1_Vad_ar_en_trafikprognos_IK
Kurs om trafikprognoser ida.kristoffersson@sweco.se 2015-12-01 Välkomna! Tid 1 december 2015 9.45 – 10.00 KAFFE 10.00 Inledning välkomna (Ida) 10.00 - 10.45 Ida Kristoffersson – Vad är en trafikprognos? 10.45 – 11.30 Karin Brundell-Freij – Hur kan trafikprognoser användas av planerare? 11.30 - 12.30 LUNCH 12.30 – 13.15 Maria Börjesson – Trafikprognoser i samhällsekonomiska kalkyler 13.15 – 14.00 Carl-Henrik Sandbreck – Att använda Sampers som backcasting-verktyg 14.00 – 14.15 KAFFE 14.15 – 15.00 Jonas Eliasson – Tunnelbaneanalyser 15.00 - 15.30 Diskussion i smågrupper Grupperna formulerar minst en fråga till någon av föredragshållarna 15.30 – 16.00 Diskussion i storgrupp – Föredagshållare tillgängliga 16.00 Avslut Vad är en trafikprognos? • Trafikprognoser används för att förutsäga resandets utveckling och för att utreda vad som händer vid ändringar • • • Bygga ny väg/spår Ny markanvändning Införa trängselavgifter • Oftast görs flera prognoser: • • • Nuläge, prognosår JA – jämförelsealternativ för prognosår utan åtgärd UA1, UA2, UA3… - utredningsalternativen med olika åtgärder/olika utformning av åtgärder Dataunderlag för en bra trafikprognos • Bra trafikprognoser kräver stora mängder data om samhället och trafiken • • • Statistik från SCB och Långtidsutredningens analyser av ekonomisk utveckling på lång sikt (15-20år) • Befolkning per zon • Sysselsättning • Arbetsplatser • BNP-tillväxt • Bränsleskatt Resvaneundersökningar (RVU:er) – data om resbeteenden Trafiknätskodning (NVDB) • För att genomföra prognoserna används trafikmodeller Trafikmodeller Många olika trafikmodeller finns – vilken modell som är bäst lämpad beror på frågeställningen • Detaljeringsgrad i nätverket • • • Mikro Meso Makro • Hur tid hanteras • Statisk/dynamisk • Efterfrågan • Fast/elastisk Trafikmodeller Samhällsekonomi Efterfrågan+nätutläggning Sampers (Emme) Lutrans (Emme) Visum Sims (Emme) Nätutläggning Emme Dynameq Contram Vissim Transmodeler Mezzo Visum Samkalk Eva Sams GC-kalk Sampers – Nationella modellen för persontransporter • Statisk makro-modell med elastisk efterfrågan • Fem regionala modeller med tillsammans drygt 9000 områden • Nationell modell med 700 områden Sampers – Regionala modeller Fem regioner: 1. 2. 3. 4. 5. Samm Väst Syd Syd-öst Palt Fem färdmedel: 1. 2. 3. 4. 5. Bil som förare Bil som passagerare Kollektivtrafik Gång Cykel Sex ärenden: 1. 2. 3. 4. 5. 6. Arbete Tjänste Skola Besök Fritid Övrigt Palt Samm Väst Syd Syd-öst Sampers – Modellerade resbeteenden • Resgenerering – Val av resa / inte resa • Färdmedelsval – Val mellan bil_f, bil_pass, koll, gång eller cykel • Destinationsval – Val av målområde • Ruttval - Val av resväg (Emme) Sampers – Modellegenskaper • Bostadsbaserade tur-och-retur-resor (förutom arbetsplatsbaserade tjänsteresor) • Tillgångsvariabler – modeller för bilinnehav, körkort • Fasta matriser för gods- och yrkestrafik • Dygn, morgon- och eftermiddagsrusning • Inget val av tidpunkt, inga reskedjor, inga kombinerade färdmedel Sampers – Resultat • Antal resor mellan olika områden per ärende och färdmedel • Länkflöden – antal fordon/passagerare per väglänk/kollektivtrafiksträcka • Restider mellan områden • Överflyttning mellan trafikslag Trafikmodeller ger indata till samhällsekonomiska kalkyler Sampers – Körtider • Dagens Sampers tar ett knappt dygn att köra Samm – längre för Väst Noggrant välja ut vilka scenarier som ska köras Sampers - Styrkor • Avancerad efterfråge-modell med många socio-ekonomiska attribut • Nygenererad trafik • Trafikslagsövergripande • Bred geografisk täckning • Samlat i ett modellsystem Sampers – Svagheter • Bilträngsel i storstäder • Ingen tidsdimension och därmed inget val av tidpunkt för resa • Reskedjor modelleras inte • Kollektivtrafik som ett färdmedel (skiljer inte på buss/spårburen trafik) • Ingen trängsel ombord på kollektivtrafiken • Ingen kombination av färdmedel under resa utöver gång-koll • Nätkodningen är grov på många håll • Gång- och cykelnäten är inte inkodade (använder bilnätet för avståndsberäkning) Exempel – Sampers fungerar bra Design av trängselskatt i Stockholm och Göteborg • Placering och nivåsättning av trängselskatt • Svårt att designa trängselskatt • Många överlappande effekter svårt även för experter att förutsäga effekter trafikmodell behövs Flödesändring på omväg i Gbg Björlandavägen Mätning Modell -1% -2% Exempel – Sampers fungerar bra Flödesminskning över tullring i Göteborg Morgonrusning Eftermiddagsrusning Icke-rusningstid Dygn Mätningar -12% Modell -11% -12% -10% -10% -11% -7% -9% West, J., M. Börjesson, and L. Engelson. 2015. “Forecasting Effects of Congestion Charges.” CTS Working Paper. Sampers fungerar tillräckligt bra som designverktyg för placering och nivåsättning av trängselavgifter Exempel – Sampers fungerar inte så bra Restidsvinster under morgonrusningen p.g.a. trängselskatt i Stockholm (Trängselsituation!) 10% Restidsförändring 0% -10% -20% -30% -40% -50% -60% -70% Uppmätt Makromodell Sampers – utveckling pågår • Fler ärenden – 12st • Skattad på nyare data • Nya körkorts- och bilinnehavsmodeller • • • • Ny resgenerering Helt ny implementering av koden i C# Snabbare körningar Lättare att förvalta och utveckla 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. Arbete Tjänste Grundskola Gymnasium Vuxenutbildning Besök Fritid Dagligvaruinköp Sällaninköp Skjutsa Service/Barntillsyn/Vård Övrigt Kan man lita på trafikprognoser? Ja förutsatt: • Rätt prognosförutsättningar (ekonomisk utveckling, turtätheter, biljettpriser m.m.) • Rätt trafiknätskodning • Prognosmodellen är gjord för att hantera den aktuella åtgärden Trafikprognoser – Mer läsning för den intresserade • • Algers, S., L.-G. Mattsson, C. Rydergren, and B. Östlund. 2009. “Sampers: Erfarenheter Och Utvecklingsmöjligheter På Kort Och Lång Sikt.” http://webstaff.itn.liu.se/~clryd/Sampersutveckling2009.pdf WSP Analys och Strategi. 2007. “Trafikprognoser - En Introduktion För Den Nyfikne.” https://www.wspgroup.com/Documentsn/pdf/pdfrapporter/10098015%20Trafikprognoser%20f%C3%83%C2%B6r%20den%2 0nyfikne.pdf
© Copyright 2024