session 43 muriel beser hugosson
TRANSCRIPT
14 januari 2010, 1
Sampers – erfarenheter från
åtgärdsplaneringenMuriel Beser Hugosson Maria Börjesson
14 januari 2010, 2
Sampers
• Prognosticerar efterfrågan på personresor
• Utgångsläget att göra ”det perfekta
systemet”
• Skulle ha krävt mycket resurser
• Enklare lösningar med för- och nackdelar
• Består av efterfrågemodeller och
nätverksanalysprogram (Emme/2)
14 januari 2010, 3
Delmodeller• Lokala och regionala resor: 9 000 zoner, 5 regioner
• Inrikes långväga resor: 670 zoner
• Utrikes resor: 180 zoner utanför och 670 zoner inom
Sverige.
PALT Kopparberg, Gävleborg, Västernorrland,
TASS väst Halland, Göteborg och Bohuslän,
SAMM III Uppsala, Stockholm, Västmanland,
TASS sydöst Östergötland, Jönköping,
SKÅNE Kristianstad, Malmöhus
Jämtland, Västerbotten, Norrbotten
Älvsborg, Skaraborg, Värmland
Örebro, Södermanland
Kronoberg, Kalmar, Blekinge
Dataunderlag
• Riks-RVU 94-00 (ca 50 000 observationer)
• Fehmarn Belt studien
• Öresundsstudien
• Turistdatabasen
• Andra nationella RVU
14 januari 2010, 4
Höghastighetståg berör främst långväga
resande
• Hur beskriva beteende för långväga
resande?
• Tidtabell
• Val av restidpunkt
• Biljettpris
• Ursprunglig ambition• För resurskrävande år 2000
• Förenklad variant används
• Modell finns utvecklad men ej
uppdaterad
• Både standard Sampers och Samvips är
förenklade varianter
Resfrekvens
Destination
Färdsätt
Tidpunkt
Biljettyp
14 januari 2010, 5
Efterfrågemodeller
RP värdering: kostnad, tid, väntetid etc.
SAMPERS
Emme/2
Efterfrågan på resor per färdmedel och destination
Samkalk
Bränslekostnad
BilinnehavBNP
Körkostnad
Bilpark
Områdesdatabas
från SCB:
Befolkning
Attraktionsdata
BiljettprisVäg- och linjenät
Värdering : Olyckor, CO2,Tid, väntetid etc (ASEK)
Uppräkning/diskontering (ASEK)
Metod budgeteffekter (ASEK)
Trafikering!
Trafikerings-kostnad (ASEK)
Investeringskostnad
14 januari 2010, 6
Förenklade modeller i olika avseenden
• Både standard Sampers och Samvips är förenklade versioner av
”ideal modell”
• Efterfrågemodellerna i standard Sampers beaktar faktorer som
inte finns med i modellen, om datamaterialet är bristfälligt leder
detta till att modellen underskattar elasticiteterna
• Efterfrågeberäkningen i Samvips tar inte hänsyn till faktorer som
inte ingår i modeller och kan därför överskatta elasticiteterna
14 januari 2010, 7
Konkurrerande linjer
• Beroende av assignmentalgoritmen
• Ett mindre problem på långväga resor
• Färdmedelsvalet bestäms i efterfrågesteget
och inte i nätverksanalysprogrammet
• Kompensation i efterfrågedelen för låg
turtäthet
• Realtids EMMA
14 januari 2010, 8
Kombinationsresor
• Anslutningsresa – finns i Sampers
• Kombinationsresorna var väldigt få
• I datakällor finns inte stöd för att kombinationsresor behöver
särbehandlas
• Äkta kombinationsresa – finns inte för de långväga resorna i
Sampers (finns i de regionala modellerna)
14 januari 2010, 9
Vad är en bra modell?
• En bra modell ska beskriva beteendeförändringar.
• Den ska beskriva hur viktigt tid och kostnad är i valet av färdmedel.
• Att modellen kan återskapar nuläget väl är av underordnad
betydelse.
• En extremt enkel modell med bara konstanter återskapar nuläget perfekt.
• Men den är helt oanvändbar för prognoser.
• En modell med bara tidsvärden kan också återskapa också nuläget perfekt.
• Vill man ha låga elasticiteter bara konstanter
• Vill man ha höga elasticiteter bara tidsvärden
• Viktigt att man använder tillförlitliga och transparenta data när
modellen skattas. Annars finns det finns möjlighet att vara
strategisk.
14 januari 2010, 10
Modeller behöver slumpterm: människor är olika
• I en modell som beskiver val mellan färdmedel måste man ta hänsyn
till att människor inte tycker lika och inte har samma behov. • En del gillar/behöver sin bil.
• En del tycker om att åka tåg en del att flyga.
• Vi ser olikheterna omkring oss och i RVU:n.
• Detta ger en tröghet i färdmedelsbyte när restider och reskostnader
ändras.
• Om man inte tar hänsyn till olikheter säger modellen att alla väljer
samma färdmedel.
14 januari 2010, 11
Korselaticiteter
• Utan slumptermer i modellen får man för stora
korselasticiteter
• Sampers korselasticiteterna kan vara lite låga. Det är
fortfarande de bästa gissningen vi har.
• Korselasticiteter är extremt situationsspecifika.
14 januari 2010, 12
Rule-of-a-half
• Slumptermerna skiljer mellan färdmedel och tar hänsyn till
skillnader mellan färdmedel och resenärer som vi inte kan förklara.
• Det är därför man måste använda rule-of-a-half
tåg tåg tåg tåg tåg
flyg flyg tåg flyg flyg
U C kostnad tid
U C kostnad tid
14 januari 2010, 13
Utbud UA
Utbud JA
0 1 Andel som väljer tåg
Resuppoffring tåg
Rule-of-a-half – vad är det?
• Modellen visar hur andelen som väljer tåg gradvis blir större när tåget blir bättre.
• Utan hänsyn till olikheterna väjer alla eller ingen tåg (röd streckad linje)
• Rule-of-a half är en standard metod som används i alla länder.
• Den enda approximationen man gör är att kurvan antas vara linjär. Okej för små prisförändringar.
14 januari 2010, 14
Utbud JAUtbud UAEfterfrågan
T = Antal resor
GK
Efterfrågan
T = Antal resor
GK
Utbud JAUtbud UA
Ett förbättrat utbud på tåg leder till att
efterfrågan ökar. Nyttan ökar för
tågresenärer, befintliga och de som
tillkommer, pga av det förbättrade tågutbudet.
Ett försämrat utbud på flyg leder till att efterfrågekurvan för tåg skiftar utåt. De resenärer som därför tillkommer på tåget har inte fått det bättre. Räkna med den mörkblå rektangeln.
• Måste veta ”varför” resenärer byter färdmedel för att kunna veta om deras nytta ökar eller minskar: två prognossteg
Förändrat utbud på två färdmedel
Efterfrågan sedan flygutbudet försämrats
T0 T1 T0 T1 T2
14 januari 2010, 15
Totalefterfrågan - stor betydelse för
nyttan• Sampers är kalibrerad mot Riks-RVU/RES och mot järnvägs- och luftfartsstatistik
från SJ och LFV.
• Samvips använder SAMPERS resandematriser: ÅP:s referensscenario….
• ..men har skrivit upp långväga resande. Motiv ”glömske-effekt” i RVU som sampers-kalibreringen inte tagit hänsyn till.
• Effekten på nyttan beror mycket på modellens korselasticiteter.
SAMPERS Samvips Skillnad Nuläge
2006 JA (EET) 2020
Ökn Nuläge 2007
JA 2020 Ökn Nuläge JA 2020
Långväga bil 13.8 15 8% 23.5 25.1 7% 1.70 1.67 Långväga tåg 5.2 7.2 38% 5.6 7.4 32% 1.08 1.03 Långväga buss 1.8 1.9 10% 1.7 1.3 -24% 0.94 0.68
Inrikes flyg 3.1 3.2 4% 2.7 3 11% 0.87 0.94
Summa långväga
23.8 27.3 14% 33.5 36.8 10% 1.41 1.35
14 januari 2010, 16
Slutsatser
• Sampers väl underbyggt av befintliga data
• Bygger på väletablerade teorier
• Väl validerad och utforskad metodik
• Används av ”alla” – trafikverken, forskare, konsulter
• Brister och förtjänster välkända och tas hänsyn till!
• Kalibrerade mot observerat resande
• Transparent
• Viktigast är att vi gör lika och kan jämföra!
• Utvecklingsarbete pågår – behövs bättre tillgång till
operatörernas data
14 januari 2010, 17
Tack!Muriel Beser Hugosson och Maria Börjesson
Centre for Transport Studies
www.cts.kth.se
14 januari 2010, 18
Vad är då rätt?
• RVU: har två delundersökningar: mätdagsresande och långväga
resande.
• De ger inte samma resvolym eftersom respondenter lättare glömmer resor som
gjorts för länge sedan (delstudien långväga resande).
• Men resorna är säkrare skattade delstudien långväga resande.
• Och resorna är i genom snitt längre i delstudien långväga resande. Det är lättare att
glömma frekventa och kortare långväga resor.
Källa: RES05/06. Bearbetning Anna Johans
Insamling mätdag Insamling långväga
Transportarbete, miljarder km 25,2 18,2
Osäkerhetsmarginal*, +/- intervall 2,1 0,5
Osäkerhetsmarginal*, i procent +/- 8% 3%
Genomsnittlig reslängd per resa, km 190 208
Osäkerhetsmarginal +/- 8 3
Osäkerhetsmarginal i procent 4% 2%