NÄTRA-matriser för 2030 och kalibreringsmatriser additiva och multiplikativa

Transkript

1

2 Förord / Bakgrund Prognos för NÄTRA-matriser Kalibrering av efterfrågematriser för personbilar och för tunga lastbilar. Solna Vectura Box SOLNA Svetsarvägen 24 Beställare: Trafikverket Konsult: Vectura Projektledare: Staffan Bergström Specialiststöd: - Uppdragsledare: Henrik Edwards Titel: NÄTRA-matriser för 2030 och kalibreringsmatriser additiva och multiplikativa Objektnr: Rapport Utgivare: Vectura Kontaktperson: Henrik Edwards Distributör: - 2

3 Innehållsförteckning 1 Bakgrund / Syfte Nationell prognos till NÄTRA prognos - effekter av tillväxt Externa prognosförutsättningar Ändring av prognosförutsättningarna i NÄTRA-programmet NÄTRA 2005 och prognos för Kalibrering av matriser 2005 på dygnsnivå Genomförande av kalibreringen Resultat av kalibreringen Slutsatser Kommentarer Referenser Next 21 3

4 1 Bakgrund / Syfte Trafikverket vill ha en uppdatering av NÄTRA-modellens prognos för Vidare önskas kalibreringsdata för efterfrågematriserna i form av differensmatriser och faktormatriser för addditiva respektive multiplikativa justeringar. Prognoser i NÄTRA-modellen görs genom att sysselsättningsdata avseende olika SNIgrupperingar görs på någon lämplig nivå. Sedan används förändringarna i sysselsättningsdata tillsammans med en förändringstakt för varutransporter till att räkna om indata i modellen till prognosåret. Trafikverket har beställt prognosindata för 2030 tidigare, bland vilka sysselsättningsdata för olika SNI-grupp ingår. Metoden är beskriven med ett exempel i kapitel 8.3 i VTI-notat : Dokumentation av NÄTRA-modellen. Vi föreslår att en NÄTRA prognos för 2030 görs enligt beskrivningen ovan utgående från NÄTRA-versionen enligt revisionen För prognosen används av Trafikverket framtagna sysselsättningsdata för prognosåret. En tillväxttakt för varutransporter tas fram med hjälp av befintliga scenarier i senaste långtidsutredning och bedömningar från Åtgärdsplaneringen Nationell prognos till 2030 För NÄTRA-prognosen behövs en nationell prognos också för att beakta tillväxten av tung trafik. Vi utgår från basmatriserna i Samgods avseende 2005 och Matriserna för 2020 togs fram till Åtgärdsplaneringen För den prognosen användes tillväxttal enligt tabell 2.1 (% av 2006 års värde). Tabell 2.1 Tillväxttal 2006 till 2020 för olika varugrupper i Samgods 1. SerieNr NSTR Inrikes Export Import Varugrupp Spannmål Andra färska frukter och grönsaker Levande djur Sockerbetor Rundvirke till pappersmassa Produkter av trä och kork Träflis och skogsrester Övriga skogsprodukter Textilier Beredda livsmedel, drycker och tobak Oljefrön och vegetabiliska fetter Koks Råolja Flytande raffinerade petroleumprodukter och spillolja Järnmalm, järn och slagg 1 Underlagsdata och beräkningar finns i excel-filen Uppräkningstal_ xlsm 4

5 Icke-metallisk malm och restprodukter Tackjärn och råstål, järnlegeringar Övriga byggnadsmaterial Jord, grus och sand Övriga obearbetade och bearbetade mineraler Kemiska och naturliga gödningsmedel Läkemedel Övriga kemiska produkter ej gödningsmedel Pappersmassa Produkter från fordonsindustrin Rör, rörledningar, järn och stålgjutningar och smide Glas- och keramik Pappersprodukter Läder, textil, övriga tillverkade varor (ej pappersprodukter) Övriga produkter Rundvirke till sågverk Maskinutrustning och motorer, tillbehör Papper och pappersprodukter Förpackningsmaterial, övrigt avfall Flygfraktvaror För prognosen till 2030 användes uppgifter från Långtidsutredning 2008 med tillväxttal enligt tabellerna 2.2 och 2.3. Tabell 2.2 Övergripande tillväxttal Tvxt [%] BNP 2.2 Priv kons 3.1 Off kons 0.7 Export 4 Import 4.5 Produktivitet 2 Näring 2.3 Offentlig 0 Tillväxt i antal arbetade timmar och arbetsproduktivitet är hämtade från Långtidsutredningen I prognosen har trenderna från tabell 2.1 extrapolerats till 2030 för att sedan normeras till en totalnivå som överensstämmer med tillväxtfaktorerna från 2005 till 2030 i tabell 2.3. Som en schablon har tillväxten fördelats lika mellan volymtillväxt och varuvärdetillväxt. Sammanfattningsvis ger det en årlig tillväxt under 25-årsperioden på 0.96 % per år, som kan jämföras med tillväxten 2005 till 2020 på 0.62 % per år, se tabell 2.4. Det motsvarar hela 1.45 % per för de senare 10 åren i intervallet om de skulle betraktas som en påbyggnad. 5

6 Tabell 2.3 Prognoser avseende tillväxt i olika branscher från 2006 Långtidsutredningen Bransch Arbetade timmar Produk -tivitet Arbetade timmar Produk -tivitet Källa: Tillväxtfördelning Tillväxtfaktorer Volym Pris Jord, skogsbruk, jakt, fiske Gruvor, mineralutvinning Tillverkningsindustri El, gas, värme, vatten Byggindustri Parti-, detaljhandel Transport, magasinering Post och tele Kreditinstitut och försäkring Företagstjänster (inkl. uthyrning) Personliga tjänster (inkl. hotell, rest.), Utb., sjukvård* Näringslivet* Tabell 2.4 Prognoser avseende tillväxt i godstransporterna från År Total [Mton] Inrikes [Mton] export [Mton] import [Mton] Årlig tillväxt från 2006 [%] Årlig tillväxt från 2020 [%] Tillväxtfaktorerna från ovan har tillämpats för efterfrågematriserna från Samgods. De regionala sysselsättningstillväxterna för de näringslivssektorer som producerar de olika produktgrupperna har styrt den regionala fördelningen i Sverige. Resultaten redovisas på NUTS-nivå där Stockholmsregionen utgör ett eget område (det är tillväxten i, till och från det området vi söker). NUTS-områdena visas i tabell 2.5 och figur

7 Tabell 2.5 NUTS2-områden och beteckning. NUTS2-område Akronym Beskrivning 1 Sthlm Stockholm 2 ÖMS Östra MellanSverige 3 SÖS SydÖstra Sverige 4 SS Södra Sverige 5 VS VästSverige 6 NVMS NordVästraMellanSverige 7 NeNO Nedre Norrland 8 ÖvNo ÖvreNorrland 9 Världen Resten av världen Figur 2.6 NUTS2-områden i Sverige. 7

8 Efterfrågematriserna på NUTS2-nivå plus resten av världen ser ut som i tabellerna 2.7 och 2.8. Tabell 2.7 Basmatris för Enhet: Mton Sthlm ÖMS SÖS SS VS NVMS NeNO ÖvNo Världen Sthlm ÖMS SÖS SS VS NVMS NeNO ÖvNo Världen Tabell 2.8 Prognosmatris för Enhet: Mton Sthlm ÖMS SÖS SS VS NVMS NeNO ÖvNo Världen Sthlm ÖMS SÖS SS VS NVMS NeNO ÖvNo Världen Uppgifterna vi behöver för NÄTRA-prognosen, nämligen tillväxttal för transportrelationer med där Stockholm ingår, beräknas med data från tabellerna 2.7 och 2.8. Resultatet visas i tabell 2.9. Tabell 2.9 Tillväxttal för godstransporter med tung lastbil utgående från tabellerna 2.7 och 2.8. Tillväxttal (godsvolym i ton) Inrikes I Stockholm Export/Import Från Stockholm Till Stockholm Länsgränsöverskridande Resten av Sverige

9 3 NÄTRA prognos - effekter av tillväxt Vi har följt metoden från Eriksson m fl [2000], kapitel 8.3. Vi utgår från förändringar av näringslivsstrukturen baserade på en prognos från ISMOD for 31 näringsgrenar. Den näringslivsstrukturen har översatts till näringslivsstrukturen i SAMS-databasen för Sampersmodellen på den använda aggregeringsnivån nedan som utgörs av fyra grupper. I normalfallet ingår respektive SNI-sektor i SAMS-databasen i en, och endast en, av de fyra branschgrupperna som valts. I de få undantagen har SNI-sektorn delats med samma delningstal som för år Sysselsättningsförändringen ger nya rad- och kolumnsummor för a priori OD-matriserna. Sedan körs systemet på normalt vis. Mer detaljerat: Problem: Beräkna nya OD-matriser då strukturella ändringar i näringslivet är givna. Lösning: För varje centroid prognosticerar vi antalet in- och utgående transporter med liknande metod som for marginalsummeberäkningarna, men modifierad så att hänsyn tas till strukturförändringarna. Därefter beräknas de okalibrerade OD-matrisema på samma sätt som tidigare. Använd metodik: 1) Bilda ett smärre antal SNI-grupper, trp_sni:n. 2) Beräkna antalet besökande respektive egna transporter per arbetsställe för varje SNI-grupp, trp_sni (restratifiering). 3) Ange näringsförändring per SNI-grupp, faktor_sni (riksdata, men tillämpat pa Stockholms Iän). (Se exempel nedan.) 4) Prognosticera antalet besökande respektive egna transporter per centroid genom att utgå från nu-läget, Steg 2) ovan, och kompensera för strukturförändringar, dvs multiplicera med faktor_sni 2. 5) För varje centroid vägs besökande och egna rutter samman enligt formel i avsnitt 3.5 i Eriksson m fl [2000]. Därvid är det viktigt att även antalet mellancentroidruttben, fk, justeras map strukturförändringarna. 6) Beräkna nya okalibrerade matriser. Om man vill ta hänsyn till kalibreringsdata kan man för varje OD-par göra följande: 7) OD_par_nytt = OD_par_nytt(okalibrerat) / OD_par_gammalt(okalibrerat) x OD_par_gammalt(kalibrerat) Exempel: Vi utgår från data från riksprognosen, inriktningsplaneringen Där finns uppgifter om sysselsättning for basår (1997) och prognosår {Sysselsättning 2010) för 31 olika branscher, för 8 olika regioner, varav Stockholms Iän utgör en av dem (redovisad i tabell 3.1 nedan). 2 Detta görs av Access-programmet. Grunddata för basåret ger trpt_per_centroid_basaar.dat. Användning av tillväxtfaktorerna SNI_grupp_faktor_PROGNOSÅR.skv ger trpt_per_centroid_analys.dat. Med Prognos_varu_faktorer = 1 erhålls tillväxt med endast SNI, annars inklusive övrig faktorpåverkan. 9

10 Vi grupperar branschema (ISMOD-kod + Bransch) i fyra grupper, utgående från Sysselsättningsförändringen (Kvot). Tabell 3.1 ISMOD-data 1997 till 2010 och trp_sni-indelning. Ingående SNI-koder från SAMSdatabasen listas till höger (inom parentes anges eventuella delningstal i %). Även tillväxtfaktorer för perioden 2005 till 2030 anges och den högra kolumnen. ISMOD-kod + Bransch Sysselsättning Kvot (2010/1997) SNI-koder och tillväxtfaktorer Grupp 1 23 El. gas och värme Jordbruk och fiske Övriga privata tjänster Uppdrag (även 30 maskinuthyming) Kvot (2030/2005) Grupp 2 Bostads- och 28 fastighetsförvaltning (14%) Varuhandel (60%) Transportmedelsindustri Drycker och tobaksindustri Petroleumraffinaderier Instrumentindustri Bank och försäkring Skogsbruk Samfärdsel Massa- och pappersindustri Kvot (2030/2005) Grupp 3 27 Post och tele Byggnadsverksamhet Grafisk industri Jord-och stenvaruindustri Skyddad livsmedelsindustri Textil och konfektionsindustri Trävaruindustri Maskinindustri Gummivaruindustri Metallvaruindustri (86%) Konk. Uts. Livsmedelsindustri Kemi och plast Kvot (2030/2005)

11 Grupp 4 18 Elektronik Annan tillverkningsindustri (40%) Varvsindustri Extraktiv industri Järn- och stålindustri Kvot (2030/2005) SUMMA Vi antar att antalet arbetsställen förändras proportionellt med sysselsättningskvoten och beräknar med detta som utgångspunkt nya marginalsummor som sedan används för att beräkna de nya OD-matrisema. 3.1 Externa prognosförutsättningar Godstransportprognos i antal ton mellan NUTS2-områden och utrikes återfinns i kapitel 2, tabellerna 2.7 och 2.8. Där återfinns också tillväxtfaktorer, avseende volym i antal ton, för godstransporter med tung lastbil som berör Stockholm, se tabell 2.9. Tillväxttalen per NUTS2- områdespar redovisas i tabell 3.2. Tabell 3.2 Volymtillväxttal för NUTS2-områdesnivå 2005 till Sthlm ÖMS SÖS SS VS NVMS NeNO ÖvNo Världe n Sthl m ÖMS SÖS SS VS NVM S NeNO ÖvNo Världe n Eftersom NÄTRA's arbetsställeregister (NAR) är SNI-kodat och varje arbetställe har en centroidtillhörighet kan vi använda sysselsättningsförändringen till att prognosticera nya radoch kolumnsummor för a priori OD-matrisema. Vi antar att antalet arbetsställen förändras proportionellt med sysselsättningskvoten och beräknar med detta som utgångspunkt nya marginalsummor som sedan används för att beräkna de nya OD-matrisema. För hantverk och servicetransporter är sysselsättningen och SNI ensamma förklaringsvariabler, för varutransporter tillkommer en faktor för förändringen av mängden transporterat gods. Relationen 11

12 STHLM -STHLM i tabell 3.2 (och 2.9) har faktorn En NÄTRA-prognos för år 2030 som endast beaktar SNI-faktorerna ger för transporter med tung lastbil inom Stockholms län förändringsfaktorn Den erhålls genom att sätta parametern Prognos_varu_faktorer = 1.0 och köra fram prognosmatriser för alla fordonstyper och ärenden (TuLb, Llb och Pb respektive varu- och servicetransporter). Varutransporter: Division av med ger en Prognos_varu_faktor som används för alla varutransporter inom Stockholms län. På så vis undviks att sysselsättningsförändringen dubbelräknas i prognosen för år Länsgränsöverskridande transporter: Volymförändringarna för transporterat gods enligt tabell 2.9 ger summerat för relationer till/från Stockholm (men ej inom Stockholm) faktorn medan NÄTRA-prognosen som ovan med Prognos_varu_faktorer = 1.0 ger En justering för att undvika dubbelräkning ger en faktor / = Servicetransporter: SNI-faktorerna ger en tillväxt för servicetransporter med (med Prognos_varu_faktorer = 1.0). Från åtgärdsplaneringen har vi en tillväxttakt på 2.0 % för Pby. Vi skriver ner denna till 1.5 % per år för att minska risken för överskattning av totalnivån, vilket ger som räknas ner med Vi får då en Prognos_varu_faktorer = för servicetransporter. Nettofaktorerna för de olika kategorierna ovan har lagts in i tabellen Prognos_varufaktorer. Vid beräkning av matriser för prognosåret multipliceras basårets data med dessa faktorer. Sammanfattningsvis blir tabellen i NÄTRA-gränssnittet: Tabell 3.3 Varufaktortabell, uppskrivning av transportefterfrågan utöver tillväxten genererad av ökad sysselsättning. Prognos_varufaktorer: Tabell Kategori Prognosfaktor TLB LLBv LLBs PBILv PBILs Länsgräns Ändring av prognosförutsättningarna i NÄTRA-programmet Prognosfaktorer för olika branscher för prognosåret 2030 (relativt år 2005) finns i skv-filen SNI_grupp_faktor_PROGNOSÅR.SKV (semikolon-separerad) i katalogen \STATdata. Filen består av knappt 750 rader (en för varje bransch) och tre kolumner (SNI-kod, Grp och SNI_faktor). Den mellersta kolumnen Grupp används inte. Den första raden har SNI-kod -1, som svarar mot ett bortfall av SNI-kod i Nätra-registren. I dessa fall är det rimligt att använda faktorn 1 som prognosfaktor, enär vi saknar kunskap om vilken bransch ett arbetsställe tillhör. Vid initialiseringen/ uppdateringen av databasen (se huvudmenyn) läses innehållet i denna fil in till Access-systemet och finns därefter tillgängligt i Access-tabellen Usys_SNI_grupp_faktor_PROGNOSÅR. Samtidigt uppdateras tabellen Usys_Antal_arbst_per_centroid_och_stratum_PROGNOSÅR som är beroende av dessa faktorer. Vid prognosberäkningarna utnyttjas sedan dessa tabeller. 12

13 Att göra prognoser för andra år än 2030 eller med andra prognosförutsättningar kräver att tabellerna justeras (utgående från SNI_grupp_faktor_PROGNOSÅR.SKV). Vi går tillväga på följande sätt: Metod: 1. Ändra SNI-faktorerna i filen SNI_grupp_faktor_PROGNOSÅR.SKV. 2. Tryck på knappen Initialisera/uppdatera på huvudmeny-formuläret. (OBS att även de övriga Nätra-registren då importeras på nytt.) 3. Fortsätt som vanligt med marginalsummeberäkningama på konsekvensanalys-formuläret. OBS Viktigt! Namn (eller läge) på de inblandade filerna får inte förändras. Skv-filen för en prognos för år 2030 måste fortfarande heta SNI_grupp_faktor_PROGNOSÅR.SKV. Det ovan nämnda gäller prognoser om antal anställda. Faktorer för förändring av mängden transporterat gods görs enligt beskrivningen i kapitel 3.1. De resulterande faktorerna införs i tabellen Prognos_varufaktorer, se tabell NÄTRA 2005 och prognos för 2030 Efterfrågematriserna för år 2005 i vår leverans är (katalog NVdata) 3 : OD_BASAAR_GoT.bin/314 OD_BASAAR_LLbS.BIN/314 OD_BASAAR_LLbV.BIN/314 OD_BASAAR_PbS.BIN/314 OD_BASAAR_PbV.BIN/314 OD_BASAAR_TLb.BIN/314 Efterfrågematriserna för år 2030 i vår leverans är (katalog NVdata): OD_ANALYS_GoT.bin/314 OD_ANALYS_LLbS.BIN/314 OD_ANALYS_LLbV.BIN/314 OD_ANALYS_PbS.BIN/314 OD_ANALYS_PbV.BIN/314 OD_ANALYS_TLb.BIN/314 Resultatet redovisas i excel-filen D:\E\D1\NATRA\NATRA(leverans2011)\NVdata\Matriser_2005_2030_ElvaOmråden.xlsx i fliken Basår2005 o Prognos2030 på en områdesindelning på 11 områden som används av SL. Det ger en någorlunda överskådlig bild av antalet transporter i länet. Områden anges i listan nedan, och områdesindelningen anges i ui2 i bifogad fil Sthlm_2005slct :Innerstad 02:Vasterort 03:Soderort 04:Ekero 05:Lidingo 06:Nordvast 3 Notationen bin/314 anger att filen finns både som binärfil och textfil på emme-format. 13

14 07:Nord 08:Nordost 09:Ost 10:Sydost 11:Sydvast Totalt/Ovr De använda, uppdaterade indata för probnoserna finns i katalog STATdata: Prognosgruppsfaktorer: SNI_grupp_faktor_PROGNOSÅR.skv respektive Varufaktorer-tabellen: Prognos_varufaktorer Båda används för analysåret (ingen går in för basåret). 5 Kalibrering av matriser 2005 på dygnsnivå Kalibreringsmetoden är baserad på en minimering av viktade kvadratiska avvikelser från olika initialvärden i form av a priori OD-matriser eller observerade data som trafikräknedata. Målvärden avseende rad- och kolumnsummor kan också beaktas. Principen illustreras i ekvation (5.1), där vikterna är inversen av variansen som innebär att det är viktigast att minska avvikelsen där variansen är liten (en liten varians innebär målvärdet är väl känt) och omvänt. min W (skillnader i OD-matriser) 2 ] V (skillnader i trafikräknepunkter) 2 ] UR (skillnader i radsummor) 2 ] + UC (skillnader i kolumnsummor) 2 ] (5.1) där W = varians i efterfrågevärden V = varians i trafikdata UR = varians i OD-matrisernas radsummor UC = varians i OD-matrisernas kolumnsummor I en mer formaliserad version presenteras samma modell som ovan i ekvation (5.2) men kompletterad dels med ett basvärde för variansen för att undvika alltför stora vikter, dels med bivillkor i form av övre och undre gränser för hur mycket enskilda element i a priori-matriserna får ändras. Även andra villkor kan adderas, ex vis bidragen till trafikarbetet som sista termen i ekvation (5.2). Basvärdena kan också användas till en gemensam vikt för samtliga avvikelser i olika termer om man sätter varianserna till 0. Metodiken är implementerad i DSD-C (Disaggregate Simplicial Decomposition with Constraints), se Engelson m fl [2005]. 14

15 min y i, j ( D B ij W i i, j Dij ) W D dist ij ij j 2 LTC Dij R i ij ( xl xl) B V 2 V TA /( B 2 UR L 2 U / TAV R i ) j i 2 Dij C j /( B UC U C j ) (5.2) med hänsyn till f LBD Dij Dij f UBD Dij för alla i och jtc där D ij = efterfrågan i relation i till j D = efterfrågan i relation i till j, grundvärde ij TC = mängd av trafikräknelänkar W ij = variansen i efterfrågan i relation i till j x L = trafikflöde på länk L = där A ijl =matris som anger hur stor andel av efterfrågan i relation (i,j) som passerar länk L x = observerat trafikflöde på länk L L V L = variansen i flödet på länk L R i = målnivå för radsumma i origin i C = målnivå för kolumnsumma i destination j j R U i = variansen i radsumman i origin i C U j = variansen i kolumnsumman i destination j f LBD = relativ undre gräns för efterfrågevärdena D ij f UBD = relativ övre gräns för efterfrågevärdena D ij B xx = basvärde för varians av typen xx dist ij = avstånd i km mellan origin i och destination j i aktuell region TA = målnivå på trafikarbetet i aktuell region TAV = vikt på trafikarbetsvillkoret Den här metoden baseras på ruttinformation vilket avspeglas i andelarna i matrisen A ijl. Med många OD-relationer och trafikräknepunkter blir matrisen alltför stor för att hanteras av programmet. Vi har därför valt att vid kalibreringen aggregera små efterfrågerelationer (i vår tillämpning D ij < 0.01), och aggregeringen har gjorts genom att dela in regionen i 9 9 kvadratiska områden baserat på koordinater (givetvis kan en mer genomarbetad områdesindelningen definieras). Det ger totalt = 6561 nya OD-relationer som ersätter tiotusentals vanliga OD-relationer. Resultatet för de aggregerade relationerna disaggregeras efteråt till de enskilda OD-relationerna. Det förekommer att assignmentmodellen av olika skäl inte ger den fördelning av trafikflödet som trafikräknedata anger. Exempel i Göteborg är trafiken på E6 och E45 norr om Göteborg samt trafiken på E6 och Säröleden söder om Göteborg. Vid kalibreringen kan sådana flöden hanteras som ett trafikräknesnitt där kalibreringen görs mot summan av flödena över snittet istället för mot flödet per länk. 15

16 5.1 Genomförande av kalibreringen Kalibreringen av matriserna är gjord enligt de stegen i punktlistan nedan: 1. Dygnsmatriser från SAMM (Pb, PbY och TuLb) är körda i nätverksmodellen med (timandel i vdf = 0.08). Tullarna har satts till 0 (de fanns inte år 2005). Kategori Tidkostnader[kr/tim] Distanskostnader [kr/mil] a) Pb, arb b) Pb,övr c) Pb,tja d) PbY e) TuLb Traversmatriser för Stockholms län är uttagna för Pb-matriserna. 3. Travers-Pb-matriserna från SAMM och NÄTRA-matriserna (sammanslagna till PbY resp TuLb) är kalibrerade mot ÅDT-värden/0.88, där 1/0.88 avser en omräkning till VardagsMedelDygn 4. NÄTRA-matriserna har kalibrerats mot trafikräknedata för TuLb. 4. Vid kaliberingen har följande icke-nollvärda parametrar använts B W = 5 B V = 1 f LBD = 0.5 f UBD = Både differensmatriser (kalibrerad matris initial matris) och kvotmatriser har tagits (kalibrerad matris / initial matris). För relationer med en minskad efterfrågan i synnerhet bedömer vi att det kan vara intressant att använda en kvot för justering istället för att addera en differens som kan resultera i negativa värden. 6 Fördelningen av kalibreringsresultaten på de olika matriserna för lätta fordon, kategorierna a-d under punkt 1 har fördelats i proportion till deras andel av den totala efterfrågan. Vidare framgår det ur kvotmatriserna med vilken faktor ODmatriselementen har justerats. Differensen erhålls som (kvot 1)*ursprungligt matrisvärde. 5.2 Resultat av kalibreringen I figurerna 5.1 och 5.2 redovisas resultatet av kalibreringen i form av scatterdiagram. Det finns avvikelser som är ovanligt stora, och det gäller främst en länk med c:a i VMD-trafik som inte får någon trafik alls i modellen. Orsaken är att den ligger långt västerut på E18 på randen av området och befintliga centroider ger bättre anslutning via en intilliggande rutt. Det vore möjligt att driva kalibreringen längre genom att vidta ett antal åtgärder: 1 iterera ett antal gånger 2 ändra vikterna för ändringar av initialmatriserna (B W ) 3 ändra gränserna för hur mycket matrisvärdena får ändras Ambitionerna här kan diskuteras. Vi menar att det finns risk att efterfrågematriserna justeras alltför mycket. 4 Kalibrerdata:..\Instruktioner_Dokument\Kalibrerdata-kontroll(0).xlsx 16

17 Figur 5.1 Kalibreringsresultat med alla fordon inkluderade mot vardagsmedeldygnstrafik. 17

18 Figur 5.2 Kalibreringsresultat med tunga fordon mot vardagsmedeldygnstrafik. För totalnivån i efterfrågematriserna innebär kalibreringen generellt sett en uppskrivning med 10 % för lätta fordon respektive 13 % för tunga fordon. Resultaten sammanfattas i excel-filen D:\E\D1\NATRA\NATRA(leverans2011)\NVdata\Matriser_2005_2030_ElvaOmråden.xlsx i fliken Aggreg diff- och kvot-matriser. Fullständiga matriser för lätta NÄTRA-matriser gemensamt och för tunga fordon finns i katalogen NVdata (observera att alla har satts till matrisplats 30, kan enkelt modifieras): PbY-DiffMatrix.314 PbY-KvotMatrix.314 TuLb-DiffMatrix.314 TuLb-KvotMatrix.314 Som framgår av beskrivningen ovan är ingen uppdelning av tunga lastbilar på Lbu respektive Lbs gjord. Vi skulle kunna göra en sådan uppdelning och använda de fördelningar som finns i de befintliga matriserna i SAMM-databasen. 18

19 6 Slutsatser Vi har konstruerat en prognos (eller scenario om man så vill) för godstransporterna på väg i Stockholms län med hjälp av NÄTRA-modellen. SAMS-data avseende 2030 (sams-dag), Samgods-data, LU-utredningen och principer från Trafikverkets åtgärdsplanering har använts för att generera ett 2030-scenario på nationell nivå. Det behövs för att beskriva transportvolymerna utöver det som genereras av förändringarna i näringslivet så som det avspeglas av sysselsättningsförändringarna i sams-data. Matriser avseende nuläget är kalibrerade mot trafikräknedata i Stockholms län. Vi har medvetet undvikit att driva kalibreringen alltför långt genom ett antal olika åtgärder. Ambitionerna härvidlag kan diskuteras. 6.1 Kommentarer Sedan förra leveransen av NÄTRA-uppdateringen 2008 är nätverksanalysprogrammet DSD-IRS uppgraderat i ett antal olika avseenden. Bland annat har vi implementerat samma gradientprojektionsalgoritm för ruttbaserad analys som ingår i emme/3. Vi bifogar inte den uppgraderade versionen främst därför att även ett antal ändringar i Access-programmet skulle behöva göras, och även för att det troligen krävs ytterligare tester av att allting fungerar tillsammans. I förlängningen ska ju resultaten in till Sampers-modellen och emme, och då behövs inte den här funktionen. En observation angående indata är att filen STATdata\NLR.skv inte är helt kompatibel med nätverket i Sthlm_2005slct.211. Inte heller detta behövs om modellen inte ska användas för att beräkna trafikarbete per centroid-område. Referenser Eriksson J, Björketun U, Edwards H och Karlsson R (2000): Dokumentation av NÄTRA-modellen. En modellering av näringslivets transporter med bil i Stockholms län, VTI notat , VTI, Linköping. Edwards H och Engelsson L (2004): Traffic assignment with side constraints, Working paper, Inregia (WSP nu). Edwards H och Karlsson R (2008): NÄTRA-uppdatering till 2005, PM , Vägverket Konsult, Solna respektive VTI, Linköping. 19

20 20

21 Next 21

22 Vectura är konsulter inom transportinfrastruktur och rörelseplanering. Bolaget övertog vid årsskiftet 2008/09 all verksamhet från Banverket Projektering och Vägverket Konsult. Vi finns på ett 40-tal orter i Sverige.