Kurs om trafikprognoser
[email protected]
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