RAPPORT Logistikutredning Södermalm Teknisk bilaga 2011-11-24 Analys & Strategi
Konsulter inom samhällsutveckling WSP Analys & Strategi är en konsultverksamhet inom samhällsutveckling. Vi arbetar på uppdrag av myndigheter, företag och organisationer för att bidra till ett samhälle anpassat för samtiden såväl som framtiden. Vi förstår de utmaningar som våra uppdragsgivare ställs inför, och bistår med kunskap som hjälper dem hantera det komplexa förhållandet mellan människor, natur och byggd miljö. Titel: Logistikutredning Södermalm - Teknisk bilaga Redaktör: Moa Berglund WSP Sverige AB Besöksadress: Arenavägen 7 121 88 Stockholm-Globen Tel: 08-688 60 00, Fax: 08-688 69 99 Email: info@wspgroup.se Org nr: 556057-4880 Analys & Strategi 2 Styrelsens säte: Stockholm www.wspgroup.se Foto: Joachim Lundgren, Carl Swensson
M:\704x\10156107_Trafikkontoret_Logistikutr Södermalm\3_Dokument\38_Rapport\Teknisk bilaga.docx Mall: Rapport Avancerad (Analys och Strategi) - 2007.dot ver 1.0 Innehåll 1 OM PROJEKTET... 5 1.1 Bakgrund... 5 1.2 Uppdrag... 5 1.3 Dokumentation... 6 2 DATAINSAMLING... 6 2.1 Målgrupp... 6 2.2 Enkätundersökning... 8 2.3 Telefonintervjuer... 9 2.4 Svarsfrekvens... 9 2.5 Intresse för samlastning hos mottagarna...12 2.6 Livsmedelsleveranser till privata hushåll...12 3 BEARBETNING AV INSAMLAD DATA...13 3.1 Kategorier...13 3.2 Generell metod för uppskalning...14 3.3 Ofullständiga uppgifter...15 3.4 Antaganden godsmängd...15 3.5 Antaganden leveransdag/leveransfrekvens...17 3.6 Antaganden för samlastning av varor...17 3.7 Antaganden om leverantör/transportör...18 3.8 Livsmedelsleveranser till privata hushåll...18 4 SIMULERINGAR...18 4.1 Lokalisering av samlastningscentral och lager...19 4.2 Emissioner...20 4.3 Övriga antaganden...21 5 FELKÄLLOR OCH RISKER...22 5.1 Målgrupp...22 5.2 Uppskalningsmetod...22 5.3 Samlastning av alla varutyper...23 5.4 Restriktioner för leveranstidpunkt...24 5.5 Lokalisering...25 5.6 Grad av deltagande...25 5.7 Andra osäkerhetsfaktorer...26 6 RESULTAT...26 6.1 Nulägesanalys...26 6.2 Simuleringar...27 6.3 Frågor om intresse för samlastning...29 Analys & Strategi 3
6.4 Leveranser till hushåll... 35 REFERENSER... 36 4 Analys & Strategi
M:\704x\10156107_Trafikkontoret_Logistikutr Södermalm\3_Dokument\38_Rapport\Teknisk bilaga.docx Mall: Rapport Avancerad (Analys och Strategi) - 2007.dot ver 1.0 1 Om projektet 1.1 Bakgrund Sedan 2004 bedrivs samlastning av livsmedel för ett begränsat område i form av en omlastningscentral (O-centralen) som servar Gamla Stan i Stockholm. Affärsmodellen är sådan att leveranser till mottagare i Gamla Stan levereras till O- centralen på Söder Mälarstrand, relativt nära Gamla Stan. Därefter samlastas godset och distribueras av fordon och personal som är specialiserade efter de förutsättningar som gäller i den ganska säregna stadsdelen. Resultatet blir färre distributionsbilar i Gamla Stan, samt att företaget som driver O-centralen enkelt kan erbjuda ett visst mervärde till mottagarna i form av högre servicegrad. Logistikutredningen för Södermalm är en del av ett större projekt som syftar till att utreda huruvida ovanstående koncept är applicerbart på den betydligt större stadsdelen Södermalm, med drygt 100 000 invånare. På Södermalm finns det uppskattningsvis drygt 500 restauranger och drygt 100 dagligvarubutiker. 1.2 Uppdrag Logistikutredningen har två syften. Det primära är att genomföra en nulägesanalys av godsflödena på Södermalm och det sekundära är att simulera ett samlastningsscenario. Undersökningen är avgränsad till livsmedel vilket innebär att aktuella varumottagare främst utgörs av restauranger och dagligvaruhandel. Uppdragets olika delar är: Skapa metod för datainsamling och definiera målgrupp Datainsamling Bearbeta och analysera insamlad data nulägesanalys Simuleringar av nuläge och samlastningsscenario Sammanställning och analys av simuleringsresultat Dokumentation Möten: Uppstartsmöte med projektgruppen Avstämningsmöte med projektgruppen samt beställare Avslutning och presentation med projektgruppen samt beställare Projektgrupp: Anna Vastagh-Ytander, Trafikverket Stockholm Karin Eklund, Trafikverket Stockholm Analys & Strategi 5
Cai Troedsson, Home2You Åke Larsson, Datakonkret Eva Sunnerstedt, Miljöförvaltningen Stockholm Stad Carina R Nilsson, uppdragsledare WSP Björn Hugosson, WSP Daniel Moback, WSP Moa Berglund, WSP Beställare Johanna Salén, projektledare, Trafikkontoret Stockholm Stad Styrgrupp: Anna Vastagh-Ytander, Trafikverket Stockholm Anton Wästberg, Trafikkontoret Stockholm Stad 1.3 Dokumentation Dokumentationen av arbetet har två delar: En sammanfattande presentation med fokus på resultaten av nulägesanalysen och simuleringarna, inklusive rekommendationer på fortsatt arbete, titel: Logistikutredning Södermalm Går det att effektivisera distributionen av livsmedel i stadsdelen genom samlastning? Föreliggande dokument som är en teknisk bilaga till presentationen, med beskrivning av metoder för datainsamling, bearbetning och analys, samt vissa simuleringsresultat i mindre aggregerad form 2 Datainsamling 2.1 Målgrupp I detta projekt ska livsmedelsleveranserna kartläggas via godsmottagarna. Det första steget i datainsamlingen var därför att definiera målgruppen, det vill säga mottagare av livsmedelsleveranser på Södermalm. De typer av verksamheter som pekades ut är Olika typer av restauranger, inklusive caféer, barer/pubar, snabbmatsrestauranger, gatukök, personalmatsalar, pizzerior, etc. Livsmedelsbutiker, till vilket räknas stormarknader, kiosker, jour- /servicebutiker, tobaksbutiker, bagerier, konditorier, charkuteributiker och andra specialbutiker, dryckesbutiker, bensinstationer, etc. 6 Analys & Strategi
M:\704x\10156107_Trafikkontoret_Logistikutr Södermalm\3_Dokument\38_Rapport\Teknisk bilaga.docx Mall: Rapport Avancerad (Analys och Strategi) - 2007.dot ver 1.0 Partihandlare och grossister. Denna kategori ströks dock i ett senare skede, vilket diskuteras nedan. Hotell och vandrarhem som har restaurang eller annan matservering, konferensanläggningar. Skolor grund- och gymnasieskolor och särskolor/specialskolor, både kommunala och privata. Dock ej vuxenutbildningar, körskolor och liknande, då de inte antas ha matservering. Förskolor, både kommunala och privata, fritidshem och annan barnomsorg. Servicehus och andra typer av äldreboenden och specialboenden, både kommunala och privata. Centralkök och cateringfirmor. Kontaktuppgifter företagsnamn, postadress och telefonnummer samt uppgift om omsättning för samtliga dessa köptes in från PAR:s företagsregister. Filtreringen gjordes då på postadress, vilken ibland kan skilja sig från besöksadressen till företaget. Detta innebär att en del av företagen/verksamheterna i målgruppen, som har postadress på Södermalm, har sin verksamhet någon annanstans och egentligen inte bör ingå i målgruppen. Då sådana fall upptäcktes under datainsamlingen ströks de från listan, men troligtvis finns flera oupptäckta fall kvar i gruppen. Å andra sidan finns det säkerligen flera verksamheter på Södermalm som har sin postadress i en annan stadsdel och därmed inte kom med i gruppen. Sammantaget antas det totala antalet godsmottagare på Södermalm vara väl uppskattat. Det finns också fall då företagets egentliga verksamhet är en helt annan än den som angetts i företagsregistret. Detta har hanterats på samma sätt som avvikelserna vad gäller post- och besöksadress, det vill säga de fall som upptäckts har strukits från målgruppen och de fall som säkerligen finns kvar antas kompensera för dem som inte kom med. Uppgifter om verksamheternas omsättning saknas för en relativt stor andel av målgruppen. Hanteringen av detta beskrivs i kapitlet som handlar om uppskalning av data. För att komplettera uppgifterna från PAR:s företagsregister har två andra källor använts. Det noterades att många hotell som ligger på Södermalm inte fanns med i listan. Därför kompletterades denna kategori med uppgifter från eniro.se. För kategorierna skolor, förskolor och servicehus användes Stockholms Stads hemsida där kontaktuppgifter och uppgifter om antal elever respektive lägenheter finns. För dessa kategorier användes antal elever respektive lägenheter som mått på verksamhetens omfattning och därmed till en uppskattning om livsmedelsleveransernas omfattning, istället för omsättningen. Detta på grund Analys & Strategi 7
av att uppgift om omsättning saknades för många enheter, eller var aggregerad till hela kommunens eller stadsdelens nivå istället för enskilda verksamheter. Det är Utbildningsförvaltningen som ansvarar för skolorna i stadsdelen och Stadsdelsförvaltningen som ansvarar för förskolor och servicehus. Dessa kontaktades för att ta reda på om kommunen redan idag har någon typ av samordning av livsmedelstransporterna i stadsdelen. Så var inte fallet, men däremot skickades förfrågan vidare internt till en del av skolorna i stadsdelen som i sin tur gav mer eller mindre detaljerade uppgifter om sina livsmedelsleveranser i e- mail till WSP. Dessa uppgifter användes för att komplettera den data som samlades in via enkäter. I första steget identifierades närmare 1100 verksamheter inom de branscher som var aktuella. Förutom de fall som beskrivs ovan, det vill säga de som visade sig ha verksamheten i en annan stadsdel eller fel typ av verksamhet, upptäcktes att relativt många av postadresserna i själva verket var utanför Södermalm, exempelvis i Hammarby Sjöstad eller Liljeholmen. Denna upptäckt gjordes efter att enkäter skickats ut. Efter bortresning av samtliga verksamheter som av någon anledning inte tillhörde målgruppen återstod 850 mottagare. Denna rensning pågick under hela datainsamlingen efter hand som fall upptäcktes, delvis i kontakten med mottagarna. 2.2 Enkätundersökning Huvuddelen av informationen om livsmedelsleveranserna samlades in via enkäter och telefonintervjuer riktade till delar av de mottagare av leveranser som identifierats i stadsdelen. Eftersom så pass många mottagare identifierats, tillät inte projektets ramar att enkäter för datainsamling kunde skickas till och samlas in från alla mottagare. Ett urval togs därför fram, som skulle vara så representativt som möjligt för hela målgruppen. Totalt skickades 400 enkäter ut, proportionellt fördelade över skolor och servicehus, restauranger, butiker och hotell. Verksamheterna sorterades efter typ av verksamhet, i den mån det kunde avgöras efter registrering i företagsregistret, och omsättning. Urvalet gjordes därefter slumpmässigt, med en jämn fördelning över verksamheternas storlek, inom varje kategori. Enkäten återfinns i bilaga 1. Innan utskick gick den på remiss i projektgruppen och dessutom genomfördes ett kortare pilotförsök då ett antal restauranganställda fick lämna omdömen om enkätens utformning och berätta om sin inställning till undersökningen. Justeringar gjordes utifrån detta. Den första sidan i enkäten utgjordes av en beskrivning av projektet och undersökningen. På nästa sida fanns ett antal frågor gällande mottagarens intresse för samlastning, vilka 8 Analys & Strategi
M:\704x\10156107_Trafikkontoret_Logistikutr Södermalm\3_Dokument\38_Rapport\Teknisk bilaga.docx Mall: Rapport Avancerad (Analys och Strategi) - 2007.dot ver 1.0 beskrivs i följande kapitel. Det gavs även utrymme för att lämna fria kommentarer. Sist fanns en tabell per veckodag, där mottagarna ombads fylla i alla sina livsmedelsleveranser med klockslag, varutyp, godsmängd, leverantör samt transportör, inklusive instruktioner för hur tabellerna skulle fyllas i. 2.3 Telefonintervjuer Svarsfrekvensen via post blev mycket låg, endast cirka 20 ifyllda enkäter skickades in med användbara svar. För att komplettera underlaget gjordes försök med telefonintervjuer, som visade sig ge bra utfall. En fältfirma, Sinitor, anlitades för att genomföra telefonintervjuer i större skala. För att kunna utnyttja tiden så väl som möjligt, förseddes fältfirman med kontaktuppgifter till cirka 140 mottagare utöver de som redan fått en enkät via posten. Detta urval gjordes på samma sätt som det tidigare. Det innebär att totalt 541 mottagare inkluderades i undersökningen på något sätt. För att passa det nya formatet gjordes enkäten om något inför telefonintervjuerna. Intervjuformuläret återfinns i bilaga 2. Den inledande beskrivningen av projektet blev mycket kort och istället lämnades kontaktuppgifter till WSP vid frågor. Leveransadressen bekräftades med en kontrollfråga. Därefter ombads intervjupersonen räkna upp verksamhetens leverantörer, varefter frågor ställdes för varje leverantör om vilka dagar och vid vilken tidpunkt leveranser sker, hur mycket gods som levereras, vilket företag som sköter transporterna och vilka varutyper som levereras. I mån av tid och intresse hos intervjupersonen ställdes även intressefrågorna som avhandlas i nästa kapitel. 2.4 Svarsfrekvens Tack vara telefonintervjuerna förbättrades dataunderlaget väsentligt. I Tabell 1 nedan redovisas statistiken för det totala dataunderlaget. Med ogiltiga mottagare avses här alla mottagare som identifierades i första steget, men som sedan av någon anledning visade sig inte ingå i målgruppen, på grund av typen av verksamhet eller lokalisering. Urvalet som åsyftas är de mottagare som valts ut till att delta i datainsamlingen på något sätt antingen via enkät eller via telefonintervjuer. Den översta raden visar resultatet för alla typer av mottagare, därefter redovisas varje kategori för sig. Dessa kategorier är: Tobak/konfektyr/bensin: Spelbutiker, kiosker, Pressbyrån/7-Eleven, bensinmackar Partihandel/grossist: som hanterar någon form av livsmedel, inklusive dryck, enligt företagsregistret Större livsmedelsbutik: alla livsmedelsbutikskedjor som ICA, Coop, Hemköp, Lidl, Tempo etc. oavsett omsättning, samt varuhus och Systembolaget Analys & Strategi 9
Special/servicebutik: Jour- och servicebutiker, frukt- och grönsakshandlare, kaffe- och tebutiker, fiskaffärer, charkuteributiker, konditorier etc. Snabbmatskedja Restaurang liten: restauranger, caféer, barer, pubar, cateringfirmor, etc., med registrerad omsättning mindre än 2,5 miljoner kronor Restaurang medel: restauranger, caféer, barer, pubar, cateringfirmor, etc., med registrerad omsättning mellan 2,5 miljoner och 15 miljoner kronor Restaurang stor: restauranger, caféer, barer, pubar, cateringfirmor, etc., med registrerad omsättning större än 15 miljoner kronor Restaurang okänd: samma verksamheter som ovan, som saknar uppgifter om omsättning Hotell stort: hotell och konferenshotell med stor omsättning eller hotellkedjor Hotell: mindre hotell och konferensanläggningar, vandrarhem med matservering Förskola Skola: grund-, gymnasie- och särskolor med mer än 200 elever Skola liten: grund-, gymnasie- och särskolor med mindre än 200 elever Skola okänd: grund-, gymnasie- och särskolor med okänt antal elever Servicehus/boende: Äldreboenden, servicehus, specialboenden etc. 10 Analys & Strategi
M:\704x\10156107_Trafikkontoret_Logistikutr Södermalm\3_Dokument\38_Rapport\Teknisk bilaga.docx Mall: Rapport Avancerad (Analys och Strategi) - 2007.dot ver 1.0 Tabell 1: Statistik för hela dataunderlaget. Totalt antal mottagare i första steget Antal mottagare i urval Andel av totalt antal Antal ogiltiga totalt Antal ogiltiga i urval Andel av urvalet Andel av totalt antal Alla kategorier 1073 541 50% 214 20% 106 20% Tobak/konfektyr/bensin 50 24 48% 12 24% 5 21% Partihandel/grossist 79 37 47% 22 28% 15 41% Större livsmedelsbutik 44 22 50% 14 32% 7 32% Special/servicebutik 86 46 53% 22 26% 12 26% Snabbmatskedja 7 4 57% 1 14% 0 0% Restaurang liten 257 120 47% 43 17% 22 18% Restaurang medel 200 105 53% 23 12% 11 10% Restaurang stor 40 25 63% 2 5% 1 4% Restaurang okänd 62 28 45% 13 21% 6 21% Hotell stort 5 5 100% 0 0% 0 0% Hotell 14 9 64% 2 14% 1 11% Förskola 123 66 54% 23 19% 10 15% Skola 26 19 73% 5 19% 5 26% Skola liten 20 6 30% 0 0% 0 0% Skola okänd 33 11 33% 26 79% 8 73% Servicehus/boende 27 14 52% 6 22% 3 21% Antal giltiga mottagare totalt Antal användbara svar Andel av giltiga med enkätsvar Antal giltiga i urval Svarsfrekvens Alla kategorier 859 435 150 34% 17% Tobak/konfektyr/bensin 38 19 6 32% 16% Partihandel/grossist 57 22 3 14% 5% Större livsmedelsbutik 30 15 10 67% 33% Special/servicebutik 64 34 16 47% 25% Snabbmatskedja 6 4 5 125% 83% Restaurang liten 214 98 21 21% 10% Restaurang medel 177 94 30 32% 17% Restaurang stor 38 24 9 38% 24% Restaurang okänd 49 22 5 23% 10% Hotell stort 5 5 3 60% 60% Hotell 12 8 2 25% 17% Förskola 100 56 28 50% 28% Skola 21 14 6 43% 29% Skola liten 20 6 2 33% 10% Skola okänd 7 3 1 33% 14% Servicehus/boende 21 11 3 27% 14% Som Tabell 1 visar, blev svarsfrekvensen efter telefonintervjuerna 34 %. Eftersom cirka hälften av de giltiga mottagarna (435/859) fanns med i urvalet, innebär det att data samlats in från cirka 17 % av alla giltiga mottagare. Kategorin Snabbmatskedja har en svarsfrekvens över 100 %, vilket beror på att en restaurang lämnade uppgifter även för en annan restaurang i samma kedja, som inte tagits med i urvalet. Den kategori med lägst svarsfrekvens är Partihandel/grossist där endast 3 svar kunde samlas in, vilket motsvarar 5 % av alla giltiga mottagare i kategorin. Denna kategori har samtidigt den näst högsta frekvensen av ogiltiga mottagare i urvalet (41 %). Det beror på att det i kontakten med mottagarna visade sig att många verksamheter som är registrerade som par- Analys & Strategi 11
tihandlare i någon form av livsmedel bedriver verksamheter som inte kräver några direkta transporter av livsmedel till och från verksamhetens adress och därmed ströks ut målgruppen. På grund av den låga svarsfrekvensen och det stora bortfallet, ansågs det för osäkert att skala upp underlaget till hela gruppen och därför har denna kategori strukits från underlaget. I simuleringarna har de tre svar som kommit in tagits med, men övriga 54 mottagare har inte tagits med. Inför simuleringarna fanns alltså cirka 800 mottagare kvar i målgruppen. Den kategori som hade högst andel bortfall av ogiltiga mottagare är Skola okänd, det vill säga skolor med okänt antal elever. För denna kategori fanns dock bättre underlag, dels på grund av den högre svarsfrekvensen, dels på grund av att underlaget från Skola respektive Skola liten kunde användas till uppskalningen (se kapitlet som handlar om bearbetning av data för en detaljerad beskrivning). 2.5 Intresse för samlastning hos mottagarna I den utskickade enkäten samt i telefonintervjuerna ställdes ett antal frågor till mottagaren, utöver tabellerna där uppgifter om leveranserna skulle fyllas i. Frågorna återfinns i resultatdelen (kapitel 6.3). Det gavs även utrymme att lämna fria kommentarer. I telefonintervjuerna ställdes samma frågor, men sist i intervjun. Då intervjupersonerna ofta hade begränsat med tid att svara på frågorna, prioriterades insamlingen om uppgifter om varuleveranser och intressefrågorna ovan ställdes i mån av tid. 2.6 Livsmedelsleveranser till privata hushåll Ett önskemål från projektgruppen var att även göra en kartläggning över livsmedelsleveranser till privata hushåll, av så kallade matkassar. 17 företag som erbjuder en sådan tjänst för boende på Södermalm identifierades 1 och ett frågeformulär skickades ut till samtliga företag som hade en e-mailadress (16 stycken). Tre av företagen svarade på en eller flera av frågorna och information om ytterligare två av företagens leveranser inhämtades via en transportör 2. Frågeformuläret återfinns i bilaga 3. 1 Med hjälp av bland annat jämförelsehemsidan www.matkasse.com 2 En tillfrågad transportör, e-mail 2011-12-15 12 Analys & Strategi
M:\704x\10156107_Trafikkontoret_Logistikutr Södermalm\3_Dokument\38_Rapport\Teknisk bilaga.docx Mall: Rapport Avancerad (Analys och Strategi) - 2007.dot ver 1.0 3 Bearbetning av insamlad data Simuleringarna kräver att det för varje mottagare finns definierat ett antal leveranser under en vecka, med specifikation vad gäller leveransdag, godsmängd, leverantör och leveranstidpunkt. Denna information finns, mer eller mindre komplett, för de mottagare som lämnat svar via enkät eller telefonintervju, det vill säga 150 av de totalt 800 mottagarna. För övriga 650 måste uppskattningar göras, och det gjordes genom att fördelningen över ett antal parametrar i underlagen skalades upp till hela målgruppen. Dessutom fanns luckor i den data som samlats in, som även den måste fyllas i med hjälp av antaganden. Slutligen kräver den förenklade verklighetsbild som simuleringarna utgör ett antal antaganden och förenklingar. Dessa olika antaganden beskrivs nedan. 3.1 Kategorier I kapitlet om datainsamling ovan redovisas svarsfrekvensen i 16 kategorier. Dessa kategorier spelar en viktig roll i uppskalningen av data som beskrivs nedan. Uppskalningen har gjorts inom varje kategori för sig, så till exempel för kategorin förskolor finns 100 giltiga mottagare, men information om livsmedelsleveranserna finns bara för 28 av dessa. För övriga 72 förskolor antas leveranserna se likadana ut som för de 28 kända, vilket uppskattas med metoden som beskrivs nedan. Eftersom varje kategori skalas upp för sig och svarsfrekvensen skiljer sig åt mellan kategorierna, är det inte säkert att de genomsnittliga värdena för de olika parametrarna i hela den insamlade datan är samma som i slutresultatet för hela gruppen, vilket de hade varit om alla mottagare hade skalats upp som i en enda grupp. Skälet till uppdelningen i kategorier var att så pass många olika typer av verksamheter finns med i målgruppen, och exempelvis en te- och kaffehandel förutsätts ha leveranser som följer helt andra mönster än en skola med 900 elever. Uppgifter om verksamheternas omsättning användes endast till indelningen av de olika restaurangkategorierna. Gränserna valdes så att kategorierna blev lagom stora. I företagsregistret fanns både uppgifter om verklig omsättning och uppskattad omsättning. Verkliga siffror användes i första hand och då sådana inte fanns, användes de uppskattade siffrorna. De restauranger för vilka varken verkliga eller uppskattade siffror fanns hamnade i en fjärde kategori, Restaurang okänd. Denna kategori, samt motsvarande för skolor, Skola okänd skolor med okänt antal elever, skalades upp genom att använda informationen för alla kategorier av restauranger respektive skolor som underlag. I vissa fall gäller den uppgivna omsättningen för en hel kedja i de fallen har restaurangerna kategoriserats med okänd omsättning eller, i de fall då den ungefärliga storkleken på restaurang varit känd, placerats i lämplig kategori manuellt. Fördelningen av antal mottagare per kategori kan utläsas ur Tabell 1. Analys & Strategi 13
3.2 Generell metod för uppskalning De parametrar som skalats upp inom varje kategori är Antal leveranser per vecka Fördelningen av dessa över veckans dagar Godsmängd Vilken avsändare, leverantör, godset har För godsmängd beräknades helt enkelt den genomsnittliga godsmängden per leverans i kategorin och alla leveranser till okända mottagare i kategorin tilldelades denna genomsnittliga godsmängd. För övriga parametrar användes en annan metod. Här beskrivs metoden med parametern veckodag som exempel. I första steget sammanställdes vilka veckodagar alla leveranser i underlaget för kategorin hade, oavsett andra parametrar som till exempel leverantör eller mottagare. Till exempelvis större livsmedelsbutiker skedde 21 % av leveranserna i underlaget på måndagar, 14 % på tisdagar, 20 % på onsdagar och så vidare. I urvalet fanns totalt 234 leveranser registrerade, för 10 butiker. Antalet butiker för vilka data skulle uppskattas var 20. Alltså skulle 468 nya leveranser registreras för dessa 20 butiker. Med hjälp av en slumpfunktion tilldelades var och en av dessa 468 nya leveranser en veckodag, som med 21 % sannolikhet blev måndag, 14 % sannolikhet tisdag, 20 % sannolikhet onsdag, och så vidare. En stokastisk metod kommer inte generera exakt rätt fördelning på en så pass liten datamängd, men i genomsnitt över alla kategorier bör fördelningen över veckodagar ha uppskattats väl. Med samma metod tilldelades var och en av de tillkommande, nya, leveranserna (för större livsmedelsbutiker 468 stycken) förutom veckodag även en leverantör. För att fördela de nya leveranserna till de okända mottagarna (för större livsmedelsbutiker 20 stycken butiker) användes samma ansats: antalet leveranser per mottagare i underlaget sammanställdes. För större livsmedelsbutiker låg antalet mellan 10 och 55 i veckan. Var och en av de 20 okända butikerna tilldelades ett antal leveranser enligt den fördelning mellan 10 och 55 som fanns i underlaget. Eftersom samma slumpmetod användes även här, fanns ingen garanti att fördelningen i den uppskalade datan skulle bli exakt samma som i underlaget. Dock måste summan av de leveranser som tilldelats varje mottagare stämma överens med antalet nya leveranser (i detta exempel 468), och därför användes slumpfunktionen upprepade gånger tills att antalet stämde. Fördelningen över antalet leveranser per mottagare i underlaget är inte kontinuerlig utan består av en samling diskreta tal (i exemplet med livsmedelsbutiker 10 tal mellan 10 och 55) och i den metod som använts är endast just dessa 10 tal till- 14 Analys & Strategi
M:\704x\10156107_Trafikkontoret_Logistikutr Södermalm\3_Dokument\38_Rapport\Teknisk bilaga.docx Mall: Rapport Avancerad (Analys och Strategi) - 2007.dot ver 1.0 gängliga för tilldelning av antal leveranser per mottagare. Detta kan tyckas orealistiskt, men denna förenkling är på en så pass detaljerad nivå att den inte antas påverka resultatet av simuleringarna, då det totala antalet leveranser och levererad godsmängd ändå antas vara väl uppskattat. Leveranstidpunkten har inte skalats upp till hela gruppen. Anledningen till detta är att underlaget var relativt ofullständigt och osäkerheter skalas upp i samma skala som informationen. Dessutom bör tidpunkten då gods levereras (i alla fall för flera av kategorierna) inte vara lika karakteristisk som till exempel mängden gods eller leveransdag, även om det säkerligen finns mönster även här. En annan aspekt är att bara för att leveranserna kommer vid en viss tidpunkt i dagsläget, är det inte säkert att det är ett krav från mottagarna, eller ens optimalt för dem, att de ska komma just vid den tidpunkten. För samlastningsscenariot skulle en mer relevant uppgift vara vid vilken tidpunkt mottagarna vill ha sina leveranser och den frågan har inte ställts i undersökningen. Detta innebär att de verksamheter som angivit en leveranstidpunkt, eller tidsintervall, i sina svar har antagits ta emot sina leveranser vid den tiden, medan övriga mottagare har antagits inte ha några restriktioner gällande leveranstidpunkt, utan varorna får levereras vid vilket klockslag som helst. Enkätsvar som inkommit efter att uppskalningen av data påbörjats, har använts för att specificera leveranserna till den aktuella adressen, men har inte tagits med som underlag i uppskalningen av data. 3.3 Ofullständiga uppgifter För en del av mottagarna för vilka verklig leveransdata fanns tillgänglig, saknades ändå värden för vissa parametrar för en del av leveranserna. Den genomsnittliga godsmängden per leverans i underlaget över alla kategorier var 3 rullcontainrar. De leveranser där godsmängden inte hade angivits tilldelades därför denna godsmängd. Vid utebliven uppgift om leveransdag användes handpåläggning för att tilldela veckodagar enligt en uppskattad fördelning, till alla leveranser som upptäcktes av de 1060 leveranserna i underlaget. 3.4 Antaganden godsmängd I enkätsvaren som gäller specificeringen av mottagarnas livsmedelsleveranser, både de som skickats in med post och de som samlats in via telefon, har mängden gods angivits i olika enheter. De enheter som fanns fördefinierade var: Rullcontainer/rullbur (RC) Fryscontainer (FC) (Hel-)Pall (1/1) Analys & Strategi 15
Kvartspall (1/4) Returglasback (RG) PET (för dryck) Fat (för dryck) Kolli övrigt Den sist nämnda enheten, kolli, har i svaren angivits som just kolli, men även som låda, trave, back, kartong, platta, kasse, korg, flyttkartong, med mera. Vissa godsmängder har även angetts i kilo, kubikmeter eller liter, som andel av en lastbil eller som antal värmevagnar/värmeboxar. I simuleringsprogrammet måste man definiera hur många av respektive enheter som ryms i bilarna och det bör vara tillåtet att samlasta gods som är packat i olika typer av lastbärare/förpackningar enligt ovan. Därför har alla ovanstående enheter räknats om till en enda enhet och bilarnas kapacitet har angivits i samma enhet, nämligen antal RC, rullcontainrar, som är den vanligaste enheten i underlaget. En rullcontainer är en gallerbur med hjul på, som har en bottenarea på 70x80 cm. En bil antas rymma i genomsnitt 24 RC. I Tabell 2 redovisas hur övriga enheter räknas om till RC. En helpall är 80x120 cm, och har avrundats till att ta upp lika mycket plats som två RC. En fryscontainer är lika stor som en rullcontainer och olika kollin och backar, fat och PET antas lastas i rullburar och ta upp i genomsnitt en tjugondel av en sådan. Tabell 2 Omräkning mellan enheter Enhet Kolli, låda, trave, back, kartong, platta, kasse, korg, flyttkartong Antal RC 1/20 Värmevagn/värmebox 1 Liten/stor bur/stålbur 1 Bil 24 Fryscontainer (FC) 1 Pall/Helpall 2 Kvartspall 1/2 Returglasback/Fat/PET 1/20 En RC antas lastas med max 350 kg, så de godsmängder som angetts i kg har dividerats med 350 för att få antal RC. Leveranser mindre än 20 kg antas motsvara ett kolli enligt ovan. En tank på 1000 liter eller en kubikmeter räknas som 1 RC. För andra leveranser som angetts i liter, har antalet liter dividerats 16 Analys & Strategi
M:\704x\10156107_Trafikkontoret_Logistikutr Södermalm\3_Dokument\38_Rapport\Teknisk bilaga.docx Mall: Rapport Avancerad (Analys och Strategi) - 2007.dot ver 1.0 med 1000 för att få andelen av en RC. Volymer på mindre än 50 liter har räknats som ett kolli enligt ovan. Godsmängden har angetts som antalet av någon enhet. Antalet har ibland angivits som ett par, några, flera eller x. Då har ett par tolkats som 2, några / flera har tolkats som 3 och x har tolkats som 1. 3.5 Antaganden leveransdag/leveransfrekvens För en del leveranser har kommentarer lämnats, som t.ex. inte varje vecka, varannan månad, när det behövs, under säsongen maj-september och liknande. Då undersökningen försöker kartlägga leveranserna under en genomsnittlig vecka, har inte alla leveranser med liknande kommentarer tagits med. De leveranser som har angetts med en frekvens mindre än en gång per månad har inte tagits med. Övriga har tagits med som en leverans under den aktuella veckan. Anledningen till att alla dessa tagits med, även om de antagligen inte levereras under samma vecka i verkligheten, är att de antas kompensera för leveranser som inte angetts av intervjupersonen. I flera fall under intervjuerna har intervjupersonerna påpekat att de t.ex. har väldigt många leveranser som de inte orkar eller kan räkna upp, eller liknande. De har då ombetts nämna dem som kommer varje vecka eller oftare. 3.6 Antaganden för samlastning av varor I simuleringarna antas att alla varor kan samlastas, även om så inte är fallet i verkligheten till exempel måste varor med olika temperaturkrav separeras, antingen i olika bilar eller i olika fack eller skåp i samma bil. Anledningen till detta antagande är att om man skulle skilja på olika typer av varor i simuleringarna, skulle detta tvinga fram en rad nya antaganden, som t.ex. antalet bilar utrustade med kyl- eller frysanläggning eller hur stor del av bilarna som är utrustade med speciella skåp eller fack. I underlaget från enkätsvaren var det svårt att utläsa hur stor andel av varorna som transporterades med särskilda temperaturkrav och dessa osäkerheter skulle i så fall förstoras i samma skala som underlaget, det vill säga cirka fem gånger. Dessutom är den sammanlagda datamängden som används till simuleringarna redan mycket omfattande jämfört med vad simuleringsprogrammet brukar användas till, vilket är ytterligare ett skäl till att försöka reducera antalet parametrar. Simuleringarna går i slutändan ut på att jämföra två scenarier och resultaten från respektive scenario bör bli jämförbara om samma antaganden görs i båda scenarierna. Därför togs beslutet, efter avstämning med personer i projektgruppen, att alla varor kan samlastas i alla bilar (vilket i princip innebär samma sak som att anta att det finns en obegränsad tillgång till frysskåp). Detta innebär att informationen om varutyp som inhämtats i undersökningen inte har använts. Analys & Strategi 17
3.7 Antaganden om leverantör/transportör I denna studie definieras leverantör som den som är avsändare för en leverans, medan transportör är det företag som kör bilen med varorna ut till mottagarna. Ur underlaget kan utläsas att många leverantörer kör ut sina egna varor, det vill säga att leverantör och transportör är samma företag. Underlaget är relativt bristfälligt vad gäller uppgifter om transportör, då mottagarna i regel vet vem som är avsändare av godset, men ofta inte vilket företag som sköter själva transporten. Transportfirmorna antas inte samlasta varor från olika leverantörer i samma sändning. Sammantaget gör dessa tre faktorer att vi i uppskalningen av data bara sett till parametern leverantör och antagit att alla leverantörer sköter sina egna transporter. Samma sak har antagits för mottagarna med verklig, det vill säga icke uppskalad, data, vilket innebär att informationen om transportör som samlats in i undersökningen inte har använts i studien. I vissa fall hämtar mottagarna varorna med eget transportmedel, men det har ignorerats i studien. 3.8 Livsmedelsleveranser till privata hushåll De svar som erhölls från företag som levererar livsmedel till hushåll gällde i princip bara tre storheter leveransdagar, antal leveranser per vecka på Södermalm och antal kunder på Södermalm. För antal leveranser och antal kunder beräknades genomsnittet per firma för att kunna säga något om hur verkligheten kan se ut om resterande företag, som inte svarat på frågorna, har samma omfattning på verksamheten. Veckodagarna delades upp i söndagar respektive måndag-fredag (ingen firma som svarat levererar på lördagar) och andelen leveranser som sker i respektive del av veckan beräknades. 4 Simuleringar Simuleringar av två scenarier gjordes ett simulerat nuläge (observera att detta inte är ett verkligt nuläge, utan just en simulering, en uppskattning) och ett samlastningsscenario. Detta gjordes med ruttoptimeringsprogrammet WinRoute. Mycket förenklat fungerar det så att programmet förses med en lista av ordrar, det vill säga leveranser som ska levereras till en viss adress, på en viss dag och en viss tid och som består av en viss mängd gods. Ordrarna ska plockas upp på ett lager som också ska specificeras med en adress. Sedan planerar programmet hur ordrarna ska levereras, genom att tilldela rutter till lastbilar, så att den sammanlagda körsträckan blir så kort som möjligt. För att göra detta används så få bilar som möjligt under så kort tid som möjligt. 18 Analys & Strategi
M:\704x\10156107_Trafikkontoret_Logistikutr Södermalm\3_Dokument\38_Rapport\Teknisk bilaga.docx Mall: Rapport Avancerad (Analys och Strategi) - 2007.dot ver 1.0 I de båda scenarierna var orderlistan densamma och alla parametrar hölls lika. Den enda skillnaden var att i det simulerade nuläget utgick bilarna från de olika leverantörernas lager runt om i staden och varje leverantör körde till sina kunder med sina varor i egna bilar, medan i samlastningsscenariot utgick alla bilar från ett och samma lager samlastningscentralen och varje bil tilläts köra vilka leveranser som helst till vilka kunder som helst. Som resultat ger programmet bland annat antal körda kilometer totalt, antalet fordon som behövs och den totala körtiden, för respektive scenario. 4.1 Lokalisering av samlastningscentral och lager Ett viktigt antagande i simuleringarna är lokaliseringen av samlastningscentralen i samlastningsscenariot. Efter avstämning med projektgruppen placerades centralen i Årsta (närmare bestämt på Partihandlarvägen) då detta område bedömdes vara den i dagsläget mest troliga lokaliseringen av en eventuell framtida central. I det simulerade nuläget är det i stället lokaliseringen av leverantörernas lager som måste väljas. Eftersom sammanlagt 170 leverantörer identifierats i underlaget, kunde inte den verkliga lokaliseringen återskapas exakt i simuleringarna. I stället valdes sju möjliga platser ut, där samtliga leverantörers lager placerades. Detta gjordes på följande sätt. För de leverantörer som hade 10 leveranser eller mer i underlaget, 21 stycken, sammanställdes uppgifter om lokalisering av centrallager för Stockholm via internetsökningar. Dessa platser aggregerades till åtta möjliga platser: Årsta Enskede Slakthusområdet Slussen Vårby Jordbro Upplands Bro Vallentuna Till exempel har Coop lager både i Bro, Enköping och Västerås, men då alla transporter därifrån måste passera Bro, placerades alla tre lager där i programmet, liksom andra lager som i verkligheten ligger åt samma håll. På samma sätt placerades lager som i verkligheten ligger i till exempel Södertälje i Vårby. I Vallentuna finns av de 21 största leverantörerna bara en stor grönsaksgrossist, men fler leverantörer bör finnas i samma riktning, varför Vallentuna fick representera samtliga dessa. Vid Slussen ligger Södra Latin, varifrån färdiglagad mat dagligen körs ut till flera andra skolor. Analys & Strategi 19
Övriga knappt 150 leverantörer slumpades ut till någon av dessa platser, exklusive Slussen, med samma metod som användes för uppskalningen av data. Var och en av de sju möjliga lokaliseringarna tilldelades en sannolikhet efter hur många leveranser totalt som fanns i underlaget från de leverantörer som placerats på platsen. Med den sannolikheten placerades de övriga 150 leverantörerna på platsen. Med denna struktur blir de två scenarierna inte jämförbara. I det simulerade nuläget måste leverantörernas varor köras från respektive lager (som i vissa fall ligger ganska långt från Södermalm) in till Södermalm av varje leveransfordon. I samlastningsscenariot däremot utgår alla bilar från samlastningscentralen precis intill Södermalm. Men varorna måste fortfarande transporteras från respektive lager till samlastningscentralen. Dessa transporter har därför lagts på i efterhand till resultatet för samlastningsscenariot. Varje leverantör antas då skicka ett fordon från sitt lager till samlastningscentralen, de dagar då de har leveranser att utföra. Sträckan från respektive lager till centralen (och tillbaka igen) har mätts på karta och multiplicerats med antal bilar per dag och sedan lagts till den totala körsträckan per dag. Likadant har antalet fordon som krävs för detta samt tiden det tar att köra fram och tillbaka mellan lagren och centralen lagts till totalt antal fordon och total körtid. Avstånden och körtiderna som använts för att beräkna tilläggen är hämtade från eniro.se och redovisas i Tabell 3. Tabell 3: Avstånd och körtid från lagerplatser till samlastningscentral i Årsta. Plats Avstånd till Årsta, km Körtid, min Årsta 0 0 Vårby 9,8 13 Jordbro 23,9 23 Bro 45,2 42 Vallentuna 41,4 41 Södra Latin 5,3 14 Enskede 3,8 7 Slakthusområdet 4,6 8 4.2 Emissioner För att beräkna vilken effekten blir för emissioner av växthusgaser och andra föroreningar, multiplicerades den totala körsträckan i resultaten från respektive fall med schablonbelopp för utsläpp i gram per kilometer för en mellanviktslastbil, 14-28 ton, klass euro III. Dessa emissionsfaktorer redovisas i Tabell 4 och är hämtade från NTM. 20 Analys & Strategi