LASTBILSMATRISER: RAPPORT 1 - FRAMTAGNING AV LASTBILSMATRISER

Transkript

1 LASTBILSMATRISER: 1 - FRAMTAGNING AV LASTBILSMATRISER Sweco TransportSystem Henrik Edwards, Linda Ramstedt, Sara Johansson Sweco

2 14 Sammanfattning Då Trafikverket har som mål att ta fram regionala godsmodeller, är ett steg på vägen att uppdatera/ta fram nya lastbilsmatriser för Trafikverkets regionala Sampersmodeller. För var och en av de fem regionala Sampersmodellerna har därför två lastbilsmatriser tagits fram, en för lastbil utan släp (Lbu) och en för lastbil med släp (Lbs). Denna rapport beskriver den del av arbetet som Sweco, på uppdrag av Trafikverket, har genomfört för att ta fram lastbilsmatriserna. Rapporten består av två huvuddelar, dels datainsamling, dels konstruktion av lastbilsmatriser. Framtagning av dataunderlag Inför framtagningen av de nya lastbilsmatriserna togs dataunderlag fram. En genomgång gjordes av befintligt material genom att sammanställa det material som finns tillgängligt. Då befintligt underlag saknas om antal lastbilar vid större godsterminaler i Sverige, genomfördes en enkätundersökning för att samla in mer underlag om detta för konstruktionen av matriserna. De aktörer som kontaktades var hamnar, kombiterminaler, speditörer och distributörer. Totalt kontaktades 74 aktörer, varav vi fick 48 svar, vilket ger en svarsfrekvens på 65 %. Utifrån enkätundersökning undersöktes svar från totalt 45 olika terminaler för att söka efter ett samband mellan terminaltyp, antal anställda och antalet lastbilsrörelser eller mängden gods som hanteras vid terminalen. Analyserna har påvisat att mängden gods vid terminalen vs antalet anställda inte är mycket starkare än antalet lastbilar vs antalet anställda för samtliga terminaltyper, samt för hamnar och lastbilsterminaler enskilt. Däremot kan vi påvisa ett mycket starkare (och positivt) samband mellan antalet anställda och mängden gods vid terminalen för typen kombiterminaler, även om man bör vara försiktig med någon slutsats. Slutligen kan vi konstatera mycket starka samband mellan antalet anställda och antalet lastbilar vid en terminal per år, om vi delar upp alla terminaler i två olika produktivitetskluster. Konstruktion av lastbilsmatriser Konstruktionen av lastbilsmatriser består av två huvudsakliga delar dels disaggregering av den nationella godstransportmodellen Samgods, dels framtagningen av en modell för lokala och regionala lastbilstransporter baserat på underlag från NÄTRA-undersökningen som genomfördes i Stockholms län år Som underlag för de transporter som ingår i de nya lastbilsmatriserna används resultat från Samgods. Matriserna från Samgods är framtagna på kommunnivå, fördelas sedan till SAMS-områden genom en nyckling i huvudsak baserad på antal anställda i olika SNIgrupper i respektive SAMS-område i kommunen. Sweco Gjörwellsgatan 22 Box SE Stockholm, Sverige Telefon +46 (0) Fax +46 (0) Sweco TransportSystem AB Org.nr Styrelsens säte: Stockholm En del av Sweco-koncernen

3 För att komplettera transporterna från Samgods har även en modell för lokala och regionala lastbilstransporter tagits fram. De lokala och regionala transporter som inkluderas i metoden är varudistribution, byggtransporter, sophantering, snöröjning, med mera. De är indelade i fem aggregerade branscher: Tillverkning, Byggnad, Handel, Transporter och Service. En modell har tagits fram för generering och fördelning av transporter. Modellen har utformats som en entropimodell med en koefficient för avståndsaversion som används för styrning mot rimliga reslängdsfördelningar. Koefficienten justeras in för kalibrering av fördelningen på transporter av olika längd per regional modell. Modellen baseras i första hand på underlag från NÄTRA-undersökningen [Eriksson et al., 2000] som genomfördes i Stockholms län år ÅDT-data har använts vid kalibreringen. Då även busstrafik inkluderas i ÅDT för tung trafik har ÅDT-flödena korrigerats genom att busstrafikutbudet har genererats och justerats nedåt för de uppmätta Lbu-flödena med antalet bussar på den aktuella länken. I Avsnitt 3.5 redovisas de framtagna a priori-matriserna för Lbu och Lbs per region i tabeller och figurer före kalibrering, och i Avsnitt 3.6 redovisas resultaten efter kalibrering. Generellt sett fungerar metoden som har beskrivits i rapporten, men det finns möjligheter till ytterligare justeringar avseende matriskonstruktionen, nivåjusteringar, nätutläggningsmetod etc för att nå en bättre överensstämmelse med observerade trafikdata.

4 Innehållsförteckning Sammanfattning 2 Framtagning av dataunderlag 2 Konstruktion av lastbilsmatriser 2 Förord 1 1 Inledning Rapportupplägg Beteckningar 2 2 Framtagning av dataunderlag Enkätundersökning av större godsterminaler 5 3 Konstruktion av lastbilsmatriser Disaggregering av lastbilsmatriser från Samgods Jämförelse av lastbilsmatriser från Samgods med ÅDT-värden Första resultat endast nedbrytning från Samgods Regionala och lokala transporter med tung lastbil Observerade flöden för godsterminaler och gränspassager Resultat före kalibrering Resultat efter kalibrering Busstrafik i vägnätet 43 4 Slutsatser, diskussion och fortsatt arbete Slutsatser Diskussion kring dataunderlaget och konstruktion av lastbilsmatriser Fortsatt arbete Förslag på justering av vd-funktioner 49 Referenser 50 Bilaga 1. Framtagning dataunderlag 51 Sammanställning av befintligt material 51 Genomförande av enkätundersökning av lastbilstrafik vid terminaler 51 Filtrering och korrelationsanalys av enkätundersökning 52 Metod 53 Resultat 54 Analys 62 Kommentarer och utvidgningar av enkätundersökningen 62

5 Starfish-data livsmedelstransporter 64 Bilaga 2. Enkätformulär i Google forms 65 Bilaga 3. Lista över kontaktade aktörer vid enkätundersökning 70 Bilaga 4. Följebrev enkätutskick 72 Bilaga 5. Förfiltrering 73 Förfiltrering på dygnsnivå: antal fordon per dygn 73 Förfiltrering på dygnsnivå: genomsnittliga lastvikter för LB 74 Förfiltrering på dygnsnivå: Godsmängden vid terminalen 75 Förfiltrering på årsnivå: antal fordon 78 Förfiltrering på årsnivå: Andel gods vid terminalen som vägtransport 78 Bilaga 6. Filtrering villkorat avståndet till regressionslinjen 80 Bilaga 7. Varugrupper Samgods 81 Bilaga 8. Lista befintligt material. 83 Rapporter, artiklar 83 Statistik 84 Övrigt 84 Bilaga 9. Resultat före kalibrering 85 Palt 85 Samm 93 Skåne 98 Sydost 102 Väst 106 Bilaga 10. Resultat efter kalibrering 111 Palt 111 Samm 119 Skåne 124 Sydost 128 Väst 131

6

7 Förord Denna rapport presenterar arbete som har genomförts av Sweco år 2014 för Trafikverkets räkning inom ramen för uppdraget Lastbilsmatriser. Projektledare på Trafikverket är Carsten Sachse. Denna rapport, Rapport 1, redovisar den del av huvuduppdraget som handlar om konstruktion av nya lastbilsmatriser för de regionala Sampersmodellerna. Rapport 2 redovisar den del av huvuduppdraget som handlar om att ta fram en metod för överföring av resultat från Samgods till Sampers. Rapport 3 redovisar den del av uppdraget som handlar om att ta fram nya matriser för övrig näringslivstrafik. Rapport 4 redovisar det tekniska genomförandet samt de program som använts. Författare av rapporten är Henrik Edwards, Linda Ramstedt och Sara Johansson. Dessutom har Linda Isberg, Erik Fransson, Sara Andersson, Magnus Fransson, Joacim Thelin och Zafeira Gkioulou bidragit i arbetet.

8 1 Inledning Då Trafikverket har som mål att ta fram regionala godsmodeller, är ett steg på vägen att uppdatera/ta fram nya lastbilsmatriser för Trafikverkets regionala Sampersmodeller. För varje av de fem regionala Sampersmodellerna, se Figur 1.1, har därför två lastbilsmatriser tagits fram, en för lastbil utan släp och en för lastbil med släp. Denna rapport beskriver den del av arbetet som Sweco, på uppdrag av Trafikverket, har genomfört för att ta fram lastbilsmatriserna. Palt Väst Samm Skåne Sydost Figur 1.1. De geografiska områdena de fem regionala Sampersmodellerna inkluderar. I bilden saknas Sjaelland som är inkluderat i Skåne-modellen. 1.1 Rapportupplägg I avsnittet nedan ges en förteckning över de huvudsakliga beteckningar som används i rapporten. I nästföljande kapitel beskrivs framtagning av dataunderlag som behövs för konstruktion av lastbilsmatriserna. En bred genomgång av befintligt material har gjorts och material har sammanställts och bearbetats. Data om livsmedelstransporter i Sverige har erhållits från Lunds Universitet via det Trafikverksfinansierade projektet Starfish. Dessutom har en enkätundersökning genomförts för att samla in information om antal lastbilar vid terminaler. I nästföljande kapitel beskrivs konstruktionen av lastbilsmatriser. Konstruktionen av lastbilsmatriser består av två huvudsakliga delar dels disaggregering av den nationella godstransportmodellen Samgods, dels framtagningen av en modell för lokala och regionala lastbilstransporter baserat på underlag från NÄTRA-undersökningen som genomfördes i Stockholms län år Beteckningar Nedan summeras de beteckningar som används i rapporten. 2 (135)

9 lb = lastbil Lbu = lastbil utan släp Lbs = lastbil med släp TuLb = tung lastbil Llb = lätt lastbil Pb = personbil Lastbil = beteckningar på lastbilar med olika kapacitet i Samgods v101 lätt lastbil, max lastvikt 2 ton 1 v102 tung lastbil, max lastvikt 9 ton v103 tung lastbil, max lastvikt 15 ton v104 tung lastbil, max lastvikt 28 ton v105 tung lastbil, max lastvikt 47 ton 2 RMSE = kvadratroten ur medelvärdet av kvadrerade feltermer (square root of mean squared errors) R2-värde = ett mått, mellan -1 och 1, på en regressionsmodells samvariation med observerade data. I vanliga regressionsmodeller är R2 = kvadraten på korrelationen mellan modellerade värden och observerade data. Typer av rutter: Tur-och-retur (ToR) transporter = i många fall kan rutterna för ett fordon avse framkörning till en punkt i ToR-transporterna för att sedan köras fram och tillbaka med last eller tomkörning, och efter avslutad arbetsdag återtransport till utgångspunkten. Till exempel ToR-transporter av byggmaterial till exempelvis fastigheter, vägbyggen och annan infrastruktur. Distributionsrutt = transporter utgår från en plats med gods där delmängder av lasten ska transporteras till olika platser, där fordonet sedan körs tillbaka till startpunkten för att påbörja nästa rutt med en ny last. Insamlingsrutt = transporter utgår från en plats utan last till ett antal platser där gods ska samlas upp. Fordonet körs sedan tillbaka till startpunkten för att påbörja nästa rutt (insamlingsrunda). Kombinerad rutt = Distributions- och insamlingsrutter kan kombineras ÅDT = årsmedeldygnstrafik 1 Borde vara högst c:a 1.5 ton 2 Dock borde max lastvikt för v105 vara mindre.

10 VaMD = vardagsmedeldygnstrafik 4 (135)

11 2 Framtagning av dataunderlag Inför framtagningen av de nya lastbilsmatriserna togs dataunderlag fram. En genomgång gjordes av befintligt material genom att sammanställa det material som finns tillgängligt och kommentera dess användbarhet för uppdraget. Via Lunds Universitet och Starfishprojektet erhölls data över livsmedelstransporter i Sverige. Data över livsmedelstransporterna inkluderar 70 % av livsmedelstransporterna i Sverige. I uppdraget bearbetades data för att möjliggöra användning av underlaget vid konstruktion av matriserna. I Bilaga 1 beskrivs vilket arbete som har genomförts med framtagning av dataunderlag. 2.1 Enkätundersökning av större godsterminaler Då befintligt underlag saknas om antal lastbilar vid större godsterminaler i Sverige, genomfördes en enkätundersökning för att samla in mer underlag om detta för konstruktionen av matriserna. Se Bilaga 2 för enkätformuläret och Bilaga 4 för följebrevet. De aktörer som kontaktades var hamnar, kombiterminaler, speditörer och distributörer. Alla större hamnar i Sverige kontaktades (medlemshamnar i Sveriges hamnar och hamnar inkluderade i Samgods), större kombiterminaler med verksamhet, de tre största speditörerna i Sverige samt två dominerande distributörer. Totalt kontaktades 74 aktörer, varav vi fick 48 svar, vilket ger en svarsfrekvens på 65 %. Se Bilaga 3 för vilka aktörer som kontaktades. Utifrån enkätundersökning undersöktes svar från totalt 45 olika terminaler för att söka efter ett samband mellan terminaltyp, antal anställda och antalet lastbilsrörelser eller mängden gods som hanteras vid terminalen (se Bilaga 5 och Bilaga 6 för en beskrivning av analyserna). Analyserna har påvisat att mängden gods vid terminalen vs antalet anställda inte är mycket starkare än antalet lastbilar vs antalet anställda för samtliga terminaltyper, samt för hamnar och lastbilsterminaler enskilt. Däremot kan vi påvisa ett mycket starkare (och positivt) samband mellan antalet anställda och mängden gods vid terminalen för typen kombiterminaler, även om man bör vara försiktig med någon slutsats. Slutligen kan vi konstatera mycket starka samband mellan antalet anställda och antalet lastbilar vid en terminal per år, om vi delar upp alla terminaler i två olika produktivitetskluster. I Tabell 2.1 nedan sammanställs antal lastbilar vid terminalerna som används vid framtagning av matriserna (se vidare Avsnitt 3.4) liksom vilken källa som huvudsakligen har använts. I flera fall finns det i Samgods flera terminallägen för en ort (Sea vs. Sea Ferry), varför det totala flödet fördelas mellan de olika terminallägena. I Tabell 2.2 ges en kort kommentar kring vilka bearbetningar som har gjorts, liksom motiv för dessa.

12 6 (135) Tabell 2.1: Sammanställning av antal lastbilar vid hamnar och broar, dubbelriktat årsflöde. Nr Samgods-benämning Antal lastbilar/år, dubbelriktat flöde källa 1 Sea:_Oskarshamn 9100 enkätdata 2 Sea_Ferry:_Oskarshamn 9100 enkätdata 3 Sea_Ferry:_Göteborg färjestatistik 4 Sea:_Göteborg enkätdata 5 Sea:_Skellefteå enkätdata 6 Sea:_Landskrona enkätdata 7 Sea:_Hargshamn enkätdata 8 Sea:_Karlshamn enkätdata 9 Sea_Ferry:_Karlshamn enkätdata 10 Sea:_Piteå 9500 enkätdata 11 Sea:_Trelleborg enkätdata 12 Sea_Ferry:_Trelleborg enkätdata 13 Sea:_Mönsterås 5500 enkätdata 14 Sea:_Sölvesborg enkätdata 15 Sea:_Åhus enkätdata 16 Sea:_Ystad enkätdata 17 Sea_Ferry:_Ystad enkätdata 18 Sea:_Gävle enkätdata 19 Sea:_Uddevalla enkätdata 20 Sea:_Oxelösund enkätdata 21 Sea:_Malmö enkätdata och färjestatistik summerat 22 Sea_Ferry:_Malmö enkätdata och färjestatistik summerat 23 Sea:_Stockholm enkätdata 24 Sea_Ferry:_Stockholm enkätdata 25 Sea:_Nynäshamn 6775 enkätdata 26 Sea_Ferry:_Nynäshamn enkätdata 27 Sea_Ferry:_Kapellskär enkätdata 28 Sea_Ferry:_Karlskrona enkätdata 29 Sea:_Visby hamnstatistik 30 Sea:_Helsingborg hamnstatistik, trailertrafik+uppskattning 31 Sea_Ferry:_Helsingborg hamnstatistik, trailertrafik+uppskattning 32 Sea:_Husum hamnstatistik, trailertrafik 33 Sea:_Strömstad hamnstatistik, trailertrafik 34 Sea:_Sundsvall hamnstatistik, trailertrafik 35 Sea:_Södertälje enkätundersökning 36 Sea:_Umeå hamnstatistik, trailertrafik 37 Sea_Ferry:_Umeå 1221 hamnstatistik, trailertrafik 38 Sea:_Varberg hamnstatistik, trailertrafik 39 Sea_Ferry:_Varberg hamnstatistik, trailertrafik 40 Sea:_Norrköping enkätdata 41 Sea:_Västervik 2570 enkätdata 42 Öresundsbron (Malmö) Vägverket, 2006, Skåne-Blekinge-studie 43 Svinesundsbron (Strömstad) Ramböll, 2013, Missing Link

13 Tabell 2.2: Kommentarer till Tabell 2.1 Nr Kommentar 1,2 Volymerna har fördelats som 50% till färjeläget och 50% till godshamnen i Oskarshamn Antag att de två terminalerna (av fyra) vi fått svar från står för hälften av lastbilstrafiken vid Göteborgs godsterminaler. De terminaler vi har data för är APM/containerterminalen och Logent/kombiterminalen. Vi saknar info om 4 RoRo/Älvborgsterminalen och Skarviksporten/oljehamnen. Skandiahamnen/färjehamnen har vi använt färjestatistik för. 8,9 Volymerna har fördelats som 50% till färjeläget och 50% till godshamnen i Karlshamn. Volymerna är fördelade som 90% till färjeläget i Trelleborg och 10% till godshamnen i Trelleborg, då Trelleborg framför 11,12 allt hanterar trailertrafik. Volymerna är fördelade som 90% till färjeläget i Ystad och 10% till godshamnen i Ystad, då Ystad framför allt hanterar 16,17 trailertrafik. 18 Två hamnlägen finns - 50% av volymerna på vardera hamnläge. Två hamnlägen i Gävle saknas i Samgods Färjehamnen i Samgods är en småbåtshamn där Malmö-Travemunde-färjorna inte avgår ifrån - de avgår från Hamnen 21,22 (dvs godshamnen). Antag att 10% av volymerna går till färjeläget och 90% till godshamnen 23,24 Volymerna har fördelats som 50% till färjeläget och 50% till godshamnen i Stockholm. 25,26 Volymerna har fördelats som 90% till färjeläget och 10% till godshamnen i Nynäshamn Input från Helsingborg hamn. Hamnstatistik, trailertrafik+uppskattning om containertrafiken på lastbil. Volymerna har 30,31 fördelats som 90% till färjeläget och 10% till godshamnen i Helsingborg. 36,37 Volymerna har fördelats som 10% till färjeläget och 90% till godshamnen i Umeå. 38,39 Volymerna har fördelats som 50% till färjeläget och 50% till godshamnen i Varberg.

14 3 Konstruktion av lastbilsmatriser Som underlag för de transporter som ingår i de nya lastbilsmatriserna för de regionala Sampersmodellerna används resultat från Samgods (se Swahn [2001], de Jong et al. [2010] och Beser och Algers [2001] för beskrivningar av de respektive modellsystemen Samgods och Sampers). Matriserna från Samgods är framtagna på kommunnivå (290 kommuner), fördelas sedan till de mer detaljerade SAMS-områdena genom en nyckling i huvudsak baserad på antal anställda i olika SNI-grupper i respektive SAMS-område i kommunen. Totalt finns SAMS-områden som aggregeras på olika sätt i de olika regionala modellerna och fördelas på kärn-, krans- och fjärrområden. Se xx för antal SAMS-områden i de respektive regionala modellerna. För att komplettera transporterna från Samgods har även en modell för lokala och regionala lastbilstransporter tagits fram. Modellen har utformats som en entropimodell med en koefficient för avståndsaversion som används för styrning mot rimliga reslängdsfördelningar. Koefficienten justeras in för kalibrering av fördelningen på transporter av olika längd per regional modell. Modell baseras i första hand på underlag från NÄTRA-undersökningen [Eriksson et al., 2000] som genomfördes i Stockholms län år Figur 3.1 nedan visar en schematisk bild av modelleringen. Samgods 5 regionala Sampersmodeller Lokala och regionala transporter ( NÄTRA - transporter) - Nationell modell kommuner samt terminaler - 5 fordonsklasser Figur 3.1. Schematisk bild av modelleringen. - Regionala modeller SAMS-områden - 2 fordonsklasser (Lbu + Lbs) - NÄTRA-transporter representerar Stockholms län Tabell 3.1. Fördelning av SAMS-områden för de olika regionala modellerna. Palt Samm Skåne Sydost Väst Kransområde Fjärrområde Kärnområde (135)

15 Matriserna som tagits fram representerar år Det underlag som använts vid konstruktionen av matriserna representerar olika årtal: - Trafikräkningar, uppräknat för att gälla år NÄTRA-undersökningen, Enkätundersökning av lastbilar vid större godsnoder, Statistik över hamnflöden, Lastbilsundersökningen, Trafikarbete, Disaggregering av lastbilsmatriser från Samgods Lastbilsmatriser har hämtats från Samgods version 1.0 beta (körd med standard logistikmodellversion och efterbehandling med kapacitetsmodell för järnväg). I Tabell 3.2 nedan visas fördelningen av transportarbetet på de olika trafikslagen enligt Samgods för år Tabell 3.2: Transportarbete 2006 enligt Samgods Transportarbete 2006 [Mtonkm] Väg Järnväg Sjöfart Färja 329 Flyg 0 Total Lastbilsmatriserna omfattar körningar med och utan last fördelat på fem fordonsklasser benämnda 101 till och med 105 (se Avsnitt 1.2 för definitioner). Lastbil med släp har definierats med hjälp av fordonstyp och transportavstånd enligt kriterierna: 1. Alla Samgodstransporter med lb Alla internationella (O eller D utomlands) Samgodstransporter med lb Alla Samgodstransporter på avstånd över 250 km med lb 104 (i region Palt 300) 4. Alla regionala/lokala transporter på avstånd över 150 km

16 Motiveringen till Samgods-gränsen på 250 km eller mer är att det ger en ungefärlig andel lastbil med släp på ungefär 65 % vilket är i nivå med Trafikverkets uppgifter om trafikarbete på statligt vägnät. Gränsen 150 km för NÄTRA-transporter är mer ad hoc betonad, och hvudsakligen baserad på att praktiskt taget alla inom-regionala NÄTRAtransporter enligt databasen är kortare än 150 km. Trafikarbetet med lbs från NÄTRA blir försumbart. För disaggregering till Sampers har passager via gränsnoder till respektive från utlandet identifierats m h a befintliga uppspännande träd för OD-relationerna (d v s genom uppnystning av gjorda ruttval och markering av gränsnoder). Gränsnoderna har lagts in som gränscentroider i en särskild version av OD-matriserna, OD_Vhclnnn_LPXDom.314 där nnn = 101, 102,, 105, för användning vid disaggregeringen till Sampers. Se Figur 3.2 för utpekade traversalnoder. Motsvarande operation i Emme innebär uttag av traversalmatriser från ursprungsmatriserna OD_Vhclnnn_LPX.314 med gränsnoderna som traversalnoder. Lastbilsmatriser för områden i Danmark är inkluderat i steget vid generering, men inte vid sammanställningen av statistik. 10 (135)

17 Figur 3.2: Vägnät i Samgods med numrerade gränspassagenoder.

18 Matriserna har disaggregerats till regionala OD-matriser genom användning av SAMSdata, regionala nätverk, nyckel mellan SNI-sektorer och input/output matriser från Nationalräkenskaperna 2006 avseende produktion och konsumtion. Figur 3.3 nedan ger en schematisk bild över disaggregeringen av Samgods-matriser. Produktion har fördelats från SAMS-områden i värdetermer medelst Ekvation 3.1 PROD ( Andel anställda / SNIsektor) ( Supply / SNIvarugrupp) SNI ( Nyckel SNI Samgods) Konsumtion har fördelats till SAMS-områden i värdetermer medelst Ekvation 3.2 CONS ( Andel anställda / SNIsektor) ( Consumption / SNIvarugrupp) SNI ( Nyckel SNI Samgods) Ekvationerna har omvandlats till andelar per SAMS-område per varugrupp inom respektive kommun, och dessa har i sin tur aggregerats till Emme-centroiderna i kommunen. För att erhålla ett viktat värde för alla Samgodsvarugrupper m a p generering av transporter har erhållna produktionsandelar viktats med varugruppsspecifika lastbilsflöden från zonerna i respektive kommun. Därefter har andelarna per kommun normerats till 1. Ett alternativ kunde ha varit att använda varugruppsspecifika lastbilsmatriser men det skulle ge 5 * 34 = 170 matriser att hantera, och tomkörningarna kan inte delas upp per varugrupp. För att erhålla ett viktat värde för alla Samgodsvarugrupper m a p attraktion av transporter har erhållna konsumtionsandelar viktats med varugruppsspecifika lastbilsflöden till zonerna i respektive kommun. Därefter har andelarna per kommun normerats till 1. Fördelningen till/från terminaler i Samgods har gjorts genom att alla terminaler för lastbil, järnväg, sjöfart (hamnar och färjelägen) och flyg har associerats med ett SAMS-område (SAMS-områdes-koordinater har satts upp genom association med ett kärnområde i en regional modell) med anställda i SNI-bransch 63 (2-siffernivå). Antalet anställa per terminaltyp har använts för att fördela transporterna till/från terminaler på motsvarande sätt som för produktions- och konsumtions-fördelningarna. Gränsnoder har betraktats som O/D-nod med 100 % produktion/konsumtion, och de har kopplats till närliggande Emme-centroider. I framtagningen av Samgods-bidragen till de regionala matriserna har fördelningarna enligt beskrivningen ovan applicerats på följande fyra typer. 12 (135)

19 1. Origin Destination 2. Origin Terminal 3. Terminal Destination 4. Terminal Terminal Aggregerat antal från- och till-transporter med lastbil för de olika varugrupperna (33 varugrupper och 1 varugrupp som utgör små andelar av ett urval av övriga varugrupper som anses transporteras med flyg) för olika terminaltyper och till/från-flöden redovisas i Tabell 3.3. Flygtransporter inkluderar även s k trucking d v s en transport klassad som flygtransport vilken transporteras med lastbil. Se Bilaga 7 för en förteckning över varugrupperna. Figur 3.3: Disaggregering i Samgods. De två stora cirklarna representerar kommuner och de små cirklarna representerar Sampers-centroider. Figurer illustrerar hur en transport samlas ihop från olika centroider i en kommun till en länk mellan kommuner, för att sedan dekas upp igen i mottagande kommun.

20 Tabell 3.3: Lastbilsflöden (antal lastbilar) med last från/till zoner och terminaler från Samgods. Antal lastbilar per år till/från zoner och terminaler av olika typer Terminaltyp Varugrupp Till/från Zon Väg Järnväg Hamn Färja Flyg 1 Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till (135)

21 Zon Terminal Produkt Ut/In Väg Järnväg Hamn Färja Flyg 17 Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till Från Till

22 Zon Terminal Produkt Ut/In Väg Järnväg Hamn Färja Flyg 34 Från Till Från Till SUMMA Från Till SUMMA TOTAL Från Till Några observationer från tabellen ovan: 1. Utnyttjandet av lastbilsterminaler är försumbart i denna Samgods-körning. (I diskussion med Petter Hill diskuterades justering av befintliga teknik- och kostnadsfaktorer för lastbilsterminaler för att kalibrera in modellen mot ett rimligt värde, eventuellt en funktion för att diskriminera direkttransporter med lastbil för små volymer. Detta ingår dock ej i kalibreringsarbetet 2014.). 2. Antalet utflöden från zoner med lastbil är mer än det dubbla antalet inflöden till zoner. Eventuellt har det att göra med en asymmetri i direktaccess-funktionen i logistikmodellen, som innebär att vissa större företag anses ha direkt tillgång till järnväg och/eller hamn. Direkt-access innebär att omlastning och transporter med lastbil mellan terminal och zon inte inkluderas i transportkedjorna. I sammanställningen av lastbilsmatriserna från logistikmodelens resultat kan asymmetriska transportrelationer existera i många fall. 3. Tomtransporter är inte inkluderade. Om de skulle vara inkluderade på ett helt korrekt sätt skulle i princip alla flöden vara i balans. Med förutsättningar enligt ovan erhålls ett approximativt avståndsuppdelat trafikarbete per lastbilstyp enligt Tabell 3.4 för att stämma av mot statistiken (avstånd och lastbilstyp från Samgods). Ett sätt att nå ett trafikarbete med Lbu som uppgår till c:a 30 % i landet för att överensstämma med Trafikverkets statistik, är att ansätta allt trafikarbete med fordonstyper samt allt med fordonstyp 104 upp till 250 km som Lbu medan övrigt är att betrakta som Lbs. 16 (135)

23 Tabell 3.4: Trafikarbetsuppdelning över lastbilstyperna, se Avsnitt 1.2 för definitioner. 100-km dist class v101 v102 v103 v104 v SUMMA TOTALSUMMA Mfkm

24 Trafikarbete Samgods [%] Trafikarbete Samgods [Mfkm] Fordonskm = f(lbnr*10000+kmantal) Figur 3.4: Kumulativ trafikarbetsfördelning i Mfkm för lastbilar typ (101 och 102 ligger bakom startvärdet till vänster) Fordonskm[%] = f(lbnr*10000+kmantal) (135) Figur 3.5: Trafikarbetsfördelning i % för lastbilar typ (101 o 102 ligger bakom startvärdet till vänster).

25 De disaggregerade matriserna för basåret delas upp i fyra stycken baseras på detta: Lbu: Lbu123_<reg>.311 Lbu104_<reg>.311 Lbs: Lbs104_>reg>.311 Lbs105_<reg>.311 där <reg> = ett regionnamn från mängden {SAMM, Skane, Sydost, Vast, Palt} 3.2 Jämförelse av lastbilsmatriser från Samgods med ÅDT-värden Första resultat endast nedbrytning från Samgods I figurerna nedan visas en jämförelse av trafikflöden från Samgods med ÅDT-värden i SAMM-modellen. I bilderna har endast länkar som har både uppmätta ÅDT-flöden samt nätutlagd trafik inkluderats. Grå och röd markering har använts för ÅDT-flöden där den grå delen av stapeln utgörs av den del av ÅDT-trafiken som nätutläggs medan den röda delen indikerar en underskattning av trafiken jämfört med uppmätt ÅDT. Gröna band ligger utanför ÅDT-värdet och dessa visar på att en överskattning av trafikflödet görs med de resultat som hämtas från Samgods och disaggregeras för användning i de regionala Sampers-modellerna. I jämförelser med uppmätta flöden i detta och följande kapitel har bussar i linjetrafik räknats bort från uppmätta Lbu-flöden enligt den princip som beskrivs i Avsnitt 3.6 nedan. I centrala Stockholm kan det konstateras att Samgods underskattar trafiken jämfört med ÅDT. För E18 västerut samt E4 söderut nås en högre andel av den uppmätta trafiken medan underskattningen är större för E4 i norrgående riktning samt exempelvis mot Nacka, Tyresö och Huddinge. Trafiken från Samgods-modellen har dock senare kompletterats med distributionstrafik etc. vilket förklarar en del av detta underskott i de första resultatsammanställningarna.

26 Figur 3.6: Trafikflöden i Stockholm, grå + röd markering utgår ÅDT-flöden där röd färg visar på underskattning vid nedbrytning av resultat från Samgods medan grönt indikerar en överskattning Lantmäteriet En större vy över Stockholmsområdet visar på att i stråken längs E4/E20 mot syd/väst samt E18 västerut nås en bättre överensstämmelse mellan uppmätta och nätutlagda trafikflöden medan det i mer centrala delar, med en högre andel distributionstrafik, görs en underskattning. 20 (135)

27 Figur 3.7: Trafikflöden i Stockholms län, grå + röd markering utgår ÅDT-flöden där röd färg visar på underskattning vid nedbrytning av resultat från Samgods medan grönt indikerar en överskattning Lantmäteriet

28 Genom att studera trafikflöden för hela Mälardalen kan vi se att i de stora stråken görs en viss underskattning av trafiken men att totalnivåerna ändå stämmer relativt väl överens. Ett antal vägar har dock fått ett för högt flöde i nätutläggningen jämfört med de uppmätta flödena, såsom rv70 från Enköping till gränsen mot Dalarnas län, rv68 mellan Lindesberg Fagersta samt rv 56 från Sala mot gränsen till Gävleborgs län. Utanför Eskilstuna kan även viss smit-trafik mellan rv56 och E20 observeras längs med de mindre vägarna 230 och 723. Figur 3.8: Trafikflöden i Mälardalen, grå + röd markering utgår ÅDT-flöden där röd färg visar på underskattning vid nedbrytning av resultat från Samgods medan grönt indikerar en överskattning Lantmäteriet (135)

29 3.3 Regionala och lokala transporter med tung lastbil I detta avsnitt beskrivs en metod för att komplettera de mer långväga godstransporterna som modelleras i Samgods med lokala och regionala transporter. De lokala och regionala transporter som inkluderas i metoden är varudistribution, byggtransporter, sophantering, snöröjning, med mera. Ekvation 3.1 och Ekvation 3.2 har tillsammans med en transportavståndsfördelning från NÄTRA-undersökningen (Näringslivets transporter i Stockholms län) [Eriksson et al., 2000b] för tung lastbil använts för att modellera generering och fördelning av transporter. Information om rutterna från NÄTRAundersökningen har studerats via plottning i Exceldiagram av deras fördelning. Vi har ännu inte en operativ, generaliserad ruttgenereringsmodell för att modellera rutterna i hela modellsystemet. En observation är att det i många fall handlar om vanliga tur-ochretur-transporter (se beteckningar i Avsnitt 1.2). En del rutter avser exempelvis sophantering och då erhålls naturligtvis rutter med väldigt många stopp (varav många utgår inom-områdestransporter i Samgods/Sampers). För framtagning av en initial lastbilsmatris används underlag och idéer från NÄTRAmodellen, framförallt Eriksson et al. [2000b, Avsnitt 3.5]. Där används antal arbetsställen och antal rutter respektive besök per arbetsställe inom olika strata som underlag för en entropimodell. Även observerade frekvenser avseende transporter i olika avståndsklasser används i modellen. I ett utarbetat förslag från Eriksson och Björketun [2000] finns ett förslag till generalisering av NÄTRA-resultat till kommunnivå genom att nyttja information om antal arbetsställen per kommun och genomsnittliga antal genererade transporter per arbetsställe från NÄTRA-undersökningen. Prognoser avseende antal arbetsställen i socioekonomiska indata till våra modeller ingår inte, och vidare kan strukturförändringar i näringslivet (se resultaten i Edwards och Karlsson [2008]), ändra dessa förutsättningar avsevärt. Baserat bl a på dessa erfarenheter väljer vi att gå vidare med en skattning av antal transporter och rutter baserat på antal anställda i ett antal sektorer, nämligen de branscher som visas i Tabell 3.5. Tabell 3.5. Branscher som inkluderas i skattningen. Nr SNI Bransch XXX Tillverkning XXX Byggnad XXX Handel XXX Transporter Resten 55XXX, 65-5 Övrigt 99XXX Antalet transporter per fordonstyp och SNI-sektor baseras på summa uppräknade värden från NÄTRA-undersökningen per anställd i respektive bransch. Sedan justeras detta ner med en faktor för att beakta att vissa NÄTRA-flöden torde sammanfalla med Samgodsbaserade flöden (dubbelräkning) samt att ta hänsyn till olika typer av transportstatistik. Fördelningen till destinationerna baseras på besöksfördelningen enligt NBR (Besöksregistret i NÄTRA-databasen) med resultat enligt Tabell 3.6.

30 Tabell 3.6: Besöksfördelning enligt NÄTRA-databasen (NAR1998 = Arbetsplatsregistret i NÄTRA-databasen) Data från NAR1998 Fordonstyp, uppräknat antal Besök per anställd besök per dag Antal anställda TuLb LLb Pb TuLb LLb Pb Tillverkning 1-36XXX Byggnad 40-45XXX Handel 50-52XXX Transport 60240, 63400, 64110, Resten 55XXX, Service 66-99XXX SUMMA För att erhålla en fördelning av källorna (origins) i OD-matrisen används ruttregistret NRR i NÄTRA-databasen. Det ger en fördelning över ruttgenerering i olika branscher (OD-ben nr 1 i rutterna), för OD-ben 2++ används fördelningen enligt besöksregistret (det är en transport från ett besök till nästa), och slutligen används fördelning av returerna till utgångspunkten i rutterna på destinationssidan. I Tabell 3.7 presenteras bearbetade resultat från NRR för tung lastbil, medan underlaget exemplifieras i kommande tabeller. Tabell 3.7: Bearbetade NRR-resultat för tung lastbil (TuLb). TuLb SNI-grupp SUMMA 1_Antal_obs_(multi)rutter: a_Antal_rutter: _Antal_OD-ben_ _Antal_inZ_OD-ben a_Antal_Z2Z_OD-ben a_Returer_till_O Extra OD-ben per rutt (2++) Antal besök (NRR) Antal besök (NBR) b_Antal_rutter/anställd b_Antal_Z2Z_OD-ben/anställd b_Returer_till_O1/anställd (135)

31 Förklaring av innehållet per rad i Tabell _Antal_obs_(multi)rutter = antal observationer med rutter i NRR, där det kan vara en multirutt vilket innebär att rutten vid upprepade tillfällen återvänder till utgångsläget. 2a_Antal_rutter = antal utgående OD-ben från zon nr 1 i rutten. 3_Antal_OD-ben_2++ = antal OD-ben mellan centroider med ordningsnummer 2 och högre i rutterna (stoppen i rutterna associeras med en centroid som numreras från 1 och uppåt i ordning efter första besöket) 4_Antal_inZ_OD-ben = antal inom-zons OD-ben 5a_Antal_Z2Z_OD-ben = antal OD-ben mellan zoner, differensen mellan 3:an och 4:an 6a_Returer_till_O1 = antal OD-ben som innebär en retur till start-zonen. Extra OD-ben per rutt (2++) = antal OD-ben per rutt exklusive nr 1 och retur-od-benet. Antal besök (NRR) = summa av 2 och 5 Antal besök (NBR) = resultat från NBR (för jämförelse, bör vara lika) 2b_Antal_rutter/anställd = resultat 2 dividerat med antal anställda i branschen 5b_Antal_Z2Z_OD-ben/anställd = resultat 5 dividerat med antal anställda i branschen 6b_Returer_till_O1/anställd = resultat 6 dividerat med antal anställda i branschen Underlaget till Tabell 3.7 exemplifieras med Tabell 3.8 för TuLb i bransch 1/Tillverkning. Antal observationer redovisas i cell (0,0), antal rutter är summan i det gröna området och returerna finns i det gula området. Antalet OD-ben 2++ finns i det blå området med eller utan inom-zonstransporterna i den bruna diagonalen.

32 Tabell 3.8: Rutter för TuLb i bransch 1/Tillverkning. Uppräknade värden på fördelning mellan zoner numrerade med ordningsnummer i rutterna. Genomsnittliga avstånd redovisas i den nedre delen av tabellen. TuLb Bransch01 RDem[antal/dag] RDist[km/trip] Ovanstående presentation sammanfattas i en beskrivning av grunden för marginalvillkoren (rad- och kolumnsummor) i Tabell 3.8. Fördelning till destinationerna redovisas som en besöksbaserad del (från NBR) och en ruttretur-del (från NRR). På origin-sidan används fördelning för genererade rutter (NRR) samt antalet mellan-zon-odben fördelade enligt besöksfördelningen (NBR). Totalnivåerna ligger nära varandra (75684 vs 80620). Medelvärdet av dessa väljs till genereringen av a-priori-matriserna. 26 (135)

33 Tabell 3.9: Övergripande redovisning av marginalvillkoren för tung lastbil. OD-TuLb Destination: Tillverk Byggnad Handel Transport Service SUMMA Besök (NBR) Retur rutt (NRR) SUMMA Origin: Rutt OD-ben 1 Rutt OD-ben 2++ (m besöksfördelning) Tillverk Byggnad Handel Transp Service SUMMA SUMMA Avståndsfördelningen för mellan-zons-od-benen redovisas aggregerat för samtliga branscher i Tabell Tabell 3.10: Avståndsfördelning för OD-benen i rutterna. Fordonskm/dag Klassfördelning[%] TuLb LLb Pb TuLb LLb Pb Klass_nr [km]

34 En entropi-modell formuleras analogt med modellen i Eriksson et al [2000b, kapitel 3.5] enligt följande: Ekvation min z c dij xij xij (ln( xij / xij ) 1) i j m ht x R för i där i j ij ij i x C för j j x om x x annars 0 ij 0 ij 0, ij 0 x ij = modellerad efterfrågan av antal transporter per dag mellan zon i och zon j x 0 ij = startvärde för modellerad efterfrågan i modellen d ij = avstånd i km mellan zon i och zon j c = transportavstånds-koefficient/aversion Ri = radsumma för zon i Cj = kolumnsumma för zon j Lösningen till denna modell erhålls på formen Ekvation 3.4 xij x exp( c d ) 0 ij ij i j där = multiplikator för kalibrering mot radsummavillkoren i j = multiplikator för kalibrering mot kolumnsummavillkoren Värdet på x 0 ij sätts till OD-matrissumman dividerat med antalet element i matrisen, d v s efterfrågan fördelas ut jämnt i matrisen. Med en avståndsaversion c > 0 i modellen kommer näraliggande områden att resultera i större efterfrågevärden relativt sett. Även kransområden till regionerna tilldelas en efterfrågan i modellen för att avspegla att det förekommer lokala/regionala transporter över gränserna mellan Trafikverkets regionala modeller. Avståndsaversionskoefficienten används istället för resultaten i frekvenstabellen därför att den är mer allmängiltig och lämpar sig bättre för användning i andra regionala modeller. Konstanten kalibreras in per modell för att stämma tillräckligt bra med frekvenstabellen i Tabell Ansätter man avståndsfördelningen till att vara exponentialfördelad så skulle c=0.069 vara ett bra val för NÄTRA-data. Vi väljer därför att optimera koefficienten c för varje regional modell vilket ger resultatet i Tabell Valt godhetskriterium är summa absolutavvikkelser av procentandelarna. 28 (135)

35 Tabell 3.11: Resulterande avståndsfördelningar per region. Andelar i %. c-koefficient Avståndsklasser i Klass[km] NATRA SAMM Skåne Sydost Väst Palt Goodness of fit Goodness of fit (Klass 1 och 2 tillsammans) De geografiska skillnaderna avspeglas främst i region Väst där andelen i klass 1 är drygt 20 procentenheter högre än i övriga regioner. En förklaring till detta är troligen den stora andelen av zoner med parvisa höga radsumme- och kolumnsummevärden inom 9 kilometers avstånd, d v s det finns många zoner som genererar förhållandevis mycket transporter som ligger nära (inom 9 km) zoner som attraherar förhållandevis mycket transporter. Se Tabell 3.12 för en sammanställning över detta. Tabell 3.12: Fördelning av kombinationen Radsumma*Kolumnsumma*Avstånd per region. Avståndsklasser Fördelning av summa (Radsumma*Kolumnsumma*Avstånd) i Klass[km] SAMM Skåne Sydost Väst Palt

36 3.4 Observerade flöden för godsterminaler och gränspassager Vid konstruktion av lastbilsmatriser är det naturligt att utnyttja observerade flöden till/från specifika punkter som hamnar och terminaler av olika slag. I de fall då dessa punkter representeras av en unik zon i motsvarande regionala Sampersmodell kan rad- och kolumnsummorna för matriserna kalibreras in mot observerade värden. I de fall då punkterna ligger i krans- och fjärrområden ingår de normalt i en större zon, och i de fallen kan rad- och kolumnsummorna användas som undre gränser för flöden till/från dessa områden. För gränspassager associeras i normalfallet all passage till/från den zon i Sverige som ligger närmast den faktiska gränspassagen. Ett möjligt undantag från denna regel avser den svenska zonen närmast Öresundsförbindelsen som i den regionala modellen för Skåne ersätts med en zon i Danmark intill Öresundsförbindelsen. Med denna ansats kan vi redan under konstruktion av matrisen få in ett observerat flöde över Öresund. Särskild hänsyn måste härvid tas till eventuell konstruktion av lokala/regionala flöden baserat på NÄTRA-underlaget på Sjaelland. I föreliggande version av Skånemodellen har observerade flöden på bron lagts in som till och från flöde till zon nummer på Danmarkssidan för att det ska komma ut på bron och inte sluta i en gränscentroid. Ytterligare justeringar skulle kunna göras men huvudsakligen förväntas det hanteras vid kalibreringen. Använd data redovisas i Tabell Räkna om Samgodsdata och regionala modelldata till ÅDT. Underlaget baseras dels på sammanställd data från tidigare studier och statistik, dels på enkätundersökningen. Se Tabell 2.1 och Tabell 2.2 för information om vad underlaget är baserat på. Samgodsnoderna i hamnfallen finns som egna centroider i Samgods, och de associeras vanligen med en motsvarande Sampersnod när den regionala modellen innehåller den, i annat fall blir det en krans- eller fjärrzonkoppling. För gränspassagerna vid Öresund och Svinösund anges för Samgods kommunzonen med negativt tecken (en programteknisk detalj för att markera specialhanteringen), och sedan vilken centroid i Sampers de ska associeras med. I fallet med den danska centroiden anges -1 i kolumnen andel för att markera att vi byter till en nod utanför Sverige. I fallet med transporter över gränsen till Norge finns inte ett vägnät på norska sidan vilket gör att transporterna får kopplas till närmsta centroid på den svenska sidan av gränsen. 30 (135)

37 Tabell 3.13: Data med observerade årsflöden. Samgods Årsflöde dubbelriktat Antal kopplingar Region Sampers Andel Samgods-namn Sydost Sea:_Oskarshamn Sydost Sea_Ferry:_Oskarshamn Vast Sea_Ferry:_Göteborg Vast Sea:_Göteborg Palt Sea:_Skellefteå Skane Sea:_Landskrona SAMM Sea:_Hargshamn Sydost Sea:_Karlshamn Sydost Sea_Ferry:_Karlshamn Palt Sea:_Piteå Skane Sea:_Trelleborg Skane Sea_Ferry:_Trelleborg Sydost Sea:_Mönsterås Sydost Sea:_Sölvesborg Skane Sea:_Åhus Skane Sea:_Ystad Skane Sea_Ferry:_Ystad Palt / / 0.5 Sea:_Gävle Vast Sea:_Uddevalla SAMM Sea:_Oxelösund Skane Sea:_Malmö Skane Sea_Ferry:_Malmö SAMM Sea:_Stockholm SAMM Sea_Ferry:_Stockholm SAMM Sea:_Nynäshamn SAMM Sea_Ferry:_Nynäshamn SAMM Sea_Ferry:_Kapellskär Sydost Sea_Ferry:_Karlskrona SAMM Sea:_Visby Skane Sea:_Helsingborg Skane Sea_Ferry:_Helsingborg Palt Sea:_Husum

38 Vast Sea:_Strömstad Palt Sea:_Sundsvall SAMM Sea:_Södertälje Palt Sea:_Umeå Palt Sea_Ferry:_Umeå Vast Sea:_Varberg Vast Sea_Ferry:_Varberg Sydost Sea:_Norrköping Sydost Sea:_Västervik Skane Öresundsförbindelsen -1 (Malmö) Vast Svinesundsbron 1 (Strömstad) 3.5 Resultat före kalibrering Inledningsvis var målsättningen att på nationell nivå nå ett trafikarbete på c:a 4600 Mfkm enligt Vägverkets sektorsrapport [2008] och Trafikanalys trender, men lågt jämfört med Trafikverkets trafikarbetsskattningar i Tabell I Tabell 3.14 redovisas inställningarna för konstruktion av de regionala bidragen. Med förutsättningar enligt föregående avsnitt och Tabell 3.14 har a priori-matriser tagits fram för Lbu och Lbs per region med resultat enligt Tabell Tabell 3.14: Inställningar av avståndsfördelningsparametern c i Ekvation 3.3 och skalfaktor för nivåbestämning av de regionala matrisernas nivåer (de som är NÄTRA-databaserade). SAMM Skåne Sydost Väst Palt c-koefficient Skalfaktor för matriserna (135)

39 Tabell 3.15: Inom-regionalt trafikarbete per region. Ingen nod-kalibrering. Enhet: Mfkm. Lbuandelen är 48 % av totalen. INOM-reg(totalt) trafikarbete [Mfkm] Lbu Lbs SAMM Skåne Sydost Väst Palt SUMMA Sjaelland ingår i den regionala Skåne-modellen med ett trafikarbete om c:a 370 Mfkm men vi har exkluderat detta från tabellerna för att kunna jämföra direkt med skattningar av trafikarbetet i Sverige. I Tabell 3.16 redovisas resultatet efter användning av observerade flöden till och från terminaler och hamnar. Tabell 3.16: Inom-regionalt trafikarbete per region. Nod-kalibrering är använd. Enhet: Mfkm. Lbu-andelen är 46 % av totalen. INOM-reg(totalt) trafikarbete [Mfkm] Lbu Lbs SAMM Skåne Sydost Väst Palt SUMMA Jämfört med trafikarbetet för tung lastbil i Vägverket [2009] som uppskattas till Mfkm år 2008 ligger totalnivån 18 % högre (5 408 i Tabell 3.14), och enligt den officiella statistiken hos Trafikanalys har inte det totala trafikarbetet med tung lastbil ökat mellan 2008 och Det är en rimlig hypotes att det föreligger en viss dubbelräkning i NÄTRA- respektive Samgods-bidragen. Detta talar för att trafikarbetet enligt NÄTRA och/eller Samgods borde reduceras med c:a 800 Mfkm. Trafikarbetet mellan kärnområden som uppgår till exempelvis högst 150 km (som är typiska NÄTRAtransportavstånd) redovisas i Tabell Trafikarbetet i detta intervall, Mfkm, utgör 142 % av differensen.

40 Tabell 3.17: Inom-regionalt trafikarbete per region. Enhet: Mfkm. INOM-reg (Samgods) trafikarbete mellan kärnområden [Mfkm] Lbu Lbs Samm Skåne Sydost Väst Palt SUMMA Å andra sidan kan vi titta på uppgifter avseende redovisade trafikarbeten på statligt vägnät 2011, se Trafikverket [2011] som sammanställts i Tabell 3.18, där trafikarbetsdata 2011 totalt ligger c:a 20 % över modellvärdena utom för Samm som ligger nära observationen och Skåne som ligger hela 45 % högre. Efter justering för att tung buss också ingår i trafikarbetsdata landar vi på en total underskattning med modellvärdena på c:a 6 % (100*(5408/5729-1)). Tabell 3.18: Trafikarbete per region med tung lastbil enligt Trafikverket [2011]. Enhet: Mfkm. Mälardalen och Sthlm (Samm) TrV tot 2011, statligt vägnät Mfkm % av total i tabell Skåne Sydost Väst Palt Summa Tung buss 800 Summa exkl buss Med detta som underlag erhåller vi reslängdsfördelningar för alla Lb-transporter enligt Tabell 3.19 och Tabell 3.20 i termer av trafikarbete, och i Tabell 3.21 och Tabell 3.22 i termer av antal transporter. Resultaten kan användas för att stämma av mot befintlig statistik och för rimlighetskontroller. 34 (135)

41 Tabell 3.19: Trafikarbete [Mfkm] i olika avståndsklasser per region och totalt. Avst klass [km] SAMM Skåne Trafikarbete [Mfkm] Sydost Vast Palt Totalt Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu+s SUMMA Tabell 3.20: Trafikarbete [%] i olika avståndsklasser per region och totalt. Avst klass Trafikarbete [%] [km] SAMM Skåne Sydost Vast Palt Totalt Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu+s SUMMA Tabell 3.21: Antal transporter [miljoner] i olika avståndsklasser per region och totalt. Avst klass Antal transporter [milj] [km] SAMM Skåne Sydost Vast Palt Totalt Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu+s SUMMA Tabell 3.22: Antal transporter [%] i olika avståndsklasser per region och totalt. Avst klass Antal transporter [%] [km] SAMM Skåne Sydost Vast Palt Totalt Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu+s SUMMA

42 I lastbilsundersökningarna 2006/2010 redovisas 37.3 respektive 35.3 miljoner transporter. Om det är ett bortfall på c:a 30 % i den undersökningen som Trafikanalys uppskattat på senare tid innebär det att det totala antalet borde vara i storleksordningen 53 miljoner. Till detta kommer att vi saknar uppgift om transporter med mindre lastbilar med max lastvikt 3.5 ton (ej att förväxla med lätt lastbil med max totalvikt 3.5 ton). En uppskattning av bidrag från lastbilar med max lastvikt under 3.5 ton kan göras med hjälp av antalet registrerade lastbilar i aktuellt intervall. Det totala antalet på 140 miljoner Lbu-transporter och drygt 20 miljoner Lbs-transporter (antalen dubbelräknas till stor del om de läggs samman) ligger högt över lastbilsundersökningens resultat, bl a på grund av att tunga lastbilar med max lastvikt mindre än 3.5 ton inte är inkluderade i lastbilsundersökningen. Betraktar vi fördelningen av antalet transporter respektive trafikarbetet i Figur 3.9 och Figur 3.10 ser vi att andelen korta transporter förefaller vara alltför stort i det modellerade underlaget, även om andelen är väsentligt mindre än NÄTRA-undersökningen indikerar. Dock kan detta vara rimliga resultat då alla tunga lastbilar inte är inkluderade i lastbilsundersökningen. Tester har därför gjorts med att justera modellparametrarna för att minska antalet kortväga transporter. Figur 3.9: Fördelning av transporter enligt modellerna, lastbilsundersökningen 2006 respektive NÄTRA Observera att urvalen av lastbilar är olika. Modellens urval representerar alla transporter medan de övriga inte gör det. 36 (135)

43 Figur 3.10: Fördelning av trafikarbete enligt modellerna respektive lastbilsundersökningen 2010 respektive NÄTRA (NÄTRA-resultaten är ej inkluderade då de huvudsakligen innehåller korta resor.) Enär våra modellresultat ligger ungefär mitt emellan uppskattningarna från Trafikanalys angående trafikarbetets utveckling och mätdata från Trafikverket, så har vi testat ett antal varianter med syftet att minska trafikarbetet och att minska det totala antalet korta transporter. Emellertid återgick vi till de kalibrerade c-koefficienterna i Tabell De regionala bidragen har justerats med en faktor mellan 0.60 och 1.0 för att kompensera för den sannolika dubbelräkningen och för att beakta resultat av kalibreringar. Resultaten av några gjorda tester i en föregående versioner redovisas i Tabell 3.23.

44 Tabell 3.23: Resultat med sänkt kostnadsfaktor c (med 0.01 enheter) och proportionella nedskrivningar av transportgenereringstalen från NÄTRA-modellen. Avst klass Lb-undersökn 2010 [%] Base [%] Alt 01 Alt 02 Alt 03 NÄTRA 75% NÄTRA 65% NÄTRA 50% Antal tulb-trp (milj) [Mfkm] [Mfkm] [Mfkm] [Mfkm] [Mfkm] Total TA NÄTRA-del (135) Med utgångspunkt från dessa resultat fortsatte vi till kalibrering med resultaten för nedskrivningsfaktorn 0.65, vilket innebär att resultatet från NÄTRA-delen reduceras till 65 %, därför att: 1. Trafikarbetet ligger rimligt nära den uppskattade nivån miljoner fordonskilometer från Trafikverket [2009]. 2. Antalet transporter har reducerats med knappt 50 milj jämfört med startvärdet till ett högt värde jämfört med lastbilsundersökningen, men sannolikt inte alltför högt med tanke på att många transporter saknas i densamma. 3. NÄTRA-undersökningsdata indikerar höga antal lokala och regionala transporter. 4. Frekvensfördelningen jämfört med lastbilsundersökningen har förbättrats avsevärt. Efter kalibreringsarbetet återgick vi som nämnts ovan till de anpassade c-koefficienterna och till en varierad uppsättning NÄTRA -nivå faktor enligt Tabell Vi har 6 OD-matriser för lastbil enligt nedan där REG {Samm, Skåne, Sydost, Väst, Palt}: 1. Lbu123_REG Samgodsflöden med v Lbu104_REG v104 om dist < 250 km och inrikes (300 km i Palt)

45 3. LbuReg_REG Regionala matriser om dist < 150 km (fordon v103) 4. Lbs104_REG v104 om dist > 250 km eller delvis utrikes (2.5) (300 km i Palt) 5. Lbs105_REG Samgodsflöden med v LbsReg_REG Regionala matriser om dist > 150 km (fordon v104/5) Observera dock att innan nätutläggning adderas dessa samman till två matriser per region: Lbu och Lbs. I Bilaga 9 presenteras ett antal bilder för de fem regionerna för att illustrera resultatet. 3.6 Resultat efter kalibrering De modellerade matriserna per region för basåret anges i Tabell 3.24 och de summeras antingen till en matris vardera för Lbu respektive Lbs inför kalibrering, eller till gemensam Lbu+s. De Samgods-baserade matriserna divideras med 365 för att vi ska erhålla ÅMDvärden. Tabell 3.24: Matrisbeteckningar för uppdelade BAS-matriser på Lbu/Lbs respektive sammanslagna till Lbu+s. Grundmatriser per region Lbu123_REG Lbu104_REG LbuReg_REG Lbs104_REG Lbs105_REG LbsReg_REG Uppdelade BAS-matriser till kalibrering Lbu_REG(BAS) Lbs_REG(BAS) BAS-matris till kalibrering Lbu+s_REG(BAS) Matriserna kalibreras mot trafikräkningar med exempelvis gradientjusteringsmetoden i demadj22.mac i Emme enligt Spiess [1990]. Därefter definieras utgångsläget för basåret och betecknas enligt Tabell Tabell 3.25: Matrisbeteckningar för uppdelade CAL-matriser på Lbu/Lbs respektive sammanslagna till Lbu+s. Grundmatriser per region Lbu123_REG Lbu104_REG LbuReg_REG Lbs104_REG Lbs105_REG LbsReg_REG Uppdelade CAL-matriser efter kalibrering Lbu_REG(CAL) Lbs_REG(CAL) CAL-matris efter kalibrering Lbu+s_REG(CAL)

46 Inledningsvis var målsättningen att på nationell nivå nå ett trafikarbete på c:a Mfkm enligt Vägverkets sektorsrapport [2008] och Trafikanalys trender, men lågt jämfört med Trafikverkets trafikarbetsskattningar i Tabell Dock blev det ett stort skift från Lbs till Lbu. Framförallt blev det en kraftig reduktion av trafikarbete med Lbs som bedömdes vara alltför stor. Den relativt stora justeringen av trafikarbetet för Lbu ledde till misstanken att användningen av alla kommunala trafikräkningar för Lbu-kalibreringen orsakar en avsevärd bias. Därför gjordes en kalibrering baserat på en sammanslagning av trafikdata för Lbu och Lbs men förändring på total trafikarbetsnivå är praktiskt taget ingen alls. För att kunna fortsätta med den önskade uppdelningen av efterfrågematriserna beslöts att fortsättningsvis genomföra kalibreringen uppdelat på Lbu och Lbs, och att endast använda trafikdata från Trafikverket för det statliga vägnätet. De kommunala trafikräkningarna används sedan för att försöka avgöra huruvida trafiknivåerna på de kommunala länkarna överensstämmer med kommunbaserade trafikräknedata. Generellt sett under kalibreringsarbetet har regressionsresultaten mellan modellbaserade och observerade flöden före kalibrering resulterat i en lutningskoefficient ganska långt under 1.0 (den bör vara 1.0 om modellnivåerna totalt sett överensstämmer med observationerna). En rekommendation under ett rapportseminarium i september 2014 med inbjudna opponenter (Staffan Algers, KTH respektive Cristian Overgaard Hansen, DTU) var att före kalibrering nivåjustera matriserna så att den initiala lutningen blir c:a Tabell 3.26: Resultat efter kalibrering. Lbu-andelen är 54 %. INOM-reg (totalt) trafikarbete [Mfkm] Lbu Lbs SAMM Skåne Sydost Väst Palt SUMMA (135) Totalnivån efter kalibrering ligger 30 % över de nod-kalibrerade matriserna, och särskilt hög är Lbu-justeringen på 55 %. Delvis förklaras detta möjligen av den gjorda omskalningen inför kalibreringen. Det kalibrerade trafikarbetet som inte inkluderas i Trafikverkets uppskattning på utgör enligt detta Mfkm ( ). 3 Rekommendation gjordes av Leonid Engelsson, TrV. Ett misstag vid genomförandet var att även våra nod-kalibrerade flöden (se Avsnitt 3.4) inkluderades. Dessa borde undantagits.

47 Tabell 3.27: Kalibreringsfaktorer för Lbu och Lbs. Lbu Lbs Palt Samm Skåne Sydost Väst I tabellen ovan anges de justeringsfaktorer som har använts för Lbu och Lbs. Tabell 3.28: Regressionsresultat från scatterplots före och efter kalibrering. Okalibrerat Kalibrerat Region Lbkategori a b R2 a b R2 Samm Lbu Lbs Skåne Lbu Lbs Sydost Lbu Lbs Väst Lbu Lbs Palt Lbu Lbs Som en avstämning av totalnivåerna har även trafikarbetet på länkar med trafikräkningar beräknas för de olika kategorierna, se Tabell Generellt sett varierar nivåerna för de okalibrerade Lbu-matriserna relativt observerade volymer mer än för Lbs-matriserna, men totalnivåerna stämmer bra för båda kategorierna (men vi ska komma ihåg den gjorda nivåjusteringen inför kalibreringen). Efter kalibrering är totalnivåerna bra för Lbs med kvoterna Obs/Kalib = {106, 96, 102, 101, 109} %. För Lbu är de nästan lika bra med kvoterna Obs/Kalib = {112, 104, 100, 110, 116}. Totalt sett är det en höjning av de nod-kalibrerade matriserna från till (+ 9 %). Uppskattningen av trafikarbetet med de framtagna inom-regionala avstånden uppgår till vilket är 20 % högre än totalnivån i Tabell Förklaringen är trafikarbetet på länkar utan trafikräkningar som alltså uppgår till = Mfkm/år, och det saknas = 353 Mfkm där vi har trafikräkningar.

48 Tabell 3.29: Trafikarbete för olika regioner och lastbilskategorier uppdelat på observerat, okalibrerat och kalibrerat. Mfkm/år Relativ ändring [%] Region Lb-kategori OBS Okalib Kalib Obs/Okalib Obs/Kalib Samm Lbu Lbs Skåne Lbu Lbs Sydost Lbu Lbs Väst Lbu Lbs Palt Lbu Lbs TOTAL Lbu Lbs TOTAL Lbu+s Motsvarande avstämning har gjorts mot trafikdata på det kommunala vägnätet med resultat enligt Tabell Med aktuella inställningar och nivåjusteringar före kalibrering överskattas trafikarbetet jämfört med mätningarna. Huvuddelen av dessa utgörs av Lbu så det förefaller finnas anledning att skruva ner NÄTRA-faktorerna en aning. Tabell 3.30: Trafikarbete på kommunalt vägnät med trafikdata [fkm/dag]. OBS CAL BAS OBS/CAL [%] OBS/BAS [%] SAMM Skåne Sydost Väst Palt TOTALT TOTALT/år [Mfkm] För omräkning av VaMD till ÅDT i kommande analyser föreslås användning av faktorn 365 för Samgodsdata och trafikindex enligt Trafikverket [2014, tabell 3.9], se Figur 3.11, för omräkning av NÄTRAs VaMD-värden till ÅDT. 42 (135)

49 Figur Veckodagsindex personbil och lastbil. För olika vägtyper beräknas en omräkningsfaktor från VaMD till ÅDT till enligt exemplet nedan för genomsnitt statliga vägar om med faktorn: ( ) / 700 = Sammanfattningsvis är följande åtgärder vidtagna: 1. Samgodsdata och regionala modelldata anges som ÅDT-värden. 2. Gränsen för Lbs är numera 250 km, istället för 200 km som tidigare använts. 3. NÄTRA-reduktionsfaktorn är justerad i Stockholm och Sydost. Se Bilaga 10 för resultat i form av scatterplots och kartor per region. 3.7 Busstrafik i vägnätet Automatkodningsprogrammet har använts för att ta fram kollektivtrafikkodningar för de regionala modellerna enligt följande metod: 1. Regionval med en siffra 1-5, se layout i figur 3.X. (SAMM = 1, SKANE = 2, SYDOST = 3, VAST = 4 och PALT = 5). 2. Kollektivlinjer utan hållplats i kärnområdet tas inte med. 3. Spårbunden trafik kan uteslutas genom att ej inkludera modes s, j och t. Komplikationer: a. Betydande expansion av Emme-baserna krävs för att hantera de trafikslag som används för kollektivtrafik. I detta mellansteg har samtliga trafikslag tillåtits på alla länkar för att möjliggöra inläsning av kollektivtrafikutbudet och matcha detta mot närmsta länk. b. Pendeltågskodning j ger fel fordonstyp i Emme.

50 Figur 3.12: Reviderad Automatkodningslayout med regionval, defaultsättning av datum till och möjligt val av separat utdatakatalog. Busstrafikutbudet i landet genereras med programmet Akodning. I respektive regionala biltrafikbas importeras ett scenario med kollektivtrafiknätet vilket hämtats från motsvarande regionala bil-bas. Antalet bussar på respektive länk anpassas sedan till vägnätet genom en kortaste väg-algoritm och resultatet sparas som ett attribut. Detta attribut skrivs sedan ut för användning i de ordinarie bilbaserna som ej behöver dimensioneras om. De sedan tidigare inlästa ÅDT-flödena för lastbilar korrigeras på så sätt att det uppmätta flödet som klassats som Lbu räknas ned med antalet bussar på den aktuella länken. Inläsningen innehåller även en korrigering för att ta hänsyn till att det ibland saknas mätningar på en länk med bussflöde alternativt att den redovisade siffran för Lbu är lägre än antalet bussar på länken. I dessa fall ansätts värdet 0 för Lbu på den aktuella länken. Anpassning av busstrafiken till vägnätet på detta sätt har fungerat väl då det i de flesta fall inte finns så många alternativ mellan olika hållplatser. Korrigeringar har endast varit nödvändiga i Nacka/Värmdö där vissa linjer inte gör uppehåll vid samtliga hållplatser och därmed kunnat ha en alternativ dragning. En jämförelse med SL:s linjekarta ger dock att så inte är fallet. I övriga landet har dock inte några liknande fall observerats. För att visa på effekten av att räkna bort bussar i linjetrafik från uppmätta flöden klassade som lastbilar utan släp har nedanstående exempelbild tagits fram för östra delarna av Stockholm. 44 (135)

51 Figur 3.13: Exempelbild över ÅDT-flöden för lastbilar utan släp där blå del av stapeln visar på bedömt lastbilsflöde vid kalibrering medan lila del utgör bussar i linjetrafik Lantmäteriet Som figuren ovan visar utgör bussar i linjetrafik en betydande andel av den totala trafiken som uppmätts på Värmdöleden. Total trafik klassad som Lbu är mellan och 1 550, av detta utgör bussar i linjetrafik dock mellan 275 och och 750, ju närmare Stockholms innerstad desto större andel av den totala trafiken klassad som Lbu.

52 4 Slutsatser, diskussion och fortsatt arbete 4.1 Slutsatser Generellt sett fungerar metoden för framtagningen av nya lastbilsmatriser som har beskrivits i rapporten, men det finns utrymme för justeringar för att erhålla en bättre överensstämmelse med observerade trafikdata. Det avser matrisnivåerna, i synnerhet de regionala Lbu-bidragen, fördelningen av trafikarbetet mellan Lbu och Lbs som enligt kalibreringen ska ligga närmare 50/50 (från dagens 40/60), och nätutläggningen (vdfunktioner, kostnader, trängseleffekter, etc.). Avståndsgränsen för Lbs har höjts till 250 km. Här finns det anledning att studera närmare vilka Lbs-flöden vi har i tätorter. I vissa fall är de inte obetydliga, och ett exempel som nämnts är Valhallavägen i Stockholm. Med gjorda justeringar har vi ett totalt trafikarbete på c:a 5.4 mdr fordonskm (Tabell 3.16). Enligt förslag på ett seminarium med externa opponenter gjordes en nivåjustering av matriserna inför kalibreringen, i princip för att tillse att observerat trafikarbete återskapas av a priori matriserna. Efter nivåjusteringarna har kalibreringarna gjorts i Emme-systemet. Ett resultat av detta blev en påtaglig nivåhöjning av trafikarbetet till hela 7.05 mdr fordonskm (Tabell 3.26). Jämförelser med uppskattat trafikarbete på statligt vägnät om c:a 5.7 mdr fordonskm leder till slutsatsen att det är c:a 1.3 mdr av det totala som äger rum på det kommunala vägnätet. Att döma av sammanställningen i Tabell 3.30 är det en överskattning av trafikarbetet i de kommunala delarna med 15 %, relationen OBS/CAL = 85 %. De gjorda nivåjusteringarna inför kalibreringarna borde ha gjorts med undantag för de inkluderade nod -kalibreringarna, nu blev det först en justering uppåt som sedan skruvades ner under körningen av kalibreringsmakrot. 4.2 Diskussion kring dataunderlaget och konstruktion av lastbilsmatriser Det finns en rad problem vad gäller dataunderlaget som framför allt handlar om att önskvärt underlag saknas och att det underlag som finns tillgängligt i vissa fall ger motstridiga uppgifter. Exempelvis saknas data om tunga lastbilar med max lastvikt under 3,5 ton. Önskvärt vore att det i Lastbilsundersökningen fanns uppskattningar av centrala data som saknas. Antalet registrerade bilar för samtliga lastbilstyper skulle exempelvis kunna inkluderas i undersökningen tillsammans med uppskattade årliga körsträckor för dessa. Vidare vore det intressant med information om var de lättare tunga lastbilarna är registrerade. Mer information av mängden transporter till/från olika platser som genererar/attraherar mycket transporter som exempelvis terminaler, köpcentra, industriområden, sjukhus, skolor, äldreboenden, etc. i ett statistiskt urval med uppräkningsfaktorer samt uppgifter om förekomsten i olika Sampers-områden skulle vara användbart. Trafikanalys har genomfört en pilotundersökning för hur man skulle kunna utöka statistikunderlaget om lätta lastbilar [Trafikanalys, 2012], och det underlaget kanske kan vara tillämpligt även för lättare tunga lastbilar. 46 (135)

53 Trafikmätningar har också varierande kvalitet med god täckning för de statliga vägarna men betydligt sämre för kommunala vägarna Bland tung trafik står utländskregistrerade fordon för en stor del av trafikarbetet. Denna trafik registreras i trafikmätningar, men ingår inte i Lastbilsundersökningen. Detta innebär t.ex. att information om körsträckornas fördelning saknas. Vad gäller NÄTRA-underlaget så är det baserat på antal arbetsställen. Troligen skulle modellskattningarna kunna förbättras med användning av både antalet företag per område och antal anställda i olika branscher. Det skulle därför vara intressant att ha information om antal arbetsställen i olika delar av landet, vilket naturligtvis skulle ställa nya krav på insatser för att prognosticera dessa. Vid genomgång av den befintliga transportstatistiken över lastbilstrafik är det svårt att få en bra bild över vad som faktiskt ingår i statistiken. Exempelvis inkluderar hamnstatistik endast gods över kaj, vilket innebär att statistik över trailers vid hamnar inte behöver inkludera alla trailers som anländer till/avgår från hamnen. Data kräver ofta någon slags bearbetning. Exempelvis var det dataunderlag som erhölls över livsmedelstransporter (från Starfish-projektet) inte komplett, varför vi bearbetade data, bl.a. genom att komplettera vissa transportrelationer med adresser. Vid den enkätundersökning som gjordes inom ramen för uppdraget hade vi även problem med att frågorna tolkades och rapporterades på olika sätt, vilket gör det svårt att tolka resultaten på ett bra sätt. Även för detta underlag krävdes bearbetning av indata. Vid handpåläggning finns risk att felaktigheter introduceras i dataunderlaget. Vid konstruktionen av lastbilsmatriser har underlag från Samgods använts och kompletterats med regionala och inomkommunala transporter från NÄTRAundersökningen. Dock är det möjligt att dubbelräkning sker med detta tillvägagångssätt under förutsättning att Samgods inkluderar alla mellankommunala transporter. Därför vore det bra att inför framtida revideringar närmare undersöka vilka transporter som faktiskt inkluderas i Samgods. Samgods inkluderar de transporter som är inkluderade i varuflödesundersökningen. Då varuflödesundersökningen inte inkluderar alla transporter är det relevant att närmare undersöka vilka transporter som saknas och uppskatta hur mycket transporter det kan röra sig om och att undersöka hur dessa saknade transporter skulle kunna inkluderas. Ett alternativ till nuvarande tillvägagångssätt, är att avgränsa vilka NÄTRA-transporter som ska inkluderas genom en avståndsbegränsning. 4.3 Fortsatt arbete Inom ramen för arbetet med framtagning av nya lastbilsmatriser, har en rad utvecklingsområden framkommit, bl.a. det förslag som nämns ovan. Nedan summeras förslag på områden för fortsatt arbete.

54 Det är önskvärt att undersöka möjligheten att inkludera nya fordonskategorier i både Sampers och Samgods. För Sampers vore det önskvärt att kunna skilja på lastbil och bil för att exempelvis kunna fånga att lastbilstrafik inte tillåts på vissa länkar. För Samgods vore det önskvärt att skilja på lastbil med och utan släp, samt eventuellt även en internationell lastbilskategori. Innan nya fordonskategorier eventuellt införs är det viktigt att utvärdera hur de skulle påverka Samkalk. Kalibreringsmetodiken bör även studeras vidare. Exempelvis är det relevant att undersöka huruvida det är lämpligt att inkludera personbilar vid kalibreringen. Detta föranleder också en analys av ruttvalen i närheten av viktiga stråk. Vi har exempelvis diagonalen Köping Gävle som får för mycket trafik, vilket sannolikt är en effekt av att vdfunktionerna inte harmonierar med de val som görs i praktiken av användarna. I fall med diskussioner rörande alltför låga trafikvolymer i vissa stråk är frågan om det är för höga trafikvolymer på andra ställen i de fall det totala trafikarbetet stämmer bra med uppskattade totalnivåer. Antingen är det då brister i nätutläggningsmetoden och indata till densamma. Till den senare kategorin hör naturligtvis också efterfrågematriserna. Andra översyner av matriserna som skulle kunna göras är att undersöka hur olika avståndsbegränsningar för olika fordonstyper (gräns mellan lastbil med och utan släp) påverkar resultaten. Dessutom är det viktigt att närmare undersöka olika informationskällor som finns om totala trafikarbetet i landet för att försöka reda ut vilken information som är mest korrekt. Detta är viktigt för att bättre kunna avgöra kvaliteten på matriserna. Några av de observerade bristerna i indata har belysts i en förstudie om förbättrat kunskapsunderlag om näringslivstransporter (Ramstedt & Edwards, 2015). Avsikten med förstudien är att det ska leda fram till rekommendationer till vad som kan göras för att förbättra underlaget för framtiden. Koppla till Samgods-scenarier i ÅP med officiell Samgods-version Koppla in traversal-matriser från Samgods Använda inomzons-data från NÄTRA i bransch Tillverkning Uppdatera med nya SNI-Samgodsvarugruppsnycklar och varuvärden från PWCmatrisprojektet (se (WSP, 2015)). Uppdatera med sysselsättning enligt SNI2007-standard som används för nya nycklar (se (WSP, 2015)). Modifiera a priori-matriser för entropimodellen Rensa bort 0:or i utdatamatriser 48 (135)

55 4.3.1 Förslag på justering av vd-funktioner Under uppdragets gång har det diskuterats huruvida ruttvalen för lastbilarna i assignment-modellen överensstämmer med verkligheten. I vissa fall har det observerats att lastbilar körs på mindre vägar istället för de något längre och större riksvägarna och europavägarna. Orsakerna till detta är bl.a. att GC för de mindre vägarna avseende tid och kostnad underskattas i modellen. För att i viss mån justera för sådana beteenden är det möjligt att göra modifieringar av vd-funktionerna enligt följande metod för att korrigera ruttvalen på ett antal ställen där det är uppenbara, stora avvikelser. Till vd-funktioner adderas exempelvis el1*length, där el1 är en extra funktionsparameter i Emme. Det ger el1 minuter restid/per km. el1 måste initieras inför assignment med ett för ändamålet lämpligt extra attribut Exempel på effekter av metoden visas i Tabell 4.1. Tabell 4.1: Exempel på restidsförlängning i % givet olika kombinationer av frifordonshastighet och el1-värde. Extra tid per km el1*length => Ny restid i % av original enligt nedan Hast 1 km el1 extra function parameter [km/tim] Tid [min] Metoden är ännu inte använd i de nätutläggningar och kalibreringar som gjorts utan endast testad i liten skala.

56 Referenser Beser, M., and S. Algers SAMPERS The New Swedish National Travel Demand Forecasting Tool. In National Transport Models: Recent Developments and Prospects, Edwards H och Karlsson R (2008): NÄTRA-uppdatering till 2005, PM, Vägverket Konsult, Augusti Edwards H (2011): NÄTRA-matriser för 2030 och kalibrerings-matriser additiva och multiplikativa, PM, Vägverket Konsult, April. Eriksson J och Björketun U (2000): Modell för nationella lätta transporter, VTI dnr: 2000/ Eriksson J (2005): Framtagning av Distra OD-matriser, VTI dnr: 2004/ Eriksson J, Björketun U, Edwards H, Karlsson R, Sandström J, Wiklund M och Ågren B, (2000a): Dokumentation av NÄTRA-undersökningen, VTI notat Eriksson J, Björketun U, Edwards H och Karlsson R, (2000b): Dokumentation av NÄTRAmodellen, VTI notat Eriksson J, Björketun U, Edwards H, Karlsson R (2000c): NÄTRA Näringslivets transporter med bil i Stockholms län 1998, KFB & VTI forskning/research de Jong, G., Ben-Akiva, M., and Baak, J. (2010), Method report - logistics model in the Swedish national freight model system (version 2), Significance, Deliverable 6B for the Samgods group. Ramstedt, L. & Edwards, H. (2015) Förstudie för förbättringar av kunskapsunderlag gällande regionala näringslivstransporter, Sweco på uppdrag åt Trafikverket. Spiess H, (1990): A gradient approach for the O-D matrix adjustment problem Hämtad från: den Swahn, H. (2001), The Swedish national model systems for goods transport SAMGODS a brief introductory overview, Report SAMPLAN 2001:1, Swedish Institute for Transport and Communications Analysis (SIKA), Stockholm, Sweden. Trafikanalys (2012): Transporter i Sverige med lätta lastbilar en pilotundersökning, PM 2012:5 Trafikverket (2011): Trafikarbetet _247_Trafikarbetet_2011.pdf Trafikverket (2014): Effektsamband för transportsystemet Fyrstegsprincipen (Kapitel 3). Version Vägverket (2009): The Road Transport Sector Sectoral Report 2008, Publication 2009:34 WSP (2015) PWC Matrices: new method and updated Base Matrices, Final Report 50 (135)

57 Bilaga 1. Framtagning dataunderlag I denna bilaga beskrivs hur framtagning av dataunderlag gjorts. Befintligt material från tidigare undersökningar sammanställdes och för att få mer information om lastbilstrafik vid terminaler genomfördes en enkätundersökning. Sammanställning av befintligt material En bred genomgång av befintligt material genomfördes, där innehållet också sammanställdes. Det material som eftersöktes var framför allt relevanta studier, statistik och undersökningar. Innehållet beskrevs bl.a. efter hur relevant det är som underlag vid framtagning av lastbilsmatriser, vilket geografiskt område materialet gäller och vilket år materialet gäller för. Se Bilaga 5 för inkluderat material (och Excel-dokumentet Sammanställning_material.xls för en utökad beskrivning). Projektet har även fått tillgång till data från Starfish-projektet från Lunds Universitet. Data från Starfish-projektet innehåller information om livsmedelstransporter. Se Avsnitt 2.3 nedan. För uppdraget är det av intresse av att få tillgång till underlaget i Lastbilsundersökningen (LBU) och Varuflödesundersökningen (VFU) som Trafikanalys är ansvariga för, men dessa undersökningar är inte tillgängliga för uppdrag som inte är forskningsprojekt som bedrivs av högskolor eller universitet. Det hade också varit önskvärt att få tillgång till underlag från Cabotagestudien 4 som leds av Lunds Universitet för att få information om internationella åkare som kör i Sverige, men resultatet från denna studie är ännu inte färdigställd. För framtida översyner av lastbilsmatriserna är det relevant att även inkludera detta material. Genomförande av enkätundersökning av lastbilstrafik vid terminaler En enkätundersökning genomfördes för att fånga in data om antalet tunga lastbilar till och från terminaler, samt övrig information om transporterna. Generell information om organisationen ingick också i enkäten för att möjliggöra att söka samband mellan antalet lastbilar och antalet anställda. Se Bilaga 1 för enkätformuläret och de frågor som ingick i undersökningen. Enkätformuläret utformades med hjälp av Google forms, då det är ett lättillgängligt verktyg. Dock är det ett relativt sett enkelt verktyg, med begränsad funktionalitet. Frågornas utformning anpassades därför till viss del efter verktygets funktionalitet. De aktörer som kontaktades var hamnar, kombiterminaler, speditörer och distributörer. Alla större hamnar i Sverige kontaktades (medlemshamnar i Sveriges hamnar och hamnar inkluderade i Samgods), större kombiterminaler med verksamhet, de tre största speditörerna i Sverige samt två dominerande distributörer. Totalt kontaktades 74 aktörer, varav vi fick 48 svar, vilket ger en svarsfrekvens på 65%. Se Bilaga 2 för en lista över kontaktade aktörer. 4

58 För att försöka få en så hög svarsfrekvens som möjligt kontaktades respondenterna först via telefon för att förvarna om att en enkät kommer att skickas ut med epost. Se Bilaga 3 för följebrevet. Vid behov gjordes även vissa återkopplingar med respondenterna för att klargöra resultaten. Filtrering och korrelationsanalys av enkätundersökning Utifrån enkätundersökning undersöktes svar från totalt 45 olika terminaler för att söka efter ett samband mellan terminaltyp, antal anställda och antalet lastbilsrörelser eller mängden gods som hanteras vid terminalen. Det är sedan tidigare konstaterat (se arbets-pm:et Samband antal anställda och transporter, ) att det inte finns något starkt linjärt samband mellan antalet anställda och antalet transporter om alla respondenter ingår i regressionsanalysen, varför det fanns anledning att dela upp data per terminaltyp, men även att identifiera extremvärden och undersöka om det fanns fler variabler än antalet anställda som förklarar antalet lastbilar som har ärende vid en terminal. Att identifiera och ignorera extremvärden kan vara vanskligt, sker det godtyckligt är det mycket möjligt att man bygger upp en datamängd som passar ens egna förväntningar kring vad resultatet borde vara, och därigenom bortser från viktiga samband utöver den man ställt in sig på. Hittills har sådana extremvärden filtrerats bort helt manuellt eller genom att se till datapunkternas avstånd till en regressionslinje och filtrera bort dessa. Ingen av dessa metoder har varit tillfredsställande, ett exempel på den senare metoden finns i Bilaga 6. Filtrering villkorat avståndet till regressionslinjen. I och med att gods till och från terminalerna kan flyttas med såväl fartyg som järnväg lika gärna som med lastbilar, uppmärksammades att det kan vara för enkelt att endast förklara antalet lastbilar vid en terminal som en funktion av antalet anställda. Om en stor andel av det hanterade godset går med järnväg eller fartyg, finns det såklart en risk att lastbilsproduktionen vid en terminal blir liten i förhållande till arbetsstyrkans storlek. Därför undersökte vi om sambandet mellan antalet anställda och mängden gods som hanteras vid en terminal är starkare än vad sambandet mellan antalet anställda och lastbilsproduktionen är. Förutom att man sökte förklaringar till lastbilsproduktionen genom ett beroende till terminaltypen eller hur stor andel av godset vid terminalen som gick med lastbil fanns det även misstankar om att olika respondenter hade rapporterat olika sorters mängder anställda vid sina terminaler. Därför jämför vi i rapporten även två olika kluster av lastbilsterminaler, som är beroende på lastbilsproduktionen per anställd hellre än vilken terminaltyp som terminalerna hör till. Den här analysen bör snarare ses som en undersökning kring om så kan vara fallet än som ett faktiskt samband mellan antalet anställda och antalet lastbilar vid en terminal. Resultatet av de olika analyserna framkommer från Tabell 0.1, där antalet anställda motsvarar den drivande parametern x. Tabell 0.1. Resultat från regressionsanalyserna för samtliga olika fall. Antalet anställda motsvarar x, eller datamängd 1 i samtliga fall. Asterisken indikerar att alla av typen var med, 52 (135)

59 men endast om de hade rapporterat godsmängden. Samtliga terminaltyper ingick i de två sista regressionsanalyserna. Datamängd 2 (y) Villkor R 2 R Samband (y = ) Antalet lastbilar vid terminalen per år Inget (alla respondenter) 0,24 0,49 717x Mängden gods vid terminalen per år, alla Inget (alla 15349x + 0,29 0,54 transportslag respondenter) Antalet lastbilar vid terminalen per år Alla hamnar 0,19 0,44 633x Mängden gods vid terminalen per år, alla 15455x + Alla hamnar* 0,24 0,49 transportslag Antalet lastbilar vid terminalen per år Alla kombiterminaler 0,13 Mängden gods vid terminalen per år, alla transportslag - 0,36 Alla kombiterminaler* 0,77 0,88 Antalet lastbilar vid terminalen per år Alla lastbilsterminaler 0,77 0,88 Mängden gods vid terminalen per år, alla transportslag Antalet lastbilar vid terminalen per år Antalet lastbilar vid terminalen per år Metod Alla lastbilsterminaler* 0,66 0,81 lb/år och anställd > 1000 lb/år och anställd < x x ,80x x ,77 0, x ,82 0,91 424x I en enkätundersökning har olika sorters terminaler (hamnar, kombiterminaler, lastbilsterminaler och så vidare) kunnat besvara ett antal frågor kopplat till sin verksamhet. Frågorna gällde bland annat antalet lastbilar som rör sig till och från terminalen, hur stor lastvikt sådana har, hur stor andel av terminalens hanterade gods som gick med lastbil, vad man anser sig vara för sorts terminal med mera. Respondenter svarar ibland avvikande. Ibland har en terminal två geografiska lägen, men delad statistik, ibland anges lastvikter som överskrider totalvikten för en fullastad lastbil och så vidare. Därav fann vi anledning att göra en filtrering av respondenternas svar för att möjliggöra analysen. Hur denna förfiltrering gick till är beskrivet i Bilaga 4 men övergripande kan vi säga att respondenterna först delades upp i två grupper (i) de som hade svarat på dygnsbasis och (ii) de som hade svarat på årsbasis. Från dessa tog vi till vara på information kring (iii) antalet lastbilar vid terminalen och (iv) beräknade den totala mängden gods vid terminalen. Informationen från (i) och (ii) konsoliderades sedan med avseende på (iii) och (iv) för att ge oss information om antalet anställda vid terminalerna, typen av terminal, antalet fordon vid terminalen per år och mängden gods som hanteras vid terminalen per år.

60 Resultat Samtliga terminaltyper Resultatet för samtliga respondenter framkommer i Tabell 0.2 här nedanför och i Figur 0.1. I båda fallen har dygnsbaserade svar aggregerats till årsnivå genom ett antagande om 260 arbetsdagar per kalenderår. Redan här kan man ana en stor spridning för hamnar, för vilka det finns många respondenter, ett starkare samband för lastbilsterminalerna och ett svagare sådant för kombiterminaler. Ser man istället till godsmängden faller hela 44 % av respondenterna bort i och med att de inte har besvarat alla frågor från vilka godsmängden kunde bestämmas. Tabell 0.2. Antalet lastbilar (LB) och mängden gods (samtliga transportslag) som hanteras per år vid de olika terminalerna. Ett bindestreck indikerar att respondenten inte har besvarat alla frågor kopplat till kvantiteten. Terminaltyp Terminalnamn (G1) Anställda Antal LB per år (tusental) Godsmängd per år (tusen ton) centrallager perstorp hamn västerviks hamn kapellskär orrskärs hamn hargs hamn skellefteå hamn nynäshamns hamn karlshamns hamn landskrona hamn ab falkenbergs terminal ab logent ports & terminals ystad hamn mönsterås hamn skärnäs terminal norra hamnen karlskrona baltic port sölvesborgs hamn wallhamn terminal oskarshamns hamn ab halmstad uddevalla hamnterminal haraholmen gävle hamn trelleborgs hamn ab stockholms hamn åhus hamn & stuveri ab oxelösunds hamn ab apm terminalen kombiterminal arnäsvall (135)

61 road cargo gävle kombiterminal båramo kombiterminal luleå kombiterminal örebro terminal eskilstuna kombiterminal göteborgs kombiterminal hallsbergsterminalen visby lastbilsterminal bring frigo kumla sölvesborg köpetorp, linköping inrikes transport jordbro bring frigo jönköping landskrona terminal

62 hamn kombiterminal lastbilsterminal centrallager Linjär (samtliga) y = x R² = Figur 0.1. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0, (135)

63 hamn kombiterminal lastbilsterminal Linjär (samtliga) y = 15349x R² = Figur 0.2. Total årlig mängd gods (ton) för alla transportslag mot antalet anställda vid de olika terminalerna. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0,54.

64 Hamnar: Antalet lastbilar och mängden gods per år hamn Linjär (hamn) y = x R² = Figur 0.3. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter av typen hamn. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0,44. hamn Linjär (hamn) y = 15455x R² = Figur 0.4. Total årlig mängd gods (ton) för alla transportslag mot antalet anställda vid de olika terminalerna av typen hamn. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0, (135)

65 Kombiterminaler: Antalet lastbilar och mängden gods per år kombiterminal Linjär (kombiterminal) y = x R² = Figur 0.5. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter av typen kombiterminal. R-värde (korrelationskoefficienten) för samtliga respondenter är R= -0,36. kombiterminal Linjär (kombiterminal) y = x R² = Figur 0.6. Total årlig mängd gods (ton) för alla transportslag mot antalet anställda vid de olika terminalerna av typen kombiterminal. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0,88.

66 Lastbilsterminaler: Antalet lastbilar och mängden gods per år lastbilsterminal Linjär (lastbilsterminal) y = x R² = Figur 0.7. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter av typen lastbilsterminal. R-värde (korrelationskoefficienten) för samtliga respondenter är R= 0,88. lastbilsterminal Linjär (lastbilsterminal) y = 12755x R² = Figur 0.8. Total årlig mängd gods (ton) för alla transportslag mot antalet anställda vid de olika terminalerna av typen lastbilsterminal. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0, (135)

67 Samtliga terminaler: Produktivitetsberoende För att undersöka misstankarna kring om olika respondenter hade besvarat frågan om antalet anställda på olika sätt, delade vi in hela datamängden (samtliga terminaler) i två kluster, ett där antalet lastbilar per anställd och år var färre än 1000, och ett med allt annat. Produktivitet < 1000 LB/år Linjär (Produktivitet < 1000 LB/år) Produktivitet > 1000 LB/år Linjär (Produktivitet > 1000 LB/år) y = x R² = y = x R² = Figur 0.9. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter uppdelat på två kluster villkorligt produktiviten antal lastbilar per anställd och år. Korrelationskoefficienterna är 0,88 resp. 0,91.

68 Analys Orsaken till att sambandet mellan mängden gods vid terminalen och antalet anställda undersöktes var för att undersöka om detta var starkare än sambandet mellan antalet anställda och antalet lastbilar vid densamma. Hypotesen var att om det finns en stor spridning i andelen vägtransport hos terminalerna, så skulle en del datapunkter se ut som extremvärden med mycket låg eller mycket hög produktivitet i förhållande till antalet anställda mot antalet lastbilar. Genom att räkna mängden gods vid terminalen hoppades vi kunna se ett starkare samband mellan antalet anställda och de volymenheter som hanterades vid terminalerna, och därigenom kunnat anta en modell för lastbilsgenerering där andelen vägtransport och antalet anställda ingick. Regressionsanalyserna har däremot påvisat att mängden gods vid terminalen vs antalet anställda inte är mycket starkare än antalet lastbilar vs antalet anställda för samtliga terminaltyper, samt för hamnar och lastbilsterminaler enskilt. Förvisso får vi ett större värde på korrelationskoefficienterna för dessa, men vi lutar åt att förklara denna med att vi förlorar många datapunkter då godsmängderna beräknas på grund av underrapportering. Däremot kan vi påvisa ett mycket starkare (och positivt) samband mellan antalet anställda och mängden gods vid terminalen för typen kombiterminaler. Men, även här bör man vara försiktig med någon slutsats, vid en jämförelse av Figur 0.5 och Figur 0.6 ser vi att det är två underpresterande datapunkter som inte ha rapporterat godsmängderna vid terminalen. Hade vi filtrerat bort dessa från antalet anställda vs antalet lastbilar hade resultatet varit ett liknande starkt positivt samband. Slutligen kan vi konstatera mycket starka samband mellan antalet anställda och antalet lastbilar vid en terminal per år, om vi delar upp alla terminaler i två olika produktivitetskluster enligt Figur 0.9. Vi vill poängtera att gränsen LB per år och anställd är helt godtycklig, poängen med undersökningen var att se om vi kan misstänka att terminalerna har rapporterat antalet anställda på ett avvikande sätt. Kommentarer och utvidgningar av enkätundersökningen Att dela upp datan per terminaltyp för att finna samband mellan antalet anställda vid en terminal och hur många lastbilar som rör sig vid denna per år ger en bättre förklaring än om man bara ser till samtliga terminaltyper samtidigt. Detsamma gäller för godsmängderna. Typen hamnar har flest respondenter och den mest spretiga data, vi kan jämföra det med lastbilsterminalerna som ger sken av att antalet lastbilar mycket väl kan förklaras som ett linjärt samband med antalet anställda. Vi verkar inte kunna dra någon slutsats kring om andelen vägtransporter har en stor inverkan på spretigheten i resultaten, förvisso får vi starkare samband om vi ser till mängden gods vid terminalerna istället för antalet lastbilar, men de starkare sambanden skulle mycket väl kunna förklaras med att det är färre datapunkter som undersöks. 62 (135)

69 Den stora spretigheten i data har fått oss att misstänka att det antingen har varit en stor spridning i andelen vägtransport eller att olika mängder anställda har rapporteras i enkäten (tänk ett lager med mycket plockpersonal och få rangerare där båda mängderna rapporteras, eller en verksamhet med mycket administrativ personal utan koppling till det vardagliga logistikarbetet). Data ger inte sken av att vi kan få bättre förklaringsförmåga genom att se till andelen vägtransporter, däremot ger klusteruppdelningen efter produktivitet orsak att misstänka stor variation i hur antalet anställda rapporteras. Ett förslag på vidareutveckling av enkäten, exempelvis för framtida uppdateringar av matriserna då man vill uppdatera underlaget, är att formuläret blir mer specifik. Att vi ber om data kring mängden gods vid terminalen direkt, istället för att bearbeta datan i efterhand. På så sätt kan vi förhoppningsvis få ett större sampel och en bättre uppfattning kring eventuella samband mellan antalet anställda och mängden gods som hanteras vid en terminal. Handpåläggningen minskas, vilket även minskar risken för feltolkningar. Vidare kan vi förhoppningsvis få bättre insikt i hur antalet anställda rapporteras. Om detta misstänks vara den drivande parametern, är det extra viktigt att vi vet vad som ingår i den. För att få en ökad förståelse för vad antalet anställda vid terminalerna innebär, exempelvis vilka huvudsakliga arbetsuppgifter de anställda har, gjordes en uppföljning av de inkomna svaren. Alla respondenter kontaktades antingen via telefon eller via mejl för att ställa frågor kring de anställdas arbetsuppgifter och om det finns lagerverksamhet med plockning vid terminalerna. 73 % av de som svarade på enkäten, svarade också på uppföljningen. Från dessa terminaler, kan vi se att det verkar som om en större andel av de anställda har administrativa arbetsuppgifter jämfört med hamnar och kombiterminaler, se Tabell 0.3. Hamnar har lägst andel administrativ personal. Tabell 0.3: Andel administrativ personal av totalt antal anställda vid de olika terminaltyperna. Hamn 17% Lastbilsterminal 48% Kombiterminal 20% För att möjliggöra och underlätta för en utökad analys av datan kan förslagsvis ett annat verktyg än Google forms användas. För att fånga en större andel av lastbilsflödena vid godsnoder, kan företag med stora lastbilsflöden (t.ex. Södra Cell) även inkluderas i enkätundersökningen. Företag med mycket lagerverksamhet (t.ex. Elgiganten och Elon) är särskilt relevanta att inkludera i en framtida utvidgning av undersökningen då de genererar stora lastbilsflöden. Urvalet av datan bör utformas så att uppräkning till totalnivåer möjliggörs.

70 Starfish-data livsmedelstransporter Underlag om livsmedelstransporter erhölls via det Trafikverksfinansierade Starfishprojektet med avsikt att underlaget skulle användas som undre gräns av livsmedelstransporter. De livsmedelstransporter som är inkluderade i Starfish-projektet står för ca 70 % av livsmedelstransporterna i Sverige. Då underlaget om livsmedelstransporter inte var komplett, var vi tvungna att bearbeta underlaget genom olika typer av handpåläggning för att kunna använda det. Exempelvis saknades koordinater och adresser till många platser. Andra problem var att benämningar för butiker/terminaler skiljde sig åt mellan olika platser i dokumenten där de användes. Viss information om rutter kan tas fram men det är många gånger oklart huruvida data är korrekta eller inte. Vissa OD-relationer är t ex förhållandevis långa. Inte heller är det uppenbart hur data ska användas för modellbygge eller kalibrering, utan för det ändamålet skulle någon form av uppräkningsfaktor behövas. 64 (135)

71 Bilaga 2. Enkätformulär i Google forms

72 66 (135)

73

74 68 (135)

75

76 Bilaga 3. Lista över kontaktade aktörer vid enkätundersökning Kontaktade terminaler Inkommet svar Stockholm (Årsta) 0 Göteborg (Gullbergsvass) 1 Malmö 0 Luleå (Gammelstad) 1 Umeå (vid godsbangården) 0 Sundsvall (vid Sundsvall C) 0 Gävle (vid hamnen i Fredriksskans) 1 Hallsbergsterminalen 1 Mosås (Örebro) 1 Nässjö 0 Trelleborg 1 Eskilstuna 1 Katrineholm logistikcentrum 0 Västerås 0 Alvesta 0 Vaggeryd 1 Falköping 0 Norrköping 0 Helsingborg 0 Luleå 1 Sundsvall (Tunadal) 0 Gävle 1 Kapellskär 0 Norrköping hamn o stuveri 0 Karlshamn 1 Karlskrona 1 Trelleborg 1 Helsingborg 0 Malmö 1 Göteborg - Skarviksporten 0 Göteborg - APMTerminalen 1 Göteborg - Älfsborg RORO 0 Göteborg - Stena Line 0 Göteborg - Logent 1 Oxelösunds hamn 1 Skutskär (hamn och logistik) 0 70 (135)

77 Mälarhamnar 0 Oskarshamn 1 Södertälje 0 Ystad 1 Hargs hamn 1 Varbergs hamn 1 Brofjorden 1 Falkenberg 1 Gotlands hamnar 1 Halmstad 1 Husum 0 Kalmar 0 Landskrona 1 Lysekil 0 Mönsterås 1 Norrtälje 1 Nynäshamn 0 Piteå 1 Skellefteå 1 Skärnäs terminal 1 Stockholm 1 Strömstad 1 Söderhamn 1 Sölvesborg 1 Uddevalla 1 Umeå 0 Wallhamn 1 Vänerhamn 0 Västervik 1 Åhus 1 Örnsköldsvik 1 Bring Cargo Terminaler 0 Bring Sölvesborg 1 Bring Frigo Terminaler 1 Posten 0 Schenker 0 DHL 0 DSV 1

78 Bilaga 4. Följebrev enkätutskick Hej xx, Jag kontaktar dig med anledning av en enkätundersökning som handlar om att kartlägga tung lastbilstrafik till och från större godsterminaler i Sverige. Studien genomförs av Sweco på uppdrag av Trafikverket inom ramen för ett utvecklingsarbete där vi ska uppdatera indata till den nationella transportmodellen Sampers. Sampers förvaltas av Trafikverket och används exempelvis för åtgärdsanalyser. Med förbättrad indata kan precisionen i analyser av åtgärders effekter på transportsystemet förbättras, vilket ger ett bättre underlag för beslutsfattare. Syftet är att stödja beslut avseende utformning av åtgärderna så att önskvärda effekter nås. Baserat på bland annat enkätsvaren kommer vi att sammanställa dataunderlag om lastbilstrafik med och utan släp. Detta underlag kommer att användas i arbetet med framtagning av förbättrad indata till Sampers. De lastbilar vi undersöker är tunga lastbilar med en totalvikt på över 3,5 ton. Vi undersöker två lastbilskategorier: - Lastbil med släp (Lbs) som inkluderar lastbil med släp samt dragbil med trailers. - Lastbil utan släp (Lbu) som inkluderar övriga tunga lastbilar med en totalvikt på över 3,5 ton. Nedan är länken för att fylla i enkäten: Då du fyller i enkäten är vi i första hand intresserade av uppskattade uppgifter om era lastbilstransporter, uppgifterna behöver alltså inte vara exakta. Vi hoppas därmed att det inte ska behöva ta så lång tid att fylla i enkäten. Hör gärna av dig om du har frågor rörande enkätundersökningen. Har du åsikter på utformningen av enkäten tar vi gärna emot dina synpunkter. Projektledare för uppdraget på Trafikverket är Carsten Sachse, med följande kontaktuppgifter: carsten.sachse@trafikverket.se och Vi tar tacksamt emot dina svar snarast. Med vänliga hälsningar xx 72 (135)

79 Bilaga 5. Förfiltrering Respondenterna hade möjlighet att besvara sex frågor kopplat till antalet lastbilar som hanteras vid terminalen: T1a. Antal totala tunga lastbilar (Lbu+Lbs) UT från terminalen för ett genomsnittligt dygn. T1b. Antal totala tunga lastbilar (Lbu+Lbs) IN till terminalen för ett genomsnittligt dygn. T1c. ELLER, antal totala tunga lastbilar (Lbu+Lbs) per år vid terminalen. T2a. Antal lastbilar med släp (Lbs) UT från terminalen under ett genomsnittligt dygn. T2b. Antal lastbilar med släp (Lbs) IN till terminalen under ett genomsnittligt dygn. T2c. ELLER, antal lastbilar med släp (Lbs) per år vid terminalen. I ett första steg sorterades respondenterna efter om de hade svarat på a och b eller c, respondenter som hade besvarat a, b och c sorterades med båda grupperna. Anledningen till den här sorteringen var osäkerheten i antalet arbetsdagar per år vid respektive terminal. En uppgift som saknas och som därför kräver ett antagande. Vi kan notera att frågeställningen till respondenterna söker efter antalet fordon per genomsnittligt dygn. Med lite god vilja skulle detta kunna tolkas som årets alla dagar. Förfiltrering på dygnsnivå: antal fordon per dygn Respondenter som gav sina svar på dygnsbasis framkommer nedanför. De rödmarkerade raderna indikerar ett avvikande svar. Vi kan konstatera att Oskarshamns hamn har fler Lbs än Lbs+Lbu. Sådana motsägelser filtrerades genom att anta att T1a och T1b anger antalet Lbu och inte summan Lbs+Lbu. Respondenter som har svarat på T1a och T1b men inte T2a och T2b (blanka) antas inte ha några tunga lastbilar vid terminalen. Respondenter som har svarat på T2a och T2b men inte T1a och T1b (blanka) antas ha samma svar för båda frågorna. Respondenter som har svarat avvikande på annat sätt, som Hallsbergsterminalen, formaterades genom att avrunda svaret. Sammantaget framkommer de filtrerade svaren i tabellen.

80 G1. Namn på terminal T1a T1b T2a T2b Lbs ut Lbs in Lbu ut Lbu in luleå kombiterminal oskarshamns hamn ab skellefteå hamn arnäsvall skärnäs terminal karlshamns hamn karlshamns hamn road cargo gävle kombiterminal perstorp orrskärs hamn eskilstuna kombiterminal landskrona terminal sölvesborgs hamn wallhamn terminal örebro terminal åhus hamn & stuveri ab båramo kombiterminal bring frigo kumla bring frigo jönköping köpetorp, linköping inrikes transport jordbro haraholmen sölvesborg hallsbergsterminalen 16,2 8 16, oxelösunds hamn ab logent ports & terminals uddevalla hamnterminal norra hamnen visby karlskrona baltic port Resultatet av filtreringen är de fyra sista kolumnerna, som anger antalet Lbs och Lbu in till respektive ut från terminalen under ett genomsnittligt dygn. Förfiltrering på dygnsnivå: genomsnittliga lastvikter för LB I ett andra steg filterades respondenternas svar om genomsnittliga lastvikter. Respondenterna fick möjligheten att besvara frågorna A1a. Genomsnittlig lastvikt för lastbil med släp (Lbs) (ton). A1b. Genomsnittlig lastvikt för lastbil utan släp (Lbu) (ton). 74 (135) Vi antar att svaren för lastvikterna även omfattar tomma lastbilar. Det vill säga, respondenternas svar är ett genomsnitt för samtliga lastbilar, oavsett om de är tomma eller ej. Vidare antar vi att den genomsnittliga lastvikten gäller för såväl fordon till, som fordon från, terminalen. Lastvikterna för respondenter på dygnsbasis framkommer här nedanför, vi redovisar endast de som har angett lastvikter i sina svar. Med andra ord faller en del data bort i detta steg, i och med att en del respondenter har angivit antalet fordon, men inte lastvikterna.

81 Vid filtrering togs hänsyn till angivna lastvikters relation till totalvikt för de olika fordonstyperna. Lbs har en maximal totalvikt om 60 ton och en maximal nyttolast om 40 ton. Där den angivna lastvikten föll i intervallet 40 till 60 ton subtraherades fordonsvikten på 20 ton. Där den angivna lastvikten överskred 60 ton sattes lastvikten till 40 ton. Detsamma gäller för Lbu med ett antagande om maximal totalvikt om 40 ton och en maximal nyttolast om 26 ton. G1. Namn på terminal A1a A1b Lastvikt Lbs (ton) Lastvikt Lbu (ton) luleå kombiterminal oskarshamns hamn ab arnäsvall skärnäs terminal karlshamns hamn karlshamns hamn road cargo gävle kombiterminal perstorp orrskärs hamn eskilstuna kombiterminal landskrona terminal sölvesborgs hamn örebro terminal åhus hamn & stuveri ab båramo kombiterminal bring frigo kumla köpetorp, linköping inrikes transport jordbro haraholmen sölvesborg oxelösunds hamn ab logent ports & terminals uddevalla hamnterminal visby 20,51 3, karlskrona baltic port Förfiltrering på dygnsnivå: Godsmängden vid terminalen I ett tredje steg konstaterades andelen (av mängden) gods in till, respektive ut från, terminalen som vägtransport. Syftet var att därigenom kunna beräkna den totala godsmängden som passerar genom terminalen under ett dygn under förutsättningen att det råder likhet mellan in och utflöde. Utöver beräkningen av mängden gods (som bygger på de tidigare konstaterade parametrar antalet lastbilar, genomsnittligt lastvikt och andelen gods som går med lastbil) ingick i steget att ta bort dubbletter (se ex. Karlshamns hamn) men även att sammanfatta den breda floran av terminaltyper till ett mindre antal olika sådana. För filtreringen gällde följande konsolidering:

82 Respondentens svar på G4. Typ av terminal kombiterminal hamn både hamn, kombiterminal och tillverkande industri finns på området. centrallager lastbilsterminal kombi/lager terminal hamn, kombiterminal och industripark omlastningsterminal Ansatt typ av terminal för filtering kombiterminal hamn hamn centrallager lastbilsterminal kombiterminal hamn lastbilsterminal havn + kombiterminal hamn Alltså, när förfiltreringen av respondenter som har angett antalet fordon på dygnsnivå är färdig, kvarstår sådana respondenter som: Har angett antalet Lbu och/eller Lbs på dygnsnivå OCH som har angett lastvikter för Lbu och/eller Lbs OCH som har angett andelen gods som går med vägtransport respektive järnväg in till OCH ut från terminalen. Resultatet av förfilteringen ses i tabellen här nedanför, rödmarkerade rader anger sådana respondenter som svarade på dygnsbasis, men som inte uppfyllde samtliga krav i listan här ovanför. Av de ursprungliga 30 svaren på dygnsbasis har 19 svar (63 %) kommit igenom filtreringen. Med andra ord vill vi uppmärksamma att ju fler frågor man försöker kombinera, desto mer osäker kommer analysen att vara. I den bästa av världar hade en fråga om den totala mängden gods ställts till respektive respondent. 76 (135)

83 Terminaltyp Terminalnamn (G1) Anställda LB/dygn Godsmängd/dygn (ton) centrallager (-) perstorp hamn (0.55/0.63/0.43) orrskärs hamn skellefteå hamn karlshamns hamn logent ports & terminals skärnäs terminal norra hamnen karlskrona baltic port sölvesborgs hamn wallhamn terminal oskarshamns hamn ab uddevalla hamnterminal haraholmen åhus hamn & stuveri ab oxelösunds hamn ab kombiterminal (-0.40/0.84/0.88) arnäsvall road cargo gävle kombiterminal båramo kombiterminal luleå kombiterminal örebro terminal eskilstuna kombiterminal hallsbergsterminalen visby lastbilsterminal (0.88/0.94/0.81) bring frigo kumla sölvesborg köpetorp, linköping inrikes transport jordbro bring frigo jönköping landskrona terminal Parentesen (1/2/3) vid terminaltypen anger korrelationskoefficienten för datamängderna: Anställda vs LB/dygn, samtliga respondenter. Anställda vs LB/dygn, filtrerade respondenter. Anställda vs Godsmängd/dygn (alla transportslag), filtrerade respondenter. Bortfallet efter filtreringen på mängden gods medförde att endast 10 (77 %) av hamnarna, 5 (56 %) av kombiterminalerna och 4 (67 %) av lastbilsterminalerna återstår efter att filtreringen mot mängden gods är genomförde. Med andra ord kan vi kanske se starkare samband efter filtreringen (jämför med kombiterminalernas korrelationskoefficienter för de olika datamängderna). Man bör därigenom vara försiktig med slutsatser kring datamängder med stort bortfall, eller med få sampel.

84 Förfiltrering på årsnivå: antal fordon Den andra datamängden, vilken framkommer här nedanför, består i ursprungsläget av de respondenter som har gett svar på frågorna T1c och/eller T2c. G1. Namn på terminal T1c T2c Lbu/år lb/år arnäsvall landskrona hamn ab hargs hamn västerviks hamn perstorp orrskärs hamn trelleborgs hamn ab mönsterås hamn ystad hamn halmstad falkenbergs terminal ab göteborgs kombiterminal haraholmen apm terminalen gävle hamn gävle hamn hallsbergsterminalen stockholms hamn nynäshamns hamn kapellskär Förfiltrering på årsnivå: Andel gods vid terminalen som vägtransport För att beräkna mängden gods vid terminalen som vägtransport gjordes en filtrering av lastvikterna på samma sätt som för dygnsdatan, det vill säga att lastvikterna ges uppdelat på Lbs och Lbu och korrigeras för sådana lastvikter där denna överskrider den maximala vikten för lastbilstypen. Därefter hämtades data för A7a och A7c, det vill säga hur stor andel av allt gods som ankommer, respektive lämnar, terminalen som vägtransport. Dubbletters filtrerades bort precis som för de dygnsbaserade svaren. Allt som allt mynnade filtreringen ut till den data som åskådliggörs i tabellen här nedanför. Rödmarkerade rader är sådana rader som föll bort i filtreringen (exklusive dubbletter), det vill säga att övriga rader är sådana respondenter som Har angett antalet LB och/eller Lbs på årsnivå OCH som har angett lastvikter för Lbu och/eller Lbs 78 (135)

85 OCH som har angett andelen gods som går med vägtransport respektive järnväg in till OCH ut från terminalen. Terminaltyp Terminalnamn (G1) Anställda LB/år Godsmängd/ år (ton) centrallager (-) perstorp hamn (0.39/0.82/0.73) västerviks hamn kapellskär orrskärs hamn hargs hamn nynäshamns hamn landskrona hamn ab falkenbergs terminal ab ystad hamn mönsterås hamn halmstad haraholmen gävle hamn trelleborgs hamn ab stockholms hamn apm terminalen kombiterminal (-0.21/-/-) arnäsvall göteborgs kombiterminal hallsbergsterminalen Parentesen (1/2/3) vid terminaltypen anger korrelationskoefficienten för datamängderna: Anställda vs LB/år, samtliga respondenter för terminaltypen. Anställda vs LB/år, filtrerade respondenter. Anställda vs Godsmängd/år (alla transportslag), filtrerade respondenter. Bortfallet efter filtreringen på mängden gods medförde att endast 7 (47 %) av hamnarna och 1 (33 %) av kombiterminalerna återstår efter att filtreringen mot mängden gods är genomförd. Antalet kombiterminaler är så pass litet att man bör avstå från någon analys av dessa.

86 Bilaga 6. Filtrering villkorat avståndet till regressionslinjen En filtreringsmetod som testades, men som sedan förkastades, var att begränsa datamängden efter hur väl datapunkterna passade mot regressionslinjen för hela datasetet. Figuren här nedanför beskriver processen. För samtliga hamnar görs en regressionsanalys (rosa streck). Därefter mättes det rätvinkliga avståndet mellan alla datapunkter och denna linje. Datapunkter (rosa) som låg för långt bort från denna ingick sedermera inte i regressionsanalysens andra steg (svart streck) hamn filtrerad hamn Linjär (hamn) Linjär (filtrerad hamn) y = 632,84x R² = 0, y = 995,62x R² = 0, Sambandet blir föga förvånande starkare i det andra steget, men hela processen bygger dels på att man har bestämt sig för att antalet anställda är den drivande faktorn som förklarar antalet lastbilar vid en terminal, dels tenderade metoden att resultera i ett kluster som motsvarade de terminaler med få anställda, dels var det en stor andel terminaler som föll bort från filtreringen. Man blir förvisso av med starka influenspunkter och filtreringen blir mindre subjektiv än om man själv hade försökt identifiera extremvärden. 80 (135)

87 Bilaga 7. Varugrupper Samgods Varugrupp Description 1 Cereals 2 Potatoes, other vegetables, fresh or frozen, fresh fruit 3 Live animals 4 Sugar beet 5 Timber for paper industry (pulpwood) 6 Wood roughly squared or sawn lengthwise, sliced or peeled 7 Wood chips and wood waste 8 Other wood or cork 9 Textiles, textile articles and manmade fibres, other raw animal and vegetable materials 10 Foodstuff and animal fodder 11 Oil seeds and oleaginous fruits and fats 12 Solid mineral fuels 13 Crude petroleum 14 Petroleum products 15 Iron ore, iron and steel waste and blast-furnace dust 16 Non-ferrous ores and waste 17 Metal products 18 Cement, lime, manufactured building materials 19 Earth, sand and gravel 20 Other crude and manufactured minerals 21 Natural and chemical fertilizers 22 Coal chemicals 23 Chemicals other than coal chemicals and tar 24 Paper pulp and waste paper 25 Transport equipment, whether or not assembled, and parts thereof 26 Manufactures of metal 27 Glass, glassware, ceramic products 28 Paper, paperboard; not manufactures 29 Leather textile, clothing, other manufactured articles than paper, paperboard and manufactures thereof 30 Mixed and part loads, miscellaneous articles 31 Timber for sawmill 32 Machinery, apparatus, engines, whether or not assembled, and parts thereof 33 Paper, paperboard and manufactures thereof

88 34 Wrapping material, used 35 Air freight (2006 model) 82 (135)

89 Bilaga 8. Lista befintligt material. Se separat Excel-dokument Sammanställning_material.xls för en utökad beskrivning. Nedan listas genomgånget material: Rapporter, artiklar Algers, 2011, Icke modellerad fordonstrafik Holmberg, A., Sternberg, H., Sjögren, J., 2014, Closer Starfish: A research project investigating freight distribution cooperation opportunities in Sweden, Institutet för näringslivsanalys vid JIBS, 2012, Godsflöden genom Skåne och Danmark, På uppdrag av Sydsvenska industri- och handelskammaren KFB och VTI, Näringslivets transport i Stockholms län 1998 KTH, 2013, Godstransport i Östra mellansverige En vision med prognoser för ett utvecklat transportsystem med järnväg Länsstyrelsen i Skåne län, 2004, Kartläggning av transittrafik på väg i Blekinge och Skåne en förstudie, 2004:180 Ramböll, 2013, Missing link Godstransporter mellan Sverige och Norge Region Halland, 2007, Godsflöden i Halland SIKA, 2000, Näringslivets transporter i Stockholms län, En tillämpning av NÄTRAsystemet, SIKA Rapport 2000:9 SIKA, 2008, Tema Yrkestrafik Svenska Taxiförbundet, Branschläget 2013 Trafikanalys, 2012a: Godsflöden i Sverige Analys av transportstatistik inom lastbilstrafik, bantrafik och sjötrafik. Rapport 2012:8 Trafikverket, 2011, Ny fast förbindelse över Öresund bedömning av behov och förutsättningar. Underlagsrapport. Trafikverket, 2013, Godsets hela resa. Analys av utvalda stråk inom Trafikverket Region Syd på väg och järnväg Vectura, 2012, Godsflödesstudie Kvarken, Uppdrag genomfört på uppdrag av Kvarkenrådet Vectura, 2013a, Förstudie: Konstruktion av statistikmodell för gränsöverskridande gods, Fyrmodal-Östfold. På uppdrag av IGS Vectura, 2013b, Godsflöden i Östra Mellansverige Gemensam rapport Vägverket, 2006, Kartläggning av Godstransporter genom Skåne och Blekinge, 2006:109

90 Vägverket Konsult, 2008, Transportflöden med lastbil via terminaler i Skåne, PM WSP, 2013, Godsflöden i region Väst Värmland, Västra Götaland och Halland WSP, 2013, Metod för kartläggning av godsterminaler i Sverige, Rapport framtagen på uppdrag av Trafikanalys. ÅF, 2009, Järnvägstrafik på Nordkalotten - Faktaunderlag och analys Statistik Shippax, statistik mellan 2000 och 2011 SIKA, 2001, Varutransporter med lätta lastbilar 2000 SIKA Statistik 2009, Lätta och tunga lastbilar 2008, 2009:13 Sveriges Hamnars statistik Trafikanalys 2012b: Utländska lastbilstransporter i Sverige Statistik 2012:3 Trafikanalys, 2012c: Lastbilstrafik nnnn, där nnnn=2005, 2006,, Resultat av årliga undersökningar. Trafikanalys, Sjötrafik, Trafikanalys - Lastbilstrafik, Trafikanalys, Postverksamhet Statistik 2013:17 Övrigt Cabotagestudien, VTIs valideringsdatabas 84 (135)

91 Bilaga 9. Resultat före kalibrering För respektive regional modell har ett antal bilder tagits fram som illustrerar resultatet för lastbilar med respektive utan släp före och efter kalibrering. Resultatet presenteras per regional modell där jämförelser görs för situationen före och efter kalibrering. Till detta har scatterplots tagit fram baserat på de länkar som har trafikräkningar. I bilderna görs en jämförelse mot de uppmätta ÅDT-flödena, den gröna delen av staplarna motsvarar den del av ÅDT-flödet som nätutläggnings. Orange delar är ett underskott vid nätutläggning av de nya matrisera (i.e. ÅDT-flödet är högre än det flöde som läggs ut i nätet), på samma sätt är de blå fälten ett överskott jämfört med uppmätta ÅDT-flöden. Försök har gjorts med att inkludera kommunala mätningar. I nuläget har dock inte dessa inkluderats i och med tveksamheter i hur de ska associeras med Lbu/Lbs. Palt Nedan presenteras ett antal exempelbilder över flödet i region Palt. Först presenteras resultatet för lastbilar med släp, därefter för lastbilar utan släp och därefter scatterdiagram i samma ordning. Figur 10: Lbs okalibrerad trafik i Palt, skala 40 Lantmäteriet

92 Översiktsbilderna från region Palt visar på att trafiken på E4 överskattas jämfört med de uppmätta trafikflödena. Figur 11: Lbs okalibrerad trafik i Dalarna och Gävleborgs län, skala 40 Lantmäteriet Genom Dalarna kan ett överskott längs E45 samt även på delar av sträckan mellan Falun-Borlänge observeras, däremot ligger flödet något lågt på rv70 från Djurås till Mora. På E45 kring Sveg, väg 50 Bollnäs-Söderhamn samt väg väg 84 Hudiksvall-Ljusdal ligger den nätutlagda trafiken något lågt jämfört med uppmätta flöden medan trafiken på E4 istället överskattas. 86 (135)

93 Figur 12: Lbs okalibrerad trafik i Västernorrlands och Jämtlands län, skala 40 Lantmäteriet Längs E4 genom Västernorrland är de nätutlagda flödena högre än de uppmätta, detsamma gäller för rv86. På E14 genom Västernorrland-Jämtland samt väg 90 mot Sollefteå underskattas däremot trafiken något jämfört med mätningar. Figur 13: Lbs okalibrerad trafik i Västerbottens län, skala 40 Lantmäteriet I Västerbotten kan samma tendenser observeras som i Palt-modellen med ett överskott längs E4 som är den klart dominerande vägen i länet.

94 Figur 14: Lbs okalibrerad trafik i Norrbottens län, skala 40 Lantmäteriet Förutom trafiken på E4 genom Norrbotten kan även för höga flöden observeras på väg 763 mellan Råneå och Gällivare observeras innan kalibrering. 88 (135)

95 Figur 15: Lbu okalibrerad trafik i Palt skala 40 Lantmäteriet Till skillnad från de nätutlagda flödena för Lbs underskattas trafiken längs stora delar av E4 innan kalibrering. Dessutom tycks det som att en del avvikelser kan observeras även längs ett antal andra större vägavsnitt vilket kan ses i mer detalj i nedanstående bilder över mindre områden.

96 Figur 16: Lbu okalibrerad trafik i Dalarna och Gävleborgs län Lantmäteriet Genom Gävleborg kan främst ett underskott observeras för den del av E4 som ligger söder om Gävle vid gränsen mot Uppsala, men även längs E4 norr om Gävle underskattas trafiken något längs delar sträckan. På E16 Gävle-Falun-Borlänge och vidare på väg 50 mot Ludvika kan däremot ett visst överskott observeras. 90 (135) Figur 17: Lbu okalibrerad trafik i Västernorrlands och Jämtlands län Lantmäteriet

97 Kring Östersund och vidare västerut på E14 kan ett visst underskott observeras medan trafiken längs E14 mellan Östersund-Ånge överskattas. Trafiken längs stora delar av E4 underskattas innan kalibrering. Figur 18: Lbu okalibrerad trafik i Västernorrlands och Jämtlands län Lantmäteriet Längs flera av de större vägarna genom Västerbottens län underskattas trafiken innan kalibrering jämfört med utförda mätningar. I vissa fall kan dock en tendens till smit-trafik observeras där trafiken färdas parallellt med de större vägarna som E4 och E12.

98 Figur 19: Lbu okalibrerad trafik i Norrbottens län skala 40 Lantmäteriet Längs E45, främst från Kiruna och söderut, samt på E10 från Gällivare-Töre underskattas trafiken innan kalibrering. Figur 20:Scatterdiagram för Lbs innan kalibrering i Palt För lastbilar med släp har sambandet innan kalibrering beräknats enligt ovan med ett R2- värde på 0.83 vilket visar på en bra överensstämmelse mellan observerade och nätutlagda flöden. 92 (135)

99 Figur 21: Scatterdiagram för Lbu innan kalibrering i Palt För lastbilar utan släp är anpassningen något sämre vilket R2-värdet på knappt 0.70 visar. I figuren syns att ett antal punkter avviker kraftigt från den dragna linjen som visar situationen där observerade och nätutlagda värden överensstämmer helt. Samm Precis som för Palt ovan har ett antal exempelbilder tagits fram för region Samm, resultaten presenteras först med bilder för Lbs, följt av Lbu och sedan scatterplots över resultatet.

100 Figur 22: Lbs okalibrerad trafik i Samm skala 100 Lantmäteriet För lastbilar med släp stämmer de nätutlagda flödena väl överens med de observerade redan innan kalibrering i de flesta större stråken. Främst är det längs E20 mellan Strängnäs och Södertälje samt E18 Enköping Stockholm som ett överskott kan observeras. Figur 23: Lbs okalibrerad trafik i Stockholms län skala 100 Lantmäteriet (135)

101 Vid en mer inzoomad vy over Stockholms län kan de sedan tidigare nämnda överskotten längs E18 och E4/E20 observeras. Överskott kan även ses på Norrortsleden (lv 265 Häggvik Rosenkälla) samt vidare mot lv276 mot Åkerskälla. Mot de östra delarna av Stockholms län, såsom Nacka/Värmdö och Tyresö samt mellan Stockholm-Täby underskattas istället trafiken något. Figur 24: Lbs okalibrerad trafik i Stockholm skala 100 Lantmäteriet I de centrala delarna av Stockholm visas endast ett fåtal länkar. Mot Nacka, Tyresö och Täby underskattas trafiken medan trafiken förbi Tumba mot Södertälje istället överskattas.

102 Figur 25: Lbu okalibrerad trafik i Samm skala 100 Lantmäteriet För lastbilar utan släp trafiken överskattas på de flesta större vägarna i Mälardalen innan kalibrering i och med den generella nivåjustering som görs innan nätutläggningen. Särskilt tydligt syns detta kring Stockholm samt på E4 mellan Stockholm Uppsala, E18 Stockholm Västerås samt E20 Stockholm Eskilstuna. Dock kan visst underskott ses på E4 norr om Uppsala samt söder om Södertälje. 96 (135)

103 Figur 26: Lbu okalibrerad trafik i Stockholms län skala 100 Lantmäteriet En vy över Stockholms län visar på att längs de flesta länkarna överskattas trafiken. Särskilt tydligt är det de delar av E4 som ligger närmast Stockholm. För E4 söder om Stockholm är det även värt att observera att ÅDT-flödena skiljer sig kraftigt åt för närliggande länkar vilket gör att flödet inte kan anpassas helt. Figur 27: Lbu okalibrerad trafik i Stockholms län skala 100 Lantmäteriet

104 Längs de större stråken syns överskattningen tydligt jämfört med ÅDT-räkningar. Figur 28: Scatterdiagram för Lbs innan kalibrering i Samm För lastbilar med släp har sambandet innan kalibrering beräknats enligt ovan med ett R2- värde på drygt 0.84 vilket visar på en bra överensstämmelse mellan observerade och nätutlagda flöden även innan kalibrering. Figur 29: Scatterdiagram för Lbu innan kalibrering i Samm För lastbilar utan släp är anpassningen något sämre vilket R2-värdet på under 0.63 visar. I figuren syns en stor spridning och att ett antal punkter avviker kraftigt från den dragna linjen. Skåne 98 (135) I de stora stråken såsom E4/E6 stämmer den nätutlagda trafiken innan kalibrering relativt väl överens med uppmätta trafikflöden för lastbilar med släp med undantag för sträckan Malmö Trelleborg samt förbi Helsingborg som underskattas. Lastbilar utan släp tycks underskattas något, främst längs E6.

105 Figur 30: Lbs okalibrerad trafik i Skåne skala 100 Lantmäteriet Längs den södra delen av E6, mellan Malmö och Trelleborg, underskattas trafiken med lastbilar med släp, visst underskott kan även observeras längs E6 norr om Malmö. På väg 19 norr om Kristianstad samt i viss mån även på väg 23 norr om Hässleholm överskattas trafiken däremot. Längs de övriga större vägarna ligger trafikflödena kring de uppmätta.

106 Figur 31: Lbs okalibrerad trafik i Malmö skala 100 Lantmäteriet Kring Malmö underskattas antalet lastbilar med släp på E6. I de norra delarna förbi Arlöv/Burlöv får Burlövsbron för höga trafikflöden medan Västkustvägen får för låga flöden jämfört med trafikräkningar. Figur 32: Lbu okalibrerad trafik i Skåne skala 100 Lantmäteriet Längs de större Europavägarna underskattas trafiken jämfört med uppmätta mätningar, tydligast är detta längs E6 förbi Malmö och vid Helsingborg och vidare norrut. 100 (135)

107 Figur 33: Lbu okalibrerad trafik i Malmö skala 100 Lantmäteriet Förbi Malmö underskattas trafiken på de större vägarna med uppmätt trafik. Precis som i fallet med Lbs fås felaktig fördelning av trafiken mellan Arlöv/Burlöv, där trafiken på Burlövsbron överskattas medan trafiken på Västkustvägen underskattas. Innan kalibrering fördelas trafiken på en större del av vägnätet jämfört med trafikmätningar. Figur 34: Scatterdiagram för Lbs innan kalibrering i Skåne

108 Ett scatterdiagram över uppmätta och nätutlagda flöden för lastbilar med släp i Skånemodellen visar på ett R2-värde på knappt 0.85 innan kalibrering. Figur 35: Scatterdiagram för Lbu innan kalibrering i Skåne För lastbilar utan släp underskattas trafiken på ett antal länkar jämfört med uppmätta ÅDT-värden, R2-värdet uppgår till knappt Sydost Även i Sydost har bilder tagit fram som visar det nätutlagda flödet jämfört med uppmätta ÅDT-värden för lastbilstrafiken. 102 (135)

109 Figur 36: Lbs okalibrerad trafik i Sydost skala 60 Lantmäteriet I Sydost är E4 klart dominerande. Flödet på E4 genom Östergötland överskattas, även längs vissa av de andra vägarna i regionen överskattas flödet något, såsom väg 26 mellan Gislaved-Jönköping samt väg 32 förbi Tranås och Vetlanda. Däremot underskattas trafiken på väg 30 mellan Jönköping-Växjö samt söder om Motala på väg 50 och genom Vadstena. Figur 37: Lbs okalibrerad trafik i Östergötland skala 60 Lantmäteriet

110 Som figuren ovan visar överskattas främst trafiken längs E4 sydväst om Mjölby. Söder om Motala underskattas trafiken både på väg 32 samt förbi Vadstena, norr om Motala överskattas däremot trafiken jämfört med uppmätta flöden. Figur 38: Lbu okalibrerad trafik i Sydost skala 60 Lantmäteriet För lastbilar utan släp underskattas trafiken längs stora delar av E4 genom hela Sydost, främst från Jönköping och vidare norrut. På E4 söder om Jönköping underskattas trafiken i norrgående riktning medan flödet i södergående riktning underskattas mellan Jönköping och Värnamo. Längs väg 31 mellan Jönköping och Nässjö/Vetlanda samt längs väg 32 förbi Tranås överskattas trafiken innan kalibrering. 104 (135)

111 Figur 39:Lbu okalibrerad trafik i Östergötland skala 60 Lantmäteriet Genom Östergötland ses ett underskott längs större delen av E4, allra tydligast är detta norr om Norrköping samt från Linköping och söderut. Längs E4 från Norrköping till Linköping samt mellan Norrköping-Finspång överskattas trafiken istället. Figur 40: Scatterdiagram för Lbs innan kalibrering i Sydost Ett scatterdiagram över uppmätta och nätutlagda flöden för lastbilar med släp i Sydostmodellen visar på ett R2-värde på knappt 0.87 innan kalibrering. Ett antal vägar överskattas, vilket ses då de uppvisar högre nätutlagda flöden jämfört med ÅDT.

112 Figur 41: Scatterdiagram för Lbu innan kalibrering i Sydost För lastbilar utan släp visas en större spridning i resultaten. R2-värdet ligger endast på knappt 0.69 innan kalibrering. Väst Figur 42: Lbs okalibrerad trafik i Halland och delar av Västra Götaland skala 150 Lantmäteriet Redan innan kalibrering ligger det nätutlagda flödet med lastbilar med släp ungefär på de nivåer som tidigare uppmätts. Visst överskott kan dock observeras på väg 158 mellan Kungsbacka och Göteborg. 106 (135)

113 Figur 43: Lbs okalibrerad trafik i Värmland och delar av Västra Götaland skala 150 Lantmäteriet I de norra delarna av Västra Götaland kan överskott observeras på väg 165 norr om Munkedal ovan samt på väg 164, främst mellan Ed och Strömstad. Norr om Strömstad samt väster om Töcksfors på E18, mot norska gränsen, underskattas dock trafiken då inga centroider finns i Norge. Figur 44: Lbs okalibrerad trafik i Göteborg skala 150 Lantmäteriet Genom Göteborg underskattas trafiken på de delar av E6 som ligger närmast Tingstadstunneln. Kring de båda hamnarna samt förbi Askim överskattas trafiken något.

114 Figur 45: Lbu okalibrerad trafik i Halland och delar av Västra Götaland skala 150 Lantmäteriet Längs E6 genom Halland och Västra Götaland underskattas trafiken något med lastbilar utan släp. Trafiken på rv40 mot Borås överskattas innan kalibrering. 108 (135)

115 Figur 46: Lbu okalibrerad trafik i Värmland och delar av Västra Götaland skala 150 Lantmäteriet På E18 förbi Karlstad samt på både E6 och E18 mot den norska gränsen underskattas flödet med lastbilar utan släp innan kalibrering. Figur 47: Lbu okalibrerad trafik i Göteborg skala 150 Lantmäteriet

116 Genom Göteborg ligger det nätutlagda flödet något för högt mot uppmätta flöde på de större genomfarterna förutom genom Frölunda. Figur 48: Scatterdiagram för Lbs innan kalibrering i Väst Resultatet innan kalibrering visar på en stor spridning mellan uppmätta och kalibrerade värden med ett antal punkter som uppvisar väldigt låga mätningar men trots det får höga nätutlagda flöden. R2-värdet uppgår till knappt 0.77 innan kalibrering. Figur 49: Scatterdiagram för Lbu innan kalibrering i Väst Lastbilar utan släp visar på en spridning i resultaten med ett R2-värde på knappt 0.80 innan kalibrering. 110 (135)

117 Bilaga 10. Resultat efter kalibrering Palt Figur 50: Lbs kalibrerad trafik i Palt, skala 40 Lantmäteriet Efter kalibrering sänks flödet på E4 så att det bättre motsvarar de nivåer som uppmätts vid trafikmätningar.

118 Figur 51: Lbs kalibrerad trafik i Palt, skala 40 Lantmäteriet På E4 medför kalibrering att de nätutlagda flödena anpassas betydligt bättre till de uppmätta. Längs E45 kvarstår vissa avvikelser även efter kalibrering. I ett tidigare skede av kalibreringsarbetet har stora avvikelser utanför Hudiksvall observerats där en jämförelse med kartunderlag visar på att på ett avsnitt har ÅDT-flöden kopplats till mindre vägar istället för E4. Detta beror på att en ny dragning av E4 invigts. På det aktuella avsnittet har därför en justering gjorts där attributet för ÅDT-mätningarna har kopplats till E4 istället. 112 (135)

119 Figur 52: Lbs kalibrerad trafik i Västernorrlands och Jämtlands län, skala 40 Lantmäteriet Genom Västernorrlands län sänks trafikflödet på E4 till de nivåer som tidigare uppmätts. Undantaget är närområdet kring Härnösand där trafiken läggs ut på mindre väg väster om tätorten medan mätningarna visar på att lastbilstrafiken ska gå genom centrum. Flödet längs E14 genom Västernorrland och Jämtland stämmer efter kalibrering väl överens med ÅDT-mätningarna, förutom i närområdet kring Östersund där viss underskattning kan ses. Figur 53: Lbs kalibrerad trafik i Västerbottens län, skala 40 Lantmäteriet Även genom Västerbotten observeras samma tendenser som för övriga Palt där trafiken på E4 justeras till uppmätta nivåer vid kalibrering.

120 Figur 54: Lbs kalibrerad trafik i Norrbottens län, skala 40 Lantmäteriet Förutom trafiken på E4 genom Norrbotten har för höga flöden observerats på väg 763 mellan Råneå och Gällivare innan kalibrering. Med den utförda gradientjusteringen hanteras detta delvis och trafikflödena stämmer därmed bättre överens med de uppmätta efter kalibrering. 114 (135)

121 Figur 55: Lbu kalibrerad trafik i Palt skala 40 Lantmäteriet Efter kalibrering stämmer trafikflöden på E4 betydligt bättre överens med de uppmätta ÅDT-flödena. Vissa avvikelser inne i landet kvarstår dock fortfarande.

122 Figur 56: Lbu kalibrerad trafik i Dalarna och Gävleborgs län skala 40 Lantmäteriet Söder om Gävle kvarstår underskottet längs E4 även efter kalibrering vilket troligen beror på hantering av kransområden. Viss överskattning av trafiken ses på delar av E16 samt rv68. I övrigt stämmer trafikflödena relativt väl överens med uppmätta flöden. 116 (135) Figur 57: Lbu kalibrerad trafik i Västernorrland och Jämtland skala 40 Lantmäteriet Även efter kalibrering kvarstår visst underskott kring Östersund och vidare längs E14 mot Norge. I övrigt kalibreras lastbilsflödena in till att bättre motsvara de observerade flödena.

123 Figur 58: Lbu kalibrerad trafik i Västerbottens län skala 40 Lantmäteriet Genom Västerbotten stämmer de nätutlagda flödena betydligt bättre överens efter kalibrering. Vissa underskott kan dock fortfarande observeras längs E12 och väg 95. Figur 59: Lbu kalibrerad trafik i Norrbottens län skala 40 Lantmäteriet

124 Längs E4 stämmer de kalibrerade flödena väl överens med uppmätta flöden. Visst underskott kan dock fortfarande ses längs E45 och E10. Figur 60: Scatterdiagram för Lbs efter kalibrering i Palt Efter kalibrering anpassas värdena för Lbs ytterligare och R2-värdet stiger till drygt Den förbättrade anpassningen kan även ses i grafen där de nätutlagda flödena ligger betydligt närmare linjen. Figur 61: Scatterdiagram för Lbu efter kalibrering i Palt 118 (135)

125 Även för Lbu förbättras anpassningen efter kalibrering. Som de tidigare flödesbilderna visade kvarstår dock ett antal fall där uppmätta och nätutlagda flöden avviker från varandra vilket även ses i figuren ovan. Jämfört med Lbs nås även en något sämre anpassning med ett R2-värde på under Samm Figur 62: Lbs kalibrerad trafik i Samm skala 100 Lantmäteriet Efter kalibrering hanteras överskottet på E18 och E4/E20 och trafikflödena stämmer bättre överens med observerade flöden. Undantag är östra delarna av Stockholms län vilket ses i mer detalj nedan.

126 Figur 63: Lbs kalibrerad trafik i Stockholms län skala 100 Lantmäteriet I Stockholms län kan fortfarande ett underskott mot de östra delarna ses efter kalibreringen. I övrigt stämmer trafikflödena bra överens med observerade flöden och både längs E18 och E4/E20 hanteras det tidigare överskottet. Figur 64: Lbs kalibrerad trafik i Stockholm skala 100 Lantmäteriet (135)

127 En fokuserad bild over Stockholm visar på underskott mot Nacka och Tyresö medan det tidigare underskottet mot Täby nu hanteras bättre än innan kalibrering. Figur 65: Lbu kalibrerad trafik i Samm skala 100 Lantmäteriet Efter kalibrering hanteras det tidigare överskottet på de större vägarna. Längs E4, främst norr om Märsta men till viss del även söder om Södertälje kvarstår dock visst underskott, men flödet stämmer ändå bättre överens med mätningar än innan kalibrering.

128 Figur 66: Lbu kalibrerad trafik i Stockholms län skala 100 Lantmäteriet Som tidigare nämnts skiljer sig det uppmätta ÅDT-flödet på E4 mellan Stockholm och Södertälje åt, detta gör att för närliggande länkar indikeras ett underskott på ett länkpar medan det på kommande länkpar indikeras ett överskott. Mot Värmdö underskattas trafiken i närområdet något medan den är något för hög genom Nacka. E18 mot Roslagen visar upp visst underskott. 122 (135)

129 Figur 67: Lbu kalibrerad trafik i Stockholms län skala 100 Lantmäteriet På Roslagsvägen (väster om Brunnsviken), väg 275 förbi Traneberg samt delar av Södra länken överskattas trafiken efter kalibrering. Däremot anpassas trafiken relativt väl mot Tyresö och Nynästhamn samt på E18 mot Bålsta. Figur 68: Scatterdiagram för Lbs efter kalibrering i Samm Efter kalibrering anpassas värdena för Lbs ytterligare och R2-värdet stiger till knappt Den förbättrade anpassningen kan även ses i grafen där de nätutlagda flödena ligger betydligt närmare linjen med mindre spridning.

130 Figur 69: Scatterdiagram för Lbu efter kalibrering i Samm Även för Lbu förbättras anpassningen efter kalibrering. Som de tidigare flödesbilderna visade kvarstår dock ett antal fall där uppmätta och nätutlagda flöden avviker från varandra vilket även ses i figuren ovan, R2-värdet har beräknats till under Skåne 124 (135) Figur 70: Lbs kalibrerad trafik i Skåne skala 100 Lantmäteriet Efter kalibrering ökar flödena på E6 vilket ger en bättre anpassning mot de uppmätta flödena. Längs delar av E6 mellan Malmö och Helsingborg överskattas trafiken till och med något jämfört med gjorda mätningar. I övrigt anpassas den nätutlagda trafiken väl jämfört med gjorda mätningar.

131 Figur 71: Lbs kalibrerad trafik i Malmö skala 100 Lantmäteriet I Malmö kvarstår delar av problematiken med felaktiga vägval förbi Arlöv/Burlöv vilket indikerar att det kan vara aktuellt med den typ av justeringar av VD-funktioner som diskuteras i kapitel ZZ efter att nya funktioner beslutats.

132 Figur 72: Lbu kalibrerad trafik i Skåne skala 100 Lantmäteriet Vid kalibrering anpassas trafikflödena väl till de uppmätta med undantag förbi Malmö och Helsingborg där visst underskott kvarstår. Flödet mellan Malmö och Trelleborg stämmer betydligt bättre överens med uppmätta flöden än innan kalibreringen. Figur 73: Lbu kalibrerad trafik i Malmö skala 100 Lantmäteriet (135)

133 Kring Malmö kvarstår fortfarande visst underskott på E6 vilket även översiktsbilden över Skåne visar. Vid Burlöv anpassas trafiken bättre jämfört med mätningarna. Figur 74: Scatterdiagram för Lbs efter kalibrering i Skåne Vid kalibrering ökar R2-värdet för lastbilar med släp till knappt 0.94 efter att kalibrering utförts. Ett fåtal länkar med större avvikelser med något för höga nätutlagda flöden kan dock fortfarande ses. Figur 75: Scatterdiagram för Lbu efter kalibrering i Skåne Efter kalibrering ökar R2-värdet för lastbilar utan släp till knappt Vissa avvikelser mellan nätutlagda och observerade flöden kvarstår vilket även syns i Figur 72.

134 Sydost Figur 76: Lbs kalibrerad trafik i Sydost skala 60 Lantmäteriet Efter kalibrering stämmer de nätutlagda lastbilsflödena bättre överens med de uppmätta. I Östergötland kan dock vissa avvikelser fortfarande ses. Figur 77: Lbs kalibrerad trafik i Östergötland skala 60 Lantmäteriet (135)

135 De tidigare avvikelserna längs E4 adresseras vid den genomförda kalibreringen. Däremot kvarstår avvikelser söder om Motala, vid nätutläggning läggs trafiken på rv50 som nyligen byggts ut, fortfarande saknas dock mätningar på denna sträcka i modellen. Figur 78: Lbu kalibrerad trafik i Sydost skala 60 Lantmäteriet Kalibrering av lastbilar utan släp I Sydost ger en klar förbättring jämfört mot uppmätta trafikflöden. Kring Norrköping samt Jönköping kan dock vissa underskott ses medan några länkar på E4 söder om Jönköping uppvisar visst överskott.

136 Figur 79: Lbu kalibrerad trafik i Östergötland skala 60 Lantmäteriet Genom Östergötland förbättras anpassningen jämfört med de uppmätta trafikflödena betydligt, visst underskott på E4 norr om Norrköping kvarstår dock. Dessutom kan även samma tendens för väg 32 söder om Motala observeras som för lastbilar med släp. Figur 80: Scatterdiagram för Lbs efter kalibrering i Sydost Efter kalibrering ges en god anpassning till uppmätta flöden, R2-värdet stiger till drygt 0.92 efter kalibrering. 130 (135)

137 Figur 81: Scatterdiagram för Lbu efter kalibrering i Sydost Efter kalibrering anpassas de nätutlagda flödena bättre till uppmätta flöden vilket gör att R2-värdet stiger till drygt 0.90 efter kalibrering. Väst Figur 82: Lbs kalibrerad trafik i Halland och delar av Västra Götaland skala 150 Lantmäteriet

138 Vid kalibrering anpassas de tidigare avvikelserna bättre mot uppmätta flöden genom Halland och Västra Götaland. Kring Göteborg kvarstår vissa avvikelser vilket även ses nedan. Figur 83: Lbs kalibrerad trafik i Värmland och delar av Västra Götaland skala 150 Lantmäteriet Även för norra delarna av Västra Götaland samt genom Värmland nås en god anpassning mot uppmätt trafik, undantag är de länkar som ligger närmast den norska gränsen som saknar nätutlagd trafik. 132 (135)

139 Figur 84: Lbs kalibrerad trafik i Göteborg skala 150 Lantmäteriet Efter kalibrering kvarstår fortfarande vissa avvikelser längs E6 genom Göteborg, men dessa minskar jämfört med innan kalibrering. Väster om Lundbyleden överskattas fortfarande trafiken något medan trafik strax söder om Tingstadstunneln underskattas. Figur 85: Lbu kalibrerad trafik i Halland och delar av Västra Götaland skala 150 Lantmäteriet Med kalibrering av flöden för lastbilar utan släp nås en god anpassning längs alla de stora stråken genom Halland och de södra delarna av Västra Götaland.

140 Figur 86: Lbu kalibrerad trafik i Värmland och delar av Västra Götaland skala 150 Lantmäteriet Även genom de norra delarna av Västra Götaland samt i Värmland nås en god överensstämmelse mellan uppmätta och nätutlagda flöden efter kalibrering. I närområdet vid norska gränsen kvarstår dock vissa avvikelser då centroider saknas i Norge. 134 (135) Figur 87: Lbu kalibrerad trafik i Göteborg skala 150 Lantmäteriet