14 700088 LASTBILSMATRISER: 1 - FRAMTAGNING AV LASTBILSMATRISER Sweco TransportSystem Henrik Edwards, Linda Ramstedt, Sara Johansson Sweco
14 Sammanfattning Då Trafikverket har som mål att ta fram regionala godsmodeller, är ett steg på vägen att uppdatera/ta fram nya lastbilsmatriser för Trafikverkets regionala Sampersmodeller. För var och en av de fem regionala Sampersmodellerna har därför två lastbilsmatriser tagits fram, en för lastbil utan släp (Lbu) och en för lastbil med släp (Lbs). Denna rapport beskriver den del av arbetet som Sweco, på uppdrag av Trafikverket, har genomfört för att ta fram lastbilsmatriserna. Rapporten består av två huvuddelar, dels datainsamling, dels konstruktion av lastbilsmatriser. Framtagning av dataunderlag Inför framtagningen av de nya lastbilsmatriserna togs dataunderlag fram. En genomgång gjordes av befintligt material genom att sammanställa det material som finns tillgängligt. Då befintligt underlag saknas om antal lastbilar vid större godsterminaler i Sverige, genomfördes en enkätundersökning för att samla in mer underlag om detta för konstruktionen av matriserna. De aktörer som kontaktades var hamnar, kombiterminaler, speditörer och distributörer. Totalt kontaktades 74 aktörer, varav vi fick 48 svar, vilket ger en svarsfrekvens på 65 %. Utifrån enkätundersökning undersöktes svar från totalt 45 olika terminaler för att söka efter ett samband mellan terminaltyp, antal anställda och antalet lastbilsrörelser eller mängden gods som hanteras vid terminalen. Analyserna har påvisat att mängden gods vid terminalen vs antalet anställda inte är mycket starkare än antalet lastbilar vs antalet anställda för samtliga terminaltyper, samt för hamnar och lastbilsterminaler enskilt. Däremot kan vi påvisa ett mycket starkare (och positivt) samband mellan antalet anställda och mängden gods vid terminalen för typen kombiterminaler, även om man bör vara försiktig med någon slutsats. Slutligen kan vi konstatera mycket starka samband mellan antalet anställda och antalet lastbilar vid en terminal per år, om vi delar upp alla terminaler i två olika produktivitetskluster. Konstruktion av lastbilsmatriser Konstruktionen av lastbilsmatriser består av två huvudsakliga delar dels disaggregering av den nationella godstransportmodellen Samgods, dels framtagningen av en modell för lokala och regionala lastbilstransporter baserat på underlag från NÄTRA-undersökningen som genomfördes i Stockholms län år 1998. Som underlag för de transporter som ingår i de nya lastbilsmatriserna används resultat från Samgods. Matriserna från Samgods är framtagna på kommunnivå, fördelas sedan till SAMS-områden genom en nyckling i huvudsak baserad på antal anställda i olika SNIgrupper i respektive SAMS-område i kommunen. Sweco Gjörwellsgatan 22 Box 34044 SE 100 26 Stockholm, Sverige Telefon +46 (0)8 6956000 Fax +46 (0)8 6956010 www.sweco.se Sweco TransportSystem AB Org.nr 556949-1698 Styrelsens säte: Stockholm En del av Sweco-koncernen
För att komplettera transporterna från Samgods har även en modell för lokala och regionala lastbilstransporter tagits fram. De lokala och regionala transporter som inkluderas i metoden är varudistribution, byggtransporter, sophantering, snöröjning, med mera. De är indelade i fem aggregerade branscher: Tillverkning, Byggnad, Handel, Transporter och Service. En modell har tagits fram för generering och fördelning av transporter. Modellen har utformats som en entropimodell med en koefficient för avståndsaversion som används för styrning mot rimliga reslängdsfördelningar. Koefficienten justeras in för kalibrering av fördelningen på transporter av olika längd per regional modell. Modellen baseras i första hand på underlag från NÄTRA-undersökningen [Eriksson et al., 2000] som genomfördes i Stockholms län år 1998. ÅDT-data har använts vid kalibreringen. Då även busstrafik inkluderas i ÅDT för tung trafik har ÅDT-flödena korrigerats genom att busstrafikutbudet har genererats och justerats nedåt för de uppmätta Lbu-flödena med antalet bussar på den aktuella länken. I Avsnitt 3.5 redovisas de framtagna a priori-matriserna för Lbu och Lbs per region i tabeller och figurer före kalibrering, och i Avsnitt 3.6 redovisas resultaten efter kalibrering. Generellt sett fungerar metoden som har beskrivits i rapporten, men det finns möjligheter till ytterligare justeringar avseende matriskonstruktionen, nivåjusteringar, nätutläggningsmetod etc för att nå en bättre överensstämmelse med observerade trafikdata.
Innehållsförteckning Sammanfattning 2 Framtagning av dataunderlag 2 Konstruktion av lastbilsmatriser 2 Förord 1 1 Inledning 2 1.1 Rapportupplägg 2 1.2 Beteckningar 2 2 Framtagning av dataunderlag 5 2.1 Enkätundersökning av större godsterminaler 5 3 Konstruktion av lastbilsmatriser 8 3.1 Disaggregering av lastbilsmatriser från Samgods 9 3.2 Jämförelse av lastbilsmatriser från Samgods med ÅDT-värden 19 3.2.1 Första resultat endast nedbrytning från Samgods 19 3.3 Regionala och lokala transporter med tung lastbil 23 3.4 Observerade flöden för godsterminaler och gränspassager 30 3.5 Resultat före kalibrering 32 3.6 Resultat efter kalibrering 39 3.7 Busstrafik i vägnätet 43 4 Slutsatser, diskussion och fortsatt arbete 46 4.1 Slutsatser 46 4.2 Diskussion kring dataunderlaget och konstruktion av lastbilsmatriser 46 4.3 Fortsatt arbete 47 4.3.1 Förslag på justering av vd-funktioner 49 Referenser 50 Bilaga 1. Framtagning dataunderlag 51 Sammanställning av befintligt material 51 Genomförande av enkätundersökning av lastbilstrafik vid terminaler 51 Filtrering och korrelationsanalys av enkätundersökning 52 Metod 53 Resultat 54 Analys 62 Kommentarer och utvidgningar av enkätundersökningen 62
Starfish-data livsmedelstransporter 64 Bilaga 2. Enkätformulär i Google forms 65 Bilaga 3. Lista över kontaktade aktörer vid enkätundersökning 70 Bilaga 4. Följebrev enkätutskick 72 Bilaga 5. Förfiltrering 73 Förfiltrering på dygnsnivå: antal fordon per dygn 73 Förfiltrering på dygnsnivå: genomsnittliga lastvikter för LB 74 Förfiltrering på dygnsnivå: Godsmängden vid terminalen 75 Förfiltrering på årsnivå: antal fordon 78 Förfiltrering på årsnivå: Andel gods vid terminalen som vägtransport 78 Bilaga 6. Filtrering villkorat avståndet till regressionslinjen 80 Bilaga 7. Varugrupper Samgods 81 Bilaga 8. Lista befintligt material. 83 Rapporter, artiklar 83 Statistik 84 Övrigt 84 Bilaga 9. Resultat före kalibrering 85 Palt 85 Samm 93 Skåne 98 Sydost 102 Väst 106 Bilaga 10. Resultat efter kalibrering 111 Palt 111 Samm 119 Skåne 124 Sydost 128 Väst 131
Förord Denna rapport presenterar arbete som har genomförts av Sweco år 2014 för Trafikverkets räkning inom ramen för uppdraget Lastbilsmatriser. Projektledare på Trafikverket är Carsten Sachse. Denna rapport, Rapport 1, redovisar den del av huvuduppdraget som handlar om konstruktion av nya lastbilsmatriser för de regionala Sampersmodellerna. Rapport 2 redovisar den del av huvuduppdraget som handlar om att ta fram en metod för överföring av resultat från Samgods till Sampers. Rapport 3 redovisar den del av uppdraget som handlar om att ta fram nya matriser för övrig näringslivstrafik. Rapport 4 redovisar det tekniska genomförandet samt de program som använts. Författare av rapporten är Henrik Edwards, Linda Ramstedt och Sara Johansson. Dessutom har Linda Isberg, Erik Fransson, Sara Andersson, Magnus Fransson, Joacim Thelin och Zafeira Gkioulou bidragit i arbetet.
1 Inledning Då Trafikverket har som mål att ta fram regionala godsmodeller, är ett steg på vägen att uppdatera/ta fram nya lastbilsmatriser för Trafikverkets regionala Sampersmodeller. För varje av de fem regionala Sampersmodellerna, se Figur 1.1, har därför två lastbilsmatriser tagits fram, en för lastbil utan släp och en för lastbil med släp. Denna rapport beskriver den del av arbetet som Sweco, på uppdrag av Trafikverket, har genomfört för att ta fram lastbilsmatriserna. Palt Väst Samm Skåne Sydost Figur 1.1. De geografiska områdena de fem regionala Sampersmodellerna inkluderar. I bilden saknas Sjaelland som är inkluderat i Skåne-modellen. 1.1 Rapportupplägg I avsnittet nedan ges en förteckning över de huvudsakliga beteckningar som används i rapporten. I nästföljande kapitel beskrivs framtagning av dataunderlag som behövs för konstruktion av lastbilsmatriserna. En bred genomgång av befintligt material har gjorts och material har sammanställts och bearbetats. Data om livsmedelstransporter i Sverige har erhållits från Lunds Universitet via det Trafikverksfinansierade projektet Starfish. Dessutom har en enkätundersökning genomförts för att samla in information om antal lastbilar vid terminaler. I nästföljande kapitel beskrivs konstruktionen av lastbilsmatriser. Konstruktionen av lastbilsmatriser består av två huvudsakliga delar dels disaggregering av den nationella godstransportmodellen Samgods, dels framtagningen av en modell för lokala och regionala lastbilstransporter baserat på underlag från NÄTRA-undersökningen som genomfördes i Stockholms län år 1998. 1.2 Beteckningar Nedan summeras de beteckningar som används i rapporten. 2 (135)
lb = lastbil Lbu = lastbil utan släp Lbs = lastbil med släp TuLb = tung lastbil Llb = lätt lastbil Pb = personbil Lastbil 101-105 = beteckningar på lastbilar med olika kapacitet i Samgods v101 lätt lastbil, max lastvikt 2 ton 1 v102 tung lastbil, max lastvikt 9 ton v103 tung lastbil, max lastvikt 15 ton v104 tung lastbil, max lastvikt 28 ton v105 tung lastbil, max lastvikt 47 ton 2 RMSE = kvadratroten ur medelvärdet av kvadrerade feltermer (square root of mean squared errors) R2-värde = ett mått, mellan -1 och 1, på en regressionsmodells samvariation med observerade data. I vanliga regressionsmodeller är R2 = kvadraten på korrelationen mellan modellerade värden och observerade data. Typer av rutter: Tur-och-retur (ToR) transporter = i många fall kan rutterna för ett fordon avse framkörning till en punkt i ToR-transporterna för att sedan köras fram och tillbaka med last eller tomkörning, och efter avslutad arbetsdag återtransport till utgångspunkten. Till exempel ToR-transporter av byggmaterial till exempelvis fastigheter, vägbyggen och annan infrastruktur. Distributionsrutt = transporter utgår från en plats med gods där delmängder av lasten ska transporteras till olika platser, där fordonet sedan körs tillbaka till startpunkten för att påbörja nästa rutt med en ny last. Insamlingsrutt = transporter utgår från en plats utan last till ett antal platser där gods ska samlas upp. Fordonet körs sedan tillbaka till startpunkten för att påbörja nästa rutt (insamlingsrunda). Kombinerad rutt = Distributions- och insamlingsrutter kan kombineras ÅDT = årsmedeldygnstrafik 1 Borde vara högst c:a 1.5 ton 2 Dock borde max lastvikt för v105 vara mindre.
VaMD = vardagsmedeldygnstrafik 4 (135)
2 Framtagning av dataunderlag Inför framtagningen av de nya lastbilsmatriserna togs dataunderlag fram. En genomgång gjordes av befintligt material genom att sammanställa det material som finns tillgängligt och kommentera dess användbarhet för uppdraget. Via Lunds Universitet och Starfishprojektet erhölls data över livsmedelstransporter i Sverige. Data över livsmedelstransporterna inkluderar 70 % av livsmedelstransporterna i Sverige. I uppdraget bearbetades data för att möjliggöra användning av underlaget vid konstruktion av matriserna. I Bilaga 1 beskrivs vilket arbete som har genomförts med framtagning av dataunderlag. 2.1 Enkätundersökning av större godsterminaler Då befintligt underlag saknas om antal lastbilar vid större godsterminaler i Sverige, genomfördes en enkätundersökning för att samla in mer underlag om detta för konstruktionen av matriserna. Se Bilaga 2 för enkätformuläret och Bilaga 4 för följebrevet. De aktörer som kontaktades var hamnar, kombiterminaler, speditörer och distributörer. Alla större hamnar i Sverige kontaktades (medlemshamnar i Sveriges hamnar och hamnar inkluderade i Samgods), större kombiterminaler med verksamhet, de tre största speditörerna i Sverige samt två dominerande distributörer. Totalt kontaktades 74 aktörer, varav vi fick 48 svar, vilket ger en svarsfrekvens på 65 %. Se Bilaga 3 för vilka aktörer som kontaktades. Utifrån enkätundersökning undersöktes svar från totalt 45 olika terminaler för att söka efter ett samband mellan terminaltyp, antal anställda och antalet lastbilsrörelser eller mängden gods som hanteras vid terminalen (se Bilaga 5 och Bilaga 6 för en beskrivning av analyserna). Analyserna har påvisat att mängden gods vid terminalen vs antalet anställda inte är mycket starkare än antalet lastbilar vs antalet anställda för samtliga terminaltyper, samt för hamnar och lastbilsterminaler enskilt. Däremot kan vi påvisa ett mycket starkare (och positivt) samband mellan antalet anställda och mängden gods vid terminalen för typen kombiterminaler, även om man bör vara försiktig med någon slutsats. Slutligen kan vi konstatera mycket starka samband mellan antalet anställda och antalet lastbilar vid en terminal per år, om vi delar upp alla terminaler i två olika produktivitetskluster. I Tabell 2.1 nedan sammanställs antal lastbilar vid terminalerna som används vid framtagning av matriserna (se vidare Avsnitt 3.4) liksom vilken källa som huvudsakligen har använts. I flera fall finns det i Samgods flera terminallägen för en ort (Sea vs. Sea Ferry), varför det totala flödet fördelas mellan de olika terminallägena. I Tabell 2.2 ges en kort kommentar kring vilka bearbetningar som har gjorts, liksom motiv för dessa.
6 (135) Tabell 2.1: Sammanställning av antal lastbilar vid hamnar och broar, dubbelriktat årsflöde. Nr Samgods-benämning Antal lastbilar/år, dubbelriktat flöde källa 1 Sea:_Oskarshamn 9100 enkätdata 2 Sea_Ferry:_Oskarshamn 9100 enkätdata 3 Sea_Ferry:_Göteborg 104550 färjestatistik 4 Sea:_Göteborg 468000 enkätdata 5 Sea:_Skellefteå 119600 enkätdata 6 Sea:_Landskrona 34000 enkätdata 7 Sea:_Hargshamn 11428 enkätdata 8 Sea:_Karlshamn 22100 enkätdata 9 Sea_Ferry:_Karlshamn 22100 enkätdata 10 Sea:_Piteå 9500 enkätdata 11 Sea:_Trelleborg 46624 enkätdata 12 Sea_Ferry:_Trelleborg 419614 enkätdata 13 Sea:_Mönsterås 5500 enkätdata 14 Sea:_Sölvesborg 75400 enkätdata 15 Sea:_Åhus 488800 enkätdata 16 Sea:_Ystad 20400 enkätdata 17 Sea_Ferry:_Ystad 183600 enkätdata 18 Sea:_Gävle 85000 enkätdata 19 Sea:_Uddevalla 13520 enkätdata 20 Sea:_Oxelösund 47320 enkätdata 21 Sea:_Malmö 241515 enkätdata och färjestatistik summerat 22 Sea_Ferry:_Malmö 26835 enkätdata och färjestatistik summerat 23 Sea:_Stockholm 94858 enkätdata 24 Sea_Ferry:_Stockholm 94858 enkätdata 25 Sea:_Nynäshamn 6775 enkätdata 26 Sea_Ferry:_Nynäshamn 60978 enkätdata 27 Sea_Ferry:_Kapellskär 153315 enkätdata 28 Sea_Ferry:_Karlskrona 79820 enkätdata 29 Sea:_Visby 40936 hamnstatistik 30 Sea:_Helsingborg 50139 hamnstatistik, trailertrafik+uppskattning 31 Sea_Ferry:_Helsingborg 451250 hamnstatistik, trailertrafik+uppskattning 32 Sea:_Husum 14695 hamnstatistik, trailertrafik 33 Sea:_Strömstad 10107 hamnstatistik, trailertrafik 34 Sea:_Sundsvall 11777 hamnstatistik, trailertrafik 35 Sea:_Södertälje 50856 enkätundersökning 36 Sea:_Umeå 10992 hamnstatistik, trailertrafik 37 Sea_Ferry:_Umeå 1221 hamnstatistik, trailertrafik 38 Sea:_Varberg 20439 hamnstatistik, trailertrafik 39 Sea_Ferry:_Varberg 20439 hamnstatistik, trailertrafik 40 Sea:_Norrköping 182000 enkätdata 41 Sea:_Västervik 2570 enkätdata 42 Öresundsbron (Malmö) 270000 Vägverket, 2006, Skåne-Blekinge-studie 43 Svinesundsbron (Strömstad) 700700 Ramböll, 2013, Missing Link
Tabell 2.2: Kommentarer till Tabell 2.1 Nr Kommentar 1,2 Volymerna har fördelats som 50% till färjeläget och 50% till godshamnen i Oskarshamn Antag att de två terminalerna (av fyra) vi fått svar från står för hälften av lastbilstrafiken vid Göteborgs godsterminaler. De terminaler vi har data för är APM/containerterminalen och Logent/kombiterminalen. Vi saknar info om 4 RoRo/Älvborgsterminalen och Skarviksporten/oljehamnen. Skandiahamnen/färjehamnen har vi använt färjestatistik för. 8,9 Volymerna har fördelats som 50% till färjeläget och 50% till godshamnen i Karlshamn. Volymerna är fördelade som 90% till färjeläget i Trelleborg och 10% till godshamnen i Trelleborg, då Trelleborg framför 11,12 allt hanterar trailertrafik. Volymerna är fördelade som 90% till färjeläget i Ystad och 10% till godshamnen i Ystad, då Ystad framför allt hanterar 16,17 trailertrafik. 18 Två hamnlägen finns - 50% av volymerna på vardera hamnläge. Två hamnlägen i Gävle saknas i Samgods Färjehamnen i Samgods är en småbåtshamn där Malmö-Travemunde-färjorna inte avgår ifrån - de avgår från Hamnen 21,22 (dvs godshamnen). Antag att 10% av volymerna går till färjeläget och 90% till godshamnen 23,24 Volymerna har fördelats som 50% till färjeläget och 50% till godshamnen i Stockholm. 25,26 Volymerna har fördelats som 90% till färjeläget och 10% till godshamnen i Nynäshamn Input från Helsingborg hamn. Hamnstatistik, trailertrafik+uppskattning om containertrafiken på lastbil. Volymerna har 30,31 fördelats som 90% till färjeläget och 10% till godshamnen i Helsingborg. 36,37 Volymerna har fördelats som 10% till färjeläget och 90% till godshamnen i Umeå. 38,39 Volymerna har fördelats som 50% till färjeläget och 50% till godshamnen i Varberg.
3 Konstruktion av lastbilsmatriser Som underlag för de transporter som ingår i de nya lastbilsmatriserna för de regionala Sampersmodellerna används resultat från Samgods (se Swahn [2001], de Jong et al. [2010] och Beser och Algers [2001] för beskrivningar av de respektive modellsystemen Samgods och Sampers). Matriserna från Samgods är framtagna på kommunnivå (290 kommuner), fördelas sedan till de mer detaljerade SAMS-områdena genom en nyckling i huvudsak baserad på antal anställda i olika SNI-grupper i respektive SAMS-område i kommunen. Totalt finns 10104 SAMS-områden som aggregeras på olika sätt i de olika regionala modellerna och fördelas på kärn-, krans- och fjärrområden. Se xx för antal SAMS-områden i de respektive regionala modellerna. För att komplettera transporterna från Samgods har även en modell för lokala och regionala lastbilstransporter tagits fram. Modellen har utformats som en entropimodell med en koefficient för avståndsaversion som används för styrning mot rimliga reslängdsfördelningar. Koefficienten justeras in för kalibrering av fördelningen på transporter av olika längd per regional modell. Modell baseras i första hand på underlag från NÄTRA-undersökningen [Eriksson et al., 2000] som genomfördes i Stockholms län år 1998. Figur 3.1 nedan visar en schematisk bild av modelleringen. Samgods 5 regionala Sampersmodeller Lokala och regionala transporter ( NÄTRA - transporter) - Nationell modell - 290 kommuner samt terminaler - 5 fordonsklasser Figur 3.1. Schematisk bild av modelleringen. - Regionala modeller - 10104 SAMS-områden - 2 fordonsklasser (Lbu + Lbs) - NÄTRA-transporter representerar Stockholms län Tabell 3.1. Fördelning av SAMS-områden för de olika regionala modellerna. Palt Samm Skåne Sydost Väst Kransområde 2656 1800 648 5735 1680 Fjärrområde 5628 5562 7968 2962 5777 Kärnområde 1820 2742 1488 1407 2647 10104 10104 10104 10104 10104 8 (135)
Matriserna som tagits fram representerar år 2010. Det underlag som använts vid konstruktionen av matriserna representerar olika årtal: - Trafikräkningar, uppräknat för att gälla år 2010 - NÄTRA-undersökningen, 1998 - Enkätundersökning av lastbilar vid större godsnoder, 2014 - Statistik över hamnflöden, 2012 - Lastbilsundersökningen, 2006 - Trafikarbete, 2008 3.1 Disaggregering av lastbilsmatriser från Samgods Lastbilsmatriser har hämtats från Samgods version 1.0 beta (körd med standard logistikmodellversion och efterbehandling med kapacitetsmodell för järnväg). I Tabell 3.2 nedan visas fördelningen av transportarbetet på de olika trafikslagen enligt Samgods för år 2006. Tabell 3.2: Transportarbete 2006 enligt Samgods Transportarbete 2006 [Mtonkm] Väg 45 660 Järnväg 20 305 Sjöfart 50 167 Färja 329 Flyg 0 Total 116 462 Lastbilsmatriserna omfattar körningar med och utan last fördelat på fem fordonsklasser benämnda 101 till och med 105 (se Avsnitt 1.2 för definitioner). Lastbil med släp har definierats med hjälp av fordonstyp och transportavstånd enligt kriterierna: 1. Alla Samgodstransporter med lb 105 2. Alla internationella (O eller D utomlands) Samgodstransporter med lb 104 3. Alla Samgodstransporter på avstånd över 250 km med lb 104 (i region Palt 300) 4. Alla regionala/lokala transporter på avstånd över 150 km
Motiveringen till Samgods-gränsen på 250 km eller mer är att det ger en ungefärlig andel lastbil med släp på ungefär 65 % vilket är i nivå med Trafikverkets uppgifter om trafikarbete på statligt vägnät. Gränsen 150 km för NÄTRA-transporter är mer ad hoc betonad, och hvudsakligen baserad på att praktiskt taget alla inom-regionala NÄTRAtransporter enligt databasen är kortare än 150 km. Trafikarbetet med lbs från NÄTRA blir försumbart. För disaggregering till Sampers har passager via gränsnoder till respektive från utlandet identifierats m h a befintliga uppspännande träd för OD-relationerna (d v s genom uppnystning av gjorda ruttval och markering av gränsnoder). Gränsnoderna har lagts in som gränscentroider i en särskild version av OD-matriserna, OD_Vhclnnn_LPXDom.314 där nnn = 101, 102,, 105, för användning vid disaggregeringen till Sampers. Se Figur 3.2 för utpekade traversalnoder. Motsvarande operation i Emme innebär uttag av traversalmatriser från ursprungsmatriserna OD_Vhclnnn_LPX.314 med gränsnoderna som traversalnoder. Lastbilsmatriser för områden i Danmark är inkluderat i steget vid generering, men inte vid sammanställningen av statistik. 10 (135)
Figur 3.2: Vägnät i Samgods med numrerade gränspassagenoder.
Matriserna har disaggregerats till regionala OD-matriser genom användning av SAMSdata, regionala nätverk, nyckel mellan SNI-sektorer och input/output matriser från Nationalräkenskaperna 2006 avseende produktion och konsumtion. Figur 3.3 nedan ger en schematisk bild över disaggregeringen av Samgods-matriser. Produktion har fördelats från SAMS-områden i värdetermer medelst Ekvation 3.1 PROD ( Andel anställda / SNIsektor) ( Supply / SNIvarugrupp) SNI ( Nyckel SNI Samgods) Konsumtion har fördelats till SAMS-områden i värdetermer medelst Ekvation 3.2 CONS ( Andel anställda / SNIsektor) ( Consumption / SNIvarugrupp) SNI ( Nyckel SNI Samgods) Ekvationerna har omvandlats till andelar per SAMS-område per varugrupp inom respektive kommun, och dessa har i sin tur aggregerats till Emme-centroiderna i kommunen. För att erhålla ett viktat värde för alla Samgodsvarugrupper m a p generering av transporter har erhållna produktionsandelar viktats med varugruppsspecifika lastbilsflöden från zonerna i respektive kommun. Därefter har andelarna per kommun normerats till 1. Ett alternativ kunde ha varit att använda varugruppsspecifika lastbilsmatriser men det skulle ge 5 * 34 = 170 matriser att hantera, och tomkörningarna kan inte delas upp per varugrupp. För att erhålla ett viktat värde för alla Samgodsvarugrupper m a p attraktion av transporter har erhållna konsumtionsandelar viktats med varugruppsspecifika lastbilsflöden till zonerna i respektive kommun. Därefter har andelarna per kommun normerats till 1. Fördelningen till/från terminaler i Samgods har gjorts genom att alla terminaler för lastbil, järnväg, sjöfart (hamnar och färjelägen) och flyg har associerats med ett SAMS-område (SAMS-områdes-koordinater har satts upp genom association med ett kärnområde i en regional modell) med anställda i SNI-bransch 63 (2-siffernivå). Antalet anställa per terminaltyp har använts för att fördela transporterna till/från terminaler på motsvarande sätt som för produktions- och konsumtions-fördelningarna. Gränsnoder har betraktats som O/D-nod med 100 % produktion/konsumtion, och de har kopplats till närliggande Emme-centroider. I framtagningen av Samgods-bidragen till de regionala matriserna har fördelningarna enligt beskrivningen ovan applicerats på följande fyra typer. 12 (135)
1. Origin Destination 2. Origin Terminal 3. Terminal Destination 4. Terminal Terminal Aggregerat antal från- och till-transporter med lastbil för de olika varugrupperna (33 varugrupper och 1 varugrupp som utgör små andelar av ett urval av övriga varugrupper som anses transporteras med flyg) för olika terminaltyper och till/från-flöden redovisas i Tabell 3.3. Flygtransporter inkluderar även s k trucking d v s en transport klassad som flygtransport vilken transporteras med lastbil. Se Bilaga 7 för en förteckning över varugrupperna. Figur 3.3: Disaggregering i Samgods. De två stora cirklarna representerar kommuner och de små cirklarna representerar Sampers-centroider. Figurer illustrerar hur en transport samlas ihop från olika centroider i en kommun till en länk mellan kommuner, för att sedan dekas upp igen i mottagande kommun.
Tabell 3.3: Lastbilsflöden (antal lastbilar) med last från/till zoner och terminaler från Samgods. Antal lastbilar per år till/från zoner och terminaler av olika typer Terminaltyp Varugrupp Till/från Zon Väg Järnväg Hamn Färja Flyg 1 Från 293 997 0 4 243 872 0 0 1 Till 216 830 0 58 406 14 914 8 963 0 2 Från 390 024 0 13 215 626 0 0 2 Till 208 215 0 156 332 37 561 1 757 0 3 Från 35 491 0 226 0 0 0 3 Till 34 233 0 1 120 287 77 0 4 Från 86 177 0 821 19 0 0 4 Till 60 250 27 10 485 6 585 9 670 0 5 Från 1 555 404 0 7 971 192 0 0 5 Till 1 042 748 0 77 127 433 577 10 113 0 6 Från 714 767 0 14 131 9 037 0 0 6 Till 238 685 0 196 160 296 812 6 278 0 7 Från 481 059 0 2 511 801 0 0 7 Till 313 837 0 42 511 110 771 17 252 0 8 Från 10 525 0 381 48 0 0 8 Till 116 0 4 601 4 032 2 206 0 9 Från 84 670 0 5 677 47 0 0 9 Till 28 928 0 42 853 11 694 6 919 0 10 Från 1 405 785 0 22 992 13 704 0 0 10 Till 671 349 0 254 161 499 196 17 775 0 11 Från 498 701 0 7 356 276 0 0 11 Till 395 059 0 69 634 22 839 18 802 0 12 Från 186 318 0 842 5 0 0 12 Till 45 979 0 10 272 128 810 2 105 0 13 Från 754 086 0 1 096 11 0 0 13 Till 110 865 0 14 584 629 744 0 0 14 Från 1 077 902 0 7 219 295 420 0 0 14 Till 490 346 0 60 843 829 352 0 0 15 Från 224 593 0 368 528 143 0 0 15 Till 96 867 0 38 549 457 848 0 0 16 Från 104 997 0 782 1 428 0 0 16 Till 28 981 97 9 571 64 582 3 976 0 14 (135)
Zon Terminal Produkt Ut/In Väg Järnväg Hamn Färja Flyg 17 Från 927 774 0 13 074 6 246 0 0 17 Till 216 101 0 163 490 547 586 19 917 0 18 Från 1 175 932 0 23 018 4 762 0 0 18 Till 620 317 0 375 443 177 426 30 526 0 19 Från 684 484 0 2 997 21 366 0 0 19 Till 481 612 0 57 894 169 341 0 0 20 Från 588 179 0 7 292 6 118 0 0 20 Till 260 772 0 141 348 156 028 43 442 0 21 Från 88 987 0 1 323 0 0 0 21 Till 50 581 0 14 202 12 363 13 164 0 22 Från 47 020 0 879 4 501 0 0 22 Till 18 826 0 3 130 28 737 1 707 0 23 Från 1 019 881 0 39 662 26 292 0 0 23 Till 248 881 0 218 597 607 446 10 912 0 24 Från 360 511 0 2 566 8 323 0 0 24 Till 116 597 0 40 558 194 396 19 849 0 25 Från 362 798 0 26 196 8 026 0 0 25 Till 78 077 0 117 324 196 506 5 114 0 26 Från 512 568 0 17 071 8 0 0 26 Till 335 649 0 140 806 33 305 19 887 0 27 Från 142 030 0 3 154 112 0 0 27 Till 54 343 0 33 745 55 110 2 098 0 28 Från 427 225 0 34 739 83 769 0 0 28 Till 84 173 0 75 795 372 193 13 571 0 29 Från 844 593 0 21 940 7 408 0 0 29 Till 460 095 0 190 984 202 324 20 537 0 30 Från 0 0 0 0 0 0 30 Till 0 0 0 0 0 0 31 Från 462 091 0 1 486 91 0 0 31 Till 408 517 0 18 804 35 721 626 0 32 Från 720 531 0 39 478 11 650 0 0 32 Till 259 843 0 200 443 292 520 18 853 0 33 Från 387 714 0 6 155 10 380 0 0 33 Till 255 910 0 79 555 66 537 2 247 0
Zon Terminal Produkt Ut/In Väg Järnväg Hamn Färja Flyg 34 Från 266 399 0 3 308 435 0 0 34 Till 145 128 0 87 461 33 490 4 063 0 35 Från 137 824 0 0 0 0 0 35 Till 17 130 58 0 0 54 645 65 992 SUMMA Från 17 061 036 0 702 331 522 116 0 0 Till 8 095 842 182 3 006 785 6 729 633 387 050 65 992 SUMMA TOTAL Från 18 285 483 Till 18 285 482 Några observationer från tabellen ovan: 1. Utnyttjandet av lastbilsterminaler är försumbart i denna Samgods-körning. (I diskussion med Petter Hill diskuterades justering av befintliga teknik- och kostnadsfaktorer för lastbilsterminaler för att kalibrera in modellen mot ett rimligt värde, eventuellt en funktion för att diskriminera direkttransporter med lastbil för små volymer. Detta ingår dock ej i kalibreringsarbetet 2014.). 2. Antalet utflöden från zoner med lastbil är mer än det dubbla antalet inflöden till zoner. Eventuellt har det att göra med en asymmetri i direktaccess-funktionen i logistikmodellen, som innebär att vissa större företag anses ha direkt tillgång till järnväg och/eller hamn. Direkt-access innebär att omlastning och transporter med lastbil mellan terminal och zon inte inkluderas i transportkedjorna. I sammanställningen av lastbilsmatriserna från logistikmodelens resultat kan asymmetriska transportrelationer existera i många fall. 3. Tomtransporter är inte inkluderade. Om de skulle vara inkluderade på ett helt korrekt sätt skulle i princip alla flöden vara i balans. Med förutsättningar enligt ovan erhålls ett approximativt avståndsuppdelat trafikarbete per lastbilstyp enligt Tabell 3.4 för att stämma av mot statistiken (avstånd och lastbilstyp från Samgods). Ett sätt att nå ett trafikarbete med Lbu som uppgår till c:a 30 % i landet för att överensstämma med Trafikverkets statistik, är att ansätta allt trafikarbete med fordonstyper 101 103 samt allt med fordonstyp 104 upp till 250 km som Lbu medan övrigt är att betrakta som Lbs. 16 (135)
Tabell 3.4: Trafikarbetsuppdelning över lastbilstyperna, se Avsnitt 1.2 för definitioner. 100-km dist class v101 v102 v103 v104 v105 100 6 887 2 458 397 1 078 131 120 095 734 346 902 992 200 15 625 13 583 627 3 849 770 300 116 311 484 049 266 300 0 9 045 848 10 928 369 234 158 068 324 138 960 400 0 4 031 105 7 272 533 178 747 860 198 284 581 500 0 1 864 633 7 463 109 159 594 383 117 249 395 600 0 1 098 352 8 872 741 86 908 116 97 037 426 700 0 1 609 182 18 334 225 77 357 698 74 745 791 800 0 1 210 360 4 611 617 26 521 263 37 491 081 900 0 42 841 744 991 22 837 264 12 002 776 1000 0 61 675 1 118 884 21 802 918 34 469 413 1100 0 79 080 3 399 342 12 847 534 13 843 920 1200 0 36 467 9 192 9 332 596 50 036 210 1300 0 347 891 1 877 466 8 465 466 18 498 192 1400 0 87 462 751 030 21 985 356 8 657 371 1500 0 17 873 793 548 5 016 919 6 034 965 1600 0 72 099 21 943 1 221 366 3 186 461 1700 0 7 781 129 120 1 519 781 571 222 1800 0 88 590 31 510 1 624 715 59 109 1900 0 0 0 81 612 0 2000 0 0 0 17 303 0 SUMMA 22 512 35 743 265 71 287 521 1 290 252 263 1 827 259 131 TOTALSUMMA 3 224 564 692 3 225 Mfkm
Trafikarbete Samgods [%] Trafikarbete Samgods [Mfkm] 3500 3000 Fordonskm = f(lbnr*10000+kmantal) 2500 2000 1500 1000 500 0 1025000 1030000 1035000 1040000 1045000 1050000 1055000 Figur 3.4: Kumulativ trafikarbetsfördelning i Mfkm för lastbilar typ 103-105 (101 och 102 ligger bakom startvärdet till vänster). 100 90 80 70 60 50 40 30 20 10 Fordonskm[%] = f(lbnr*10000+kmantal) 0 1025000 1030000 1035000 1040000 1045000 1050000 1055000 18 (135) Figur 3.5: Trafikarbetsfördelning i % för lastbilar typ 103-105 (101 o 102 ligger bakom startvärdet till vänster).
De disaggregerade matriserna för basåret delas upp i fyra stycken baseras på detta: Lbu: Lbu123_<reg>.311 Lbu104_<reg>.311 Lbs: Lbs104_>reg>.311 Lbs105_<reg>.311 där <reg> = ett regionnamn från mängden {SAMM, Skane, Sydost, Vast, Palt} 3.2 Jämförelse av lastbilsmatriser från Samgods med ÅDT-värden 3.2.1 Första resultat endast nedbrytning från Samgods I figurerna nedan visas en jämförelse av trafikflöden från Samgods med ÅDT-värden i SAMM-modellen. I bilderna har endast länkar som har både uppmätta ÅDT-flöden samt nätutlagd trafik inkluderats. Grå och röd markering har använts för ÅDT-flöden där den grå delen av stapeln utgörs av den del av ÅDT-trafiken som nätutläggs medan den röda delen indikerar en underskattning av trafiken jämfört med uppmätt ÅDT. Gröna band ligger utanför ÅDT-värdet och dessa visar på att en överskattning av trafikflödet görs med de resultat som hämtas från Samgods och disaggregeras för användning i de regionala Sampers-modellerna. I jämförelser med uppmätta flöden i detta och följande kapitel har bussar i linjetrafik räknats bort från uppmätta Lbu-flöden enligt den princip som beskrivs i Avsnitt 3.6 nedan. I centrala Stockholm kan det konstateras att Samgods underskattar trafiken jämfört med ÅDT. För E18 västerut samt E4 söderut nås en högre andel av den uppmätta trafiken medan underskattningen är större för E4 i norrgående riktning samt exempelvis mot Nacka, Tyresö och Huddinge. Trafiken från Samgods-modellen har dock senare kompletterats med distributionstrafik etc. vilket förklarar en del av detta underskott i de första resultatsammanställningarna.
Figur 3.6: Trafikflöden i Stockholm, grå + röd markering utgår ÅDT-flöden där röd färg visar på underskattning vid nedbrytning av resultat från Samgods medan grönt indikerar en överskattning Lantmäteriet 202100-6297 En större vy över Stockholmsområdet visar på att i stråken längs E4/E20 mot syd/väst samt E18 västerut nås en bättre överensstämmelse mellan uppmätta och nätutlagda trafikflöden medan det i mer centrala delar, med en högre andel distributionstrafik, görs en underskattning. 20 (135)
Figur 3.7: Trafikflöden i Stockholms län, grå + röd markering utgår ÅDT-flöden där röd färg visar på underskattning vid nedbrytning av resultat från Samgods medan grönt indikerar en överskattning Lantmäteriet 202100-6297
Genom att studera trafikflöden för hela Mälardalen kan vi se att i de stora stråken görs en viss underskattning av trafiken men att totalnivåerna ändå stämmer relativt väl överens. Ett antal vägar har dock fått ett för högt flöde i nätutläggningen jämfört med de uppmätta flödena, såsom rv70 från Enköping till gränsen mot Dalarnas län, rv68 mellan Lindesberg Fagersta samt rv 56 från Sala mot gränsen till Gävleborgs län. Utanför Eskilstuna kan även viss smit-trafik mellan rv56 och E20 observeras längs med de mindre vägarna 230 och 723. Figur 3.8: Trafikflöden i Mälardalen, grå + röd markering utgår ÅDT-flöden där röd färg visar på underskattning vid nedbrytning av resultat från Samgods medan grönt indikerar en överskattning Lantmäteriet 202100-6297 22 (135)
3.3 Regionala och lokala transporter med tung lastbil I detta avsnitt beskrivs en metod för att komplettera de mer långväga godstransporterna som modelleras i Samgods med lokala och regionala transporter. De lokala och regionala transporter som inkluderas i metoden är varudistribution, byggtransporter, sophantering, snöröjning, med mera. Ekvation 3.1 och Ekvation 3.2 har tillsammans med en transportavståndsfördelning från NÄTRA-undersökningen (Näringslivets transporter i Stockholms län) [Eriksson et al., 2000b] för tung lastbil använts för att modellera generering och fördelning av transporter. Information om rutterna från NÄTRAundersökningen har studerats via plottning i Exceldiagram av deras fördelning. Vi har ännu inte en operativ, generaliserad ruttgenereringsmodell för att modellera rutterna i hela modellsystemet. En observation är att det i många fall handlar om vanliga tur-ochretur-transporter (se beteckningar i Avsnitt 1.2). En del rutter avser exempelvis sophantering och då erhålls naturligtvis rutter med väldigt många stopp (varav många utgår inom-områdestransporter i Samgods/Sampers). För framtagning av en initial lastbilsmatris används underlag och idéer från NÄTRAmodellen, framförallt Eriksson et al. [2000b, Avsnitt 3.5]. Där används antal arbetsställen och antal rutter respektive besök per arbetsställe inom olika strata som underlag för en entropimodell. Även observerade frekvenser avseende transporter i olika avståndsklasser används i modellen. I ett utarbetat förslag från Eriksson och Björketun [2000] finns ett förslag till generalisering av NÄTRA-resultat till kommunnivå genom att nyttja information om antal arbetsställen per kommun och genomsnittliga antal genererade transporter per arbetsställe från NÄTRA-undersökningen. Prognoser avseende antal arbetsställen i socioekonomiska indata till våra modeller ingår inte, och vidare kan strukturförändringar i näringslivet (se resultaten i Edwards och Karlsson [2008]), ändra dessa förutsättningar avsevärt. Baserat bl a på dessa erfarenheter väljer vi att gå vidare med en skattning av antal transporter och rutter baserat på antal anställda i ett antal sektorer, nämligen de branscher som visas i Tabell 3.5. Tabell 3.5. Branscher som inkluderas i skattningen. Nr SNI Bransch 1 1-36XXX Tillverkning 2 40-45XXX Byggnad 3 50-52XXX Handel 4 56-64XXX Transporter Resten 55XXX, 65-5 Övrigt 99XXX Antalet transporter per fordonstyp och SNI-sektor baseras på summa uppräknade värden från NÄTRA-undersökningen per anställd i respektive bransch. Sedan justeras detta ner med en faktor för att beakta att vissa NÄTRA-flöden torde sammanfalla med Samgodsbaserade flöden (dubbelräkning) samt att ta hänsyn till olika typer av transportstatistik. Fördelningen till destinationerna baseras på besöksfördelningen enligt NBR (Besöksregistret i NÄTRA-databasen) med resultat enligt Tabell 3.6.
Tabell 3.6: Besöksfördelning enligt NÄTRA-databasen (NAR1998 = Arbetsplatsregistret i NÄTRA-databasen) Data från NAR1998 Fordonstyp, uppräknat antal Besök per anställd besök per dag Antal anställda TuLb LLb Pb TuLb LLb Pb Tillverkning 1-36XXX 71 563 7 387 5 686 2 550 0.10323 0.07945 0.03563 Byggnad 40-45XXX 60 663 3 368 1 453 350 0.05552 0.02394 0.00576 Handel 50-52XXX 123 252 9 807 9 222 1 067 0.07957 0.07482 0.00866 Transport 60240, 63400, 64110, 64120 52 118 6 322 2 891 5 772 0.12129 0.05547 0.11075 Resten 55XXX, Service 66-99XXX 463 281 33 360 25 716 27 442 0.07201 0.05551 0.05923 SUMMA 60 244 44 968 37 181 För att erhålla en fördelning av källorna (origins) i OD-matrisen används ruttregistret NRR i NÄTRA-databasen. Det ger en fördelning över ruttgenerering i olika branscher (OD-ben nr 1 i rutterna), för OD-ben 2++ används fördelningen enligt besöksregistret (det är en transport från ett besök till nästa), och slutligen används fördelning av returerna till utgångspunkten i rutterna på destinationssidan. I Tabell 3.7 presenteras bearbetade resultat från NRR för tung lastbil, medan underlaget exemplifieras i kommande tabeller. Tabell 3.7: Bearbetade NRR-resultat för tung lastbil (TuLb). TuLb SNI-grupp 1 2 3 4 5 SUMMA 1_Antal_obs_(multi)rutter: 848 963 954 6 615 1 088 10 468 2a_Antal_rutter: 908 1 083 1 874 7 970 3 605 15 440 3_Antal_OD-ben_2++ 3 333 4 825 12 803 65 731 29 614 116 306 4_Antal_inZ_OD-ben 639 364 7 447 15 576 27 100 51 126 5a_Antal_Z2Z_OD-ben 2 694 4 461 5 356 50 155 2 514 65 180 6a_Returer_till_O1 835 1 149 1 855 7 689 3 647 15 175 Extra OD-ben per rutt (2++) 3.0 4.1 2.9 6.3 0.7 Antal besök (NRR) 3 602 5 544 7 230 58 125 6 119 80 620 Antal besök (NBR) 60 244 2b_Antal_rutter/anställd 0.013 0.018 0.015 0.153 0.008 5b_Antal_Z2Z_OD-ben/anställd 0.038 0.074 0.043 0.962 0.005 6b_Returer_till_O1/anställd 0.012 0.019 0.015 0.148 0.008 24 (135)
Förklaring av innehållet per rad i Tabell 3.7. 1_Antal_obs_(multi)rutter = antal observationer med rutter i NRR, där det kan vara en multirutt vilket innebär att rutten vid upprepade tillfällen återvänder till utgångsläget. 2a_Antal_rutter = antal utgående OD-ben från zon nr 1 i rutten. 3_Antal_OD-ben_2++ = antal OD-ben mellan centroider med ordningsnummer 2 och högre i rutterna (stoppen i rutterna associeras med en centroid som numreras från 1 och uppåt i ordning efter första besöket) 4_Antal_inZ_OD-ben = antal inom-zons OD-ben 5a_Antal_Z2Z_OD-ben = antal OD-ben mellan zoner, differensen mellan 3:an och 4:an 6a_Returer_till_O1 = antal OD-ben som innebär en retur till start-zonen. Extra OD-ben per rutt (2++) = antal OD-ben per rutt exklusive nr 1 och retur-od-benet. Antal besök (NRR) = summa av 2 och 5 Antal besök (NBR) = resultat från NBR (för jämförelse, bör vara lika) 2b_Antal_rutter/anställd = resultat 2 dividerat med antal anställda i branschen 5b_Antal_Z2Z_OD-ben/anställd = resultat 5 dividerat med antal anställda i branschen 6b_Returer_till_O1/anställd = resultat 6 dividerat med antal anställda i branschen Underlaget till Tabell 3.7 exemplifieras med Tabell 3.8 för TuLb i bransch 1/Tillverkning. Antal observationer redovisas i cell (0,0), antal rutter är summan i det gröna området och returerna finns i det gula området. Antalet OD-ben 2++ finns i det blå området med eller utan inom-zonstransporterna i den bruna diagonalen.
Tabell 3.8: Rutter för TuLb i bransch 1/Tillverkning. Uppräknade värden på fördelning mellan zoner numrerade med ordningsnummer i rutterna. Genomsnittliga avstånd redovisas i den nedre delen av tabellen. TuLb Bransch01 RDem[antal/dag] -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 0 847.8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 24.4 684.7 151.7 16.4 11.1 3.8 28.2 12.7 0 0 0 0 0 0 2 0 361.2 98.2 442.4 15 15 15 15 0 0 0 0 0 0 0 3 0 31.2 108 90.8 454.9 0 0 0 0 0 0 0 0 0 0 4 0 214.9 15 0 221.7 256.4 0 0 0 0 0 0 0 0 0 5 0 3.8 15 0 0 125.6 263.8 0 0 0 0 0 0 0 0 6 0 35.5 15 0 0 0 0 232 0 0 0 0 0 0 0 7 0 16.4 15 0 0 0 0 63.3 243.7 0 0 0 0 0 0 8 0 8.4 0 0 0 31.7 0 0 0 216.3 0 0 0 0 0 9 0 39.1 0 0 0 0 0 0 0 39.1 177.2 0 0 0 0 10 0 87.6 0 0 0 0 0 0 0 0 0 37.1 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0 37.1 24.4 0 12 0 12.7 0 0 0 0 0 0 0 0 0 24.4 0 0 0 13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 24.4 14 0 24.4 0 0 0 0 0 0 0 0 0 0 0 0 0 RDist[km/trip] -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0.3 39.71 26.73 12.81 10.36 19.9 8.19 27.3 0 0 0 0 0 0 2 0 24.1 0.3 44.33 10.6 13.8 11.3 6.5 0 0 0 0 0 0 0 3 0 26.71 22.89 3.98 39.24 0 0 0 0 0 0 0 0 0 0 4 0 39.62 10.6 0 0.03 3.25 0 0 0 0 0 0 0 0 0 5 0 2.8 13.8 0 0 0.73 5.47 0 0 0 0 0 0 0 0 6 0 13.53 11.3 0 0 0 0 4.66 0 0 0 0 0 0 0 7 0 6.44 6.5 0 0 0 0 0.05 5.93 0 0 0 0 0 0 8 0 7.6 0 0 0 13.3 0 0 0 4.25 0 0 0 0 0 9 0 8 0 0 0 0 0 0 0 2.5 3.4 0 0 0 0 10 0 23.26 0 0 0 0 0 0 0 0 0 3.65 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0 2.79 8.5 0 12 0 29 0 0 0 0 0 0 0 0 0 3.2 0 0 0 13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3.7 14 0 3.9 0 0 0 0 0 0 0 0 0 0 0 0 0 Ovanstående presentation sammanfattas i en beskrivning av grunden för marginalvillkoren (rad- och kolumnsummor) i Tabell 3.8. Fördelning till destinationerna redovisas som en besöksbaserad del (från NBR) och en ruttretur-del (från NRR). På origin-sidan används fördelning för genererade rutter (NRR) samt antalet mellan-zon-odben fördelade enligt besöksfördelningen (NBR). Totalnivåerna ligger nära varandra (75684 vs 80620). Medelvärdet av dessa väljs till genereringen av a-priori-matriserna. 26 (135)
Tabell 3.9: Övergripande redovisning av marginalvillkoren för tung lastbil. OD-TuLb Destination: Tillverk Byggnad Handel Transport Service SUMMA Besök (NBR) 7387 3368 9807 6322 33360 60244 Retur rutt (NRR) 908 1083 1874 7970 3605 15440 SUMMA 75684 Origin: Rutt OD-ben 1 Rutt OD-ben 2++ (m besöksfördelning) Tillverk 908 7993 Byggnad 1083 3644 Handel 1874 10611 Transp 7970 6839 Service 3605 36093 SUMMA 15440 65180 SUMMA 80620 Avståndsfördelningen för mellan-zons-od-benen redovisas aggregerat för samtliga branscher i Tabell 3.10. Tabell 3.10: Avståndsfördelning för OD-benen i rutterna. Fordonskm/dag Klassfördelning[%] TuLb LLb Pb TuLb LLb Pb Klass_nr [km] 1 2 3 1 2 3 1 9 44 484 54 064 122 415 46.45 55 70.21 2 24 27 070 28 224 31 910 28.27 28.71 18.3 3 49 21 501 12 316 17 317 22.45 12.53 9.93 4 99 2 067 2 948 2 701 2.16 3 1.55 5 149 344 751 0 0.36 0.76 0 6 299 292 0 0 0.3 0 0 7 499 0 0 0 0 0 0 8 9999 0 0 0 0 0 0
En entropi-modell formuleras analogt med modellen i Eriksson et al [2000b, kapitel 3.5] enligt följande: Ekvation 3.3 0 min z c dij xij xij (ln( xij / xij ) 1) i j m ht x R för i där i j ij ij i x C för j j x om x x annars 0 ij 0 ij 0, ij 0 x ij = modellerad efterfrågan av antal transporter per dag mellan zon i och zon j x 0 ij = startvärde för modellerad efterfrågan i modellen d ij = avstånd i km mellan zon i och zon j c = transportavstånds-koefficient/aversion Ri = radsumma för zon i Cj = kolumnsumma för zon j Lösningen till denna modell erhålls på formen Ekvation 3.4 xij x exp( c d ) 0 ij ij i j där = multiplikator för kalibrering mot radsummavillkoren i j = multiplikator för kalibrering mot kolumnsummavillkoren Värdet på x 0 ij sätts till OD-matrissumman dividerat med antalet element i matrisen, d v s efterfrågan fördelas ut jämnt i matrisen. Med en avståndsaversion c > 0 i modellen kommer näraliggande områden att resultera i större efterfrågevärden relativt sett. Även kransområden till regionerna tilldelas en efterfrågan i modellen för att avspegla att det förekommer lokala/regionala transporter över gränserna mellan Trafikverkets regionala modeller. Avståndsaversionskoefficienten används istället för resultaten i frekvenstabellen därför att den är mer allmängiltig och lämpar sig bättre för användning i andra regionala modeller. Konstanten kalibreras in per modell för att stämma tillräckligt bra med frekvenstabellen i Tabell 3.11. Ansätter man avståndsfördelningen till att vara exponentialfördelad så skulle c=0.069 vara ett bra val för NÄTRA-data. Vi väljer därför att optimera koefficienten c för varje regional modell vilket ger resultatet i Tabell 3.11. Valt godhetskriterium är summa absolutavvikkelser av procentandelarna. 28 (135)
Tabell 3.11: Resulterande avståndsfördelningar per region. Andelar i %. c-koefficient Avståndsklasser 0.09 0.11 0.07 0.06 0.05 i Klass[km] NATRA SAMM Skåne Sydost Väst Palt 1 9 46.45 46.46 44.35 48.39 70.52 49.23 2 24 28.27 33.95 38.05 20.93 13.63 20.22 3 49 22.45 16.2 15.49 21.02 10.24 16.06 4 99 2.16 3.2 2.08 8.89 5.08 11.9 5 149 0.36 0.18 0.02 0.74 0.49 2.26 6 299 0.3 0 0 0.03 0.04 0.33 7 499 0 0 0 0 0 0 8 1000 0 0 0 0 0 0 Goodness of fit 13.44 19.56 18.09 54.24 28.89 Goodness of fit (Klass 1 och 2 tillsammans) 13.44 15.36 14.21 24.96 23.33 De geografiska skillnaderna avspeglas främst i region Väst där andelen i klass 1 är drygt 20 procentenheter högre än i övriga regioner. En förklaring till detta är troligen den stora andelen av zoner med parvisa höga radsumme- och kolumnsummevärden inom 9 kilometers avstånd, d v s det finns många zoner som genererar förhållandevis mycket transporter som ligger nära (inom 9 km) zoner som attraherar förhållandevis mycket transporter. Se Tabell 3.12 för en sammanställning över detta. Tabell 3.12: Fördelning av kombinationen Radsumma*Kolumnsumma*Avstånd per region. Avståndsklasser Fördelning av summa (Radsumma*Kolumnsumma*Avstånd) i Klass[km] SAMM Skåne Sydost Väst Palt 1 9 13.1 7.6 3.9 45.5 2.7 2 24 18.3 13.0 2.0 1.5 1.5 3 49 16.6 18.9 6.1 1.6 2.1 4 99 17.3 37.2 15.6 3.8 6.1 5 149 16.7 16.2 21.4 3.2 8.3 6 299 17.5 7.0 45.4 6.1 23.2 7 499 0.6 0.0 5.5 37.2 26.0 8 1000 0.0 0.0 0.0 1.0 30.1
3.4 Observerade flöden för godsterminaler och gränspassager Vid konstruktion av lastbilsmatriser är det naturligt att utnyttja observerade flöden till/från specifika punkter som hamnar och terminaler av olika slag. I de fall då dessa punkter representeras av en unik zon i motsvarande regionala Sampersmodell kan rad- och kolumnsummorna för matriserna kalibreras in mot observerade värden. I de fall då punkterna ligger i krans- och fjärrområden ingår de normalt i en större zon, och i de fallen kan rad- och kolumnsummorna användas som undre gränser för flöden till/från dessa områden. För gränspassager associeras i normalfallet all passage till/från den zon i Sverige som ligger närmast den faktiska gränspassagen. Ett möjligt undantag från denna regel avser den svenska zonen närmast Öresundsförbindelsen som i den regionala modellen för Skåne ersätts med en zon i Danmark intill Öresundsförbindelsen. Med denna ansats kan vi redan under konstruktion av matrisen få in ett observerat flöde över Öresund. Särskild hänsyn måste härvid tas till eventuell konstruktion av lokala/regionala flöden baserat på NÄTRA-underlaget på Sjaelland. I föreliggande version av Skånemodellen har observerade flöden på bron lagts in som till och från flöde till zon nummer 21853 på Danmarkssidan för att det ska komma ut på bron och inte sluta i en gränscentroid. Ytterligare justeringar skulle kunna göras men huvudsakligen förväntas det hanteras vid kalibreringen. Använd data redovisas i Tabell 3.13. Räkna om Samgodsdata och regionala modelldata till ÅDT. Underlaget baseras dels på sammanställd data från tidigare studier och statistik, dels på enkätundersökningen. Se Tabell 2.1 och Tabell 2.2 för information om vad underlaget är baserat på. Samgodsnoderna i hamnfallen finns som egna centroider i Samgods, och de associeras vanligen med en motsvarande Sampersnod när den regionala modellen innehåller den, i annat fall blir det en krans- eller fjärrzonkoppling. För gränspassagerna vid Öresund och Svinösund anges för Samgods kommunzonen med negativt tecken (en programteknisk detalj för att markera specialhanteringen), och sedan vilken centroid i Sampers de ska associeras med. I fallet med den danska centroiden 21853 anges -1 i kolumnen andel för att markera att vi byter till en nod utanför Sverige. I fallet med transporter över gränsen till Norge finns inte ett vägnät på norska sidan vilket gör att transporterna får kopplas till närmsta centroid på den svenska sidan av gränsen. 30 (135)
Tabell 3.13: Data med observerade årsflöden. Samgods Årsflöde dubbelriktat Antal kopplingar Region Sampers Andel Samgods-namn 788221 9 100 1 Sydost 788205 1 Sea:_Oskarshamn 788231 9 100 1 Sydost 788202 1 Sea_Ferry:_Oskarshamn 848031 104 550 1 Vast 850051 1 Sea_Ferry:_Göteborg 848021 468 000 1 Vast 850860 1 Sea:_Göteborg 948221 119 600 1 Palt 948244 1 Sea:_Skellefteå 828221 34 000 1 Skane 828230 1 Sea:_Landskrona 738221 11 428 1 SAMM 738212 1 Sea:_Hargshamn 808221 22 100 1 Sydost 808227 1 Sea:_Karlshamn 808231 22 100 1 Sydost 808227 1 Sea_Ferry:_Karlshamn 958121 9 500 1 Palt 958119 1 Sea:_Piteå 828721 46 624 1 Skane 828712 1 Sea:_Trelleborg 828731 419 614 1 Skane 828712 1 Sea_Ferry:_Trelleborg 786121 5 500 1 Sydost 786101 1 Sea:_Mönsterås 808321 75 400 1 Sydost 808302 1 Sea:_Sölvesborg 829021 488 800 1 Skane 818066 1 Sea:_Åhus 828621 20 400 1 Skane 828601 1 Sea:_Ystad 828631 183 600 1 Skane 828601 1 Sea_Ferry:_Ystad 918021 85 000 2 Palt 918061/ 918049 0.5 / 0.5 Sea:_Gävle 848521 13 520 1 Vast 848520 1 Sea:_Uddevalla 748121 47 320 1 SAMM 748102 1 Sea:_Oxelösund 828021 241 515 1 Skane 828005 1 Sea:_Malmö 828031 26 835 1 Skane 828005 1 Sea_Ferry:_Malmö 718021 94 858 1 SAMM 721153 1 Sea:_Stockholm 718031 94 858 1 SAMM 721153 1 Sea_Ferry:_Stockholm 719221 6 775 1 SAMM 719201 1 Sea:_Nynäshamn 719231 60 978 1 SAMM 719201 1 Sea_Ferry:_Nynäshamn 718832 153 315 1 SAMM 718851 1 Sea_Ferry:_Kapellskär 808031 79 820 1 Sydost 808019 1 Sea_Ferry:_Karlskrona 798021 40 936 1 SAMM 798006 1 Sea:_Visby 828321 50 139 1 Skane 828367 1 Sea:_Helsingborg 828331 451 250 1 Skane 828367 1 Sea_Ferry:_Helsingborg 928422 14 695 1 Palt 928440 1 Sea:_Husum
848621 10 107 1 Vast 848603 1 Sea:_Strömstad 928121 11 777 1 Palt 928143 1 Sea:_Sundsvall 718121 50 856 1 SAMM 718135 1 Sea:_Södertälje 948021 10 992 1 Palt 948079 1 Sea:_Umeå 948031 1 221 1 Palt 948079 1 Sea_Ferry:_Umeå 838321 20 439 1 Vast 838302 1 Sea:_Varberg 838331 20 439 1 Vast 838302 1 Sea_Ferry:_Varberg 758121 182 000 1 Sydost 758115 1 Sea:_Norrköping 788321 2 570 1 Sydost 788317 1 Sea:_Västervik -828000 270 000 1 Skane 21853 Öresundsförbindelsen -1 (Malmö) -848600 700 700 1 Vast 848609 Svinesundsbron 1 (Strömstad) 3.5 Resultat före kalibrering Inledningsvis var målsättningen att på nationell nivå nå ett trafikarbete på c:a 4600 Mfkm enligt Vägverkets sektorsrapport [2008] och Trafikanalys trender, men lågt jämfört med Trafikverkets trafikarbetsskattningar i Tabell 3.18. I Tabell 3.14 redovisas inställningarna för konstruktion av de regionala bidragen. Med förutsättningar enligt föregående avsnitt och Tabell 3.14 har a priori-matriser tagits fram för Lbu och Lbs per region med resultat enligt Tabell 3.15. Tabell 3.14: Inställningar av avståndsfördelningsparametern c i Ekvation 3.3 och skalfaktor för nivåbestämning av de regionala matrisernas nivåer (de som är NÄTRA-databaserade). SAMM Skåne Sydost Väst Palt c-koefficient 0.09 0.11 0.07 0.06 0.05 Skalfaktor för matriserna 1.0 0.7 0.7 0.7 0.6 32 (135)
Tabell 3.15: Inom-regionalt trafikarbete per region. Ingen nod-kalibrering. Enhet: Mfkm. Lbuandelen är 48 % av totalen. INOM-reg(totalt) trafikarbete [Mfkm] Lbu Lbs SAMM 867 587 Skåne 207 196 Sydost 374 546 Väst 618 584 Palt 330 706 SUMMA 2 396 2 619 5 015 Sjaelland ingår i den regionala Skåne-modellen med ett trafikarbete om c:a 370 Mfkm men vi har exkluderat detta från tabellerna för att kunna jämföra direkt med skattningar av trafikarbetet i Sverige. I Tabell 3.16 redovisas resultatet efter användning av observerade flöden till och från terminaler och hamnar. Tabell 3.16: Inom-regionalt trafikarbete per region. Nod-kalibrering är använd. Enhet: Mfkm. Lbu-andelen är 46 % av totalen. INOM-reg(totalt) trafikarbete [Mfkm] Lbu Lbs SAMM 875 633 Skåne 235 268 Sydost 384 610 Väst 642 710 Palt 331 720 SUMMA 2 466 2 942 5 408 Jämfört med trafikarbetet för tung lastbil i Vägverket [2009] som uppskattas till 4 600 Mfkm år 2008 ligger totalnivån 18 % högre (5 408 i Tabell 3.14), och enligt den officiella statistiken hos Trafikanalys har inte det totala trafikarbetet med tung lastbil ökat mellan 2008 och 2010. Det är en rimlig hypotes att det föreligger en viss dubbelräkning i NÄTRA- respektive Samgods-bidragen. Detta talar för att trafikarbetet enligt NÄTRA och/eller Samgods borde reduceras med c:a 800 Mfkm. Trafikarbetet mellan kärnområden som uppgår till exempelvis högst 150 km (som är typiska NÄTRAtransportavstånd) redovisas i Tabell 3.16. Trafikarbetet i detta intervall, 1 281 Mfkm, utgör 142 % av differensen.
Tabell 3.17: Inom-regionalt trafikarbete per region. Enhet: Mfkm. INOM-reg (Samgods) trafikarbete mellan kärnområden [Mfkm] Lbu Lbs Samm 66 181 Skåne 27 51 Sydost 50 117 Väst 90 256 Palt 53 389 SUMMA 286 994 1 281 Å andra sidan kan vi titta på uppgifter avseende redovisade trafikarbeten på statligt vägnät 2011, se Trafikverket [2011] som sammanställts i Tabell 3.18, där trafikarbetsdata 2011 totalt ligger c:a 20 % över modellvärdena utom för Samm som ligger nära observationen och Skåne som ligger hela 45 % högre. Efter justering för att tung buss också ingår i trafikarbetsdata landar vi på en total underskattning med modellvärdena på c:a 6 % (100*(5408/5729-1)). Tabell 3.18: Trafikarbete per region med tung lastbil enligt Trafikverket [2011]. Enhet: Mfkm. Mälardalen och Sthlm (Samm) TrV tot 2011, statligt vägnät Mfkm % av total i tabell 3.16 1 551 103 Skåne 742 147 Sydost 1 279 129 Väst 1 610 119 Palt 1 347 128 Summa 6 529 121 Tung buss 800 Summa exkl buss 5 729 106 Med detta som underlag erhåller vi reslängdsfördelningar för alla Lb-transporter enligt Tabell 3.19 och Tabell 3.20 i termer av trafikarbete, och i Tabell 3.21 och Tabell 3.22 i termer av antal transporter. Resultaten kan användas för att stämma av mot befintlig statistik och för rimlighetskontroller. 34 (135)
Tabell 3.19: Trafikarbete [Mfkm] i olika avståndsklasser per region och totalt. Avst klass [km] SAMM Skåne Trafikarbete [Mfkm] Sydost Vast Palt Totalt Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu+s 9 98.1 1.5 25.4 44.0 19.0 1.8 35.1 5.6 18.9 1.6 196.4 54.5 250.9 24 268.6 13.1 56.4 6.0 43.7 1.9 97.4 3.3 40.6 15.7 506.6 39.9 546.5 49 288.4 31.0 57.8 15.9 99.6 12.5 169.3 12.0 72.3 10.7 687.3 82.1 769.4 99 119.3 66.6 38.6 56.8 90.2 42.7 178.2 108.8 106.8 33.5 533.1 308.4 841.5 149 40.2 61.0 21.2 28.8 38.8 52.7 64.7 95.0 47.5 82.6 212.4 320.2 532.5 299 47.9 145.3 25.5 49.3 65.4 130.6 86.5 235.2 36.6 179.0 261.8 739.3 1001.1 499 2.0 181.8 4.6 40.2 7.6 196.8 8.4 210.3 1.9 105.1 24.5 734.0 758.6 1000 10.0 132.8 6.0 27.2 19.8 171.2 2.0 40.2 6.2 292.1 44.0 663.6 707.6 SUMMA 874.5 633.2 235.4 268.1 384.0 610.2 641.5 710.3 330.7 720.2 2466.2 2941.9 5408.1 Tabell 3.20: Trafikarbete [%] i olika avståndsklasser per region och totalt. Avst klass Trafikarbete [%] [km] SAMM Skåne Sydost Vast Palt Totalt Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu+s 9 6.5 0.1 5.0 8.7 1.9 0.2 2.6 0.4 1.8 0.1 3.6 1.0 4.6 24 17.8 0.9 11.2 1.2 4.4 0.2 7.2 0.2 3.9 1.5 9.4 0.7 10.1 49 19.1 2.1 11.5 3.2 10.0 1.3 12.5 0.9 6.9 1.0 12.7 1.5 14.2 99 7.9 4.4 7.7 11.3 9.1 4.3 13.2 8.0 10.2 3.2 9.9 5.7 15.6 149 2.7 4.0 4.2 5.7 3.9 5.3 4.8 7.0 4.5 7.9 3.9 5.9 9.8 299 3.2 9.6 5.1 9.8 6.6 13.1 6.4 17.4 3.5 17.0 4.8 13.7 18.5 499 0.1 12.1 0.9 8.0 0.8 19.8 0.6 15.6 0.2 10.0 0.5 13.6 14.0 1000 0.7 8.8 1.2 5.4 2.0 17.2 0.2 3.0 0.6 27.8 0.8 12.3 13.1 SUMMA 58.0 42.0 46.8 53.2 38.6 61.4 47.5 52.5 31.5 68.5 45.6 54.4 100.0 Tabell 3.21: Antal transporter [miljoner] i olika avståndsklasser per region och totalt. Avst klass Antal transporter [milj] [km] SAMM Skåne Sydost Vast Palt Totalt Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu+s 9 26.0 1.9 7.3 4.0 7.3 1.7 9.9 3.5 7.0 2.2 57.4 13.4 70.7 24 18.5 2.3 4.0 1.8 3.3 2.5 6.9 1.4 2.9 2.0 35.6 10.1 45.7 49 8.9 1.8 2.0 1.2 3.4 2.4 5.2 1.4 2.4 1.5 21.9 8.2 30.1 99 2.6 3.1 1.3 3.1 2.4 3.7 3.4 3.5 2.6 3.4 12.1 16.8 28.9 149 1.0 2.3 0.9 1.9 1.2 2.4 1.3 2.4 1.2 2.2 5.5 11.2 16.7 299 1.4 3.7 1.5 3.8 1.4 3.7 1.5 3.7 1.3 3.7 6.9 18.6 25.5 499 0.1 2.1 0.1 1.8 0.1 2.0 0.1 2.0 0.1 2.0 0.4 9.8 10.3 1000 0.1 0.9 0.1 0.8 0.1 1.0 0.1 0.9 0.1 0.9 0.3 4.5 4.8 SUMMA 58.5 18.0 17.0 18.4 19.0 19.5 28.2 18.8 17.4 17.8 140.2 92.5 232.7 Tabell 3.22: Antal transporter [%] i olika avståndsklasser per region och totalt. Avst klass Antal transporter [%] [km] SAMM Skåne Sydost Vast Palt Totalt Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu Lbs Lbu+s 9 33.9 2.5 20.5 11.4 19.0 4.4 20.9 7.4 19.8 6.4 24.7 5.7 30.4 24 24.2 3.0 11.3 5.1 8.5 6.6 14.7 3.0 8.3 5.8 15.3 4.3 19.6 49 11.6 2.3 5.7 3.3 8.9 6.3 11.1 2.9 6.7 4.1 9.4 3.5 12.9 99 3.4 4.0 3.6 8.8 6.1 9.7 7.1 7.5 7.2 9.6 5.2 7.2 12.4 149 1.3 3.0 2.4 5.3 3.0 6.3 2.7 5.1 3.3 6.3 2.4 4.8 7.2 299 1.8 4.8 4.1 10.8 3.5 9.7 3.1 7.8 3.7 10.4 3.0 8.0 11.0 499 0.1 2.7 0.2 5.1 0.2 5.1 0.2 4.3 0.3 5.5 0.2 4.2 4.4 1000 0.1 1.2 0.1 2.2 0.2 2.5 0.1 2.0 0.2 2.5 0.1 1.9 2.1 SUMMA 76.4 23.6 48.0 52.0 49.4 50.6 60.0 40.0 49.5 50.5 60.2 39.8 100.0
I lastbilsundersökningarna 2006/2010 redovisas 37.3 respektive 35.3 miljoner transporter. Om det är ett bortfall på c:a 30 % i den undersökningen som Trafikanalys uppskattat på senare tid innebär det att det totala antalet borde vara i storleksordningen 53 miljoner. Till detta kommer att vi saknar uppgift om transporter med mindre lastbilar med max lastvikt 3.5 ton (ej att förväxla med lätt lastbil med max totalvikt 3.5 ton). En uppskattning av bidrag från lastbilar med max lastvikt under 3.5 ton kan göras med hjälp av antalet registrerade lastbilar i aktuellt intervall. Det totala antalet på 140 miljoner Lbu-transporter och drygt 20 miljoner Lbs-transporter (antalen dubbelräknas till stor del om de läggs samman) ligger högt över lastbilsundersökningens resultat, bl a på grund av att tunga lastbilar med max lastvikt mindre än 3.5 ton inte är inkluderade i lastbilsundersökningen. Betraktar vi fördelningen av antalet transporter respektive trafikarbetet i Figur 3.9 och Figur 3.10 ser vi att andelen korta transporter förefaller vara alltför stort i det modellerade underlaget, även om andelen är väsentligt mindre än NÄTRA-undersökningen indikerar. Dock kan detta vara rimliga resultat då alla tunga lastbilar inte är inkluderade i lastbilsundersökningen. Tester har därför gjorts med att justera modellparametrarna för att minska antalet kortväga transporter. Figur 3.9: Fördelning av transporter enligt modellerna, lastbilsundersökningen 2006 respektive NÄTRA 1999. Observera att urvalen av lastbilar är olika. Modellens urval representerar alla transporter medan de övriga inte gör det. 36 (135)
Figur 3.10: Fördelning av trafikarbete enligt modellerna respektive lastbilsundersökningen 2010 respektive NÄTRA 1999. (NÄTRA-resultaten är ej inkluderade då de huvudsakligen innehåller korta resor.) Enär våra modellresultat ligger ungefär mitt emellan uppskattningarna från Trafikanalys angående trafikarbetets utveckling och mätdata från Trafikverket, så har vi testat ett antal varianter med syftet att minska trafikarbetet och att minska det totala antalet korta transporter. Emellertid återgick vi till de kalibrerade c-koefficienterna i Tabell 3.14. De regionala bidragen har justerats med en faktor mellan 0.60 och 1.0 för att kompensera för den sannolika dubbelräkningen och för att beakta resultat av kalibreringar. Resultaten av några gjorda tester i en föregående versioner redovisas i Tabell 3.23.
Tabell 3.23: Resultat med sänkt kostnadsfaktor c (med 0.01 enheter) och proportionella nedskrivningar av transportgenereringstalen från NÄTRA-modellen. Avst klass Lb-undersökn 2010 [%] Base [%] Alt 01 Alt 02 Alt 03 NÄTRA 75% NÄTRA 65% NÄTRA 50% 49 9 26 23 21 18 99 12 18 17 16 16 149 12 11 11 11 12 299 26 18 20 21 22 499 18 14 15 16 17 1000 25 13 14 15 16 Antal tulb-trp (milj) 50 156 123 109 89 [Mfkm] [Mfkm] [Mfkm] [Mfkm] [Mfkm] Total TA - 5558 5041 4834 4523 NÄTRA-del 2069 1552 1345 1034 38 (135) Med utgångspunkt från dessa resultat fortsatte vi till kalibrering med resultaten för nedskrivningsfaktorn 0.65, vilket innebär att resultatet från NÄTRA-delen reduceras till 65 %, därför att: 1. Trafikarbetet ligger rimligt nära den uppskattade nivån 4 600 miljoner fordonskilometer från Trafikverket [2009]. 2. Antalet transporter har reducerats med knappt 50 milj jämfört med startvärdet till ett högt värde jämfört med lastbilsundersökningen, men sannolikt inte alltför högt med tanke på att många transporter saknas i densamma. 3. NÄTRA-undersökningsdata indikerar höga antal lokala och regionala transporter. 4. Frekvensfördelningen jämfört med lastbilsundersökningen har förbättrats avsevärt. Efter kalibreringsarbetet återgick vi som nämnts ovan till de anpassade c-koefficienterna och till en varierad uppsättning NÄTRA -nivå faktor enligt Tabell 3.14. Vi har 6 OD-matriser för lastbil enligt nedan där REG {Samm, Skåne, Sydost, Väst, Palt}: 1. Lbu123_REG Samgodsflöden med v101-103 2. Lbu104_REG v104 om dist < 250 km och inrikes (300 km i Palt)
3. LbuReg_REG Regionala matriser om dist < 150 km (fordon v103) 4. Lbs104_REG v104 om dist > 250 km eller delvis utrikes (2.5) (300 km i Palt) 5. Lbs105_REG Samgodsflöden med v105 6. LbsReg_REG Regionala matriser om dist > 150 km (fordon v104/5) Observera dock att innan nätutläggning adderas dessa samman till två matriser per region: Lbu och Lbs. I Bilaga 9 presenteras ett antal bilder för de fem regionerna för att illustrera resultatet. 3.6 Resultat efter kalibrering De modellerade matriserna per region för basåret anges i Tabell 3.24 och de summeras antingen till en matris vardera för Lbu respektive Lbs inför kalibrering, eller till gemensam Lbu+s. De Samgods-baserade matriserna divideras med 365 för att vi ska erhålla ÅMDvärden. Tabell 3.24: Matrisbeteckningar för uppdelade BAS-matriser på Lbu/Lbs respektive sammanslagna till Lbu+s. Grundmatriser per region Lbu123_REG Lbu104_REG LbuReg_REG Lbs104_REG Lbs105_REG LbsReg_REG Uppdelade BAS-matriser till kalibrering Lbu_REG(BAS) Lbs_REG(BAS) BAS-matris till kalibrering Lbu+s_REG(BAS) Matriserna kalibreras mot trafikräkningar med exempelvis gradientjusteringsmetoden i demadj22.mac i Emme enligt Spiess [1990]. Därefter definieras utgångsläget för basåret och betecknas enligt Tabell 3.25. Tabell 3.25: Matrisbeteckningar för uppdelade CAL-matriser på Lbu/Lbs respektive sammanslagna till Lbu+s. Grundmatriser per region Lbu123_REG Lbu104_REG LbuReg_REG Lbs104_REG Lbs105_REG LbsReg_REG Uppdelade CAL-matriser efter kalibrering Lbu_REG(CAL) Lbs_REG(CAL) CAL-matris efter kalibrering Lbu+s_REG(CAL)
Inledningsvis var målsättningen att på nationell nivå nå ett trafikarbete på c:a 4 600 Mfkm enligt Vägverkets sektorsrapport [2008] och Trafikanalys trender, men lågt jämfört med Trafikverkets trafikarbetsskattningar i Tabell 3.18. Dock blev det ett stort skift från Lbs till Lbu. Framförallt blev det en kraftig reduktion av trafikarbete med Lbs som bedömdes vara alltför stor. Den relativt stora justeringen av trafikarbetet för Lbu ledde till misstanken att användningen av alla kommunala trafikräkningar för Lbu-kalibreringen orsakar en avsevärd bias. Därför gjordes en kalibrering baserat på en sammanslagning av trafikdata för Lbu och Lbs men förändring på total trafikarbetsnivå är praktiskt taget ingen alls. För att kunna fortsätta med den önskade uppdelningen av efterfrågematriserna beslöts att fortsättningsvis genomföra kalibreringen uppdelat på Lbu och Lbs, och att endast använda trafikdata från Trafikverket för det statliga vägnätet. De kommunala trafikräkningarna används sedan för att försöka avgöra huruvida trafiknivåerna på de kommunala länkarna överensstämmer med kommunbaserade trafikräknedata. Generellt sett under kalibreringsarbetet har regressionsresultaten mellan modellbaserade och observerade flöden före kalibrering resulterat i en lutningskoefficient ganska långt under 1.0 (den bör vara 1.0 om modellnivåerna totalt sett överensstämmer med observationerna). En rekommendation under ett rapportseminarium i september 2014 med inbjudna opponenter (Staffan Algers, KTH respektive Cristian Overgaard Hansen, DTU) var att före kalibrering nivåjustera matriserna så att den initiala lutningen blir c:a 1.0. 3 Tabell 3.26: Resultat efter kalibrering. Lbu-andelen är 54 %. INOM-reg (totalt) trafikarbete [Mfkm] Lbu Lbs SAMM 1 252 668 Skåne 484 425 Sydost 622 730 Väst 829 823 Palt 631 583 SUMMA 3 818 3 228 7 047 40 (135) Totalnivån efter kalibrering ligger 30 % över de nod-kalibrerade matriserna, och särskilt hög är Lbu-justeringen på 55 %. Delvis förklaras detta möjligen av den gjorda omskalningen inför kalibreringen. Det kalibrerade trafikarbetet som inte inkluderas i Trafikverkets uppskattning på 5 729 utgör enligt detta 1 318 Mfkm (7 047 5 729). 3 Rekommendation gjordes av Leonid Engelsson, TrV. Ett misstag vid genomförandet var att även våra nod-kalibrerade flöden (se Avsnitt 3.4) inkluderades. Dessa borde undantagits.
Tabell 3.27: Kalibreringsfaktorer för Lbu och Lbs. Lbu Lbs Palt 2.036 0.961 Samm 2.153 1.243 Skåne 2.229 1.465 Sydost 1.729 1.343 Väst 1.497 1.206 I tabellen ovan anges de justeringsfaktorer som har använts för Lbu och Lbs. Tabell 3.28: Regressionsresultat från scatterplots före och efter kalibrering. Okalibrerat Kalibrerat Region Lbkategori a b R2 a b R2 Samm Lbu -17.8 1.61 0.63 1.7 0.93 0.83 Lbs -4.0 1.11 0.84-4.4 0.94 0.91 Skåne Lbu 0.6 0.44 0.72-0.2 0.95 0.93 Lbs 4.8 0.59 0.83-4.3 1.06 0.94 Sydost Lbu 5.2 0.90 0.68-0.2 0.94 0.90 Lbs -4.9 1.10 0.87-3.5 0.97 0.92 Väst Lbu -5.3 1.07 0.80-1.4 0.90 0.94 Lbs 6.9 0.88 0.77-1.9 0.97 0.93 Palt Lbu -1.2 0.91 0.70-0.7 0.87 0.85 Lbs -4.6 1.13 0.83-1.2 0.89 0.87 Som en avstämning av totalnivåerna har även trafikarbetet på länkar med trafikräkningar beräknas för de olika kategorierna, se Tabell 3.29. Generellt sett varierar nivåerna för de okalibrerade Lbu-matriserna relativt observerade volymer mer än för Lbs-matriserna, men totalnivåerna stämmer bra för båda kategorierna (men vi ska komma ihåg den gjorda nivåjusteringen inför kalibreringen). Efter kalibrering är totalnivåerna bra för Lbs med kvoterna Obs/Kalib = {106, 96, 102, 101, 109} %. För Lbu är de nästan lika bra med kvoterna Obs/Kalib = {112, 104, 100, 110, 116}. Totalt sett är det en höjning av de nod-kalibrerade matriserna från 5 408 till 5 885 (+ 9 %). Uppskattningen av trafikarbetet med de framtagna inom-regionala avstånden uppgår till 7 047 vilket är 20 % högre än totalnivån i Tabell 3.29. Förklaringen är trafikarbetet på länkar utan trafikräkningar som alltså uppgår till 7 047 5 885 = 1 162 Mfkm/år, och det saknas 6 238 5 885 = 353 Mfkm där vi har trafikräkningar.
Tabell 3.29: Trafikarbete för olika regioner och lastbilskategorier uppdelat på observerat, okalibrerat och kalibrerat. Mfkm/år Relativ ändring [%] Region Lb-kategori OBS Okalib Kalib Obs/Okalib Obs/Kalib Samm Lbu 800 1025 716 78 112 Lbs 609 684 575 89 106 Skåne Lbu 389 174 375 224 104 Lbs 370 242 385 153 96 Sydost Lbu 546 552 544 99 100 Lbs 701 764 689 92 102 Väst Lbu 749 743 681 101 110 Lbs 781 790 772 99 101 Palt Lbu 670 582 575 115 116 Lbs 623 665 573 94 109 TOTAL Lbu 3154 3076 2891 103 109 Lbs 3084 3145 2994 98 103 TOTAL Lbu+s 6238 6221 5885 100 106 Motsvarande avstämning har gjorts mot trafikdata på det kommunala vägnätet med resultat enligt Tabell 3.30. Med aktuella inställningar och nivåjusteringar före kalibrering överskattas trafikarbetet jämfört med mätningarna. Huvuddelen av dessa utgörs av Lbu så det förefaller finnas anledning att skruva ner NÄTRA-faktorerna en aning. Tabell 3.30: Trafikarbete på kommunalt vägnät med trafikdata [fkm/dag]. OBS CAL BAS OBS/CAL [%] OBS/BAS [%] SAMM 94 765 69 074 95 446 137 99 Skåne 20 616 50 453 23 798 41 87 Sydost 42 949 43 327 48 736 99 88 Väst 34 980 41 409 44 742 84 78 Palt 29 519 59 152 64 574 50 46 TOTALT 222 829 263 415 277 296 85 80 TOTALT/år [Mfkm] 81 96 101 För omräkning av VaMD till ÅDT i kommande analyser föreslås användning av faktorn 365 för Samgodsdata och trafikindex enligt Trafikverket [2014, tabell 3.9], se Figur 3.11, för omräkning av NÄTRAs VaMD-värden till ÅDT. 42 (135)
Figur 3.11. Veckodagsindex personbil och lastbil. För olika vägtyper beräknas en omräkningsfaktor från VaMD till ÅDT till enligt exemplet nedan för genomsnitt statliga vägar om med faktorn: (700 41.8 47.1) / 700 = 0.873 Sammanfattningsvis är följande åtgärder vidtagna: 1. Samgodsdata och regionala modelldata anges som ÅDT-värden. 2. Gränsen för Lbs är numera 250 km, istället för 200 km som tidigare använts. 3. NÄTRA-reduktionsfaktorn är justerad i Stockholm och Sydost. Se Bilaga 10 för resultat i form av scatterplots och kartor per region. 3.7 Busstrafik i vägnätet Automatkodningsprogrammet har använts för att ta fram kollektivtrafikkodningar för de regionala modellerna enligt följande metod: 1. Regionval med en siffra 1-5, se layout i figur 3.X. (SAMM = 1, SKANE = 2, SYDOST = 3, VAST = 4 och PALT = 5). 2. Kollektivlinjer utan hållplats i kärnområdet tas inte med. 3. Spårbunden trafik kan uteslutas genom att ej inkludera modes s, j och t. Komplikationer: a. Betydande expansion av Emme-baserna krävs för att hantera de trafikslag som används för kollektivtrafik. I detta mellansteg har samtliga trafikslag tillåtits på alla länkar för att möjliggöra inläsning av kollektivtrafikutbudet och matcha detta mot närmsta länk. b. Pendeltågskodning j ger fel fordonstyp i Emme.
Figur 3.12: Reviderad Automatkodningslayout med regionval, defaultsättning av datum till 2012-02-14 och möjligt val av separat utdatakatalog. Busstrafikutbudet i landet genereras med programmet Akodning. I respektive regionala biltrafikbas importeras ett scenario med kollektivtrafiknätet vilket hämtats från motsvarande regionala bil-bas. Antalet bussar på respektive länk anpassas sedan till vägnätet genom en kortaste väg-algoritm och resultatet sparas som ett attribut. Detta attribut skrivs sedan ut för användning i de ordinarie bilbaserna som ej behöver dimensioneras om. De sedan tidigare inlästa ÅDT-flödena för lastbilar korrigeras på så sätt att det uppmätta flödet som klassats som Lbu räknas ned med antalet bussar på den aktuella länken. Inläsningen innehåller även en korrigering för att ta hänsyn till att det ibland saknas mätningar på en länk med bussflöde alternativt att den redovisade siffran för Lbu är lägre än antalet bussar på länken. I dessa fall ansätts värdet 0 för Lbu på den aktuella länken. Anpassning av busstrafiken till vägnätet på detta sätt har fungerat väl då det i de flesta fall inte finns så många alternativ mellan olika hållplatser. Korrigeringar har endast varit nödvändiga i Nacka/Värmdö där vissa linjer inte gör uppehåll vid samtliga hållplatser och därmed kunnat ha en alternativ dragning. En jämförelse med SL:s linjekarta ger dock att så inte är fallet. I övriga landet har dock inte några liknande fall observerats. För att visa på effekten av att räkna bort bussar i linjetrafik från uppmätta flöden klassade som lastbilar utan släp har nedanstående exempelbild tagits fram för östra delarna av Stockholm. 44 (135)
Figur 3.13: Exempelbild över ÅDT-flöden för lastbilar utan släp där blå del av stapeln visar på bedömt lastbilsflöde vid kalibrering medan lila del utgör bussar i linjetrafik Lantmäteriet 202100-6297 Som figuren ovan visar utgör bussar i linjetrafik en betydande andel av den totala trafiken som uppmätts på Värmdöleden. Total trafik klassad som Lbu är mellan 1 050 och 1 550, av detta utgör bussar i linjetrafik dock mellan 275 och och 750, ju närmare Stockholms innerstad desto större andel av den totala trafiken klassad som Lbu.
4 Slutsatser, diskussion och fortsatt arbete 4.1 Slutsatser Generellt sett fungerar metoden för framtagningen av nya lastbilsmatriser som har beskrivits i rapporten, men det finns utrymme för justeringar för att erhålla en bättre överensstämmelse med observerade trafikdata. Det avser matrisnivåerna, i synnerhet de regionala Lbu-bidragen, fördelningen av trafikarbetet mellan Lbu och Lbs som enligt kalibreringen ska ligga närmare 50/50 (från dagens 40/60), och nätutläggningen (vdfunktioner, kostnader, trängseleffekter, etc.). Avståndsgränsen för Lbs har höjts till 250 km. Här finns det anledning att studera närmare vilka Lbs-flöden vi har i tätorter. I vissa fall är de inte obetydliga, och ett exempel som nämnts är Valhallavägen i Stockholm. Med gjorda justeringar har vi ett totalt trafikarbete på c:a 5.4 mdr fordonskm (Tabell 3.16). Enligt förslag på ett seminarium med externa opponenter gjordes en nivåjustering av matriserna inför kalibreringen, i princip för att tillse att observerat trafikarbete återskapas av a priori matriserna. Efter nivåjusteringarna har kalibreringarna gjorts i Emme-systemet. Ett resultat av detta blev en påtaglig nivåhöjning av trafikarbetet till hela 7.05 mdr fordonskm (Tabell 3.26). Jämförelser med uppskattat trafikarbete på statligt vägnät om c:a 5.7 mdr fordonskm leder till slutsatsen att det är c:a 1.3 mdr av det totala som äger rum på det kommunala vägnätet. Att döma av sammanställningen i Tabell 3.30 är det en överskattning av trafikarbetet i de kommunala delarna med 15 %, relationen OBS/CAL = 85 %. De gjorda nivåjusteringarna inför kalibreringarna borde ha gjorts med undantag för de inkluderade nod -kalibreringarna, nu blev det först en justering uppåt som sedan skruvades ner under körningen av kalibreringsmakrot. 4.2 Diskussion kring dataunderlaget och konstruktion av lastbilsmatriser Det finns en rad problem vad gäller dataunderlaget som framför allt handlar om att önskvärt underlag saknas och att det underlag som finns tillgängligt i vissa fall ger motstridiga uppgifter. Exempelvis saknas data om tunga lastbilar med max lastvikt under 3,5 ton. Önskvärt vore att det i Lastbilsundersökningen fanns uppskattningar av centrala data som saknas. Antalet registrerade bilar för samtliga lastbilstyper skulle exempelvis kunna inkluderas i undersökningen tillsammans med uppskattade årliga körsträckor för dessa. Vidare vore det intressant med information om var de lättare tunga lastbilarna är registrerade. Mer information av mängden transporter till/från olika platser som genererar/attraherar mycket transporter som exempelvis terminaler, köpcentra, industriområden, sjukhus, skolor, äldreboenden, etc. i ett statistiskt urval med uppräkningsfaktorer samt uppgifter om förekomsten i olika Sampers-områden skulle vara användbart. Trafikanalys har genomfört en pilotundersökning för hur man skulle kunna utöka statistikunderlaget om lätta lastbilar [Trafikanalys, 2012], och det underlaget kanske kan vara tillämpligt även för lättare tunga lastbilar. 46 (135)
Trafikmätningar har också varierande kvalitet med god täckning för de statliga vägarna men betydligt sämre för kommunala vägarna Bland tung trafik står utländskregistrerade fordon för en stor del av trafikarbetet. Denna trafik registreras i trafikmätningar, men ingår inte i Lastbilsundersökningen. Detta innebär t.ex. att information om körsträckornas fördelning saknas. Vad gäller NÄTRA-underlaget så är det baserat på antal arbetsställen. Troligen skulle modellskattningarna kunna förbättras med användning av både antalet företag per område och antal anställda i olika branscher. Det skulle därför vara intressant att ha information om antal arbetsställen i olika delar av landet, vilket naturligtvis skulle ställa nya krav på insatser för att prognosticera dessa. Vid genomgång av den befintliga transportstatistiken över lastbilstrafik är det svårt att få en bra bild över vad som faktiskt ingår i statistiken. Exempelvis inkluderar hamnstatistik endast gods över kaj, vilket innebär att statistik över trailers vid hamnar inte behöver inkludera alla trailers som anländer till/avgår från hamnen. Data kräver ofta någon slags bearbetning. Exempelvis var det dataunderlag som erhölls över livsmedelstransporter (från Starfish-projektet) inte komplett, varför vi bearbetade data, bl.a. genom att komplettera vissa transportrelationer med adresser. Vid den enkätundersökning som gjordes inom ramen för uppdraget hade vi även problem med att frågorna tolkades och rapporterades på olika sätt, vilket gör det svårt att tolka resultaten på ett bra sätt. Även för detta underlag krävdes bearbetning av indata. Vid handpåläggning finns risk att felaktigheter introduceras i dataunderlaget. Vid konstruktionen av lastbilsmatriser har underlag från Samgods använts och kompletterats med regionala och inomkommunala transporter från NÄTRAundersökningen. Dock är det möjligt att dubbelräkning sker med detta tillvägagångssätt under förutsättning att Samgods inkluderar alla mellankommunala transporter. Därför vore det bra att inför framtida revideringar närmare undersöka vilka transporter som faktiskt inkluderas i Samgods. Samgods inkluderar de transporter som är inkluderade i varuflödesundersökningen. Då varuflödesundersökningen inte inkluderar alla transporter är det relevant att närmare undersöka vilka transporter som saknas och uppskatta hur mycket transporter det kan röra sig om och att undersöka hur dessa saknade transporter skulle kunna inkluderas. Ett alternativ till nuvarande tillvägagångssätt, är att avgränsa vilka NÄTRA-transporter som ska inkluderas genom en avståndsbegränsning. 4.3 Fortsatt arbete Inom ramen för arbetet med framtagning av nya lastbilsmatriser, har en rad utvecklingsområden framkommit, bl.a. det förslag som nämns ovan. Nedan summeras förslag på områden för fortsatt arbete.
Det är önskvärt att undersöka möjligheten att inkludera nya fordonskategorier i både Sampers och Samgods. För Sampers vore det önskvärt att kunna skilja på lastbil och bil för att exempelvis kunna fånga att lastbilstrafik inte tillåts på vissa länkar. För Samgods vore det önskvärt att skilja på lastbil med och utan släp, samt eventuellt även en internationell lastbilskategori. Innan nya fordonskategorier eventuellt införs är det viktigt att utvärdera hur de skulle påverka Samkalk. Kalibreringsmetodiken bör även studeras vidare. Exempelvis är det relevant att undersöka huruvida det är lämpligt att inkludera personbilar vid kalibreringen. Detta föranleder också en analys av ruttvalen i närheten av viktiga stråk. Vi har exempelvis diagonalen Köping Gävle som får för mycket trafik, vilket sannolikt är en effekt av att vdfunktionerna inte harmonierar med de val som görs i praktiken av användarna. I fall med diskussioner rörande alltför låga trafikvolymer i vissa stråk är frågan om det är för höga trafikvolymer på andra ställen i de fall det totala trafikarbetet stämmer bra med uppskattade totalnivåer. Antingen är det då brister i nätutläggningsmetoden och indata till densamma. Till den senare kategorin hör naturligtvis också efterfrågematriserna. Andra översyner av matriserna som skulle kunna göras är att undersöka hur olika avståndsbegränsningar för olika fordonstyper (gräns mellan lastbil med och utan släp) påverkar resultaten. Dessutom är det viktigt att närmare undersöka olika informationskällor som finns om totala trafikarbetet i landet för att försöka reda ut vilken information som är mest korrekt. Detta är viktigt för att bättre kunna avgöra kvaliteten på matriserna. Några av de observerade bristerna i indata har belysts i en förstudie om förbättrat kunskapsunderlag om näringslivstransporter (Ramstedt & Edwards, 2015). Avsikten med förstudien är att det ska leda fram till rekommendationer till vad som kan göras för att förbättra underlaget för framtiden. Koppla till Samgods-scenarier i ÅP med officiell Samgods-version Koppla in traversal-matriser från Samgods Använda inomzons-data från NÄTRA i bransch Tillverkning Uppdatera med nya SNI-Samgodsvarugruppsnycklar och varuvärden från PWCmatrisprojektet (se (WSP, 2015)). Uppdatera med sysselsättning enligt SNI2007-standard som används för nya nycklar (se (WSP, 2015)). Modifiera a priori-matriser för entropimodellen Rensa bort 0:or i utdatamatriser 48 (135)
4.3.1 Förslag på justering av vd-funktioner Under uppdragets gång har det diskuterats huruvida ruttvalen för lastbilarna i assignment-modellen överensstämmer med verkligheten. I vissa fall har det observerats att lastbilar körs på mindre vägar istället för de något längre och större riksvägarna och europavägarna. Orsakerna till detta är bl.a. att GC för de mindre vägarna avseende tid och kostnad underskattas i modellen. För att i viss mån justera för sådana beteenden är det möjligt att göra modifieringar av vd-funktionerna enligt följande metod för att korrigera ruttvalen på ett antal ställen där det är uppenbara, stora avvikelser. Till vd-funktioner adderas exempelvis el1*length, där el1 är en extra funktionsparameter i Emme. Det ger el1 minuter restid/per km. el1 måste initieras inför assignment med ett för ändamålet lämpligt extra attribut exempelvis @kmdly. Exempel på effekter av metoden visas i Tabell 4.1. Tabell 4.1: Exempel på restidsförlängning i % givet olika kombinationer av frifordonshastighet och el1-värde. Extra tid per km el1*length => Ny restid i % av original enligt nedan Hast 1 km el1 extra function parameter [km/tim] Tid [min] 0.02 0.03 0.04 0.05 0.1 90 0.666667 103.0 104.5 106.0 107.5 115.0 80 0.75 102.7 104.0 105.3 106.7 113.3 70 0.857143 102.3 103.5 104.7 105.8 111.7 60 1 102.0 103.0 104.0 105.0 110.0 Metoden är ännu inte använd i de nätutläggningar och kalibreringar som gjorts utan endast testad i liten skala.
Referenser Beser, M., and S. Algers. 2001. SAMPERS The New Swedish National Travel Demand Forecasting Tool. In National Transport Models: Recent Developments and Prospects, 101 18. Edwards H och Karlsson R (2008): NÄTRA-uppdatering till 2005, PM, Vägverket Konsult, Augusti 2008. Edwards H (2011): NÄTRA-matriser för 2030 och kalibrerings-matriser additiva och multiplikativa, PM, Vägverket Konsult, April. Eriksson J och Björketun U (2000): Modell för nationella lätta transporter, VTI dnr: 2000/0027-5. Eriksson J (2005): Framtagning av Distra OD-matriser, VTI dnr: 2004/0511-22. Eriksson J, Björketun U, Edwards H, Karlsson R, Sandström J, Wiklund M och Ågren B, (2000a): Dokumentation av NÄTRA-undersökningen, VTI notat 14-2000. Eriksson J, Björketun U, Edwards H och Karlsson R, (2000b): Dokumentation av NÄTRAmodellen, VTI notat 36-2000. Eriksson J, Björketun U, Edwards H, Karlsson R (2000c): NÄTRA Näringslivets transporter med bil i Stockholms län 1998, KFB & VTI forskning/research 36 2000. de Jong, G., Ben-Akiva, M., and Baak, J. (2010), Method report - logistics model in the Swedish national freight model system (version 2), Significance, Deliverable 6B for the Samgods group. Ramstedt, L. & Edwards, H. (2015) Förstudie för förbättringar av kunskapsunderlag gällande regionala näringslivstransporter, Sweco på uppdrag åt Trafikverket. Spiess H, (1990): A gradient approach for the O-D matrix adjustment problem Hämtad från: http://emme2.spiess.ch/demadj/demadj.html den 2014-08-25 Swahn, H. (2001), The Swedish national model systems for goods transport SAMGODS a brief introductory overview, Report SAMPLAN 2001:1, Swedish Institute for Transport and Communications Analysis (SIKA), Stockholm, Sweden. Trafikanalys (2012): Transporter i Sverige med lätta lastbilar en pilotundersökning, PM 2012:5 Trafikverket (2011): Trafikarbetet 2011. 2012_247_Trafikarbetet_2011.pdf Trafikverket (2014): Effektsamband för transportsystemet Fyrstegsprincipen (Kapitel 3). Version 2014-04-01. Vägverket (2009): The Road Transport Sector Sectoral Report 2008, Publication 2009:34 WSP (2015) PWC Matrices: new method and updated Base Matrices, Final Report 50 (135)
Bilaga 1. Framtagning dataunderlag I denna bilaga beskrivs hur framtagning av dataunderlag gjorts. Befintligt material från tidigare undersökningar sammanställdes och för att få mer information om lastbilstrafik vid terminaler genomfördes en enkätundersökning. Sammanställning av befintligt material En bred genomgång av befintligt material genomfördes, där innehållet också sammanställdes. Det material som eftersöktes var framför allt relevanta studier, statistik och undersökningar. Innehållet beskrevs bl.a. efter hur relevant det är som underlag vid framtagning av lastbilsmatriser, vilket geografiskt område materialet gäller och vilket år materialet gäller för. Se Bilaga 5 för inkluderat material (och Excel-dokumentet Sammanställning_material.xls för en utökad beskrivning). Projektet har även fått tillgång till data från Starfish-projektet från Lunds Universitet. Data från Starfish-projektet innehåller information om livsmedelstransporter. Se Avsnitt 2.3 nedan. För uppdraget är det av intresse av att få tillgång till underlaget i Lastbilsundersökningen (LBU) och Varuflödesundersökningen (VFU) som Trafikanalys är ansvariga för, men dessa undersökningar är inte tillgängliga för uppdrag som inte är forskningsprojekt som bedrivs av högskolor eller universitet. Det hade också varit önskvärt att få tillgång till underlag från Cabotagestudien 4 som leds av Lunds Universitet för att få information om internationella åkare som kör i Sverige, men resultatet från denna studie är ännu inte färdigställd. För framtida översyner av lastbilsmatriserna är det relevant att även inkludera detta material. Genomförande av enkätundersökning av lastbilstrafik vid terminaler En enkätundersökning genomfördes för att fånga in data om antalet tunga lastbilar till och från terminaler, samt övrig information om transporterna. Generell information om organisationen ingick också i enkäten för att möjliggöra att söka samband mellan antalet lastbilar och antalet anställda. Se Bilaga 1 för enkätformuläret och de frågor som ingick i undersökningen. Enkätformuläret utformades med hjälp av Google forms, då det är ett lättillgängligt verktyg. Dock är det ett relativt sett enkelt verktyg, med begränsad funktionalitet. Frågornas utformning anpassades därför till viss del efter verktygets funktionalitet. De aktörer som kontaktades var hamnar, kombiterminaler, speditörer och distributörer. Alla större hamnar i Sverige kontaktades (medlemshamnar i Sveriges hamnar och hamnar inkluderade i Samgods), större kombiterminaler med verksamhet, de tre största speditörerna i Sverige samt två dominerande distributörer. Totalt kontaktades 74 aktörer, varav vi fick 48 svar, vilket ger en svarsfrekvens på 65%. Se Bilaga 2 för en lista över kontaktade aktörer. 4 http://cabotagestudien.com/sv/om/
För att försöka få en så hög svarsfrekvens som möjligt kontaktades respondenterna först via telefon för att förvarna om att en enkät kommer att skickas ut med epost. Se Bilaga 3 för följebrevet. Vid behov gjordes även vissa återkopplingar med respondenterna för att klargöra resultaten. Filtrering och korrelationsanalys av enkätundersökning Utifrån enkätundersökning undersöktes svar från totalt 45 olika terminaler för att söka efter ett samband mellan terminaltyp, antal anställda och antalet lastbilsrörelser eller mängden gods som hanteras vid terminalen. Det är sedan tidigare konstaterat (se arbets-pm:et Samband antal anställda och transporter, 2014-03-20) att det inte finns något starkt linjärt samband mellan antalet anställda och antalet transporter om alla respondenter ingår i regressionsanalysen, varför det fanns anledning att dela upp data per terminaltyp, men även att identifiera extremvärden och undersöka om det fanns fler variabler än antalet anställda som förklarar antalet lastbilar som har ärende vid en terminal. Att identifiera och ignorera extremvärden kan vara vanskligt, sker det godtyckligt är det mycket möjligt att man bygger upp en datamängd som passar ens egna förväntningar kring vad resultatet borde vara, och därigenom bortser från viktiga samband utöver den man ställt in sig på. Hittills har sådana extremvärden filtrerats bort helt manuellt eller genom att se till datapunkternas avstånd till en regressionslinje och filtrera bort dessa. Ingen av dessa metoder har varit tillfredsställande, ett exempel på den senare metoden finns i Bilaga 6. Filtrering villkorat avståndet till regressionslinjen. I och med att gods till och från terminalerna kan flyttas med såväl fartyg som järnväg lika gärna som med lastbilar, uppmärksammades att det kan vara för enkelt att endast förklara antalet lastbilar vid en terminal som en funktion av antalet anställda. Om en stor andel av det hanterade godset går med järnväg eller fartyg, finns det såklart en risk att lastbilsproduktionen vid en terminal blir liten i förhållande till arbetsstyrkans storlek. Därför undersökte vi om sambandet mellan antalet anställda och mängden gods som hanteras vid en terminal är starkare än vad sambandet mellan antalet anställda och lastbilsproduktionen är. Förutom att man sökte förklaringar till lastbilsproduktionen genom ett beroende till terminaltypen eller hur stor andel av godset vid terminalen som gick med lastbil fanns det även misstankar om att olika respondenter hade rapporterat olika sorters mängder anställda vid sina terminaler. Därför jämför vi i rapporten även två olika kluster av lastbilsterminaler, som är beroende på lastbilsproduktionen per anställd hellre än vilken terminaltyp som terminalerna hör till. Den här analysen bör snarare ses som en undersökning kring om så kan vara fallet än som ett faktiskt samband mellan antalet anställda och antalet lastbilar vid en terminal. Resultatet av de olika analyserna framkommer från Tabell 0.1, där antalet anställda motsvarar den drivande parametern x. Tabell 0.1. Resultat från regressionsanalyserna för samtliga olika fall. Antalet anställda motsvarar x, eller datamängd 1 i samtliga fall. Asterisken indikerar att alla av typen var med, 52 (135)
men endast om de hade rapporterat godsmängden. Samtliga terminaltyper ingick i de två sista regressionsanalyserna. Datamängd 2 (y) Villkor R 2 R Samband (y = ) Antalet lastbilar vid terminalen per år Inget (alla respondenter) 0,24 0,49 717x + 39296 Mängden gods vid terminalen per år, alla Inget (alla 15349x + 0,29 0,54 transportslag respondenter) 393562 Antalet lastbilar vid terminalen per år Alla hamnar 0,19 0,44 633x + 56185 Mängden gods vid terminalen per år, alla 15455x + Alla hamnar* 0,24 0,49 transportslag 381888 Antalet lastbilar vid terminalen per år Alla kombiterminaler 0,13 Mängden gods vid terminalen per år, alla transportslag - 0,36 Alla kombiterminaler* 0,77 0,88 Antalet lastbilar vid terminalen per år Alla lastbilsterminaler 0,77 0,88 Mängden gods vid terminalen per år, alla transportslag Antalet lastbilar vid terminalen per år Antalet lastbilar vid terminalen per år Metod Alla lastbilsterminaler* 0,66 0,81 lb/år och anställd > 1000 lb/år och anställd < 1000-306x + 29586 168420x + 31938 4064,80x 19560 12755x + 110048 0,77 0,88 2411x + 23308 0,82 0,91 424x + 1011 I en enkätundersökning har olika sorters terminaler (hamnar, kombiterminaler, lastbilsterminaler och så vidare) kunnat besvara ett antal frågor kopplat till sin verksamhet. Frågorna gällde bland annat antalet lastbilar som rör sig till och från terminalen, hur stor lastvikt sådana har, hur stor andel av terminalens hanterade gods som gick med lastbil, vad man anser sig vara för sorts terminal med mera. Respondenter svarar ibland avvikande. Ibland har en terminal två geografiska lägen, men delad statistik, ibland anges lastvikter som överskrider totalvikten för en fullastad lastbil och så vidare. Därav fann vi anledning att göra en filtrering av respondenternas svar för att möjliggöra analysen. Hur denna förfiltrering gick till är beskrivet i Bilaga 4 men övergripande kan vi säga att respondenterna först delades upp i två grupper (i) de som hade svarat på dygnsbasis och (ii) de som hade svarat på årsbasis. Från dessa tog vi till vara på information kring (iii) antalet lastbilar vid terminalen och (iv) beräknade den totala mängden gods vid terminalen. Informationen från (i) och (ii) konsoliderades sedan med avseende på (iii) och (iv) för att ge oss information om antalet anställda vid terminalerna, typen av terminal, antalet fordon vid terminalen per år och mängden gods som hanteras vid terminalen per år.
Resultat Samtliga terminaltyper Resultatet för samtliga respondenter framkommer i Tabell 0.2 här nedanför och i Figur 0.1. I båda fallen har dygnsbaserade svar aggregerats till årsnivå genom ett antagande om 260 arbetsdagar per kalenderår. Redan här kan man ana en stor spridning för hamnar, för vilka det finns många respondenter, ett starkare samband för lastbilsterminalerna och ett svagare sådant för kombiterminaler. Ser man istället till godsmängden faller hela 44 % av respondenterna bort i och med att de inte har besvarat alla frågor från vilka godsmängden kunde bestämmas. Tabell 0.2. Antalet lastbilar (LB) och mängden gods (samtliga transportslag) som hanteras per år vid de olika terminalerna. Ett bindestreck indikerar att respondenten inte har besvarat alla frågor kopplat till kvantiteten. Terminaltyp Terminalnamn (G1) Anställda Antal LB per år (tusental) Godsmängd per år (tusen ton) centrallager perstorp 20 3 - hamn västerviks hamn 5 3 - kapellskär 7 153 - orrskärs hamn 10 10 633 hargs hamn 15 11 - skellefteå hamn 16 120 - nynäshamns hamn 16 68 - karlshamns hamn 17.5 44 700 landskrona hamn ab 20 34 538 falkenbergs terminal ab 25 35 324 logent ports & terminals 25 52 547 ystad hamn 27 204 - mönsterås hamn 30 6 80 skärnäs terminal 36 17 1 596 norra hamnen 40 156 - karlskrona baltic port 40 80 - sölvesborgs hamn 50 75 5 342 wallhamn terminal 50 48 - oskarshamns hamn ab 63 18 167 halmstad 73 56 924 uddevalla hamnterminal 85 14 305 haraholmen 90 42 729 gävle hamn 100 85 2 156 trelleborgs hamn ab 117 466 - stockholms hamn 118 190 - åhus hamn & stuveri ab 200 489 6 568 oxelösunds hamn ab 200 47 951 apm terminalen 400 182 - kombiterminal arnäsvall 1 2 58 54 (135)
road cargo gävle kombiterminal 2.25 26 624 båramo kombiterminal 3 26 650 luleå kombiterminal 6 23 647 örebro terminal 6 26 - eskilstuna kombiterminal 8 52 1 591 göteborgs kombiterminal 11 52 - hallsbergsterminalen 37 5 - visby 63 12 - lastbilsterminal bring frigo kumla 4 17 244 sölvesborg 4 3 73 köpetorp, linköping 7 16 205 inrikes transport jordbro 20 42 364 bring frigo jönköping 25 30 - landskrona terminal 40 182 -
500000 hamn kombiterminal lastbilsterminal centrallager Linjär (samtliga) 400000 300000 y = 717.43x + 39296 R² = 0.24 200000 100000 0 0 50 100 150 200 250 300 350 400 Figur 0.1. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0,49. 56 (135)
hamn kombiterminal lastbilsterminal Linjär (samtliga) 7000000 6000000 5000000 4000000 3000000 2000000 y = 15349x + 393562 R² = 0.29 1000000 0 0 50 100 150 200 Figur 0.2. Total årlig mängd gods (ton) för alla transportslag mot antalet anställda vid de olika terminalerna. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0,54.
Hamnar: Antalet lastbilar och mängden gods per år hamn Linjär (hamn) 600000 500000 400000 300000 y = 632.84x + 56185 R² = 0.19 200000 100000 0 0 50 100 150 200 250 300 350 400 Figur 0.3. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter av typen hamn. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0,44. hamn Linjär (hamn) 7000000 6000000 5000000 4000000 3000000 y = 15455x + 381888 R² = 0.24 2000000 1000000 0 0 50 100 150 200 Figur 0.4. Total årlig mängd gods (ton) för alla transportslag mot antalet anställda vid de olika terminalerna av typen hamn. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0,49. 58 (135)
Kombiterminaler: Antalet lastbilar och mängden gods per år kombiterminal Linjär (kombiterminal) 60000 50000 40000 30000 20000 y = -306.14x + 29586 R² = 0.13 10000 0 0 10 20 30 40 50 60 70 80 Figur 0.5. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter av typen kombiterminal. R-värde (korrelationskoefficienten) för samtliga respondenter är R= -0,36. kombiterminal Linjär (kombiterminal) 2000000 1800000 1600000 1400000 1200000 1000000 800000 600000 400000 200000 0 y = 168420x + 31938 R² = 0.77 0 2 4 6 8 10 Figur 0.6. Total årlig mängd gods (ton) för alla transportslag mot antalet anställda vid de olika terminalerna av typen kombiterminal. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0,88.
Lastbilsterminaler: Antalet lastbilar och mängden gods per år lastbilsterminal Linjär (lastbilsterminal) 200000 180000 160000 140000 120000 100000 80000 60000 40000 20000 0 y = 4064.8x - 19560 R² = 0.77 0 10 20 30 40 50 Figur 0.7. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter av typen lastbilsterminal. R-värde (korrelationskoefficienten) för samtliga respondenter är R= 0,88. lastbilsterminal Linjär (lastbilsterminal) 400000 350000 300000 250000 200000 y = 12755x + 110048 R² = 0.66 150000 100000 50000 0 0 5 10 15 20 Figur 0.8. Total årlig mängd gods (ton) för alla transportslag mot antalet anställda vid de olika terminalerna av typen lastbilsterminal. R-värde (korrelationskoefficienten) för samtliga respondenter är R=0,81. 60 (135)
Samtliga terminaler: Produktivitetsberoende För att undersöka misstankarna kring om olika respondenter hade besvarat frågan om antalet anställda på olika sätt, delade vi in hela datamängden (samtliga terminaler) i två kluster, ett där antalet lastbilar per anställd och år var färre än 1000, och ett med allt annat. Produktivitet < 1000 LB/år Linjär (Produktivitet < 1000 LB/år) Produktivitet > 1000 LB/år Linjär (Produktivitet > 1000 LB/år) 500000 450000 y = 2410.8x + 23308 R² = 0.77 400000 350000 300000 250000 200000 150000 y = 424.08x + 1011.1 R² = 0.82 100000 50000 0 0 50 100 150 200 250 300 350 400 Figur 0.9. Antal fordon per år (y-axel) mot antalet anställda (x-axel) för samtliga respondenter uppdelat på två kluster villkorligt produktiviten antal lastbilar per anställd och år. Korrelationskoefficienterna är 0,88 resp. 0,91.
Analys Orsaken till att sambandet mellan mängden gods vid terminalen och antalet anställda undersöktes var för att undersöka om detta var starkare än sambandet mellan antalet anställda och antalet lastbilar vid densamma. Hypotesen var att om det finns en stor spridning i andelen vägtransport hos terminalerna, så skulle en del datapunkter se ut som extremvärden med mycket låg eller mycket hög produktivitet i förhållande till antalet anställda mot antalet lastbilar. Genom att räkna mängden gods vid terminalen hoppades vi kunna se ett starkare samband mellan antalet anställda och de volymenheter som hanterades vid terminalerna, och därigenom kunnat anta en modell för lastbilsgenerering där andelen vägtransport och antalet anställda ingick. Regressionsanalyserna har däremot påvisat att mängden gods vid terminalen vs antalet anställda inte är mycket starkare än antalet lastbilar vs antalet anställda för samtliga terminaltyper, samt för hamnar och lastbilsterminaler enskilt. Förvisso får vi ett större värde på korrelationskoefficienterna för dessa, men vi lutar åt att förklara denna med att vi förlorar många datapunkter då godsmängderna beräknas på grund av underrapportering. Däremot kan vi påvisa ett mycket starkare (och positivt) samband mellan antalet anställda och mängden gods vid terminalen för typen kombiterminaler. Men, även här bör man vara försiktig med någon slutsats, vid en jämförelse av Figur 0.5 och Figur 0.6 ser vi att det är två underpresterande datapunkter som inte ha rapporterat godsmängderna vid terminalen. Hade vi filtrerat bort dessa från antalet anställda vs antalet lastbilar hade resultatet varit ett liknande starkt positivt samband. Slutligen kan vi konstatera mycket starka samband mellan antalet anställda och antalet lastbilar vid en terminal per år, om vi delar upp alla terminaler i två olika produktivitetskluster enligt Figur 0.9. Vi vill poängtera att gränsen 1 000 LB per år och anställd är helt godtycklig, poängen med undersökningen var att se om vi kan misstänka att terminalerna har rapporterat antalet anställda på ett avvikande sätt. Kommentarer och utvidgningar av enkätundersökningen Att dela upp datan per terminaltyp för att finna samband mellan antalet anställda vid en terminal och hur många lastbilar som rör sig vid denna per år ger en bättre förklaring än om man bara ser till samtliga terminaltyper samtidigt. Detsamma gäller för godsmängderna. Typen hamnar har flest respondenter och den mest spretiga data, vi kan jämföra det med lastbilsterminalerna som ger sken av att antalet lastbilar mycket väl kan förklaras som ett linjärt samband med antalet anställda. Vi verkar inte kunna dra någon slutsats kring om andelen vägtransporter har en stor inverkan på spretigheten i resultaten, förvisso får vi starkare samband om vi ser till mängden gods vid terminalerna istället för antalet lastbilar, men de starkare sambanden skulle mycket väl kunna förklaras med att det är färre datapunkter som undersöks. 62 (135)
Den stora spretigheten i data har fått oss att misstänka att det antingen har varit en stor spridning i andelen vägtransport eller att olika mängder anställda har rapporteras i enkäten (tänk ett lager med mycket plockpersonal och få rangerare där båda mängderna rapporteras, eller en verksamhet med mycket administrativ personal utan koppling till det vardagliga logistikarbetet). Data ger inte sken av att vi kan få bättre förklaringsförmåga genom att se till andelen vägtransporter, däremot ger klusteruppdelningen efter produktivitet orsak att misstänka stor variation i hur antalet anställda rapporteras. Ett förslag på vidareutveckling av enkäten, exempelvis för framtida uppdateringar av matriserna då man vill uppdatera underlaget, är att formuläret blir mer specifik. Att vi ber om data kring mängden gods vid terminalen direkt, istället för att bearbeta datan i efterhand. På så sätt kan vi förhoppningsvis få ett större sampel och en bättre uppfattning kring eventuella samband mellan antalet anställda och mängden gods som hanteras vid en terminal. Handpåläggningen minskas, vilket även minskar risken för feltolkningar. Vidare kan vi förhoppningsvis få bättre insikt i hur antalet anställda rapporteras. Om detta misstänks vara den drivande parametern, är det extra viktigt att vi vet vad som ingår i den. För att få en ökad förståelse för vad antalet anställda vid terminalerna innebär, exempelvis vilka huvudsakliga arbetsuppgifter de anställda har, gjordes en uppföljning av de inkomna svaren. Alla respondenter kontaktades antingen via telefon eller via mejl för att ställa frågor kring de anställdas arbetsuppgifter och om det finns lagerverksamhet med plockning vid terminalerna. 73 % av de som svarade på enkäten, svarade också på uppföljningen. Från dessa terminaler, kan vi se att det verkar som om en större andel av de anställda har administrativa arbetsuppgifter jämfört med hamnar och kombiterminaler, se Tabell 0.3. Hamnar har lägst andel administrativ personal. Tabell 0.3: Andel administrativ personal av totalt antal anställda vid de olika terminaltyperna. Hamn 17% Lastbilsterminal 48% Kombiterminal 20% För att möjliggöra och underlätta för en utökad analys av datan kan förslagsvis ett annat verktyg än Google forms användas. För att fånga en större andel av lastbilsflödena vid godsnoder, kan företag med stora lastbilsflöden (t.ex. Södra Cell) även inkluderas i enkätundersökningen. Företag med mycket lagerverksamhet (t.ex. Elgiganten och Elon) är särskilt relevanta att inkludera i en framtida utvidgning av undersökningen då de genererar stora lastbilsflöden. Urvalet av datan bör utformas så att uppräkning till totalnivåer möjliggörs.
Starfish-data livsmedelstransporter Underlag om livsmedelstransporter erhölls via det Trafikverksfinansierade Starfishprojektet med avsikt att underlaget skulle användas som undre gräns av livsmedelstransporter. De livsmedelstransporter som är inkluderade i Starfish-projektet står för ca 70 % av livsmedelstransporterna i Sverige. Då underlaget om livsmedelstransporter inte var komplett, var vi tvungna att bearbeta underlaget genom olika typer av handpåläggning för att kunna använda det. Exempelvis saknades koordinater och adresser till många platser. Andra problem var att benämningar för butiker/terminaler skiljde sig åt mellan olika platser i dokumenten där de användes. Viss information om rutter kan tas fram men det är många gånger oklart huruvida data är korrekta eller inte. Vissa OD-relationer är t ex förhållandevis långa. Inte heller är det uppenbart hur data ska användas för modellbygge eller kalibrering, utan för det ändamålet skulle någon form av uppräkningsfaktor behövas. 64 (135)
Bilaga 2. Enkätformulär i Google forms
66 (135)
68 (135)
Bilaga 3. Lista över kontaktade aktörer vid enkätundersökning Kontaktade terminaler Inkommet svar Stockholm (Årsta) 0 Göteborg (Gullbergsvass) 1 Malmö 0 Luleå (Gammelstad) 1 Umeå (vid godsbangården) 0 Sundsvall (vid Sundsvall C) 0 Gävle (vid hamnen i Fredriksskans) 1 Hallsbergsterminalen 1 Mosås (Örebro) 1 Nässjö 0 Trelleborg 1 Eskilstuna 1 Katrineholm logistikcentrum 0 Västerås 0 Alvesta 0 Vaggeryd 1 Falköping 0 Norrköping 0 Helsingborg 0 Luleå 1 Sundsvall (Tunadal) 0 Gävle 1 Kapellskär 0 Norrköping hamn o stuveri 0 Karlshamn 1 Karlskrona 1 Trelleborg 1 Helsingborg 0 Malmö 1 Göteborg - Skarviksporten 0 Göteborg - APMTerminalen 1 Göteborg - Älfsborg RORO 0 Göteborg - Stena Line 0 Göteborg - Logent 1 Oxelösunds hamn 1 Skutskär (hamn och logistik) 0 70 (135)
Mälarhamnar 0 Oskarshamn 1 Södertälje 0 Ystad 1 Hargs hamn 1 Varbergs hamn 1 Brofjorden 1 Falkenberg 1 Gotlands hamnar 1 Halmstad 1 Husum 0 Kalmar 0 Landskrona 1 Lysekil 0 Mönsterås 1 Norrtälje 1 Nynäshamn 0 Piteå 1 Skellefteå 1 Skärnäs terminal 1 Stockholm 1 Strömstad 1 Söderhamn 1 Sölvesborg 1 Uddevalla 1 Umeå 0 Wallhamn 1 Vänerhamn 0 Västervik 1 Åhus 1 Örnsköldsvik 1 Bring Cargo Terminaler 0 Bring Sölvesborg 1 Bring Frigo Terminaler 1 Posten 0 Schenker 0 DHL 0 DSV 1
Bilaga 4. Följebrev enkätutskick Hej xx, Jag kontaktar dig med anledning av en enkätundersökning som handlar om att kartlägga tung lastbilstrafik till och från större godsterminaler i Sverige. Studien genomförs av Sweco på uppdrag av Trafikverket inom ramen för ett utvecklingsarbete där vi ska uppdatera indata till den nationella transportmodellen Sampers. Sampers förvaltas av Trafikverket och används exempelvis för åtgärdsanalyser. Med förbättrad indata kan precisionen i analyser av åtgärders effekter på transportsystemet förbättras, vilket ger ett bättre underlag för beslutsfattare. Syftet är att stödja beslut avseende utformning av åtgärderna så att önskvärda effekter nås. Baserat på bland annat enkätsvaren kommer vi att sammanställa dataunderlag om lastbilstrafik med och utan släp. Detta underlag kommer att användas i arbetet med framtagning av förbättrad indata till Sampers. De lastbilar vi undersöker är tunga lastbilar med en totalvikt på över 3,5 ton. Vi undersöker två lastbilskategorier: - Lastbil med släp (Lbs) som inkluderar lastbil med släp samt dragbil med trailers. - Lastbil utan släp (Lbu) som inkluderar övriga tunga lastbilar med en totalvikt på över 3,5 ton. Nedan är länken för att fylla i enkäten: https://docs.google.com/forms/d/1fzhkh2uj0n57ispzbyhoghjlvzfoulrssmvxoevgb4/viewform Då du fyller i enkäten är vi i första hand intresserade av uppskattade uppgifter om era lastbilstransporter, uppgifterna behöver alltså inte vara exakta. Vi hoppas därmed att det inte ska behöva ta så lång tid att fylla i enkäten. Hör gärna av dig om du har frågor rörande enkätundersökningen. Har du åsikter på utformningen av enkäten tar vi gärna emot dina synpunkter. Projektledare för uppdraget på Trafikverket är Carsten Sachse, med följande kontaktuppgifter: carsten.sachse@trafikverket.se och 010-123 60 89. Vi tar tacksamt emot dina svar snarast. Med vänliga hälsningar xx 72 (135)
Bilaga 5. Förfiltrering Respondenterna hade möjlighet att besvara sex frågor kopplat till antalet lastbilar som hanteras vid terminalen: T1a. Antal totala tunga lastbilar (Lbu+Lbs) UT från terminalen för ett genomsnittligt dygn. T1b. Antal totala tunga lastbilar (Lbu+Lbs) IN till terminalen för ett genomsnittligt dygn. T1c. ELLER, antal totala tunga lastbilar (Lbu+Lbs) per år vid terminalen. T2a. Antal lastbilar med släp (Lbs) UT från terminalen under ett genomsnittligt dygn. T2b. Antal lastbilar med släp (Lbs) IN till terminalen under ett genomsnittligt dygn. T2c. ELLER, antal lastbilar med släp (Lbs) per år vid terminalen. I ett första steg sorterades respondenterna efter om de hade svarat på a och b eller c, respondenter som hade besvarat a, b och c sorterades med båda grupperna. Anledningen till den här sorteringen var osäkerheten i antalet arbetsdagar per år vid respektive terminal. En uppgift som saknas och som därför kräver ett antagande. Vi kan notera att frågeställningen till respondenterna söker efter antalet fordon per genomsnittligt dygn. Med lite god vilja skulle detta kunna tolkas som årets alla dagar. Förfiltrering på dygnsnivå: antal fordon per dygn Respondenter som gav sina svar på dygnsbasis framkommer nedanför. De rödmarkerade raderna indikerar ett avvikande svar. Vi kan konstatera att Oskarshamns hamn har fler Lbs än Lbs+Lbu. Sådana motsägelser filtrerades genom att anta att T1a och T1b anger antalet Lbu och inte summan Lbs+Lbu. Respondenter som har svarat på T1a och T1b men inte T2a och T2b (blanka) antas inte ha några tunga lastbilar vid terminalen. Respondenter som har svarat på T2a och T2b men inte T1a och T1b (blanka) antas ha samma svar för båda frågorna. Respondenter som har svarat avvikande på annat sätt, som Hallsbergsterminalen, formaterades genom att avrunda svaret. Sammantaget framkommer de filtrerade svaren i tabellen.
G1. Namn på terminal T1a T1b T2a T2b Lbs ut Lbs in Lbu ut Lbu in luleå kombiterminal 45 45 30 30 30 30 15 15 oskarshamns hamn ab 10 10 25 25 25 25 10 10 skellefteå hamn 230 230 230 230 230 230 0 0 arnäsvall 10 10 10 10 skärnäs terminal 32 32 27 27 27 27 5 5 karlshamns hamn 85 85 50 50 50 50 35 35 karlshamns hamn 85 85 50 50 50 50 35 35 road cargo gävle kombiterminal 50 50 50 50 50 50 0 0 perstorp 7 7 7 7 0 0 orrskärs hamn 0 38 0 38 0 38 0 0 eskilstuna kombiterminal 100 100 80 80 80 80 20 20 landskrona terminal 350 350 50 50 50 50 300 300 sölvesborgs hamn 145 145 95 95 95 95 50 50 wallhamn terminal 93 93 76 93 76 93 17 0 örebro terminal 50 50 50 50 50 50 0 0 åhus hamn & stuveri ab 940 940 900 900 900 900 40 40 båramo kombiterminal 50 50 50 50 50 50 0 0 bring frigo kumla 30 35 25 30 25 30 5 5 bring frigo jönköping 59 55 40 40 40 40 19 15 köpetorp, linköping 30 30 25 10 25 10 5 20 inrikes transport jordbro 80 80 30 30 30 30 50 50 haraholmen 120 120 120 120 120 120 0 0 sölvesborg 5 8 5 8 5 8 0 0 hallsbergsterminalen 16,2 8 16,2 8 16 8 0 0 oxelösunds hamn ab 91 91 85 85 85 85 6 6 logent ports & terminals 100 100 100 100 100 100 0 0 uddevalla hamnterminal 26 26 2 2 2 2 24 24 norra hamnen 300 300 100 100 100 100 200 200 visby 23 23 17 16 17 16 6 7 karlskrona baltic port 154 153 142 147 142 147 12 6 Resultatet av filtreringen är de fyra sista kolumnerna, som anger antalet Lbs och Lbu in till respektive ut från terminalen under ett genomsnittligt dygn. Förfiltrering på dygnsnivå: genomsnittliga lastvikter för LB I ett andra steg filterades respondenternas svar om genomsnittliga lastvikter. Respondenterna fick möjligheten att besvara frågorna A1a. Genomsnittlig lastvikt för lastbil med släp (Lbs) (ton). A1b. Genomsnittlig lastvikt för lastbil utan släp (Lbu) (ton). 74 (135) Vi antar att svaren för lastvikterna även omfattar tomma lastbilar. Det vill säga, respondenternas svar är ett genomsnitt för samtliga lastbilar, oavsett om de är tomma eller ej. Vidare antar vi att den genomsnittliga lastvikten gäller för såväl fordon till, som fordon från, terminalen. Lastvikterna för respondenter på dygnsbasis framkommer här nedanför, vi redovisar endast de som har angett lastvikter i sina svar. Med andra ord faller en del data bort i detta steg, i och med att en del respondenter har angivit antalet fordon, men inte lastvikterna.
Vid filtrering togs hänsyn till angivna lastvikters relation till totalvikt för de olika fordonstyperna. Lbs har en maximal totalvikt om 60 ton och en maximal nyttolast om 40 ton. Där den angivna lastvikten föll i intervallet 40 till 60 ton subtraherades fordonsvikten på 20 ton. Där den angivna lastvikten överskred 60 ton sattes lastvikten till 40 ton. Detsamma gäller för Lbu med ett antagande om maximal totalvikt om 40 ton och en maximal nyttolast om 26 ton. G1. Namn på terminal A1a A1b Lastvikt Lbs (ton) Lastvikt Lbu (ton) luleå kombiterminal 35 13 35 13 oskarshamns hamn ab 20 8 20 8 arnäsvall 44 16 24 16 skärnäs terminal 22 4 22 4 karlshamns hamn 38 15 38 15 karlshamns hamn 38 15 38 15 road cargo gävle kombiterminal 44 24 perstorp 60 40 orrskärs hamn 40 40 eskilstuna kombiterminal 36 9 36 9 landskrona terminal 35 25 35 25 sölvesborgs hamn 36 22 36 22 örebro terminal 40 40 åhus hamn & stuveri ab 26 15 26 15 båramo kombiterminal 25 25 bring frigo kumla 30 8 30 8 köpetorp, linköping 30 8 30 8 inrikes transport jordbro 30 10 30 10 haraholmen 33 33 sölvesborg 35 12 35 12 oxelösunds hamn ab 18 7 18 7 logent ports & terminals 20 20 uddevalla hamnterminal 62.5 27 40 27 visby 20,51 3,53 20.51 3.53 karlskrona baltic port 18.6 1.7 18.6 1.7 Förfiltrering på dygnsnivå: Godsmängden vid terminalen I ett tredje steg konstaterades andelen (av mängden) gods in till, respektive ut från, terminalen som vägtransport. Syftet var att därigenom kunna beräkna den totala godsmängden som passerar genom terminalen under ett dygn under förutsättningen att det råder likhet mellan in och utflöde. Utöver beräkningen av mängden gods (som bygger på de tidigare konstaterade parametrar antalet lastbilar, genomsnittligt lastvikt och andelen gods som går med lastbil) ingick i steget att ta bort dubbletter (se ex. Karlshamns hamn) men även att sammanfatta den breda floran av terminaltyper till ett mindre antal olika sådana. För filtreringen gällde följande konsolidering:
Respondentens svar på G4. Typ av terminal kombiterminal hamn både hamn, kombiterminal och tillverkande industri finns på området. centrallager lastbilsterminal kombi/lager terminal hamn, kombiterminal och industripark omlastningsterminal Ansatt typ av terminal för filtering kombiterminal hamn hamn centrallager lastbilsterminal kombiterminal hamn lastbilsterminal havn + kombiterminal hamn Alltså, när förfiltreringen av respondenter som har angett antalet fordon på dygnsnivå är färdig, kvarstår sådana respondenter som: Har angett antalet Lbu och/eller Lbs på dygnsnivå OCH som har angett lastvikter för Lbu och/eller Lbs OCH som har angett andelen gods som går med vägtransport respektive järnväg in till OCH ut från terminalen. Resultatet av förfilteringen ses i tabellen här nedanför, rödmarkerade rader anger sådana respondenter som svarade på dygnsbasis, men som inte uppfyllde samtliga krav i listan här ovanför. Av de ursprungliga 30 svaren på dygnsbasis har 19 svar (63 %) kommit igenom filtreringen. Med andra ord vill vi uppmärksamma att ju fler frågor man försöker kombinera, desto mer osäker kommer analysen att vara. I den bästa av världar hade en fråga om den totala mängden gods ställts till respektive respondent. 76 (135)
Terminaltyp Terminalnamn (G1) Anställda LB/dygn Godsmängd/dygn (ton) centrallager (-) perstorp 20 14 hamn (0.55/0.63/0.43) orrskärs hamn 10 38 2 533 skellefteå hamn 16 460 karlshamns hamn 17.5 170 2 694 logent ports & terminals 25 200 2 105 skärnäs terminal 36 64 6 140 norra hamnen 40 600 karlskrona baltic port 40 307 sölvesborgs hamn 50 290 20 545 wallhamn terminal 50 186 oskarshamns hamn ab 63 70 644 uddevalla hamnterminal 85 52 1 174 haraholmen 90 240 4 168 åhus hamn & stuveri ab 200 1 880 25 263 oxelösunds hamn ab 200 182 3 656 kombiterminal (-0.40/0.84/0.88) arnäsvall 1 20 320 road cargo gävle kombiterminal 2.25 100 2 400 båramo kombiterminal 3 100 2 500 luleå kombiterminal 6 90 2 490 örebro terminal 6 100 eskilstuna kombiterminal 8 200 6 120 hallsbergsterminalen 37 24 visby 63 46 lastbilsterminal (0.88/0.94/0.81) bring frigo kumla 4 65 940 sölvesborg 4 13 280 köpetorp, linköping 7 60 790 inrikes transport jordbro 20 160 1 400 bring frigo jönköping 25 114 landskrona terminal 40 700 Parentesen (1/2/3) vid terminaltypen anger korrelationskoefficienten för datamängderna: Anställda vs LB/dygn, samtliga respondenter. Anställda vs LB/dygn, filtrerade respondenter. Anställda vs Godsmängd/dygn (alla transportslag), filtrerade respondenter. Bortfallet efter filtreringen på mängden gods medförde att endast 10 (77 %) av hamnarna, 5 (56 %) av kombiterminalerna och 4 (67 %) av lastbilsterminalerna återstår efter att filtreringen mot mängden gods är genomförde. Med andra ord kan vi kanske se starkare samband efter filtreringen (jämför med kombiterminalernas korrelationskoefficienter för de olika datamängderna). Man bör därigenom vara försiktig med slutsatser kring datamängder med stort bortfall, eller med få sampel.
Förfiltrering på årsnivå: antal fordon Den andra datamängden, vilken framkommer här nedanför, består i ursprungsläget av de respondenter som har gett svar på frågorna T1c och/eller T2c. G1. Namn på terminal T1c T2c Lbu/år lb/år arnäsvall 2 400 2 400 0 2 400 landskrona hamn ab 34 000 30 000 4 000 34 000 hargs hamn 11 428 0 11 428 västerviks hamn 2 570 0 2 570 perstorp 2 555 0 2 555 orrskärs hamn 9 500 9 500 0 9 500 trelleborgs hamn ab 466 238 132 686 333 552 466 238 mönsterås hamn 5 500 5 500 0 5 500 ystad hamn 204 000-204 000 halmstad 56 000 38 200 17 800 56 000 falkenbergs terminal ab 35 000 15 000 20 000 35 000 göteborgs kombiterminal 52 000-52 000 haraholmen 42 000 42 000 0 42 000 apm terminalen 182 000 182 000 0 182 000 gävle hamn 85 000 45 000 40 000 85 000 gävle hamn 85 000 45 000 40 000 85 000 hallsbergsterminalen 4 500 4 500 0 4 500 stockholms hamn 189 715-189 715 nynäshamns hamn 67 753-67 753 kapellskär 153 315-153 315 Förfiltrering på årsnivå: Andel gods vid terminalen som vägtransport För att beräkna mängden gods vid terminalen som vägtransport gjordes en filtrering av lastvikterna på samma sätt som för dygnsdatan, det vill säga att lastvikterna ges uppdelat på Lbs och Lbu och korrigeras för sådana lastvikter där denna överskrider den maximala vikten för lastbilstypen. Därefter hämtades data för A7a och A7c, det vill säga hur stor andel av allt gods som ankommer, respektive lämnar, terminalen som vägtransport. Dubbletters filtrerades bort precis som för de dygnsbaserade svaren. Allt som allt mynnade filtreringen ut till den data som åskådliggörs i tabellen här nedanför. Rödmarkerade rader är sådana rader som föll bort i filtreringen (exklusive dubbletter), det vill säga att övriga rader är sådana respondenter som Har angett antalet LB och/eller Lbs på årsnivå OCH som har angett lastvikter för Lbu och/eller Lbs 78 (135)
OCH som har angett andelen gods som går med vägtransport respektive järnväg in till OCH ut från terminalen. Terminaltyp Terminalnamn (G1) Anställda LB/år Godsmängd/ år (ton) centrallager (-) perstorp 20 2 555 hamn (0.39/0.82/0.73) västerviks hamn 5 2 570 kapellskär 7 153 315 orrskärs hamn 10 9 500 633 333 hargs hamn 15 11 428 nynäshamns hamn 16 67 753 landskrona hamn ab 20 34 000 538 000 falkenbergs terminal ab 25 35 000 323 529 ystad hamn 27 204 000 mönsterås hamn 30 5 500 79 750 halmstad 73 56 000 924 242 haraholmen 90 42 000 729 474 gävle hamn 100 85 000 2 155 797 trelleborgs hamn ab 117 466 238 stockholms hamn 118 189 715 apm terminalen 400 182 000 kombiterminal (-0.21/-/-) arnäsvall 1 2 400 57 600 göteborgs kombiterminal 11 52 000 hallsbergsterminalen 37 4 500 Parentesen (1/2/3) vid terminaltypen anger korrelationskoefficienten för datamängderna: Anställda vs LB/år, samtliga respondenter för terminaltypen. Anställda vs LB/år, filtrerade respondenter. Anställda vs Godsmängd/år (alla transportslag), filtrerade respondenter. Bortfallet efter filtreringen på mängden gods medförde att endast 7 (47 %) av hamnarna och 1 (33 %) av kombiterminalerna återstår efter att filtreringen mot mängden gods är genomförd. Antalet kombiterminaler är så pass litet att man bör avstå från någon analys av dessa.
Bilaga 6. Filtrering villkorat avståndet till regressionslinjen En filtreringsmetod som testades, men som sedan förkastades, var att begränsa datamängden efter hur väl datapunkterna passade mot regressionslinjen för hela datasetet. Figuren här nedanför beskriver processen. För samtliga hamnar görs en regressionsanalys (rosa streck). Därefter mättes det rätvinkliga avståndet mellan alla datapunkter och denna linje. Datapunkter (rosa) som låg för långt bort från denna ingick sedermera inte i regressionsanalysens andra steg (svart streck). 500000 hamn filtrerad hamn Linjär (hamn) Linjär (filtrerad hamn) 450000 400000 350000 300000 y = 632,84x + 56185 R² = 0,1862 250000 200000 150000 100000 y = 995,62x + 19574 R² = 0,48 50000 0 0 50 100 150 200 250 300 350 400 Sambandet blir föga förvånande starkare i det andra steget, men hela processen bygger dels på att man har bestämt sig för att antalet anställda är den drivande faktorn som förklarar antalet lastbilar vid en terminal, dels tenderade metoden att resultera i ett kluster som motsvarade de terminaler med få anställda, dels var det en stor andel terminaler som föll bort från filtreringen. Man blir förvisso av med starka influenspunkter och filtreringen blir mindre subjektiv än om man själv hade försökt identifiera extremvärden. 80 (135)
Bilaga 7. Varugrupper Samgods Varugrupp Description 1 Cereals 2 Potatoes, other vegetables, fresh or frozen, fresh fruit 3 Live animals 4 Sugar beet 5 Timber for paper industry (pulpwood) 6 Wood roughly squared or sawn lengthwise, sliced or peeled 7 Wood chips and wood waste 8 Other wood or cork 9 Textiles, textile articles and manmade fibres, other raw animal and vegetable materials 10 Foodstuff and animal fodder 11 Oil seeds and oleaginous fruits and fats 12 Solid mineral fuels 13 Crude petroleum 14 Petroleum products 15 Iron ore, iron and steel waste and blast-furnace dust 16 Non-ferrous ores and waste 17 Metal products 18 Cement, lime, manufactured building materials 19 Earth, sand and gravel 20 Other crude and manufactured minerals 21 Natural and chemical fertilizers 22 Coal chemicals 23 Chemicals other than coal chemicals and tar 24 Paper pulp and waste paper 25 Transport equipment, whether or not assembled, and parts thereof 26 Manufactures of metal 27 Glass, glassware, ceramic products 28 Paper, paperboard; not manufactures 29 Leather textile, clothing, other manufactured articles than paper, paperboard and manufactures thereof 30 Mixed and part loads, miscellaneous articles 31 Timber for sawmill 32 Machinery, apparatus, engines, whether or not assembled, and parts thereof 33 Paper, paperboard and manufactures thereof
34 Wrapping material, used 35 Air freight (2006 model) 82 (135)
Bilaga 8. Lista befintligt material. Se separat Excel-dokument Sammanställning_material.xls för en utökad beskrivning. Nedan listas genomgånget material: Rapporter, artiklar Algers, 2011, Icke modellerad fordonstrafik Holmberg, A., Sternberg, H., Sjögren, J., 2014, Closer Starfish: A research project investigating freight distribution cooperation opportunities in Sweden, Institutet för näringslivsanalys vid JIBS, 2012, Godsflöden genom Skåne och Danmark, På uppdrag av Sydsvenska industri- och handelskammaren KFB och VTI, Näringslivets transport i Stockholms län 1998 KTH, 2013, Godstransport i Östra mellansverige 2010-2030-2050 En vision med prognoser för ett utvecklat transportsystem med järnväg Länsstyrelsen i Skåne län, 2004, Kartläggning av transittrafik på väg i Blekinge och Skåne en förstudie, 2004:180 Ramböll, 2013, Missing link 2013 - Godstransporter mellan Sverige och Norge Region Halland, 2007, Godsflöden i Halland SIKA, 2000, Näringslivets transporter i Stockholms län, En tillämpning av NÄTRAsystemet, SIKA Rapport 2000:9 SIKA, 2008, Tema Yrkestrafik Svenska Taxiförbundet, Branschläget 2013 Trafikanalys, 2012a: Godsflöden i Sverige Analys av transportstatistik inom lastbilstrafik, bantrafik och sjötrafik. Rapport 2012:8 Trafikverket, 2011, Ny fast förbindelse över Öresund bedömning av behov och förutsättningar. Underlagsrapport. Trafikverket, 2013, Godsets hela resa. Analys av utvalda stråk inom Trafikverket Region Syd på väg och järnväg Vectura, 2012, Godsflödesstudie Kvarken, Uppdrag genomfört på uppdrag av Kvarkenrådet Vectura, 2013a, Förstudie: Konstruktion av statistikmodell för gränsöverskridande gods, Fyrmodal-Östfold. På uppdrag av IGS Vectura, 2013b, Godsflöden i Östra Mellansverige Gemensam rapport Vägverket, 2006, Kartläggning av Godstransporter genom Skåne och Blekinge, 2006:109
Vägverket Konsult, 2008, Transportflöden med lastbil via terminaler i Skåne, PM 2008-09-27. WSP, 2013, Godsflöden i region Väst Värmland, Västra Götaland och Halland WSP, 2013, Metod för kartläggning av godsterminaler i Sverige, Rapport framtagen på uppdrag av Trafikanalys. ÅF, 2009, Järnvägstrafik på Nordkalotten - Faktaunderlag och analys Statistik Shippax, statistik mellan 2000 och 2011 SIKA, 2001, Varutransporter med lätta lastbilar 2000 SIKA Statistik 2009, Lätta och tunga lastbilar 2008, 2009:13 Sveriges Hamnars statistik Trafikanalys 2012b: Utländska lastbilstransporter i Sverige 2009-2010. Statistik 2012:3 Trafikanalys, 2012c: Lastbilstrafik nnnn, där nnnn=2005, 2006,, 2012. Resultat av årliga undersökningar. Trafikanalys, Sjötrafik, http://trafa.se/sv/statistik/sjofart/sjotrafik/ Trafikanalys - Lastbilstrafik, http://trafa.se/sv/statistik/vagtrafik/lastbilstrafik/ Trafikanalys, Postverksamhet 2012. Statistik 2013:17 Övrigt Cabotagestudien, http://www.cabotagestudien.com/sv/, 2014-12-02 VTIs valideringsdatabas 84 (135)
Bilaga 9. Resultat före kalibrering För respektive regional modell har ett antal bilder tagits fram som illustrerar resultatet för lastbilar med respektive utan släp före och efter kalibrering. Resultatet presenteras per regional modell där jämförelser görs för situationen före och efter kalibrering. Till detta har scatterplots tagit fram baserat på de länkar som har trafikräkningar. I bilderna görs en jämförelse mot de uppmätta ÅDT-flödena, den gröna delen av staplarna motsvarar den del av ÅDT-flödet som nätutläggnings. Orange delar är ett underskott vid nätutläggning av de nya matrisera (i.e. ÅDT-flödet är högre än det flöde som läggs ut i nätet), på samma sätt är de blå fälten ett överskott jämfört med uppmätta ÅDT-flöden. Försök har gjorts med att inkludera kommunala mätningar. I nuläget har dock inte dessa inkluderats i och med tveksamheter i hur de ska associeras med Lbu/Lbs. Palt Nedan presenteras ett antal exempelbilder över flödet i region Palt. Först presenteras resultatet för lastbilar med släp, därefter för lastbilar utan släp och därefter scatterdiagram i samma ordning. Figur 10: Lbs okalibrerad trafik i Palt, skala 40 Lantmäteriet 202100-6297
Översiktsbilderna från region Palt visar på att trafiken på E4 överskattas jämfört med de uppmätta trafikflödena. Figur 11: Lbs okalibrerad trafik i Dalarna och Gävleborgs län, skala 40 Lantmäteriet 202100-6297 Genom Dalarna kan ett överskott längs E45 samt även på delar av sträckan mellan Falun-Borlänge observeras, däremot ligger flödet något lågt på rv70 från Djurås till Mora. På E45 kring Sveg, väg 50 Bollnäs-Söderhamn samt väg väg 84 Hudiksvall-Ljusdal ligger den nätutlagda trafiken något lågt jämfört med uppmätta flöden medan trafiken på E4 istället överskattas. 86 (135)
Figur 12: Lbs okalibrerad trafik i Västernorrlands och Jämtlands län, skala 40 Lantmäteriet 202100-6297 Längs E4 genom Västernorrland är de nätutlagda flödena högre än de uppmätta, detsamma gäller för rv86. På E14 genom Västernorrland-Jämtland samt väg 90 mot Sollefteå underskattas däremot trafiken något jämfört med mätningar. Figur 13: Lbs okalibrerad trafik i Västerbottens län, skala 40 Lantmäteriet 202100-6297 I Västerbotten kan samma tendenser observeras som i Palt-modellen med ett överskott längs E4 som är den klart dominerande vägen i länet.
Figur 14: Lbs okalibrerad trafik i Norrbottens län, skala 40 Lantmäteriet 202100-6297 Förutom trafiken på E4 genom Norrbotten kan även för höga flöden observeras på väg 763 mellan Råneå och Gällivare observeras innan kalibrering. 88 (135)
Figur 15: Lbu okalibrerad trafik i Palt skala 40 Lantmäteriet 202100-6297 Till skillnad från de nätutlagda flödena för Lbs underskattas trafiken längs stora delar av E4 innan kalibrering. Dessutom tycks det som att en del avvikelser kan observeras även längs ett antal andra större vägavsnitt vilket kan ses i mer detalj i nedanstående bilder över mindre områden.
Figur 16: Lbu okalibrerad trafik i Dalarna och Gävleborgs län Lantmäteriet 202100-6297 Genom Gävleborg kan främst ett underskott observeras för den del av E4 som ligger söder om Gävle vid gränsen mot Uppsala, men även längs E4 norr om Gävle underskattas trafiken något längs delar sträckan. På E16 Gävle-Falun-Borlänge och vidare på väg 50 mot Ludvika kan däremot ett visst överskott observeras. 90 (135) Figur 17: Lbu okalibrerad trafik i Västernorrlands och Jämtlands län Lantmäteriet 202100-6297
Kring Östersund och vidare västerut på E14 kan ett visst underskott observeras medan trafiken längs E14 mellan Östersund-Ånge överskattas. Trafiken längs stora delar av E4 underskattas innan kalibrering. Figur 18: Lbu okalibrerad trafik i Västernorrlands och Jämtlands län Lantmäteriet 202100-6297 Längs flera av de större vägarna genom Västerbottens län underskattas trafiken innan kalibrering jämfört med utförda mätningar. I vissa fall kan dock en tendens till smit-trafik observeras där trafiken färdas parallellt med de större vägarna som E4 och E12.
Figur 19: Lbu okalibrerad trafik i Norrbottens län skala 40 Lantmäteriet 202100-6297 Längs E45, främst från Kiruna och söderut, samt på E10 från Gällivare-Töre underskattas trafiken innan kalibrering. Figur 20:Scatterdiagram för Lbs innan kalibrering i Palt För lastbilar med släp har sambandet innan kalibrering beräknats enligt ovan med ett R2- värde på 0.83 vilket visar på en bra överensstämmelse mellan observerade och nätutlagda flöden. 92 (135)
Figur 21: Scatterdiagram för Lbu innan kalibrering i Palt För lastbilar utan släp är anpassningen något sämre vilket R2-värdet på knappt 0.70 visar. I figuren syns att ett antal punkter avviker kraftigt från den dragna linjen som visar situationen där observerade och nätutlagda värden överensstämmer helt. Samm Precis som för Palt ovan har ett antal exempelbilder tagits fram för region Samm, resultaten presenteras först med bilder för Lbs, följt av Lbu och sedan scatterplots över resultatet.
Figur 22: Lbs okalibrerad trafik i Samm skala 100 Lantmäteriet 202100-6297 För lastbilar med släp stämmer de nätutlagda flödena väl överens med de observerade redan innan kalibrering i de flesta större stråken. Främst är det längs E20 mellan Strängnäs och Södertälje samt E18 Enköping Stockholm som ett överskott kan observeras. Figur 23: Lbs okalibrerad trafik i Stockholms län skala 100 Lantmäteriet 202100-6297 94 (135)
Vid en mer inzoomad vy over Stockholms län kan de sedan tidigare nämnda överskotten längs E18 och E4/E20 observeras. Överskott kan även ses på Norrortsleden (lv 265 Häggvik Rosenkälla) samt vidare mot lv276 mot Åkerskälla. Mot de östra delarna av Stockholms län, såsom Nacka/Värmdö och Tyresö samt mellan Stockholm-Täby underskattas istället trafiken något. Figur 24: Lbs okalibrerad trafik i Stockholm skala 100 Lantmäteriet 202100-6297 I de centrala delarna av Stockholm visas endast ett fåtal länkar. Mot Nacka, Tyresö och Täby underskattas trafiken medan trafiken förbi Tumba mot Södertälje istället överskattas.
Figur 25: Lbu okalibrerad trafik i Samm skala 100 Lantmäteriet 202100-6297 För lastbilar utan släp trafiken överskattas på de flesta större vägarna i Mälardalen innan kalibrering i och med den generella nivåjustering som görs innan nätutläggningen. Särskilt tydligt syns detta kring Stockholm samt på E4 mellan Stockholm Uppsala, E18 Stockholm Västerås samt E20 Stockholm Eskilstuna. Dock kan visst underskott ses på E4 norr om Uppsala samt söder om Södertälje. 96 (135)
Figur 26: Lbu okalibrerad trafik i Stockholms län skala 100 Lantmäteriet 202100-6297 En vy över Stockholms län visar på att längs de flesta länkarna överskattas trafiken. Särskilt tydligt är det de delar av E4 som ligger närmast Stockholm. För E4 söder om Stockholm är det även värt att observera att ÅDT-flödena skiljer sig kraftigt åt för närliggande länkar vilket gör att flödet inte kan anpassas helt. Figur 27: Lbu okalibrerad trafik i Stockholms län skala 100 Lantmäteriet 202100-6297
Längs de större stråken syns överskattningen tydligt jämfört med ÅDT-räkningar. Figur 28: Scatterdiagram för Lbs innan kalibrering i Samm För lastbilar med släp har sambandet innan kalibrering beräknats enligt ovan med ett R2- värde på drygt 0.84 vilket visar på en bra överensstämmelse mellan observerade och nätutlagda flöden även innan kalibrering. Figur 29: Scatterdiagram för Lbu innan kalibrering i Samm För lastbilar utan släp är anpassningen något sämre vilket R2-värdet på under 0.63 visar. I figuren syns en stor spridning och att ett antal punkter avviker kraftigt från den dragna linjen. Skåne 98 (135) I de stora stråken såsom E4/E6 stämmer den nätutlagda trafiken innan kalibrering relativt väl överens med uppmätta trafikflöden för lastbilar med släp med undantag för sträckan Malmö Trelleborg samt förbi Helsingborg som underskattas. Lastbilar utan släp tycks underskattas något, främst längs E6.
Figur 30: Lbs okalibrerad trafik i Skåne skala 100 Lantmäteriet 202100-6297 Längs den södra delen av E6, mellan Malmö och Trelleborg, underskattas trafiken med lastbilar med släp, visst underskott kan även observeras längs E6 norr om Malmö. På väg 19 norr om Kristianstad samt i viss mån även på väg 23 norr om Hässleholm överskattas trafiken däremot. Längs de övriga större vägarna ligger trafikflödena kring de uppmätta.
Figur 31: Lbs okalibrerad trafik i Malmö skala 100 Lantmäteriet 202100-6297 Kring Malmö underskattas antalet lastbilar med släp på E6. I de norra delarna förbi Arlöv/Burlöv får Burlövsbron för höga trafikflöden medan Västkustvägen får för låga flöden jämfört med trafikräkningar. Figur 32: Lbu okalibrerad trafik i Skåne skala 100 Lantmäteriet 202100-6297 Längs de större Europavägarna underskattas trafiken jämfört med uppmätta mätningar, tydligast är detta längs E6 förbi Malmö och vid Helsingborg och vidare norrut. 100 (135)
Figur 33: Lbu okalibrerad trafik i Malmö skala 100 Lantmäteriet 202100-6297 Förbi Malmö underskattas trafiken på de större vägarna med uppmätt trafik. Precis som i fallet med Lbs fås felaktig fördelning av trafiken mellan Arlöv/Burlöv, där trafiken på Burlövsbron överskattas medan trafiken på Västkustvägen underskattas. Innan kalibrering fördelas trafiken på en större del av vägnätet jämfört med trafikmätningar. Figur 34: Scatterdiagram för Lbs innan kalibrering i Skåne
Ett scatterdiagram över uppmätta och nätutlagda flöden för lastbilar med släp i Skånemodellen visar på ett R2-värde på knappt 0.85 innan kalibrering. Figur 35: Scatterdiagram för Lbu innan kalibrering i Skåne För lastbilar utan släp underskattas trafiken på ett antal länkar jämfört med uppmätta ÅDT-värden, R2-värdet uppgår till knappt 0.74. Sydost Även i Sydost har bilder tagit fram som visar det nätutlagda flödet jämfört med uppmätta ÅDT-värden för lastbilstrafiken. 102 (135)
Figur 36: Lbs okalibrerad trafik i Sydost skala 60 Lantmäteriet 202100-6297 I Sydost är E4 klart dominerande. Flödet på E4 genom Östergötland överskattas, även längs vissa av de andra vägarna i regionen överskattas flödet något, såsom väg 26 mellan Gislaved-Jönköping samt väg 32 förbi Tranås och Vetlanda. Däremot underskattas trafiken på väg 30 mellan Jönköping-Växjö samt söder om Motala på väg 50 och genom Vadstena. Figur 37: Lbs okalibrerad trafik i Östergötland skala 60 Lantmäteriet 202100-6297
Som figuren ovan visar överskattas främst trafiken längs E4 sydväst om Mjölby. Söder om Motala underskattas trafiken både på väg 32 samt förbi Vadstena, norr om Motala överskattas däremot trafiken jämfört med uppmätta flöden. Figur 38: Lbu okalibrerad trafik i Sydost skala 60 Lantmäteriet 202100-6297 För lastbilar utan släp underskattas trafiken längs stora delar av E4 genom hela Sydost, främst från Jönköping och vidare norrut. På E4 söder om Jönköping underskattas trafiken i norrgående riktning medan flödet i södergående riktning underskattas mellan Jönköping och Värnamo. Längs väg 31 mellan Jönköping och Nässjö/Vetlanda samt längs väg 32 förbi Tranås överskattas trafiken innan kalibrering. 104 (135)
Figur 39:Lbu okalibrerad trafik i Östergötland skala 60 Lantmäteriet 202100-6297 Genom Östergötland ses ett underskott längs större delen av E4, allra tydligast är detta norr om Norrköping samt från Linköping och söderut. Längs E4 från Norrköping till Linköping samt mellan Norrköping-Finspång överskattas trafiken istället. Figur 40: Scatterdiagram för Lbs innan kalibrering i Sydost Ett scatterdiagram över uppmätta och nätutlagda flöden för lastbilar med släp i Sydostmodellen visar på ett R2-värde på knappt 0.87 innan kalibrering. Ett antal vägar överskattas, vilket ses då de uppvisar högre nätutlagda flöden jämfört med ÅDT.
Figur 41: Scatterdiagram för Lbu innan kalibrering i Sydost För lastbilar utan släp visas en större spridning i resultaten. R2-värdet ligger endast på knappt 0.69 innan kalibrering. Väst Figur 42: Lbs okalibrerad trafik i Halland och delar av Västra Götaland skala 150 Lantmäteriet 202100-6297 Redan innan kalibrering ligger det nätutlagda flödet med lastbilar med släp ungefär på de nivåer som tidigare uppmätts. Visst överskott kan dock observeras på väg 158 mellan Kungsbacka och Göteborg. 106 (135)
Figur 43: Lbs okalibrerad trafik i Värmland och delar av Västra Götaland skala 150 Lantmäteriet 202100-6297 I de norra delarna av Västra Götaland kan överskott observeras på väg 165 norr om Munkedal ovan samt på väg 164, främst mellan Ed och Strömstad. Norr om Strömstad samt väster om Töcksfors på E18, mot norska gränsen, underskattas dock trafiken då inga centroider finns i Norge. Figur 44: Lbs okalibrerad trafik i Göteborg skala 150 Lantmäteriet 202100-6297 Genom Göteborg underskattas trafiken på de delar av E6 som ligger närmast Tingstadstunneln. Kring de båda hamnarna samt förbi Askim överskattas trafiken något.
Figur 45: Lbu okalibrerad trafik i Halland och delar av Västra Götaland skala 150 Lantmäteriet 202100-6297 Längs E6 genom Halland och Västra Götaland underskattas trafiken något med lastbilar utan släp. Trafiken på rv40 mot Borås överskattas innan kalibrering. 108 (135)
Figur 46: Lbu okalibrerad trafik i Värmland och delar av Västra Götaland skala 150 Lantmäteriet 202100-6297 På E18 förbi Karlstad samt på både E6 och E18 mot den norska gränsen underskattas flödet med lastbilar utan släp innan kalibrering. Figur 47: Lbu okalibrerad trafik i Göteborg skala 150 Lantmäteriet 202100-6297
Genom Göteborg ligger det nätutlagda flödet något för högt mot uppmätta flöde på de större genomfarterna förutom genom Frölunda. Figur 48: Scatterdiagram för Lbs innan kalibrering i Väst Resultatet innan kalibrering visar på en stor spridning mellan uppmätta och kalibrerade värden med ett antal punkter som uppvisar väldigt låga mätningar men trots det får höga nätutlagda flöden. R2-värdet uppgår till knappt 0.77 innan kalibrering. Figur 49: Scatterdiagram för Lbu innan kalibrering i Väst Lastbilar utan släp visar på en spridning i resultaten med ett R2-värde på knappt 0.80 innan kalibrering. 110 (135)
Bilaga 10. Resultat efter kalibrering Palt Figur 50: Lbs kalibrerad trafik i Palt, skala 40 Lantmäteriet 202100-6297 Efter kalibrering sänks flödet på E4 så att det bättre motsvarar de nivåer som uppmätts vid trafikmätningar.
Figur 51: Lbs kalibrerad trafik i Palt, skala 40 Lantmäteriet 202100-6297 På E4 medför kalibrering att de nätutlagda flödena anpassas betydligt bättre till de uppmätta. Längs E45 kvarstår vissa avvikelser även efter kalibrering. I ett tidigare skede av kalibreringsarbetet har stora avvikelser utanför Hudiksvall observerats där en jämförelse med kartunderlag visar på att på ett avsnitt har ÅDT-flöden kopplats till mindre vägar istället för E4. Detta beror på att en ny dragning av E4 invigts. På det aktuella avsnittet har därför en justering gjorts där attributet för ÅDT-mätningarna har kopplats till E4 istället. 112 (135)
Figur 52: Lbs kalibrerad trafik i Västernorrlands och Jämtlands län, skala 40 Lantmäteriet 202100-6297 Genom Västernorrlands län sänks trafikflödet på E4 till de nivåer som tidigare uppmätts. Undantaget är närområdet kring Härnösand där trafiken läggs ut på mindre väg väster om tätorten medan mätningarna visar på att lastbilstrafiken ska gå genom centrum. Flödet längs E14 genom Västernorrland och Jämtland stämmer efter kalibrering väl överens med ÅDT-mätningarna, förutom i närområdet kring Östersund där viss underskattning kan ses. Figur 53: Lbs kalibrerad trafik i Västerbottens län, skala 40 Lantmäteriet 202100-6297 Även genom Västerbotten observeras samma tendenser som för övriga Palt där trafiken på E4 justeras till uppmätta nivåer vid kalibrering.
Figur 54: Lbs kalibrerad trafik i Norrbottens län, skala 40 Lantmäteriet 202100-6297 Förutom trafiken på E4 genom Norrbotten har för höga flöden observerats på väg 763 mellan Råneå och Gällivare innan kalibrering. Med den utförda gradientjusteringen hanteras detta delvis och trafikflödena stämmer därmed bättre överens med de uppmätta efter kalibrering. 114 (135)
Figur 55: Lbu kalibrerad trafik i Palt skala 40 Lantmäteriet 202100-6297 Efter kalibrering stämmer trafikflöden på E4 betydligt bättre överens med de uppmätta ÅDT-flödena. Vissa avvikelser inne i landet kvarstår dock fortfarande.
Figur 56: Lbu kalibrerad trafik i Dalarna och Gävleborgs län skala 40 Lantmäteriet 202100-6297 Söder om Gävle kvarstår underskottet längs E4 även efter kalibrering vilket troligen beror på hantering av kransområden. Viss överskattning av trafiken ses på delar av E16 samt rv68. I övrigt stämmer trafikflödena relativt väl överens med uppmätta flöden. 116 (135) Figur 57: Lbu kalibrerad trafik i Västernorrland och Jämtland skala 40 Lantmäteriet 202100-6297 Även efter kalibrering kvarstår visst underskott kring Östersund och vidare längs E14 mot Norge. I övrigt kalibreras lastbilsflödena in till att bättre motsvara de observerade flödena.
Figur 58: Lbu kalibrerad trafik i Västerbottens län skala 40 Lantmäteriet 202100-6297 Genom Västerbotten stämmer de nätutlagda flödena betydligt bättre överens efter kalibrering. Vissa underskott kan dock fortfarande observeras längs E12 och väg 95. Figur 59: Lbu kalibrerad trafik i Norrbottens län skala 40 Lantmäteriet 202100-6297
Längs E4 stämmer de kalibrerade flödena väl överens med uppmätta flöden. Visst underskott kan dock fortfarande ses längs E45 och E10. Figur 60: Scatterdiagram för Lbs efter kalibrering i Palt Efter kalibrering anpassas värdena för Lbs ytterligare och R2-värdet stiger till drygt 0.87. Den förbättrade anpassningen kan även ses i grafen där de nätutlagda flödena ligger betydligt närmare linjen. Figur 61: Scatterdiagram för Lbu efter kalibrering i Palt 118 (135)
Även för Lbu förbättras anpassningen efter kalibrering. Som de tidigare flödesbilderna visade kvarstår dock ett antal fall där uppmätta och nätutlagda flöden avviker från varandra vilket även ses i figuren ovan. Jämfört med Lbs nås även en något sämre anpassning med ett R2-värde på under 0.85. Samm Figur 62: Lbs kalibrerad trafik i Samm skala 100 Lantmäteriet 202100-6297 Efter kalibrering hanteras överskottet på E18 och E4/E20 och trafikflödena stämmer bättre överens med observerade flöden. Undantag är östra delarna av Stockholms län vilket ses i mer detalj nedan.
Figur 63: Lbs kalibrerad trafik i Stockholms län skala 100 Lantmäteriet 202100-6297 I Stockholms län kan fortfarande ett underskott mot de östra delarna ses efter kalibreringen. I övrigt stämmer trafikflödena bra överens med observerade flöden och både längs E18 och E4/E20 hanteras det tidigare överskottet. Figur 64: Lbs kalibrerad trafik i Stockholm skala 100 Lantmäteriet 202100-6297 120 (135)
En fokuserad bild over Stockholm visar på underskott mot Nacka och Tyresö medan det tidigare underskottet mot Täby nu hanteras bättre än innan kalibrering. Figur 65: Lbu kalibrerad trafik i Samm skala 100 Lantmäteriet 202100-6297 Efter kalibrering hanteras det tidigare överskottet på de större vägarna. Längs E4, främst norr om Märsta men till viss del även söder om Södertälje kvarstår dock visst underskott, men flödet stämmer ändå bättre överens med mätningar än innan kalibrering.
Figur 66: Lbu kalibrerad trafik i Stockholms län skala 100 Lantmäteriet 202100-6297 Som tidigare nämnts skiljer sig det uppmätta ÅDT-flödet på E4 mellan Stockholm och Södertälje åt, detta gör att för närliggande länkar indikeras ett underskott på ett länkpar medan det på kommande länkpar indikeras ett överskott. Mot Värmdö underskattas trafiken i närområdet något medan den är något för hög genom Nacka. E18 mot Roslagen visar upp visst underskott. 122 (135)
Figur 67: Lbu kalibrerad trafik i Stockholms län skala 100 Lantmäteriet 202100-6297 På Roslagsvägen (väster om Brunnsviken), väg 275 förbi Traneberg samt delar av Södra länken överskattas trafiken efter kalibrering. Däremot anpassas trafiken relativt väl mot Tyresö och Nynästhamn samt på E18 mot Bålsta. Figur 68: Scatterdiagram för Lbs efter kalibrering i Samm Efter kalibrering anpassas värdena för Lbs ytterligare och R2-värdet stiger till knappt 0.91. Den förbättrade anpassningen kan även ses i grafen där de nätutlagda flödena ligger betydligt närmare linjen med mindre spridning.
Figur 69: Scatterdiagram för Lbu efter kalibrering i Samm Även för Lbu förbättras anpassningen efter kalibrering. Som de tidigare flödesbilderna visade kvarstår dock ett antal fall där uppmätta och nätutlagda flöden avviker från varandra vilket även ses i figuren ovan, R2-värdet har beräknats till under 0.84. Skåne 124 (135) Figur 70: Lbs kalibrerad trafik i Skåne skala 100 Lantmäteriet 202100-6297 Efter kalibrering ökar flödena på E6 vilket ger en bättre anpassning mot de uppmätta flödena. Längs delar av E6 mellan Malmö och Helsingborg överskattas trafiken till och med något jämfört med gjorda mätningar. I övrigt anpassas den nätutlagda trafiken väl jämfört med gjorda mätningar.
Figur 71: Lbs kalibrerad trafik i Malmö skala 100 Lantmäteriet 202100-6297 I Malmö kvarstår delar av problematiken med felaktiga vägval förbi Arlöv/Burlöv vilket indikerar att det kan vara aktuellt med den typ av justeringar av VD-funktioner som diskuteras i kapitel ZZ efter att nya funktioner beslutats.
Figur 72: Lbu kalibrerad trafik i Skåne skala 100 Lantmäteriet 202100-6297 Vid kalibrering anpassas trafikflödena väl till de uppmätta med undantag förbi Malmö och Helsingborg där visst underskott kvarstår. Flödet mellan Malmö och Trelleborg stämmer betydligt bättre överens med uppmätta flöden än innan kalibreringen. Figur 73: Lbu kalibrerad trafik i Malmö skala 100 Lantmäteriet 202100-6297 126 (135)
Kring Malmö kvarstår fortfarande visst underskott på E6 vilket även översiktsbilden över Skåne visar. Vid Burlöv anpassas trafiken bättre jämfört med mätningarna. Figur 74: Scatterdiagram för Lbs efter kalibrering i Skåne Vid kalibrering ökar R2-värdet för lastbilar med släp till knappt 0.94 efter att kalibrering utförts. Ett fåtal länkar med större avvikelser med något för höga nätutlagda flöden kan dock fortfarande ses. Figur 75: Scatterdiagram för Lbu efter kalibrering i Skåne Efter kalibrering ökar R2-värdet för lastbilar utan släp till knappt 0.93. Vissa avvikelser mellan nätutlagda och observerade flöden kvarstår vilket även syns i Figur 72.
Sydost Figur 76: Lbs kalibrerad trafik i Sydost skala 60 Lantmäteriet 202100-6297 Efter kalibrering stämmer de nätutlagda lastbilsflödena bättre överens med de uppmätta. I Östergötland kan dock vissa avvikelser fortfarande ses. Figur 77: Lbs kalibrerad trafik i Östergötland skala 60 Lantmäteriet 202100-6297 128 (135)
De tidigare avvikelserna längs E4 adresseras vid den genomförda kalibreringen. Däremot kvarstår avvikelser söder om Motala, vid nätutläggning läggs trafiken på rv50 som nyligen byggts ut, fortfarande saknas dock mätningar på denna sträcka i modellen. Figur 78: Lbu kalibrerad trafik i Sydost skala 60 Lantmäteriet 202100-6297 Kalibrering av lastbilar utan släp I Sydost ger en klar förbättring jämfört mot uppmätta trafikflöden. Kring Norrköping samt Jönköping kan dock vissa underskott ses medan några länkar på E4 söder om Jönköping uppvisar visst överskott.
Figur 79: Lbu kalibrerad trafik i Östergötland skala 60 Lantmäteriet 202100-6297 Genom Östergötland förbättras anpassningen jämfört med de uppmätta trafikflödena betydligt, visst underskott på E4 norr om Norrköping kvarstår dock. Dessutom kan även samma tendens för väg 32 söder om Motala observeras som för lastbilar med släp. Figur 80: Scatterdiagram för Lbs efter kalibrering i Sydost Efter kalibrering ges en god anpassning till uppmätta flöden, R2-värdet stiger till drygt 0.92 efter kalibrering. 130 (135)
Figur 81: Scatterdiagram för Lbu efter kalibrering i Sydost Efter kalibrering anpassas de nätutlagda flödena bättre till uppmätta flöden vilket gör att R2-värdet stiger till drygt 0.90 efter kalibrering. Väst Figur 82: Lbs kalibrerad trafik i Halland och delar av Västra Götaland skala 150 Lantmäteriet 202100-6297
Vid kalibrering anpassas de tidigare avvikelserna bättre mot uppmätta flöden genom Halland och Västra Götaland. Kring Göteborg kvarstår vissa avvikelser vilket även ses nedan. Figur 83: Lbs kalibrerad trafik i Värmland och delar av Västra Götaland skala 150 Lantmäteriet 202100-6297 Även för norra delarna av Västra Götaland samt genom Värmland nås en god anpassning mot uppmätt trafik, undantag är de länkar som ligger närmast den norska gränsen som saknar nätutlagd trafik. 132 (135)
Figur 84: Lbs kalibrerad trafik i Göteborg skala 150 Lantmäteriet 202100-6297 Efter kalibrering kvarstår fortfarande vissa avvikelser längs E6 genom Göteborg, men dessa minskar jämfört med innan kalibrering. Väster om Lundbyleden överskattas fortfarande trafiken något medan trafik strax söder om Tingstadstunneln underskattas. Figur 85: Lbu kalibrerad trafik i Halland och delar av Västra Götaland skala 150 Lantmäteriet 202100-6297 Med kalibrering av flöden för lastbilar utan släp nås en god anpassning längs alla de stora stråken genom Halland och de södra delarna av Västra Götaland.
Figur 86: Lbu kalibrerad trafik i Värmland och delar av Västra Götaland skala 150 Lantmäteriet 202100-6297 Även genom de norra delarna av Västra Götaland samt i Värmland nås en god överensstämmelse mellan uppmätta och nätutlagda flöden efter kalibrering. I närområdet vid norska gränsen kvarstår dock vissa avvikelser då centroider saknas i Norge. 134 (135) Figur 87: Lbu kalibrerad trafik i Göteborg skala 150 Lantmäteriet 202100-6297