Kollektivtrafikens konkurrenskraft gentemot bilen - modellverktyg för beskrivning och analys (Transportforum 2012)

1. Kollektivtrafikens
konkurrenskraft
Modellverktyg för beskrivning och analys
2012-01-12

2. Modellverktyget

3. Modellverktyget är Excel-baserat
Modell för regionala resor
Indata (mata in siffror här)
Tomma celler (fylls inte i)
Resultat (beräknas av modellen)
Fyll i antingen restid tåg eller restid buss (den andra cellen ska vara tom)
För turtäthet gäller antal turer per timme i den aktuella relationen (både buss och tåg om båda alternativen finns)
1 2 3
Indata parametrar Indata enheter Indata alt 1 Indata alt 2 Indata alt 3
Arbete Övrigt Arbete Övrigt Arbete Övrigt
regionalt regionalt regionalt regionalt regionalt regionalt
Antal kilometer med bil km
Pris månadskort kollektivtrafik SEK
Jojo-pris kollektivtrafik SEK
Bil (dummy-variabel) 1 för resor till Malmö, Helsingborg och Lund; 0 för övriga
Restid med bil minuter
Restid om tågresa minuter
Restid om bussresa minuter
Gångtid till och från hållplats minuter
Bytestid minuter
Turtäthet alla avgångar (tåg + buss) antal turer per timme
Andel kollektivtrafik

4. Separata modeller för arbets- och övrigtresor
Indata parametrar Indata alt 1 Indata alt 2
Arbete Övrigt Arbete Övrigt
regionalt regionalt regionalt regionalt
Antal kilometer med bil
Pris månadskort kollektivtrafik
Jojo-pris kollektivtrafik
Bil (dummy-variabel)
Restid med bil
Restid om tågresa
Restid om bussresa
Gångtid till och från hållplats
Bytestid
Turtäthet alla avgångar (tåg + buss)
Andel kollektivtrafik

5. Vilka parametrar kan man ändra på?
Indata parametrar
Pris
Antal kilometer med bil
Övriga bil
Pris månadskort kollektivtrafik
Jojo-pris kollektivtrafik
Bil (dummy-variabel)
Restid med bil Restid
Restid om tågresa
Restid om bussresa
Gångtid till och från hållplats
Övriga kollektivtrafik
Bytestid
Turtäthet alla avgångar (tåg + buss)

6. Exempel ”Motorvägspåfart för buss i Lomma”
Arbete regionalt
Före Efter
förändring förändring
Antal kilometer med bil 12 12
Pris månadskort kollektivtrafik 530 530
Jojo-pris kollektivtrafik
Bil (dummy-variabel) 1 1
Restid med bil 18 18
Restid om tågresa
Restid om bussresa 22 17 Kortare restid
Gångtid till och från hållplats 20 20
Bytestid 10 10
Turtäthet alla avgångar (tåg + buss) 3,0 3,0
Andel kollektivtrafik 11,8% 14,4%

7. Exempel ”Pågatåg Lomma-Malmö”
Arbete regionalt
Före Efter
förändring förändring
Antal kilometer med bil 13 13
Pris månadskort kollektivtrafik 530 530
Jojo-pris kollektivtrafik
Bil (dummy-variabel) 1 1
Restid med bil 18 18
Restid om tågresa 9 Byte från buss till tåg
Restid om bussresa 25
Gångtid till och från hållplats 15 23 Längre gångtid
Bytestid 0 0
Turtäthet alla avgångar (tåg + buss) 1,5 1,3 Något sämre turtäthet
Andel kollektivtrafik 23,3% 32,0%

8. Konkurrensmarknaden – vad är det?
e + f = resa < 2,5 km
a c
e  a = har åkt bil och har även koll-alternativ
 b = har åkt koll och har även bil-alternativ
b d
f  c = har åkt bil men saknar koll-alternativ
 d = har åkt koll men saknar bil-alternativ
g = övriga färdmedel
konkurrensmarknaden = a + b utgör 54% av hela markanden

9. Valet av start- och målpunkt ger stor effekt
 Modellerna har skattats för resor med start- och målpunkt på adressnivå
 Anslutningsresan till hållplats har stor påverkan på valet av färdmedel
 Därför svårt att modellera marknadsandelen för resandet mellan två städer
 Det är klokt att testa flera adresser i varje tillämpning
Exempel: Tre varianter av arbetsresor i relationen Lomma-Malmö:
 Lomma Busstation – Malmö C 62%
 Lomma Busstation – Dockplatsen 1 25%
 Lomma Blåmesvägen 1 – Dockplatsen 1 21%

10. Utveckling av modellverktyget

11. Vad är en (logit)modell?
En modell ÄR En modell är INTE
Ett systematiskt sätt att beskriva
En beskrivning av naturlagar
övergripande samband
En ”sanning”
Ett smart sätt att kombinera förförståelse och data
EN sanning
Ett sätt att skapa överblick över kaos
Det mest effektiva sättet att utnyttja
informationsinnehållet i data
Enda chansen att göra kvantifierade förutsägelser

12. Färdmedelsval
Handlingsalternativ
Restid Restid
Turtäthet Egenskaper Turtäthet
Bytestid Bytestid
Kostnad Kostnad

13. Hur väljer man vilka faktorer som skall ingå?
 Vilka egenskaper skall vara med?
 Alla de egenskaper som vi vill förstå betydelsen av (manipulera)
 Alla de andra faktorer som också spelar roll för valet, och som kan störa analysen
 Ju fler variabler  desto osäkrare resultat
 Tror vi att variabeln spelar roll?
 Tror vi att effekten skiljer sig mellan färdmedel, resärenden, kön…?
 Räcker noggrannheten?
 ”Rätt” tecken?
 ”Signifikans”<0,05?

14. Vilket datamaterial har vi använt?
 Slumpvis utvalda observationer från de skånska resvaneundersökningarna
 Resvanor Syd (RVS, 2007)
 Malmöbornas resvanor och attityder till trafik och miljö (MRVU, 2008)
 Totalt innehåller databasen ca 90 000 resor
 Vi har ”bara” använt 350 observationer per delmaterial
 Databasen saknar information om resstandard för det valda alternativet
 Databasen saknar information om det ”andra” alternativet
 Kodning av resstandard med hjälp av Skånetrafikens reseplanerare
 Biltrafikalternativets egenskaper har tagits fram med Google maps
 Resorna har kodats genom geokodning på adressnivå

15. Avslutning och frågor

16. Att tänka på vid modelltillämpning
 Valet av start- och målpunkt ger stor effekt
 Tolkning av modellresultat för extrema resor bör göras med
försiktighet, gäller till exempel för Skåne långa avstånd och resor med
många byten
 Vid avstämning av modellresultat mot verkliga resanderäkningar är det
viktigt att ta hänsyn till den allmänna resandeutvecklingen
 Det går inte rakt av att jämföra den modellberäknade marknadsandelen med
”vanliga” marknadsandelar, eftersom modellerna bara beskriver
konkurrensmarknaden för bil och kollektivtrafik
 En liten ökning av markandsandelen (procentenheter) kan motsvara en stor
relativ ökning (procent)

17. Vad har vi mer gjort?
 Modell för lokala resor
 Fler tillämpningar av förändringar i
utvalda stråk
 Tillämpning med kontroll mot faktisk
förändring
 Analyserat brytpunker för t ex restid
och turtäthet
 Deskriptiv analys av reskedjor
 Analys av reskedjor med hjälp av
de framtagna modellerna

18. Tack för mig!
Emma Strömblad
040-35 43 59
emma.stromblad@wspgroup.se