PM: NÄTRA-uppdatering till 2005

Transkript

1 PM: NÄTRA-uppdatering till 2005 PM: NÄTRA-uppdatering till Sammanfattning Liten tillbakablick till Uppgradering av Nätra-systemet från 1998 till Dataunderlag Gränspunkter inklusive hamn-data Länkflöden med tung lastbil från TMS-systemet Uppgradering av Nätra-systemet genom uppdatering av registerdata Granskning av registren PAR-registret Fordonsregistret Matchningen med arbetsställeregistret Resultat av stratifieringen Förändrat transportbeteende i stratum Slutsatser av granskningen nya uppräkningsfaktorer Jämförelse av resultat (totaler) mellan 1998 och 2005 års nivåer Slutsatser Programuppdateringar Installation av Natra Utdata till enif Modifieringar DSD_IRS och entropimodellen för OD-kalibrering Länkflöden i enif morgon maxtimme Logfiler från DSD_IRS Kalibreringsmetod avseende trafikräkningar och övrigt Kalibrering mot trafikräkningar i DSD-C Kalibrering avseende OD-relationer mot rad- och kolumnsummor men utan trafikräkningar Simultan kalibrering avseende både trafikräkningar och rad- och kolumnsummor Kalibrering och användning av OD-matriser mellan basår och prognosår

2 Kalibreringsresultat Kalibrering FM Kalibrering LT Kalibrering EM Sammanfattning av kalibreringsresultat Trafikflöden med tung lastbil Prognosmöjligheter Kommentarer...57 Referenser

3 Sammanfattning Först presenteras en kort historik och något om uppdateringen i detta kapitel. Sedan beskrivs i korthet olika uppdatering av indata och nätverk i kapitel 2. I kapitel 3 fortsätter granskningen och jämförelsen av registerdata i mer detalj. Programuppdateringar och modifieringar beskrivs i kapitel 4. Kapitel innehåller en alternativ trafikräkningskalibrering som satts i drift. Kalibreringsresultat visas i kapite7, och en diskussion om kalibrering av matriser för tu lb förs. Slutligen redovisas några kommentarer om prognosmöjligheter. 1.1 Liten tillbakablick till 1998 Nätraundersökningen genomfördes huvudsakligen som en statistisk undersökning där urvalsrummet utgjordes av arbetsställen i Stockholms län. För huvudundersökningen 1 användes ett CFAR-register 2 från september En stratifiering (sju olika strata) gjordes baserad på (för detaljer se VTI notat , avsnitt och 4.2.1): Branschkod Huruvida ett arbetsställe är sitt företags enda inom Stockholms län Motsvarande företags innehav eller ej av tung resp. lätt lastbil Arbetsställena har anställda eller ej Ett av stratumen utgjordes av ett hundratal handplockade stora transportaktörer, dvs. antingen har många egna transporter eller skapar en stor efterfrågan av främmande transporter till det egna arbetsstället. CFAR-registret innehöll samtliga data som krävs för stratifieringen med undantag för uppgift om innehav av lastbilar. Dessa uppgifter erhölls via ett bilregister (september 1998). Ur varje stratum valdes ett antal arbetsställen ut. För vart och ett av dessa samlades data in, dels om deras egna transporter, dels om till arbetsstället besökande fordon tillhörande andra arbetsställen. Ett antal indikatorer (trafikarbete, transportarbete, frekvens, m. fl.) kunde ur dessa data beräknas för hela det stratum som de urvalda arbetsställena tillhörde. Ur denna total och vetskap om totala antal arbetsställen i stratat kunde sedan uppräkningsfaktorer beräknas, vilka angav hur många riktiga arbetsställen som varje urvalt arbetsställe representerade. Även uppräkningsfaktorer på andra nivåer än på arbetsställenivå beräknades, exempelvis för ruttbenen och besökande fordon. Det insamlade datamaterialet från Nätra-undersökningen samlades i ett antal register. De för beräkningarna i Nätra-systemet viktigaste av dessa är : NAR (det totala arbetsställeregistret) NUR (urvalsregistret) NKR (katalogregister för undersökta fordon) NRR (ruttregistret) NBR (register över besökande fordon) 1 Flera olika undersökningsomgångar genomfördes i Nätra. De data som beräkningarna i Nätra-systemet bygger på samlades in i Huvudundersökning 2 (se VTI notat , avsnitt 4.2). 2 Centralt Företags och ArbetsställeRegister 3

4 Se VTI notat , avsnitt 5.3 för en beskrivning av dessa. 1.2 Uppgradering av Nätra-systemet från 1998 till 2005 Uppgraderingen av Nätra-systemet från år 1998 till 2005 har gjorts genom att enbart uppdatera de register som legat till grund för undersökning och beräkningar och (i princip) inte komplettera med någon ytterligare information 3. Tanken är att förändringar i antal arbetsställen per stratum ska förklara förändringen i transportkvantiteter i resp. stratum. Detta förfarande kräver att två viktiga förutsättningar är uppfyllda: Att registren från 1998 och 2005 är någotsånär likvärdiga i kvalitet och innehåll Att arbetsställenas transportbeteende ej har förändrats. Detta innebär att de uppräkningsfaktorer som gällde vid undersökningstillfället år 1998 fortfarande är giltiga. I kapitel 3 undersöks huruvida dessa villkor är uppfyllda. 2. Dataunderlag Nyckel mellan centroider i T/RIM-modellen och centroider i Sampers-modellen. Nätverk och OD-matriser avseende basåret 2001 från region SAMM (Stockholm och Mälardalen) i Sampers-modellen. 3 Förutom uppgradering av register ingår i uppdraget även en transformation av nätverk. Denna är oberoende av registeruppdateringen och beskrivs i ett annat sammanhang. 4

5 NÄTRA Mälardalen Ny travers Begr.cirkel Begr.linje Nät Nät Figur Selektion av nätverk för Stockholms län Trafikdata avseende totaltrafik från mätpunkter i Stockholm framtagna av Mats Tjernkvist (Vägverket Konsult). 5

6 Figur 2.2 Vy 01. Ex totaltrafik FM utlagt i enif. 6

7 Figur 2.3 Vy 02. Ex totaltrafik FM utlagt i enif. Trafikdata från ÅDT-mätningar från Per-Olov Granberg (Vägverket Konsult) från åren De innehåller information om totaltrafik och lastbilstrafik, riktningsuppdelning eller inte, samt koordinater för både mätpunkt och start/slut av mätsträcka. Med denna information som grund kan vi matcha mätpunkter mot: 1. emme2-länkar baserat på vinkelräta avstånd mellan mätpunkt och emme2-länk (en s k ortogonal projektion), och 2. vinkel emme2-länkarna och mätsträckorna. Ett problem som kan uppstå med vinkelberäkningarna är att mätsträckans koordinater nästan kan bilda en triangel om den riktiga länken exempelvis är en ramp som svänger kraftigt. 7

8 emme2-länk Närmaste punkt(vektor) Ortogonal projektion Mätsträcka euklidea v u Figur 2.4 Exempel på matchning mellan emme2-länk och mätpunkt. 8

9 Figur 2.5 Vy01. Ex ÅDT-data utlagt i enif. 2.1 Gränspunkter inklusive hamn-data Trafikdata i gränspunkterna har utvecklats enligt Tabell 2.6 från 1998 till Data avseende Nynäshamn är ÅDT-data från väg 73 inne Nynäshamn. Motsvarande data på länken till hamnen i Visby är 440. Vidare är det färjetrafik från Ventspils, Lettland och Gdansk, Polen till Nynäshamn. Den stora skillnaden indikerar dock att data inte är helt jämförbara, och det bekräftas av hamnstatistik enligt presentationen nedan. Beträffande ökningen på riksväg 76 vid Östhammar så finns det en mätning på riksväg 76 sydväst Hallstavik med ett ÅDT på 340. Det kan vara så att skillnaden på 100 fordon ( ) använder väg 288 mot Uppsala (som inte är med i det utvalda nätverket). Formaterat: Teckenfärg: Blå, Inte Färgöverstrykning Borttaget: 1 Lastbilsflöden till och från de nyinförda hamnarna utgör en kombination av ÅDT-data och hamnstatistik, se tabellerna Uppgifterna från Stockholms hamnar, tabell 2.8, har dividerats med 310 dagar per år för att komma till ett dygnsmedelvärde. Hamnstatistiken omfattar Kapellskär, Värtahamnen (approximativt 50 % av Stockholm), Stadsgårdskajen (resterande 50 %) och Nynäshamn. Data från Varuflödesundersökningen, VFU 2004, har använts för att få en uppfattning om destinationer i Stockholms län eller transitpunkter. 9

10 Lastbilsflöden (ÅDT). 2 riktningar Mätpunkt Centroid Ökning [%] Mariefred/E Gnesta/rv Vagnhärad/E Bålsta/E Knivsta/E4+rv Östhammar/rv Nynäshamn Värtahamnen Stadsgårdskajen Kapellskär SUMMA nr SUMMA nr Tabell 2.6 Trafikdata i gränspunkter. Hamnstatistik 2006 Volym [kton] Nynäshamn Lossat [kton] Lastat [kton] Lb ÅDT Plats oljehamn Nynäshamn Kapellskär O Norrtälje Årtal Stockholm Värtahamnen exklusive 7 % på jvg Stadsgårdskajen Tabell 2.7 Underlag trafikdata i i nya hamnar ton/lastbil Total fordonsflöde/år [1000-tal fordon] Hamn Alla fordon Lb Trailers Buss pb Jvgvagnar Nynäshamn Kapellskär Stockholm (fördelning 50/50) Värtahamnen Stadsgårdskajen Tabell 2.8 Data från Björn Meckman [2007]. 10 Formaterad tabell Formaterat: Table 01 Borttaget: 1 Borttaget: Formaterad tabell Formaterat: Vänster Formaterad tabell Formaterat: Teckenfärg: Röd Formaterat: Håll ihop med nästa, Håll ihop rader Formaterad tabell Formaterat: Teckensnitt:Fet Formaterat: Teckensnitt:Fet Formaterat: Centrerad, Håll ihop med nästa, Håll ihop rader Formaterat: Håll ihop med nästa, Håll ihop rader Formaterat: Centrerad, Håll ihop med nästa, Håll ihop rader Formaterat: Håll ihop med nästa, Håll ihop rader Formaterat: Centrerad, Håll ihop med nästa, Håll ihop rader Formaterat: Håll ihop med nästa, Håll ihop rader Formaterat: Centrerad, Håll ihop med nästa, Håll ihop rader Formaterat: Håll ihop med nästa, Håll ihop rader Formaterat: Håll ihop med nästa, Håll ihop rader Formaterat: Håll ihop med nästa, Håll ihop rader Formaterat: Tabell 01, Höger: 0 cm

11 Länkflöden med tung lastbil från TMS-systemet Nya matchningar mot TMS-data för det statliga vägnätet har gjorts. Sammanlagt har 239 punkter identifierats. Se figur 4.4. Lastbilsandelen är lite drygt 10 % på de länkar där lastbilsflöden finns. HED: Tung lb-bild. Mätperiod Formaterat: Teckenfärg: Blå Formaterat: Indrag: Vänster: 0 cm, Hängande: 1.5 cm, Ingen numrering, Tabbar: 1.5 cm, Listflik Formaterat: Teckenfärg: Blå Formaterat: Teckenfärg: Blå Formaterat: Håll ihop med nästa, Håll ihop rader Figur 2.9 Översiktsbild av TMS-mätdata från år : ÅDT för totaltrafik. Formaterat: Höger: 0.02 cm 11

12 Formaterat: Färgöverstrykning Figur 2.10 Översiktsbild av TMS-mätdata från år : ÅDT för lastbil. Kalibrerdata-kontroll(0).xls, Flik TMS-data. Figur 2.11 Redovisning av sampers-kalibrerdata och ÅDT-data från TMS med omräkningsfaktor Vardagsmedeldygn = 1/0.88 ÅDT. Formaterat: Färgöverstrykning Omräkningsfaktorer mellan ÅDT och vardagsmedeldygn finns i Vägverkets effektkatalog enligt nedan. En kollega anger att omräkningsfaktorn skall vara 1/0.91 men jag hittar inget annat stöd för det. I anslutning till figur 2.11 visas regressionsresultat med de båda alternativen. Fördelen med 0.88 är att koefficienten ligger närmare 1 men konstanten är större. R 2 är lika för båda: Faktor 0.91 Regression y = 0.932x R2 = Faktor 0.88 Regression y = x R2 = gar/10.%20bilaga%202.%20förändringsfaktorer%20trafik.pdf Omräkningsfaktorer vardagsmedeldygn till årsmedeldygn 12

13 Nationella matriser som i Sampers beräknats som Vardagsmedeldygn, ska vid användning i Samkalk räknas om till årsmedeldygn genom att använda nationelldygnsfaktor 0,88. Tabell 10.7 Omräkningsfaktor från vardagsmedeldygn till årsmedeldygn, nationell resa. Nationell faktor Privatresa 0,88 Tjänsteresa 0,88 Om regionala matriserna beräknats som Vardagsmedeldygn i Sampers ska de räknas om till årsmedeldygn genom användning av regionaldygnsfaktor 0,88. Tabell 10.8 Omräkningsfaktor från vardagsmedeldygn till årsmedeldygn, regional resa. Regional faktor Privatresa 0,88 Tjänsteresa 0,88 Arbete bil företag 0,767 Arbete bil privat 0,767 Arbete kollektivt 0,73 Arbete cykel 1 Arbete gång 1 Tjänste bil f 0,822 Tjänste bil p 0,822 Tjänste kollektivt 0,73 Tjänste cykel 1 Tjänste gång 1 Övrigt bil f 1,058 Övrigt bil p 1,058 Övrigt kollektivt 0,9 Övrigt cykel 1 Övrigt gång 1 13

14 Uppgradering av Nätra-systemet genom uppdatering av registerdata Sysselsättningdata avseende år 2005 har erhållits ur det s k PAR-registret vilket har lånats ut till projektet av Regionplanekontoret. Bilregisterdata avseende år 2005 med information om fordonets ägare har tillhandahållits av Vägverket. Information bakom specialkoder avseende ägare i bilregistret har köpts in till projektet. Bortfallet i Stratum 7 av c:a 30 % har hanterats genom att befintliga träffar har viktats upp för att kompensera för bortfallet. En viktig observationer är att antalet företag i åkeribranschen har minskat men sysselsättningen har ökat, se bl a SCB [2004]. 3.1 Granskning av registren Vid uppgraderingen har ett PAR-register (Postens AdressRegister) från januari 2006 och ett fordonsregister från december 2005 använts. Vi granskar dessa var för sig PAR-registret Antal poster totalt i PAR 2005: De allra flesta av dessa svarar mot ett entydigt arbetsställe (CFAR-nummer). Emellertid finns 4137 poster med icke-unikt CFAR-nummer. Exempelvis är KTH ett enda arbetsställe, dvs har ett enda CFAR-nummer, men är i PAR-registret uppdelat på 76 olika poster (varje institution tycks ingå som en egen post). Uppgift om antal anställda (för varje post) gäller hela arbetsstället vilket leder till dubbelräkningar vid summering. Eftersom vår urvalsram i NÄTRA-undersökning bygger på entydiga CFAR-nummer har vi därför slagit samman de olika posterna. De 4137 posterna reduceras därmed till 1635 poster. De olika posterna kan därvid ha haft olika branschkoder. Vi har då valt den kod som varit mest frekvent förekommande. En annan defekt i PAR2005 är att 1632 poster saknar CFAR-nummer (dvs. är satta till 0). En granskning visar dock att dessa tycks svara mot riktiga (aktiva) arbetsställen och vi har därför låtit dessa ligga kvar oförändrade (trots att CFAR-numret inte blir entydigt). Motsvarande problem uppstod aldrig i CFAR1998. Som resultat av ovanstående erhåller vi ett register innehållande arbetsställen. Detta betraktar vi som den nya urvalsramen. Den ersätter den som användes för Huvudundersökning 2, CFAR 1998, som innehåller arbetsställen. Registret innehåller ett stort antal fält. Endast ett fåtal behövs för stratifieringen: Arbetsstället: branschkod, antal anställda, länskod (geografiska koordinater 4 ) Företaget: antal enheter, organisationsnummer 4 Krävs egentligen inte för stratifieringen utan endast för att bestämma centroidtillhörighet 14

15 Uppgifter om företaget (som arbetsstället tillhör) krävs för att kunna bestämma/bedöma innehav av lastbilar (vilka är registrerade på företaget och inte på arbetsstället). Branschkod: För CFAR 1998 var antalet poster med bortfall av bransch De flesta av dessa hamnade i stratum 5 (arbetsställen med ringa transporter) 5. För PAR 2005 används (huvudsakligen) SNI Skillnaden mot SNI92 (vilken används i CFAR 1998) är ganska liten. I SNI2002 förekommer dock en del nya koder. Dessa har översatts till närliggande koder i SNI92 för att stratifieringen ska kunna ske på samma sätt som Förutom SNI-koderna, vilka använder prefixet SN framför numret, förekommer även en del poster med annorlunda kodning, dvs. annat bokstavsprefix. Det stora flertalet av dessa utgjordes av bortfall. Det totala antalet arbetsställen med bortfallen branschkod är Dessa placeras per automatik i stratum 5 (ringa transporter). Antal anställda: PAR 2005 är mindre detaljerat än CFAR 1998 såtillvida att uppgift om antal anställda endast finns klassindelat medan i det gamla registret det exakta antal anställda var angivet. Denna skillnad spelar dock ingen roll för stratifieringen eftersom vi där endast behöver veta huruvida arbetsstället har någon anställd eller icke. Emellertid vållar detta vissa problem när det gäller att bedöma strukturförändringar. Se nedan för diskussion om detta. I PAR 2005 saknas dessutom uppgift om antal anställda för 2195 arbetsställen. Dessa har per automatik placerats i stratum 5 (ringa transporter). Länstillhörighet: CFAR 1998: Inget bortfall! Länskoden korrekt för alla poster. PAR 2005: Inget bortfall! Däremot har 1072 arbetsställen en annan länskod än Stockholms län. Vi har dock låtit dessa vara kvar eftersom i de flesta fall besöksadressen ändå varit inom Stockholms län. Antal enheter: CFAR 1998: Inget bortfall. Av samtliga arbetsställen i Stockholms län utgjorde sådana som tillhörde företag med fler än ett arbetsställe i Sverige, dvs. 7.3%. PAR 2005: Inget bortfall. Av samtliga arbetsställen i Stockholms län utgjorde sådana som tillhörde företag med fler än ett arbetsställe i Sverige, dvs. 9.4%. Andelen unika arbetsställen (dvs. vars företag endast har ett arbetsställe) har enligt registren ökat under den här tidsperioden. Organisationsnummer: CFAR 1998: Inget bortfall. I PAR 2005 saknades företagets organisationsnummer för 492 arbetsställen. Dessa hamnar därmed per automatik i stratum 5 (ringa transporter). 5 Dock fanns i en del fall uppgift om branschkod i ett tidigare uttag (1997) och kunde placeras i annat stratum med ledning från detta. 15

16 Fordonsregistret Antal aktiva lastbilar totalt (för Stockholms län) i Bilreg 2005: (Motsvarande för Bilreg 1998: 80880) Registret innehåller ett stort antal fält. Endast ett fåtal behövs för stratifieringen: Nuvarande ägare, totalvikt och läns-kommunkod Nuvarande ägare: Bilreg 1998: Inget bortfall. Bilreg 2005: Inget bortfall. Däremot förekommer i både nya och gamla registret ett antal 699-nummer vilka inte är riktiga organisationsnummer utan filialnummer för större företag. En speciell översättningsnyckel mellan 699-numren och riktiga organisationsnummer krävs. Totalvikt: Bilreg 1998: Inget bortfall. Bilreg 2005: Uppgift saknas (dvs. vikten satt till 0 kg) för 39 fordon. Läns-kommunkod: Bilreg 1998: Inget bortfall. Bilreg 2005: Länskod saknas endast för en enda post. Sammanfattningsvis har vi följande fördelning av lastbilar i olika klasser: Bilreg 1998 Bilreg 2005 Lätta lastbilar Tunga lastbilar (totalt) Lätta tunga lastbilar Medeltunga Mycket tunga Bortfall 0 39 Tabell 3.1 Fördelning av lastbilar i olika kategorier. Med lätta tunga avses tunga lastbilar med maxlastvikt 3.5 ton. Med medeltunga avses tunga lastbilar med totalvikt 16 ton och maxlastvikt > 3.5 ton. Med mycket tunga avses tunga lastbilar med totalvikt > 16 ton och maxlastvikt > 3.5 ton. De lätta lastbilarna har således ökat dramatiskt under 7-årsperioden medan de tunga inte alls har ökat i samma omfattning. Vissa storleksklasser har till och med minskat Matchningen med arbetsställeregistret Matchningen mellan arbetsställeregistret och fordonsregistret görs via företagets organisationsnummer. Liksom i 1998 års fordonsregister förekommer i det nya registret särskilda filialnummer ( 699- nummer) för större organisationer. Dessa filialnummer ersätter det ordinarie organisationsnumret. En särskild nyckel krävs för översättning till ordinarie organisationsnummer. Ett smärre bortfall sker i samband med denna översättning. 16

17 Vid matchningen mellan arbetsställeregister och fordonsregister sker ett bortfall orsakat dels av brister i registerdata (exempelvis saknas organisationsnummer för en del poster i arbetsställeregistret), dels beroende på att datum för registeruttagen inte helt sammanfaller. Ett mått på det totala felet kan fås genom att undersöka det totala antalet lastbilar (utan matchning mot organisationsnumren i PAR) med motsvarande antal som fås om vi försöker matcha ägarens organisationsnummer mot organisationsnumren i PAR: År 2005: Utan matchning mot PAR Med matchning mot PAR Andel träffar Lätta lastbilar % Tunga lastbilar % År 1998: Lätta lastbilar % Tunga lastbilar % Tabell 3.2 Fördelning av lätta och tunga lastbilar olika årtal. Man finner att ett stort antal lastbilar försvinner i samband med matchningen mellan registren. Den stora skillnaden kan förklaras med att många (främst lätta lastbilar) ägs av privatpersoner (utan någon firma) och därmed inte finns med i PAR. För de tunga lastbilarna är en mer sannolik förklaring att fordonen är registrerade i Stockholms län men ägs av ett företag utanför länet. Bortfallet vid matchningen tycks (procentuellt) vara lika stort för de lätta lastbilarna. För de tunga lastbilarna är bortfallet däremot något större för år 2005 än för Det skulle därmed kunna riskera att bidra till för låga värden år Resultat av stratifieringen Stratifieringen genomfördes på samma sätt som för Huvudundersökning (endast data från Huvudundersökning 2 användes i tidigare versioner av Nätra-systemet). I Tabell 3.3 visas antal arbetsställen i varje stratum efter stratifieringen. (Strata ordnade efter avtagande transportintensitet.) Arbetsplatsbeskrivning Stratum Förändring (%) Många egna transporter (speditörer, distributörer) Många egna tunga transporter (åkerier) Har tu lb (viss industri) Har lätt lb (h & s) Förmodat få egna transporter (h & s) Ännu färre egna transporter än stratrum Saknar anställda och har få egna transporter Totalt Tabell 3.3 Antal arbetsställen per stratum Påfallande kraftiga variationer i förändringarna, främst i stratum 7, 1, 2 och 3. En förklaring till nedgången i stratum 6 är att arbetsställena i stratat bortfaller då CFAR-numret förändras. Detta sker per automatik då organisationsnumret förändras, exempelvis vid ombildning eller försäljning av företag. Den kraftiga uppgången för stratum 2 är sannolikt kopplad till den kraftiga ökningen av lätta lastbilar under tidsperioden. 17

18 Förändrat transportbeteende i stratum 7 Av Tabell 3.3 framgår att antalet arbetsställen inom branscherna åkeri och speditörer minskat med ca 16 %. Eftersom aktiviteterna i stratum 7 knappast lär ha minskat tyder detta på en strukturell förändring av företagen. En närmare granskning av antalet anställda förstärker dessa antaganden, se Tabell 3.4. Slutsatserna bekräftas i en rapport från SCB (2004). Arbetsplatsbeskrivning Stratum Antal anställda per stratum 1998 Antal anställda per stratum Förändring (%) Många egna transporter % (speditörer, distributörer) Många egna tunga % transporter (åkerier) Har tu lb (viss industri) % Har lätt lb (h & s) % Förmodat få egna % transporter (h & s) Ännu färre egna % transporter än stratum 3 Saknar anställda och har få egna transporter Totalt Totalt % Tabell 3.4 Antal anställda per stratum Vi ser att antal anställda i stratum 7 har ökat med 7% trots att antal arbetsställen minskat med 16%. Tendensen att arbetsställena blivit större (dvs. fler anställda) under tidsperioden är tydlig. För stratum 1 är tendensen den motsatta. Antalet arbetsställen har ökat medan antalet anställda minskat något. För stratum 2 har antalet anställda ökat i något högre takt än antal arbetsställen. Eftersom stratum 7 är tämligen homogen (består huvudsakligen av åkerier) är det rimligt att förmoda att transportaktiviteterna är mer kopplade till antal anställda än till antal arbetsställen. Ett stöd för detta antagande är den i tabell 3.1 redovisade nästan 4%-iga tillväxten av det totala antalet tunga lastbilar under perioden. För övriga strata vågar vi inte dra någon liknande slutsats. En liten reservation för precisionen i antal anställda för PAR Antal anställda är här klassindelade. Som representativa värden väljs mittpunkten i varje klass (ett förfarande som troligen överskattar det verkliga värdet). En antydan om storleken på det fel som därigenom införs kan fås genom att studera fördelningen av antal anställda i CFAR 1998 (där vi har exakt uppgift om antal anställda), se Tabell

19 Klassintervall Klassmitt Stratum 1 Stratum 2 Stratum 3 Stratum 4 Stratum 5 Stratum 6 Stratum Tabell 3.5 Genomsnittligt antal anställda för olika strata uppdelade på olika klassintervall. Värdena är beräknade för CFAR Klassintervallen (samt klassmitten) är de som används i PAR För CFAR 1998 har vi klassindelat arbetsställena efter antal anställda. Klasserna är desamma som används i PAR För varje klass beräknas medelvärdet av antalet anställda i respektive stratum. Dessa medelvärden kan jämföras med den klassmitt som används i PAR Man ser att avvikelserna mellan medelvärden och klassmitter i allmänhet är ganska små. Den slutsats man kan dra är att det fel som introduceras i skattningen av antal anställda per stratum (i PAR 2005) genom att korrekt uppgift om antalet anställda ersätts med en klassmitt är litet. Uppgift om antal anställda år 2005 i Tabell 3.4 bör vara tämligen pålitliga. 3.3 Slutsatser av granskningen nya uppräkningsfaktorer En jämförelse mellan registren för år 1998 och år 2005 ger bilden att bortfallet (för olika variabler) är relativt litet i båda registren, förutom kopplingen till lastbilsinnehavet där bortfallet är ganska betydande för båda åren. Lastbilsinnehavet påverkar framför allt stratum 1 och 2. Ett allvarligt hot mot kvalitén i resultatet är den strukturella omvandling som ägt rum i främst stratum 7. 19

20 Beräkningarna från Nätra-undersökningen bygger på uppräkningsfaktorer beskrivna i VTI notat , avsnitt Uppräkningsfaktorer finns för olika variabler i olika register, men gemensamt för dem alla är att de innehåller kvoterna antal arbst i ett stratum i NAR (1998) K 1 = (3.1) antal arbst i ett stratum i NUR (1998) där NAR är totala arbetsställeregistret och NUR är urvalsregistret. Dessa kvoter kan tolkas som det antal arbetsställen varje undersökt (urvalt) arbetsställe representerar. För 1998 är uppräkningsfaktorerna beräknade så att totalen (i varje stratum) blir korrekt. Uppgraderingen från 1998 till 2005 bygger på idén att vi multiplicerar samtliga uppräkningsfaktorer med faktorn: antal arbst i ett stratum i NAR (2005) K 2 = (3.2) antal arbst i ett stratum i NAR (1998) Emellertid kan den strukturella förändringen i stratum 7 kräva någon form av modifiering av K 2. En möjlighet skulle kunna vara att anta att transportaktiviteterna bör vara nära kopplade till antal anställda. I så fall kunde vi i stället använda: antal anställda i stratum 7 i NAR (2005) K 2 = (3.3) antal anställda i stratum 7 i NAR (1998) På grund av osäkerheter om huruvida transportkvantiteterna i stratum 7 verkligen är direkt kopplade till antalet anställda har vi intagit en litet försiktigt kompromissartat mellanting mellan (3.2) och (3.3). Vi väljer K 2 = 1, i stället för K 2 =0.84 som ekv. (3.2) + Tabell 3.3 förordar och i stället för 1.07 som ekv. (3.3) + Tabell 3.4 förordar. Även för stratum 1 och 2 skulle man kunna tänka sig att använda förändringen i antal anställda för skattning av K 2. Detta har vi inte emellertid inte vågat göra eftersom kopplingen mellan antal anställda och transportkvantiteterna i alls är lika uppenbara som för stratum 7. Vi har därför hållit fast vid det ursprungliga konceptet att använda antal arbetsställen, dvs. ekv (3.2). För stratum 6 (drygt 100 handplockade arbetsställen i CFAR 1998) återfinner vi endast ca två tredjedelar av arbetsställena i PAR 2005 (76 arbetsställen av ursprungligen 115). En förklaring till detta bortfall är att CFAR-numret per automatik förändras då organisationsnumret förändras, exempelvis vid ombildning eller försäljning av företag. De flesta arbetsställen i stratum 6 existerar gissningsvis fortfarande men i form av annat CFAR-nummer. Därför är det rimligt att använda samma uppräkningsfaktor för detta stratum som tidigare, dvs. K 2 = 1. Om man i stället hade valt K 2 = 76/115 = 0.66, skulle man få ett direkt tapp som sannolikt inte har någon motsvarighet i verkligheten. Valet av uppräkningsfaktor för stratum 6 är diskutabelt och kan ifrågasättas. Tyvärr påverkar den här problematiken resultatet signifikant och bidrar till ökad osäkerhet i basparametervärdena (se Tabell 3.6). 20

21 För samtliga strata väljs uppräkningsfaktorn från urvalda arbetsställen (i NUR) till stratumtotalen (i NAR) som K1 K 2, där K 1 är den ursprungliga uppräkningen för år 1998 enligt (3.1) och K 2 representerar förändringen från 1998 till 2005 enligt (3.2) och (3.3). I Tabell 3.5 sammanfattar vi de faktorer med vilka uppräkningsfaktorerna har multiplicerats (räknats upp) från 1998 till 2005 års nivå: För tydlighets skull visar vi även kvoter mellan antal arbetsställen för resp. stratum för de två åren. Arbetsplatsbeskrivning Stratu m Faktor # arbst 2005 / # arbst 1998 Många egna transporter (speditörer, 6 K 2 = / 115 = 0.66 distributörer) Många egna tunga transporter 7 K 2 = / 2868 = 0.84 (åkerier) Har tu lb (viss industri) 1 K 2 = / 2879 = 1.21 Har lätt lb (h & s) 2 K 2 = / = 1.46 Förmodat få egna transporter (h & s) 3 K 2 = / 7989 = 0.80 Ännu färre egna transporter än 4 K 2 = / = 1.04 stratrum 3 Saknar anställda och har få egna transporter 5 K 2 = / = 1.21 Tabell 3.5 Uppräkningsfaktorer per stratum. 3.4 Jämförelse av resultat (totaler) mellan 1998 och 2005 års nivåer I Tabell 3.6 visas basparametervärden för 1998 och 2005 (jmfr.vti notat , avsnitt 5.2). Indikator Förändring [%] Förändring [%] med K 2 =0.66 i stratum 6 Frekvens [antal turer] % 8.8% Trafikarbete [km] % 14.2% Transportarbete [tonkm] % 0.3% Kvantitet [ton] % -0.4% Tomkörningar [km] % 14.2% Tabell 3.6 Basparametervärden 1998 respektive Totala kvantiteter för näringslivet inom Stockholms län per medelvardagsdygn [må-fre]. Värdena inkluderar såväl varu- som service/hantverkstransporter och omfattar både tung och lätt lastbil samt personbilar. Ruttbenslängdsfrekvenser och marginalsummor utgör viktiga indata för beräkning av a priori ODmatriser. Tabell 3.7 visar förändringen av fördelningen av ruttbenslängder: 21

22 TLB LLBv LLBs PBv PBs Intervall [km] Tabell 3.7 Fördelning av ruttbenslängder. I allmänhet är förändringarna relativt små. Motsvarande förändring av marginalsummor återfinns i den bifogade filen i hyperlänken (använd inlagd scrollbar för att välja fordons- och transporttyp): Rad_o_kolumn_summor_NÄTRA.xls (flik 2005). Exempel på figur ur filen ovan: TLB Skillnad i antal fordon ( ) Centroid Figur 3.8 Förändring i antal tunga lastbilar i olika områden 1998 till

23 %CENTRO %TLB% %LLBv% %LLBs% %PBILv% %PBILs% Data finns också i de inbäddade Excelfilerna (klicka på tabellerna): 1998: : 2005: %CENTRO%TLB% %LLBv% %LLBs% %PBILv% %PBILs% Förändring: %CENTRO %TLB% %LLBv% %LLBs% %PBILv% %PBILs% % -1% 27% -1% 4% % 18% 37% 17% 11% För en jämförelse redovisas antal anställda i våra databaser olika år. Observera att jämförelserna haltar i tabellen eftersom i NAR.skv -uppgifterna om antal anställda för ett arbetsställe icke inkluderar den person som driver firman. Alltså, för enskilda firmor är antal anställda oftast =0. Det är därför naturligt att våra värden på antal anställda blir lägre än den totala dagbefolkningen. Å andra sidan gäller förstås att en person som driver en firma samtidigt kan vara anställd i en annan. 23

24 Källa Antal anställda / Kommentar sysselsatta NAR.SKV i StatData avseende Totalt antal anställda, summa över alla SNI-kategorier SAMPERS Sthlm Total dagbefolkning (antal sysselsatta) Datauttag 2004 på SNI 5 siffror, Stockholm Totalt antal anställda, summa över alla SNI-kategorier NAR.SKV i StatData avseende 2005 baserat på PAR-data Antal anställda baserat på mittvärdet i varje storleksklass Tabell 3.9 Totalt antal anställda eller sysselsatta olika år respektive från olika källor. 3.5 Slutsatser Vi sammanfattar här de problem som vi bedömer utgöra de allvarligaste hoten mot kvalitén i det uppgraderade systemet: 1. Strukturomvandlingen i stratum 7. Denna har vi försökt att hantera genom att huvudsakligen gå efter förändringen i antalet anställda i stratat snarare än förändringen i antalet arbetsställen. Dock föreligger en osäkerhet i hur transportaktiviteterna är kopplade till dessa variabler. En möjlig alternativ strategi hade kunna vara att i stället använda sig av antal lastbilar kopplade till arbetsställena i stratum 7 och jämföra dessa mellan år 2005 och år Tills vidare har vi i stället satt faktorn K 2 = 1 för stratum 7. Strukturomvandlingar kan ha skett även inom andra strata. Något försök att kompensera för detta har emellertid inte gjorts. En mer noggrann utredning om detta problem borde kunna genomföras! 2. Förändringen av antal arbetsställen i Stratum 6. Den är sannolikt av registerteknisk natur. I brist på bättre information har vi valt att sätta K 2 =1. Detta innebär oförändrad transportaktivitet inom stratumet. Resultatet i Tabell 3.6 visar på den betydande osäkerhet i basparametrarna som hanteringen av stratum 6 kan orsaka. 3. Den stora ökningen av antal lätta lastbilar från år 1998 till 2005 påverkar framför allt stratum 2. Det finns kanske anledning att förmoda att en signifikant andel av denna ökning inte har direkt med näringsidkande att göra utan i stället används av privat personer (med enskild firma). Det handlar i så fall även här om en strukturell förändring. Denna kan vara svårare att få klarhet i. 4. Bortfallet som sker vid kopplingen mellan arbetsställeregistret och bilregistret är inte obetydligt och kan ha påverkat (förändrat) stratifieringen i viss mån. 24

25 Programuppdateringar 4.1 Installation av Natra 3.0 Installationen skiljer sig något från tidigare versioner av Nätra. Den största skillnaden är att en run-time-version av systemet numera saknas. Detta innebär att Access 2003 (eller senare) krävs installerad på användarens dator för att kunna köra Nätra-systemet. Installationen görs genom att dubbelklicka på filen setup.exe på installationsskivan. Vid installationen kopieras nödvändiga filer över till hårddisken och placeras i en biblioteksstruktur enligt nedan där KATALOG är den huvudkatalog som valts vid installationen. Biblioteksstrukturen är oförändrad mot tidigare versioner och skall finnas definierad i en fil C:\NATRA99.DAT. För att lägga upp den filen på C-roten kan det krävas att man är administratör. Vid behov kan vi införa fler möjligheter. KATALOG\Program KATALOG\NVdata KATALOG\Resultat KATALOG\Statdata KATALOG\TmpData Accessdatabasen 6 kan med fördel placeras direkt under KATALOG d v s vi får KATALOG\NATRA_3x0.mdb Körningen av Nätra-systemet görs på samma sätt som tidigare (starta genom att dubbelklicka på Natra_3x0.mdb i KATALOG. För mer information se doc-filer i KATALOG. Vissa smärre förändringar har gjorts i systemet jämfört med tidigare versioner. Den största förändringen är att OD-kalibreringen numera inte görs som ett självständigt steg utan görs direkt i anslutning till Assignment-beräkningen. 4.2 Utdata till enif I den uppdaterade version av NÄTRA-modellen har vi inkluderat ett stöd för att använda enifprogrammet från INRO [2003]. Enif är ett program som möjliggör grafisk illustration av nätverksflöden med mer från emme/2 och från textfiler på lämpligt format. I en normal användning av enif ansluter man till en emme/2-databank, men i det här fallet väljer man att fortsätta utan en dylik databank genom att välja Continue anyway i dialogrutan nedan. Är man normalt uppkopplad till en databank måste man koppla ifrån den. 6 Eventuellt saknade filer till Access-applikationen kan läggas in direkt i avsedd katalog, ex vis C:\Windows\System32. De registreras sedan med kommandot regsvr32 C:\Windows\System32\<filnamn> 25

26 En standardutskrift från det uppdaterade nätverksanalysprogrammet, dsd_irs.exe, är en fil med extension eni vilken kan läsas in i enif. Filen har samma beteckning som log-filen som är det angivna problemnamnet i styrfilen, ex vis Sthlm05(fm), följt av ett ordningsnummer som skrivs på formen _000. Med körningsnummer 5 kommer ex vis log-, out- och enif-filerna att betecknas (inklusive katalognamn) 1. TmpData\Sthlm05(fm)_005.logd 2. Resultat\Sthlm05(fm)_005.out 3. Resultat\Sthlm05(fm)_005.eni Exempel på användning av enif-utdata har visats i figurerna 2.2, 2.3 och 2.5. Eni-filerna innehåller data enligt tabell 4.1. enif-data Innehåll ui1 Radsumma för centroider ui2 Kolumnsumma för centroider ul1 Länkflöde i jämviktslösningen ul2 Hastighet på länk [km/tim] ul3 Existerande trafikräkningar i indata Tabell 4.1 Utdata till enif från en nätverksutläggning med DSD-IRS. Även det access-baserade gränssnittet till NÄTRA-modellen har anpassats för detta ändamål. Formuläret i Figur 4.1 har kompletterats med en specifikation av hur länkflöden från olika bidragande OD-matriser ska redovisas. De alternativ som finns är ul1, ul2, ul3 samt ingetdera. Utdata placeras i en fil som becknas LINKFLOWS_MULTI_OD.eni Den inleds med en loggning enligt figurerna där lastbilsflöden placerats i ul1, llb i ul2 samt pb i ul3. Rad- och kolumnsummor för valda OD-matriser placeras i ui1 ui3 för centroiderna. 26

27 Figur 4.2 Formulär för länkbelastningar från olika matriser i NÄTRA. c EMME/2 Module: 2.14(v9.01) Date: :43 User: DSD-C/VKTt...HED c Project: NATRA ul1 - ul3 + extra kolumner: c Scenario 18: SAMM NATRA-lb Upscale2005 c ul1-3 OD-fil c 0 odselect_pb-arbets_fm.bin c 0 odselect_pb-tjanste_fm.bin c 0 odselect_pb-ovrigt_fm.bin c 1 od_basaar_tlb.bin c 2 od_basaar_llbv.bin c 2 od_basaar_llbs.bin c 3 od_basaar_pbv.bin c 3 od_basaar_pbs.bin c 1 od_basaar_got.bin t nodes init a* a* t links init a c a c a c a c a c a c Figur 4.3 Utdata till enif från en nätverksutläggning med DSD-IRS. 27

28 Modifieringar DSD_IRS och entropimodellen för ODkalibrering Generellt sett har ett stort antal förändringar och förbättringar gjorts av DSD-IRS, varav den mest omfattande avser en hantering av multipla klasser, se Edwards och Engelsson [2004]. Den funktionaliteten är dock ännu inte inkopplad i NÄTRA. Ändringarna listas nedan. 1. Ett antal buggar i programmet har upptäckts och åtgärdats sedan Några få rader i styrfilerna har bytts ut eller ersatts, men det hanteras via användargränssnittet. 3. Vd-funktionerna hanteras i en numerisk analys istället för som tidigare med analytiska uttryck för derivator och integraler. Koefficienterna är hårdkodade i en subrutin. 4. OD-kalibreringen som startas med utdata från nätverksanalysmodellen (DSD_IRS.exe) till entropimodellen (ODE.exe), har reviderats dels med utgångspunkt i KFB-rapporten Edwards [2000], dels med avseende på hanteringen av aggregeringen av små OD-flöden. Nu ingår alltid aggregering av små flöden, även om det görs som ett dummy-upplägg. Anledningen är att programflödet förenklas väsentligt. 5. En ny kalibreringsmetod är framtagen inom ramen för ett annat projekt, se beskrivning i kapitel 5. Vi kan diskutera om den ska kopplas in för NÄTRA som ersättning eller komplement till entropialgoritmen i punkt 4 ovan. 6. Av intresse är också hur vi bör sätta upp SAMPERS-matriserna för En möjlighet är att interpolera fram en sådan matris baserat på data från basåret, 2001, respektive ett närliggande prognosår, ex vis Man kan också tänka sig andra uppdateringar baserat på förändringen i dagbefolkning och antal boende i olika områden under perioden 2001 till Denna aspekt diskuteras också i kapitel Länkflöden i enif morgon maxtimme 7-8 ## Hur är det med andelarna i våra default scenarier? I ex vis od_basaar_sce_7-8.sce, d v s mest llb och lika mycket pb som tulb. Värdet OD-dygn stämmer överens med förväntade relationer. Man får sätta upp andra timmar om man vill spegla max-volymen, ex vis 8-9. OD-matris Andel OD-total Maxtimm Fordon OD kl 7-8 OD dygn e 7-8 Od_basaar_tlb.bin Tu lb Od_basaar_llbv.bin Llb Od_basaar_llbs.bin Pb Od_basaar_pbv.bin Od_basaar_pbs.bin

29 Od_basaar_got.bin Tabell 4.4 Konstruktion av summerade matriser görs genom sammanviktning med tidsfördelning från undersökningsdata.. Tidpunkten avser tiden vid start! Noteras bör att med ruttben menar vi här en strecka mellan två Nätra-stopp. Ofta är dessa ganska korta och ruttbenen håller sig då helt inom en viss heltimme. (Jämför med Tabell 3.7 där knappt 50% av ruttbenen är kortare än 6 km för tung lastbil). Osäkerheten är generellt större i Pb-data jämfört med Lb-data. Andelarna för sammanvägning av OD-matriserna för olika delar av en dag erhålls ur NÄTRAdatabasen, se filen Rad_o_kolumn_summor_NÄTRA.xls (flik Tidsfördelningar dygn) Figurerna ser ut som i figurerna nedan. Dubbelklick på figurerna medför att bakomliggande indata kommer fram i ett litet Excel-fönster Antal fordon (gäller m edelvardagsdygn för undersökt period) Formaterat: Inte Färgöverstrykning Formaterat: Inte Färgöverstrykning Formaterat: Höger: 0.6 cm Borttaget: Formaterat: Färgöverstrykning Formaterat: Indrag: Vänster: 0 cm, Hängande: 2.33 cm Figur 4.5 Frekvensdiagram för antal körningar med tung lastbil avseende varutransporter och service/hantverk. 29

30 Formaterat: Table 01 Antal fordon (gäller m edelvardagsdygn för undersökt period) Figur 4.6 Frekvensdiagram för antal körningar med lätt lastbil avseende varutransporter och service/hantverk. Antal fordon (gäller medelvardagsdygn för undersökt period)

31 Figur 4.7 Frekvensdiagram för antal körningar personbil avseende varutransporter och service/hantverk. 4.5 Logfiler från DSD_IRS Normal nätutläggning där nbr är ett tal mellan 1 och 99 skrivet med inledande 0:or (3 positioner). <Problemnamn><_nbr>.logd Summering av OD-matriser: Summera.logd Justering av OD-matriser: Justera.loga Konverteringa av OD-matriser: Konverteraa.logk 31

32 Kalibreringsmetod avseende trafikräkningar och övrigt I detta avsnitt beskrivs hur en kalibrering av OD-matriserna i två steg kan genomföras. Primärt föreslår vi en kalibrering mot trafikräknedata och ÅDT-värden från NVDB. Räknedata kan ges olika vikt beroende på aktualitet och tillförlitlighet. En kalibrering kan också göras mot OD-matrisens rad- och kolumn-summor. Avvikelserna kan ges gemensamma eller individuella vikter för att spegla osäkerheten i indata. 5.1 Kalibrering mot trafikräkningar i DSD-C Assignmentprogrammet DSD-C använder detaljerad ruttinformation för samtliga rutter som används. Detta innebär att varje OD-relations bidrag till flödet i trafikräknepunkterna kan beräknas. Också justeringar av efterfrågevärden under lösningens gång kan hanteras, vilket innebär att effekterna av OD-matrisjusteringarna kan beräknas direkt med en fortsatt lösning av assignmentproblemet med reviderade efterfrågevärden. Därför kan ett antal justeringar av OD-matriserna göras i samma assignment- och kalibreringskörning och effekterna kan beräknas i de successiva iterationerna. Jämförelser med assignment-resultat från emme har gjorts. Observerade avvvikelser berodde främst på två faktorer: 1. Felskrivningar i använda vd-funktioner 2. Inlagda svängstraff eller undantag från svängstraff för u-svängar. Dessa fel har åtgärdats, varav det andra genom ett generellt förbud mot u-svängar. Vi har utnyttjat tillgången till ruttinformation för att implementera en kalibreringsmetod som baseras på justeringar av OD-flödena så att vi minimerar summan av viktade avvikelser i kvadrat för OD-flöden och av viktade avvikelser i kvadrat för flöden i trafikräknepunkter, d v s min [ 1/W (skillnader i OD-matriser) 2 ] + [ 1/V (skillnader i trafikräknepunkter) 2 ](5.1) Vikterna utförs av inversen av ansatta värden för variansen i OD- respektive länkflödesdata. Vidare ingår begränsningar för hur mycket, i relativa tal, ett OD-värde får ändras. Kalibreringen görs för en klass (en OD-matris), och differensmatriser adderas vid behov till efterfrågevärden i de olika klasserna i proportion till grundvärdena i klasserna. 32

33 Matematiskt formuleras det som: 2 ( Dij Dij ) min y = + W i, j med hänsyn till ij f LBD L TC ( xl x L ) V L Dij Dij f 2 UBD Dij för alla ioch j (5.2) där D ij = efterfrågan i relation i till j D ij = efterfrågan i relation i till j, grundvärde W ij = variansen i efterfrågan i relation i till j x L = flödet på länk L i assignmentmodellen x L = observerat flöde på trafikräknelänk L TC = mängden av trafikräknepunkter V L = variansen i flödet i trafikräknepunkt L f LBD = relativ undre gräns för efterfrågevärdena D ij f UBD = relativ övre gräns för efterfrågevärdena D ij 5.2 Kalibrering avseende OD-relationer mot rad- och kolumnsummor men utan trafikräkningar Vi söker en minsta kvadratlösning för OD-relationer och randvillkorsavvikelser. Matematiskt formuleras det som: 2 2 ( Dij Dij ) y R min = D R U + ij i i W / i, j ij i j 2 C + Dij C j U j / j i med hänsyn till f Dij Dij f Dij för alla ioch j LBD UBD (5.3) där D ij = efterfrågan i relation i till j D ij = efterfrågan i relation i till j, grundvärde W ij = variansen i efterfrågan i relation i till j R = målnivå för radsumma i origin i i C j = målnivå för destination j 33

34 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 Det formulerade problemet i ekvation (5.3) erhålls som ett specialfall av problemet i ekv (5.4). 5.3 Simultan kalibrering avseende både trafikräkningar och rad- och kolumnsummor De båda alternativen i avnitt 5.2 och 5.3 kan naturligtvis kombineras till en simultan viktning mot såväl trafikräkningar som marginalvillkort. Med modellen nedan viktas avvikelser från startodmatrisen, trafikräkningar och marginalvillkoren med en estimerad varians i deras respektive grundvärden (startvärden). Variansen anges exempelvis i termer av variationskoefficientern d v s kvoten mellan standardavvikelsen och grundvärdet (σ/µ). En liten variationskoefficient innebär en hög vikt och omvänt. Problemställningen blir då: ( Dij Dij ) ( xl x L ) y min = + + D R ij i U W L TC V / i, j ij L i j 2 C + Dij C j U j / j i med hänsyn till f Dij Dij f Dij för alla i och j LBD UBD R i (5.4) Det formulerade problemet i ekvation (5.4) är implementerad i DSD-C. 5.4 Kalibrering och användning av OD-matriser mellan basår och prognosår En generell aspekt att beakta vid kalibrering av OD-matriser från ett historiskt basår, ex vis 2001, till ett aktuellare år, ex vis 2006, avser användningen av differens-matriser. Skulle vi ex vis kalibrera om matriserna från 2001 till 2006 för att få fram differensmatriser, så skulle dessa differensmatriser också omfatta utvecklingen under perioden Detta måste beaktas om vi ska addera differensmatrisen till en prognosmatris för ex vis Inför en sådan kalibrering bör man därför ta fram en mellanårsmatris för 2006 genom en intelligent interpolation mellan 2001 och Med utgångspunkt från en sådan interpolerad matris kan en differensmatris beräknas för användning till prognoser. 34

35 Kalibreringsresultat Vid försök till kalibrering mot trafikräkningar med mera uppdagades att någonting blivit fel i entropi-modellen som använts tidigare. Förmodligen har uppdateringsarbetet med modellen gått fel någonstans. Vi beslöt därför att som kalibreringsmetod välja en minsta kvadratanpassning enligt beskrivningen i kapitel 5.1 ovan. Fördelar med denna metod är: 1. Effektiv ur beräkningssynpunkt. Mellanresultat behöver inte överföras via stora filer. 2. Lättare att förstå 3. Lättare att använda (endast ett program behöver köras). Metoden är integrerad med DSD-C. 4. Övre och undre gränser kan införas för variablerna (OD-matrisvärdena) Nackdelar jämfört med entropimodellen: 5. Inga extra sidovilkor avseende ex vis rad- och kolumnsummor är inkluderade (med de kan inkluderas enligt beskrivningen i kapitel 5.2) Kalibreringar har gjors för trafiken i Sampers-perioderna, FM, LT och EM. Vikterna har valts enligt Tabell 6.1. Trafikräkningar som använts är de tagits fram i tidigare projekt för Vägverket, region Stockholm avseende 2005/2006. Viktfaktor Faktor Absolutvärde sigmadfac 10 Wij = 10 D ij sigmalfac 0.01 V L = 0.01 x L sigmarsumfac 25 U R i = 25 R i sigmacsumfac 25 U C j = 25 DLowerFac D ij DUpperFac D ij Tabell 6.1 Vikter för kalibreringen (i fil Program\ODsetup.ctl). C j 6.1 Kalibrering FM Målmatrisen i varje kaliberingssteg har varit den sammanlagda matrisen (sampers + NÄTRAtransporter) i NVdata\ od_basaar_7-8.bin. Kalibreringsdata finns i filen NVdata\ network_samm(fm).cou. Kalibreringen har körts i 4 steg där den kaliberade utdatamatrisen OD_CALIB_nnn.bin har valts som indata-matris i nästa steg för nnn = 011,...,014. Resultatet steg för steg redovisas i Tabell 6.2. Innehållet i tabellen förklaras nedan (underlag till tabellen hämtas från resultatfilerna Resultat\ Calib Result_nnn.txt): Del 1: 35

36 Matris = anger vilken matris som resultatet avser. ODbar = målmatrisen och den anges med namn på raden ODbar= i del 2 nedan. ODinASG = OD-matris som assignas ODcalib = kalibrerad matris ODsumma = totalsumm i OD-matrisen Nobs = antal celler i matrisen med värde > 0 E[diff] = medelvärde på differernserna i OD-matriscellerna (matrisen på raden ODbar) std[diff] = standardavvikelse på differernserna ovan MAD[diff] = medelabsolutavvikelse på differernserna ovan SummaKvot = kvot mellan ODmatris-summorna ( matrisen på raden / ODbar) Max deltaod = maximal positiv OD-matriscelldifferens Max deltaod[%] = maximal positiv OD-matriscelldifferens i % Min deltaod = maximal negativ OD-matriscelldifferens Min deltaod[%] = maximal negativ OD-matriscelldifferens i % E[TAP-OBS] = medelvärde på differens mellan estimerat flöde från assignment/kalibrerad matris och observationer std[tap-obs] = standardavvikelse för differens ovan Del 2: AntalOD_2_COUNTS = antal OD-matrisflöden som träffar minst en trafikräknepunkt AndelOD_2_COUNTS[%] = %-andel av OD-matrisflöden som träffar minst en trafikräknepunkt Asg_run_SerialNbr: = Angivet nummer för assignment-analysen. Numret styr namnet på kalibreringsfilen. ODbar= anger målmatris ODinASG = anger indatamatrisen för assignmentanalysen- Resultaten har erhållits genom att köra DSD_IRS fyra gånger med OD-matriser enligt nedan: Asg nr Indatamatris (mål) Indatamatris Kalibererad matris 11 od_basaar_7-8.bin od_basaar_7-8.bin OD_calib_011.bin 12 od_basaar_7-8.bin OD_calib_011.bin OD_calib_012.bin 13 od_basaar_7-8.bin OD_calib_012.bin OD_calib_013.bin 14 od_basaar_7-8.bin OD_calib_013.bin OD_calib_014.bin I figurerna 6.3 och 6.4 illustreras hur modellvärdena relateras till observationerna före och efer kalibreringen. Som synes uppnås en mycket god anpassning. Den totala efterfrågan har justerats uppåt med 1.6 %, se SummaKvot i Steg 3. 36

37 STEG 1 MATRIS ODsumma Nobs E[diff] Stdav (diff) MAD (diff) Summa Kvot Max deltaod Max delta OD [%] Min deltaod Min delta OD [%] E[TAP- OBS] std[tap- OBS] ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_S 11 NTS OUNTS[%] erialnbr: ODbar ODbar= od_basaar_7-8.bin ODinASG= od_basaar_7-8.bin STEG 2 MATRIS ODsumma Nobs E[diff] Stdav MAD Summa Max Max delta Min Min delta E[TAP- std[tap- (diff) (diff) Kvot deltaod OD [%] deltaod OD [%] OBS] OBS] ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_S 12 NTS OUNTS[%] erialnbr: ODbar ODbar= od_basaar_7-8.bin ODinASG= od_calib_011.bin STEG 3 MATRIS ODsumma Nobs E[diff] Stdav (diff) MAD (diff) Summa Kvot Max deltaod Max delta OD [%] Min deltaod Min delta OD [%] E[TAP- OBS] std[tap- OBS] 37

38 ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_S 13 NTS OUNTS[%] erialnbr: ODbar ODbar= od_basaar_7-8.bin ODinASG= od_calib_012.bin STEG 4 MATRIS ODsumma Nobs E[diff] Stdav MAD Summa Max Max delta Min Min delta E[TAP- std[tap- (diff) (diff) Kvot deltaod OD [%] deltaod OD [%] OBS] OBS] ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_S 14 NTS OUNTS[%] erialnbr: ODbar ODbar= od_basaar_7-8.bin ODinASG= od_calib_013.bin Tabell 6.2 Resultat FM i de olika kalibreringsstegen. 38

39 y = x R 2 = Före kalibering 5000 Modellvärde MODEL Linjär (MODEL) Trafikräkning Figur 6.3 Resultat efter assignment av grundmatrisen FM. Trafikarbete 2.47 Mkm y = 1.011x R 2 = Efter kalibering 6000 Modellvärde adjmodel Linjär (adjmodel) Trafikräkning Figur 6.4 Resultat efter assignment av OD_calib_013.bin. Trafikarbete 2.31 Mkm 6.2 Kalibrering LT Resultatet för mitt-på-dagen trafiken (LT) erhålls på samma format som för FM i tabell 6.5 och figurerna

40 STEG 1 MATRIS ODsumma Nobs E[diff] Stdav (diff) MAD (diff) Summa Kvot Max deltaod Max delta OD [%] Min deltaod Min delta OD [%] E[TAP- OBS] std[tap- OBS] ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_S 21 NTS OUNTS[%] erialnbr: ODbar ODbar= od_basaar_9-15.bin ODinASG= od_basaar_9-15.bin STEG 2 MATRIS ODsumma Nobs E[diff] Stdav MAD Summa Max Max delta Min Min delta E[TAP- std[tap- (diff) (diff) Kvot deltaod OD [%] deltaod OD [%] OBS] OBS] ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_S 22 NTS OUNTS[%] erialnbr: ODbar ODbar= od_basaar_9-15.bin ODinASG= od_calib_021.bin STEG 3 MATRIS ODsumma Nobs E[diff] Stdav MAD Summa Max Max delta Min Min delta E[TAP- std[tap- (diff) (diff) Kvot deltaod OD [%] deltaod OD [%] OBS] OBS] ODbar ODinASG

41 ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_S 23 NTS OUNTS[%] erialnbr: ODbar ODbar= od_basaar_9-15.bin ODinASG= od_calib_022.bin STEG 4 MATRIS ODsumma Nobs E[diff] Stdav MAD Summa Max Max delta Min Min delta E[TAP- std[tap- (diff) (diff) Kvot deltaod OD [%] deltaod OD [%] OBS] OBS] ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_S 24 NTS OUNTS[%] erialnbr: ODbar ODbar= od_basaar_9-15.bin ODinASG= od_calib_023.bin Tabell 6.5 Resultat LT i de olika kalibreringsstegen. 41

42 y = x R 2 = Före kalibering 3000 Modellvärde MODEL Linjär (MODEL) Figur 6.6 Trafikräkning Resultat efter assignment av grundmatrisen LT.Trafikarbete: 1.77 Mkm y = x R 2 = Efter kalibering 4000 Modellvärde MODEL Linjär (MODEL) Trafikräkning Tabell 6.7 Resultat LT efter assignment av OD_calib_023.bin. Trafikarbete: 1.90 Mkm. Resultaten har erhållits genom att köra DSD_IRS fyra gånger med OD-matriser enligt nedan: Asg nr Indatamatris (mål) Indatamatris (mål) Kalibererad matris 21 od_basaar_9-15.bin od_basaar_9-15.bin OD_calib_021.bin 22 od_basaar_9-15.bin OD_calib_021.bin OD_calib_022.bin 42

43 od_basaar_9-15.bin OD_calib_022.bin OD_calib_023.bin 24 od_basaar_9-15.bin OD_calib_023.bin OD_calib_024.bin I figurerna 6.6 och 6.7 illustreras hur modellvärdena relateras till observationerna före och efer kalibreringen. Även här uppnås en mycket god anpassning. Den totala efterfrågan har justerats uppåt med hela 16.3 %, se SummaKvot i Steg Kalibrering EM Resultatet för mitt-på-dagen trafiken (EM) erhålls på samma format som för FM i tabell 6.8 och figurerna Resultaten har erhållits genom att köra DSD_IRS fyra gånger med OD-matriser enligt nedan: Asg nr Indatamatris (mål) Indatamatris (mål) Kalibererad matris 31 od_basaar_16-17.bin od_basaar_16-17.bin OD_calib_031.bin 32 od_basaar_16-17.bin OD_calib_031.bin OD_calib_032.bin 33 od_basaar_16-17.bin OD_calib_032.bin OD_calib_033.bin 34 od_basaar_16-17.bin OD_calib_033.bin OD_calib_034.bin I figurerna 6.9 och 6.10 illustreras hur modellvärdena relateras till observationerna före och efer kalibreringen. Anpassningen är bra. Den totala efterfrågan har justerats uppåt med hela 2.34 %, se SummaKvot i Steg 3. 43

44 STEG 1 MATRIS ODsumma Nobs E[diff] Stdav (diff) MAD (diff) Summa Kvot Max deltaod Max delta OD [%] Min deltaod Min delta OD [%] E[TAP- OBS] std[tap- OBS] ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_Se NTS OUNTS[%] rialnbr: 31 ODbar ODbar= od_basaar_16-17.bin ODinASG= od_basaar_16-17.bin STEG 2 MATRIS ODsumma Nobs E[diff] Stdav MAD Summa Max Max delta Min Min delta E[TAP- std[tap- (diff) (diff) Kvot deltaod OD [%] deltaod OD [%] OBS] OBS] ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_Se NTS OUNTS[%] rialnbr: 32 ODbar ODbar= od_basaar_16-17.bin ODinASG= od_calib_031.bin STEG 3 MATRIS ODsumma Nobs E[diff] Stdav MAD Summa Max Max delta Min Min delta E[TAP- std[tap- (diff) (diff) Kvot deltaod OD [%] deltaod OD [%] OBS] OBS] ODbar ODinASG

45 ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_Se NTS OUNTS[%] rialnbr: 33 ODbar ODbar= od_basaar_16-17.bin ODinASG= od_calib_032.bin STEG 4 MATRIS ODsumma Nobs E[diff] Stdav MAD Summa Max Max delta Min Min delta E[TAP- std[tap- (diff) (diff) Kvot deltaod OD [%] deltaod OD [%] OBS] OBS] ODbar ODinASG ODcalib MATRIS AntalOD_2_COU AndelOD_2_C Asg_run_Se NTS OUNTS[%] rialnbr: 34 ODbar ODbar= od_basaar_16-17.bin ODinASG= od_calib_033.bin Tabell 6.8 Resultat EM i de olika kalibreringsstegen. 45

46 Före kalibering y = x R 2 = Modellvärde MODEL Linjär (MODEL) Trafikräkning Figur 6.9 Resultat efter assignment av grundmatrisen EM. Trafikarbete: 2.74 Mkm y = x R 2 = Efter kalibering 5000 Modellvärde MODEL Linjär (MODEL) Trafikräkning Figur 6.10 Resultat EM efter assignment av OD_calib_033.bin. Trafikarbete: 2.53 Mkm. 46

47 Sammanfattning av kalibreringsresultat Resultaten av kalibreringen sammanfattas i tabell Antal resor/transporter Antal fordonskm [Mfkm] Tidsperiod Före Efter Ändring [%] Före Efter Ändring [%] FM LT EM Tabell 6.11 Sammanfattning av kalibreringseffekterna avseende antal resor/transporter och trafikarbete. Resultatet per delmatris visas i tabellerna Vi har proportionerat ut resultat till de olika delmatriserna enligt metod 3 som innebär en strikt proportionalitet. Ett alternativ är att använda metod 2 baserad på en lognormalfördelning. Då kan varianserna varieras för de olika matriserna och därmed kan graden av osäkerhet i matriserna viktas in i justeringen. Några enif-plottade flöden visas i figurerna OD-matriserna FM och EM ligger rätt nivåmässigt med ett ökningsbehov på c:a 2 % i antal. Trafikarbetet däremot minskar med 7-8 %. OD-matrisen LT underskattar både antalet resor/transporter och trafikarbetet som ökar med knappt 19 % respektive 6 %. Antal resor/transporter OD-matriser (FM) Out_sum In_sum Ändring [%] Trafikarbete Out_vkm In_vkm Ändring [%] Adj07-08_odselect_pbarbets_fm.bin Adj07-08_odselect_pbtjanste_fm.bin Adj07-08_odselect_pbovrigt_fm.bin Adj07-08_od_basaar_tlb.bin Adj07-08_od_basaar_llbv.bin Adj07-08_od_basaar_llbs.bin Adj07-08_od_basaar_pbv.bin Adj07-08_od_basaar_pbs.bin Adj07-08_od_basaar_got.bin SUMMA Tabell 6.12 Sammanfattning av kalibreringseffekterna avseende antal resor/transporter och trafikarbete per delmatris. Kalibrerad matris: OD_calib_013.bin. 47

48 Antal resor/transporter OD-matriser (LT) Out_sum In_sum Ändring [%] Trafikarbete Out_vkm In_vkm Ändring [%] Antal resor/transporter OD-matriser (EM) Out_sum In_sum Ändring [%] Trafikarbete Out_vkm In_vkm Ändring [%] Adj09-15_odselect_pbarbets_LT.bin Adj09-15_odselect_pbtjanste_LT.bin Adj09-15_odselect_pbovrigt_LT.bin Adj09-15_od_basaar_tlb.bin Adj09-15_od_basaar_llbv.bin Adj09-15_od_basaar_llbs.bin Adj09-15_od_basaar_pbv.bin Adj09-15_od_basaar_pbs.bin Adj09-15_od_basaar_got.bin SUMMA Tabell 6.13 Sammanfattning av kalibreringseffekterna avseende antal resor/transporter och trafikarbete per delmatris. Kalibrerad matris: OD_calib_023.bin. Adj16-17_odselect_pbarbets_LT.bin Adj16-17_odselect_pbtjanste_LT.bin Adj16-17_odselect_pbovrigt_LT.bin Adj16-17_od_basaar_tlb.bin Adj16-17_od_basaar_llbv.bin Adj16-17_od_basaar_llbs.bin Adj16-17_od_basaar_pbv.bin Adj16-17_od_basaar_pbs.bin Adj16-17_od_basaar_got.bin SUMMA Tabell 6.14 Sammanfattning av kalibreringseffekterna avseende antal resor/transporter och trafikarbete per delmatris. Kalibrerad matris: OD_calib_033.bin. 48

49 Trafikflöden i Stockholms närområde under morgontrafiken 7-8 visas i figur Figur 6.15 Trafik i period FM. Volymer: Pb+LLb innerst, Tulb mellan och Sampers-Pb ytterst. Trafikflöden i Stockholms närområde under mellanintensitetsperiod, LT, visas i figur

50 Figur 6.16 Trafik i period LT. Volymer: Pb+LLb innerst, Tulb mellan och Sampers-Pb ytterst. 7 Trafikflöden med tung lastbil De kalibrerade matriserna har delats upp på kategorierna 1. Sampersmatriser 2. Pb och llb för service- och varutransporter 3. Transporter med tung lastbil Med funktionen Beräkna länkbelastningar för individuella OD-matriser. ÅDT-data från TMSsystemet för tung lastbil har räknats upp med faktorn (=1/0.88) för att komma till en vardagsmedeldygnsnivå. Andelarna av lb-flödena som plottats har beräknats till 0.077, respektive för FM, LT respektive EM. Vikterna har baserats på totalnivåerna för de olika delmatriserna. Vi ser i figurerna att modellvärdena ligger avsevärt under trafikräknedata. 50

51 y = x R 2 = Asg, kalibrerat flöde (FM) TMS, Lb-flöde (FM) Figur 7.1 Lastbilsdata och modellberäknat flöde FM. Kalibrerad matris: OD_calib_013.bin. 51

52 y = x R 2 = Asg, kalibrerat flöde (LT) TMS, Lb-flöde (LT) Figur 7.2 Lastbilsdata och modellberäknat flöde LT. Kalibrerad matris: OD_calib_023.bin. 52

53 Asg, kalibrerat flöde (EM) y = x R 2 = TMS, Lb-flöde (EM) Figur 7.3 Lastbilsdata och modellberäknat flöde EM. Kalibrerad matris: OD_calib_033.bin. För att få en samlad bild av lastbilsflödenas fördelning i länet redovisas TMS-data och assignade flöden på vardagsdygnsnivå i figur 7.4. Vi ser att mätdata oftast fall ligger väsentligt över assignade flöden. Detta gäller i synnerhet längre ut i länet och på andra vägar än E4, ex vis Nynäshamnsvägen, Värmdöleden, E18 västerut från Järva krog och vägarna kring Norrtälje. En möjlig lösning är naturligtvis att lägga in flöden från OD-matriserna utan tung lastbil som konstanta flöden (NvData\BackgroundFlow(FM).dat baserad på OD_calib_013.bin) och sedan kalibrera lastbilsmatriserna separat. Effekten av att göra detta visas för FM i figurerna Som synes uppnås en ganska god anpassning redan efter ett (1) kalibreringssteg. Ytterligare en möjlighet är att beakta flödet av bussar i kollektivtrafiken och justera TMS-data för dessa. I figur 7.7 illustreras att en relativt stor andel av gruppen lastbilar i TMS-mätningarna kan utgöras av bussar. En komplikation är naturligtvis i att lätta lastbilar delvis kvalar in som lastbil i TMS-data. 53

54 Figur 7.4 Trafikdata Lb för vardagsmedeldygn (gult = TMS-data, blått = assign-data) 54