design, Destination accessibility och Distance to transit. Dessa variabler operationaliserades sedan och kompletterades med socioekonomiska variabler. Varje observation i resvaneundersökningen tilldelas olika attribut som baseras på egenskaper hos respondenten 17

20 eller respondentens hemområde på trafikzonsnivå. QGIS och ARCGIS har bland annat använts för att sortera data till trafikzonerna, genomföra arealberäkningar och finna korsningar i vägnät. När data bearbetats påbörjades skattningarna i Alogit som är ett program för att utföra logistiska regressioner. Då modellerna som skattas är komplexa och tar hänsyn till fler olika nyttofunktioner är det lätt att höga korrelationer mellan de förklarande variablerna uppstår. Därför valdes en metod där modellerna först innehöll ett få antal variabler för att sedan utöka en variabel i taget. På så vis kunde resultatet kontrolleras för varje ny variabel och en del dolda korrelationer upptäckas genom att se hur enskilda variabler påverkade modellen som helhet. När en tillfredsställande simultan modell hittats testades olika nästlade modeller med lämplig struktur som innehöll samma variabler som den simultana modellen. De modeller som visade sig vara nästlade presenteras som nästlade logitmodeller i Resultat-avsnittet, övriga modeller presenteras som simultana. GIS För att bearbeta data användes GIS som är ett informationssystem som används för att hantera geografisk data och står för Geographic Information System. Användningsområdena är många, exempelvis kan GIS användas för visualisering, urval och analys av data. En stor fördel med GIS är dess förmåga att hantera olika kartskikt, lager. Ett lager kan bestå av vägnätverk, ett annat av bostäder och ett tredje med geologiska egenskaper. Med hjälp av GIS kan data tilldelas olika zoner, t.ex. kan man ta reda på vilka punkter som hör till vilka zoner där punkter kan vara affärer, korsningar, skolor mm. I detta arbete användes GIS för att bland annat beräkna areor för olika bebyggelsekaraktärer samt identifiera vilka trafikzoner dessa bebyggelsekaraktärer tillhörde. Det har även används till att beräkna korsningstätheter och visualisera resultat. Variabler Density Stockholms län består av 1240 st trafikzoner, se Figur 14, som används vid beräkning av variablerna för byggd miljö. Varje observation (respondent) tilldelas de värden på variabler 18

21 för byggd miljö som är specifik för den trafikzon respondenten är bosatt i. Trafikzonernas storlek och utformning varierar över länet, i regler är zonerna mindre i mer centrala lägen. Samtliga täthetsvariabler räknas per areaenhet i trafikzonerna. Tätheterna mäts i tre avseenden; befolkning, byggnader och service. Befolkningstäthet Befolkningstätheterna i respektive trafikzon räknas som antal personer per kvadratkilometer bebyggd area. Den bebyggda arean för trafikzonerna beräknas med hjälp av Lantmäteriets kartor hämtade från SLU (Sveriges Lantbruksuniversitets kartor). Två variabler användes för befolkningstäthet: Dagbefolkning Nattbefolkning Dessa variabler är kontinuerliga och har enheten personer/kvadratkilometer bebyggd area. Nattbefolkning avser de personer som är bosatta i trafikzonen medan dagbefolkning tar hänsyn till hur många det är som arbetar i trafikzonen. Bruttoarea Täthetsvariabeln som tar hänsyn till hur tätbebyggt området är räknas som andelen bruttoarea per markyta där markyta är den totala arean i trafikzonen bortsätt från ytor som täcks med vatten. Bruttoarea, även kallat BTA, är den totala golvytan eller boytan i ett hus. BTA är alltså summan av alla våningsplans area och begränsas av ytterväggarna. Variabeln BTA är en kvot mellan två areor och är alltså enhetslös. Service Som ett mått på service i närområdet används antalet anställda inom specifika yrkesgrupper per areaenhet. Tre olika variabler för olika typer av service användes. Enheten för dessa var antal anställda per kvadratkilometer bebyggd area. Sjukvård Skola Affärer Affärer räknas i detta fall som parti-och detaljhandel samt reparationer. 19

22 Diversity Självförsörjningsgrad Som ett mått på variation används hur stor dagbefolkningen är jämfört med nattbefolkningen. En trafikzon där dagbefolkningen är jämnstor med nattbefolkningen anses ha stor variation då den både erbjuder bostäder och arbetsplatser. Däremot är ett område där nattbefolkningen är mycket större än dagbefolkningen bostadsorienterad medan ett område med stor andel dagbefolkning är arbetsplatsorienterat. Självförsörjningsgrad räknas som dagbefolkningen i trafikzonen dividerat med nattbefolkningen. En hög självförsörjningsgrad innebär alltså att det är fler som arbetar än som bor i området. Design De element i byggd miljö som undersöks i denna studie är korsningstäthet, bebyggelsetyp och andelen villor i området. Korsningstäthet Enligt den befintliga litteraturen sker resor i större utsträckning till fots i områden med täta gatunätverk. Variabeln korsningstäthet definieras i den här studien som antalet vägkorsningar per kvadratkilometer markyta. En avgränsning har gjorts till att bara ta hänsyn till vägar med maximal hastighetsbegränsning på 50 km/h. Denna avgränsning grundar sig på ett antagande om att andelen resor som görs till fots på vägar med hastighetsbegränsning över 50 km/h är relativt låg. Med andra ord antas det att andelen korsningar i ett vägnätverk med höga hastigheter inte har någon betydande inverkan på beslutet om att utföra en resa till fots eller med annat färdmedel. 20

23 Bebyggelsetyp Tre olika variabler användes för att undersöka bebyggelsetypens inverkan på resvanor. Dessa grundar sig i Lantmäteriets definition av bebyggelsetyper som sker områdesvis. Variablerna är utformade så att de mäter andelen av bebyggelsen i trafikzonen som är av en viss typ. Alltså mäter variabeln Hög bebyggelse andelen hög bebyggelse inom den bebyggda arean i respektive trafikzon. Sluten bebyggelse är bebyggelse i innerstadsmiljöer och begränsas av slutna kvarter. Hög bebyggelse Låg bebyggelse Sluten bebyggelse Andel villa Variabeln Andel villa mäter just andelen bostäder i trafikzonen som är villor och är hämtad från transportmodellen LuTRANS 1 som utvecklats av WSP. Destination accessibility Tillgänglighet Tillgänglighetsvariablerna hämtas från transportmodellen LuTRANS 2. De består av logsummor och tar hänsyn till resmålets värde och kostnader. Tillgänglighetsvariablerna är utvecklade på trafikzonsnivå och består av variabler som bland annat berör markanvändning, trängsel och restid. I denna studie definieras tillgänglighet som differensen mellan tillgänglighet för bil och tillgänglighet för kollektivtrafik. En positiv tillgänglighet innebär alltså att tillgängligheten med bil är större än tillgängligheten med kollektivtrafik. Två olika tillgängligheter används i denna studie: Tillgänglighet arbetsresor 1 LUTRANS Dokumentation (2013). WSP Sverige AB. 2 LUTRANS Dokumentation (2013). WSP Sverige AB. 21

24 Tillgänglighet övriga resor Tillgängligheterna fås från logsumman för nyttan U i att ta ett specifikt färdmedel k i område i: LS_par ln( U i k k ) där LS_par är logsummeparametern och nyttan för bil respektive kollektivtrafik fås från: U i b = α b B konk + β b and kk + LS_par B_GC i U k i = α k + LS_par K_GC i där B konk bilkonkurrens (antal bilar per körkort) and kk andel av befolkningen som har körkort B_GC i generaliserad kostnad för bil K_GC i generaliserad kostnad för kollektivtrafik Den generaliserade kostnaden för bil består av kostnaden att köra bilen (drivmedel samt slitage på bilen per km), eventuell tullavgift samt tiden att ta sig till destinationen. För kollektivtrafik består den generaliserade kostnaden för kostnaden att köpa ett månadskort dividerat med 20 adderat till den totala restiden. Med andra ord väntetid, tid i färdmedel, gångtid samt bytestid. Distance to transit Två variabler användes för kollektivtrafik: Tunnelbanestation Busshållsplatser Variabeln för tunnelbana är en dummyvariabel som anger om det finns någon tunnelbanestation i trafikzonen eller inte. Trafikzonerna är utformade så att det endast skall finnas maximalt en tunnelbanestation per zon däremot kan det komma fler busshållplatser i en och samma zon. Därför anses variabeln för busshållsplatser vara diskret och anger antalet hållplatser i trafikzonen. 22

25 Socioekonomi Ett urval gjordes där hushåll med endast en vuxen uteslöts. Detta för att inkomsten i datamaterialet endast var angivet för det totala hushållet. En inkomst som anses vara hög för en person kan vara låg eller medel för ett hushåll med fler vuxna. Samtliga socioekonomiska variabler hämtades från resvaneundersökningen. Ålder Åldersindelningen gjordes i fem åldersintervall: år år år år Över 65 år Respektive intervall representerades med en dummy-variabel. Åldersintervallen är ämnade för att representera olika kritiska punkter där beteendemönster och resvanor ändras. Sådana kritiska punkter kan vara förändringar i familjeförhållande, bostad eller sysselsättning. Inkomst Inkomsten i resvaneundersökningen uppgavs av respondenterna som ombads fylla i det intervall som stämde med hushållets inkomst. Inkomsten angavs som den ersättning, lön, pension, bidrag eller inkomst från eget företag/jordbruk hushållet fått per månad innan skatt det senaste året. Då en mycket lågt angiven inkomst ( kr/mån) kan tyda på att respondenten av något skäl inte vill uppge sin egentliga inkomst snarare än att svaret speglar den faktiska hushållsinkomsten uteslöts de respondenter som uppgett detta intervall. De intervall som kvarstod var kr/mån kr/mån kr/mån kr/mån kr/mån Mer än kr/mån 23

26 Varje intervall representerades med en dummy-variabel. Barn i HH Variabeln Barn i HH är en dummyvariabel som definieras som de hushåll som i resvaneundersökningen uppgett att de har minst ett barn 0-12 år. Villa Variabeln Villa uppger respondentens bostadstyp. De hushåll som bor i ett radhus, enfamiljshus eller villa som de antingen äger själva, hyr eller äger i form av bostadsrätt definieras som hushåll som bor i villa. Bakgrund Nationalitet och ursprung ryms under bakgrundsvariabeler som består av två dummyvariabler: Född i utlandet Utländsk medborgare Körkort Respondentens körkortsinnehav representerades i en dummyvariabel där värde 1 innebar att respondenten hade körkort. För bilinnehavsmodellen skapades även dummyvariabler för att kontrollera för hur många körkort som totalt sett fanns i hushållet. Bil Respondenter som uppgett sig ha tillgång till bil inom hushållet tilldelas värde 1 på dummyvariabeln Bil. Respondenten behöver själv inte ha något körkort men variabeln Bil har definierats så att ett hushåll ej kan ha en bil utan att det finns något körkort i hushållet. Hushåll som uppgett att de har en bil men inget körkort utesluts alltså från datamaterialet. Bilen behöver ej vara ägd av hushållet utan kan t.ex. vara en tjänstebil eller leasingbil. Variabeln uppger inte hur många bilar som disponeras av hushållet utan endast om det finns minst en bil tillgänglig i hushållet. 24

27 Resultat Deskriptiv statistik Resvaneundersökningen genomfördes i mars 2006, av de svarande var 42,3 % män och 57,7 % kvinnor. Enkäter distribuerades till personer mellan år vilket resulterade i godkända svar. Det vanligaste familjeförhållandet i hushållen var två eller fler vuxna utan barn som stod för 44,4 % av svaren. Därefter var hushåll med minst två vuxna och barn samt hushåll med ensamstående vuxen utan barn de vanligaste sammansättningarna av hushåll. Fler än hälften av respondenterna svarade att det fanns två körkort i hushållet och det var endast 8,5 % som inte hade något körkort inom hushållet. 80,4 % av respondenterna hade själva körkort för personbil och 73,3 % hade tillgång till en bil inom hushållet. Tabell 1 visar hur bil- och körkortsinnehav varierar med olika bakgrundsvariabler. Tabell 1. Bil- och körkortsinnehav Bakgrundsvariabel Antal Andel med bil i hushåll Andel med körkort i hushåll Kön Man % 94% Kvinna % 88% Ålder år % 95% år % 87% år % 92% år % 93% 65+ år % 84% Bakgrund Utl. medb född i Sv % 90% 25

28 Utl. medb född i utl % 84% Sv. medb född i utl % 82% Sv. medb född i Sv % 92% Bostadstyp Flerfamiljshus % 86% Enfamiljshus % 97% Hemområde Norr ytterförort % 94% Norr inre förort % 90% Innerstad % 88% Lidingö % 93% Söder inre förort % 89% Söder ytterförort % 92% När det gäller förekomsten av bil i hushållet är det stora skillnader beroende på var i Stockholmsregionen respondenten bor. I innerstaden har endast 56 % av respondenterna tillgång till bil. Däremot är det betydligt fler (84 % resp 82 %) som har det i ytterförorterna. Cirka 73 % av personerna som bor i de inre förorterna har tillgång till bil i hushållet. Det verkar alltså som att ju längre bort från centrum man bor desto större sannolikhet är det att man har bil. Av de personer som själva har körkort för personbil bor 79,6 % i ett hushåll som har tillgång till bil medan endast 47,0 % av de personer som inte har körkort gör det. Större andel män (77,7 %) bor i ett hushåll där det finns bil än kvinnor (70,0 %) vilket illustreras i Tabell 1. Personer med svensk bakgrund bor med större sannolikhet i ett hushåll där det finns minst en bil än personer med utländsk bakgrund. Bland svenska medborgare som är födda i Sverige bor 74,5 % av respondenterna i ett sådant hushåll medan endast 63,5 % av de respondenter som är födda i utlandet och är utländska medborgare bor i ett hushåll med bil. Hushåll som det endast bor en vuxen person i har med mindre sannolikhet bil. Detta kan dels bero på att personer som bor ensamma har en svagare hushållsekonomi. Det kan även bero på att personer som lever ensamma inte har sådana familjeförhållanden där bil prioriteras i 26

29 samma utsträckning som personer som bor i hushåll med fler vuxna. En annan viktig sak att poängtera är att variabeln bilinnehav inte kräver att respondenten själv ska äga en bil utan endast att det ska finnas en bil till förfogande i hushållet. Med andra ord behöver endast en person i hushållet äga en bil för att respondenten skall svara ja på frågan om det finns bil i hushållet. Ju fler vuxna som bor i hushållet, desto fler är det som kan införskaffa bil. Generellt sett ökade förekomsten av barn sannolikheten till att det skulle finnas minst en bil i hushållet. Hushållsekonomin har stor inverkan på förekomsten av bil. Bland de personer som hade en inkomst under kr innan skatt var det vanligare att inte ha en bil i hushållet än att ha det. Däremot har runt 90 % av de som hade en inkomst på över kr en bil i hushållet. Skillnaderna för de tre högsta inkomstklasserna var små, 88,0 % sannolikhet att ha bil för de med inkomst kr, 91,4 % av de som har inkomst kr har bil och 92,7 % av de hushåll som har en inkomst över kr har bil. Detta tyder på att man i regel har en bil om man har råd. Sysselsättningen bland respondenterna redogörs i Tabell 2 nedan. Den klart vanligaste sysselsättningen var att förvärvsarbeta vilket av respondenterna gjorde. 8,5 % studerade och 26,4 % var pensionärer. 27

30 Tabell 2. Sysselsättning Sysselsättning Antal Procent Förvärvsarbetar ,9% Studerar ,5% Sjukskriven 344 1,4% Föräldraledig 522 2,2% Arbetsökande 486 2,0% Pensionär ,4% Övrigt 127 0,5% Vanligast att ha bil är bland föräldralediga, vilket kan kopplas till att hushåll med barn med större sannolikhet har bil. Därefter är den sysselsättning som har störst andel respondenter med tillgång till bil i hushållet de som förvärvsarbetar. Arbetssökande, sjukskrivna och pensionärer hör till de grupper där bil är minst vanligt. Figur 2 illustrerar hur hushållsinkomsten innan skatt fördelas över respondenterna, 24,0 % av respondenterna tillhörde ett hushåll med kr i månaden som inkomst vilket var den vanligaste inkomsten. Den näst vanligaste inkomsten var kr i månaden innan skatt vilket representerade 19,2 % av svaren. 28

31 Antal Inkomstfördelning Mer än Hushållsinkomst [kr/mån] Figur 2. Inkomstfördelning bland respondenterna Under mätdagen utförde 75,8 % minst en resa utanför hemmet där förflyttningar inom yrkestrafik samt promenad med hund eller motionsrundor ej räknades som resor. Utöver dessa undantag skulle respondenten redogöra för alla resor/förflyttningar under mätdagen. Byte av färdmedel räknades ej som ny resa utan en resa utgör hela förflyttningen mellan två aktiviteter. Sammanlagt genomfördes st resor under mätdagen av de respondenterna. I Tabell 3 går det att utläsa hur dessa resor fördelades på olika ärenden, då en del resor kodats felaktigt i databasen är inte samtliga resor med i tabellen. Det vanligaste ärendet för dessa resor var att ta sig hem till den egna bostaden vilket bestod av 37,1 % av alla resor följt av att ta sig till sin arbetsplats/skola (19,3 %). Därefter var fritidsaktiviteter (10,0 %) det vanligaste ärendet. Intuitivt kan andelen resor som sker till bostaden verka låg då de flesta resor slutar i hemmet, men Trivector som utförde resvaneundersökningen definierade resor så att om en person t.ex. stannar på vägen hem från jobbet för att handla räknas resan från arbetsplatsen till affären som en resa och resan från affären till bostaden som en annan. Denna person utför alltså två resor (arbetsresa och inköpsresa) innan den gör en hemresa. 29

32 Tabell 3. Fördelning av resornas ärende Ärende Antal Procent Till egna Arbetspl./skola ,3% Resa/ärende i tjänsten ,2% Inköp av livsmedel ,9% Annat inköp ,1% Fritidsaktivitet ,0% Besöka släkt & vänner ,2% Serviceärende ,1% Hämta/lämna barn ,9% Hämta/lämna andra 879 1,6% Hem till egna bostaden ,1% Övrigt 106 0,2% Total % Huvudfärdmedel har definierats av Trivector som genomförde RVUn och är alltså det färdmedel som huvudsakligen användes under resan. I realiteten består en resa eventuellt av fler färdmedel, t.ex. då någon går till en busshållsplats för att sedan ta bussen, men i detta arbete har hänsyn endast tagits till huvudfärdmedlet. Bil är det vanligaste huvudfärdmedlet (totalt 46, 5 %) följt av kollektivtrafik (30,8 %). Tabell 4. Färdmedelsfördelning Färdmedel Antal Procent Till Fots ,9% Cykel 549 1,0% Bil, Passagerare ,9% Bil, Förare ,6% Kollektivtrafik ,8% Övrigt ,8% Total % 30

33 Bland de resor som utfördes av personer som uppgav sig ha en inkomst inom hushållet på mindre än kr innan skatt var det vanligare att kollektivtrafik var huvudfärdmedel än bil, se Figur 3. För högre hushållsinkomster än kr var bil det vanligaste huvudfärdmedel och bland de som hade en inkomst mellan kr var det dubbelt så vanligt att använda bil som huvudfärdmedel än kollektivtrafik. 0,7 0,6 0,5 0,4 Andel färdsätt per inkomstgrupp 0,3 0,2 Andel som går Andel som åker bil Andel som åker kollektivtrafik 0, Hushållsinkomst [kr/mån] Mer än Figur 3. Andel färdsätt per inkomstgrupp I åldrarna år var huvudfärdmedlet i de flesta resor kollektivtrafik men för resor gjorda av äldre personer än så var det vanligare att bil var huvudfärdmedel än kollektivtrafik. Störst andel resor med bil som huvudfärdmedel utfördes av personer mellan år. 31

34 Andel färdsätt per åldersgrupp 0,6 0,5 0,4 0,3 0,2 0,1 Andel resor som sker till fots i åldersgrupp Andel resor som sker med bil i åldersgrupp Andel resos som sker med kollektivtrafik i åldersgrupp år år år år 65+ år Åldersgrupp Figur 4. Andel färdsätt per åldersgrupp Tillgången till bil har i stor utsträckning inverkan på valet av transportmedel. Bland resor som gjordes av respondenter som hade tillgång till bil i hushållet var bil huvudfärdmedel i 58 % av fallen. Däremot var bil huvudfärdmedel i endast 10 % av de resor som gjordes av personer som inte hade tillgång till bil i hushållet. Bland dessa personer var det nästan sex gånger vanligare att resorna gjordes med kollektivtrafik som huvudfärdmedel än bil. Även andelen resor som gjordes till fots var vanligare bland de respondenter som inte hade tillgång till bil (26 %) jämfört med de som hade tillgång till bil i hushållet (14 %). Det är tydligt att lokalisering av hemmet spelar roll för vilket färdmedel personer väljer. De resor som utfördes av respondenter som bor i ytterförorter skedde mer än dubbelt så ofta med bil som med kollektivtrafik, och bil användes som huvudfärdmedel vid mer än hälften av resorna av dessa respondenter. Förhållandet mellan bil och kollektivtrafik var mer jämnt bland resor som skedde av personer som bodde i inre förorter även om bilen fortfarande var vanligare som huvudfärdmedel än kollektivtrafik. Däremot var andelen resor som skedde med kollektivtrafik större än andelen resor som skedde med bil för respondenter som var bosatta i innerstaden. Även andelen som reser till fots är betydligt större bland de som bor i innerstaden, 32,9 % av de resor som genomförs av personer som bor i innerstaden sker till fots medan motsvarande siffra för de andra hemområdena är 11,7 16,6 %. 32

35 Antal Från datamaterialet går det att tyda att arbetsplatsen sällan ligger mindre centralt än bostaden vilket illustreras i Figur 5. Arbetsresor sker inte heller i stor utsträckning mellan förorter i söder och förorter i norr. Med andra ord, de personer som bor i en förort i norr jobbar sällan i en förort i söder och vice versa. Detta betyder att de arbetsrelaterade transporterna i regel söker sig in mot regioncentrumet Hemområde VS arbetsplatsområde Arbetsplats i Norr ytterförort Arbetsplats i Norr inre förort Arbetsplats i Innerstaden Arbetsplats på Lidingö Arbetsplats i Söder inre förort Arbetsplats i Söder ytterförort Hemområde Figur 5. Arbetsplatsens läge jämfört med hemområde Vilket område respondenterna bodde i (Norr ytterförort, norr inre förort, innerstad, Lidingö, söder inre förort samt söder ytterförort) hade ingen större inverkan på hur många resor respondenten gjorde under resdagen. Vissa tendenser gick att urskilja som att en mindre del av de respondenter som var bosatta i Lidingö eller innerstaden gjorde två resor under resdagen jämfört med de andra hemområdena. Personer bosatta i innerstaden gjorde till något mindre andel inga resor under mätdagen samtidigt som de till en något större andel gjorde fler än två resor jämfört med personer som var bosatta i övriga områden. Dock bör det poängteras att dessa skillnader är små. Det går att dra paralleller till bostadstyp kopplat till förekomsten av bil i hushållet. Bland de respondenter som har bil i hushållet bor drygt hälften av personerna i en 33

36 villa/radhus/enfamiljshus som de antingen äger själva eller som är bostadsrätt vilket är relativt ovanligt (12,1 %) bland de respondenter som inte har tillgång till bil. Bland de som inte har bil hyr däremot mer än hälften sin bostad i flerfamiljshus vilket endast 21,2 % av de med bil gör. Det är även en större andel av de utan bil (33,0 %) som bor i bostadsrätt i flerfamiljshus än de med bil (23,7 %), se Figur 6. Figur 6. Bostadstyp för hushåll med respektive utan bil 34