Innholdx
heading-frise

Bruk av modellverktøy til transportanalyse

Transportanalyse er en sentral del av strategisk planlegging for å vurdere konsekvenser av endret transportsystem, policy for sektoren eller utvikling i sentrale drivere for transportomfang. Ved å bruke en transportmodell kan virkninger av enkeltstående tiltak eller samlede effekter av flere tiltak tallfestes på en systematisk og etterprøvbar måte.

Det finnes en rekke transportmodeller som kan være til hjelp i analyser. Verktøyene har sine styrker og svakheter, og et «universelt» modellverktøy som «svarer på alt» finnes ikke. Selv om modellene gir tilsynelatende presise svar på desimalnivå, må man ikke glemme at de først og fremst er hjelpemidler til å systematisere og tolke komplekse sammenhenger. Modellene har sin styrke i å belyse de relative endringene ved sammenligning av tiltak- og referansescenarier

Eksempel på beregnet trafikkstrømmer med regional transportmodell RTM.

1 Problem og formål

Tallfeste en mulig utvikling

Transportanalyse inngår som en sentral del av strategisk planlegging for å vurdere transportmessige konsekvenser av endret transportsystem, endret policy for transportsektoren eller endret utvikling i sentrale drivere for transportomfang (f.eks. befolkningsutvikling, arealbruk, inntektsutvikling og bilhold). For å tallfeste en mulig utvikling av transportomfanget, kan disse komplekse sammenhengene beskrives matematisk gjennom en transportmodell. Ved å bruke en transportmodell kan virkninger av enkeltstående tiltak eller samlede effekter av flere tiltak tallfestes på en systematisk og etterprøvbar måte.

Ulike typer transportmodeller

Det finnes et spekter av ulike typer transportmodeller som kan være til hjelp i analyser. De ulike typene er tuftet på ulike metodiske tilnærminger og tjener til ulike formål. Kunnskap om transportmodellers virkemåte og deres muligheter og begrensninger er derfor nyttig for å vurdere hvilke typer modellverktøy som er relevant for å belyse ulike problemstillinger. Dessuten kan mer kunnskap om transportmodeller bidra til en mer realistisk forventning til hva en modellanalyse faktisk kan svare på. I dette tiltaket presenteres de mest brukte transportmodellverktøyene i norsk sammenheng og deres bruksområder.

Avmystifisere ved å forenkle

De mest omfattende modellsystemer er komplekse beregningsmodeller som kan virke nokså utilgjengelige for andre enn spesialister. En kartlegging av bruk av transportmodeller i forbindelse med byutredninger for de åtte største byområdene i 2017, avdekket en del skepsis og myter rundt bruk av transportmodeller blant planleggere og bestillere av transportutredninger (Hagen m.fl. 2018). Som et forsøk på å avmystifisere transportmodellene har vi valgt en forholdsvis enkel form på foreliggende gjennomgang, som er rettet mot fagfolk og andre lesere som ikke har inngående kjennskap til transportmodeller fra før.

Trafikkberegninger

Gjennomgangen er avgrenset til selve trafikkberegningen og til de viktigste forskjellene mellom ulike modelltyper. Den berører i liten grad tilstøtende analyser som samfunnsøkonomisk analyse og nytte-/kostnadsanalyse, selv om valg av analyseverktøy og metodikk i blant kan være motivert ut i fra behovene til slike analyser. For ytterligere detaljer anbefales en aktiv bruk av referanselisten.

Et hjelpemiddel – ikke eksakte svar

Selv om transportmodellene gir tilsynelatende presise svar på desimalnivå, må man ikke glemme at modellverktøyene først og fremst er hjelpemidler til å systematisere og tolke komplekse sammenhenger. De erstatter dermed ikke den kvalitative vurderingen. Transportmodellene har sin styrke i å belyse de relative endringene ved sammenligning av tiltak- og referansescenarier. mens usikkerheten knyttet til de absolutte tallene er større og er heftet av en rekke usikkerheter knyttet til inngangsdata, forutsetninger om detaljeringsnivå, modellformuleringer og andre sentrale forutsetninger i modellen. Usikkerheten kan tallfestes ved å gjøre følsomhetsberegninger for sentrale forutsetninger, for eksempel om endret inntekts- og befolkningsutvikling. Det vil si at en kan sette resultatberegninger av ulike forutsetninger opp mot hverandre og på den måten tallfeste usikkerheten.

En modell kan ikke svare på alt

Når man skal ta stilling til hvordan en modellanalyse skal gjennomføres er det en rekke forhold som må vurderes. De ulike verktøyene har sine styrker og svakheter, og et «universelt» modellverktøy som «svarer på alt» finnes ikke. Dersom problemstillingen er sammensatt er det ofte behov for å belyse effekter på ulike nivåer med ulike verktøy. I realiteten kan det i mange tilfeller være andre forhold som krav til framdrift, manglende data- og modellgrunnlag og tilgang til ressurser og kompetanse som setter begrensninger for hvilke analyser som kan gjøres og omfanget av disse.

Innholdet i tiltaket

Kapittel 2 og 3 gir en kort gjennomgang av teoretisk og metodisk grunnlag. De mest brukte transportmodeller i den norske modellverktøykasse i Norge presenteres i kapittel 4. I kapittel 5 beskrives modeller som kan supplere disse. Omtale av arealdataverktøy er beskrevet etter innspill fra KiT sekretariatet ved Rune Opheim. Kapittel 6 gir eksempler på bruk av transportmodeller i analyser for miljøvennlig transport. Kostnader drøftes kort i kapittel 7 og i kapittel 8 oppsummeres muligheter og begrensninger ved transportmodeller. Kapittel 9 er en fyldig referanseliste med linker til viktige rapporter.

 

2 Beskrivelse av tiltaket – teoretisk rammeverk

Transport i et moderne samfunn kan betraktes som et resultat av komplekse sammenhenger mellom etterspørsel (ønske om å reise) og tilbud (muligheten for å reise). Det vil si etterspørsel etter reiser i tid og rom på den ene siden og hvordan reisene kan foretas ut i fra tilgjengelige reisemåter på den andre siden.

Firetrinnsmetodikken

Den klassiske tilnærmingen til transportanalysen bygger på Firetrinnsmetodikken (engelsk: Four-stage transport model) der transportomfanget beregnes gjennom fire trinn (Vegdirektoratet 2018):

  1. Turproduksjon/turfrekvens (antall reiser)
  2. Turfordeling/destinasjonsvalg (hvor en velger å reise til)
  3. Reisemiddelvalg (bilfører, bilpassasjer, kollektivtransport, sykkel, gange)
  4. Rutefordeling (veg- og rutevalg)

Modelloppbyggingen etter disse fire trinnene har mer eller mindre bestått siden 1960-tallet, selv om det etter hvert er tatt i bruk mer avanserte statistiske metoder som i større grad tar hensyn til avhengigheter mellom trinnene (Ortuzar og Willumsen 2006). Et eksempel er at destinasjonsvalget, hvor en vil reise, kan være avhengig av hvilke reisemidler som er tilgjengelig. Dette skaper et behov for å modellere disse valgene simultant framfor å betrakte dem som sekvensielle, uavhengige valg.

Alle reiser har et startpunkt og et endepunkt. I en transportmodell forenkles dette til at alle reiser foregår mellom soner (gjerne grunnkretser). De tre første trinnene inngår i beregning av reiseetterspørselen, der reiser mellom sonene beregnes for de ulike transportmidlene. Alle reiser har også (som oftest) et formål, vi skal som regel noe når vi reiser. I en transportmodell skilles det derfor mellom reiser etter ulike reisehensikter. Dette er viktig fordi valgene og verdsetting av tidsbruk kan være forskjellig mellom for eksempel en arbeidsreise og en fritidsreise. På en arbeidsreise vil vi kanskje komme fort fram fordi vi skal rekke et møte eller en åpningstid, mens på en annen reise kan det være at vi foretrekker å ta det litt mer med ro fordi ankomsttiden kanskje ikke er så avgjørende. 

Data om sonene inngår som input til etterspørselsberegningen. Sonene beskrives ut fra kjennetegn som påvirker reiser fra eller til sonen. Det vil si forhold ved området eller befolkningen som påvirker transportomfanget og transportmiddelvalg. Dette er blant annet data om bosatte fordelt på kjønn og alder, husholdningstyper, biltilgang, omfang av førerkort, arbeidsplasser, annen arealbruk og inntektsnivå.

Resultatet fra de tre første trinnene gir en etterspørselsberegning. Den beskrives som OD-matriser (OD=OriginDestination) med antall reiser (trafikken) mellom sonene med de ulike transportmidlene. I det fjerde og siste trinnet fordeles reisematrisene i et transportnettverk gjennom rutevalgberegninger for henholdsvis bil, gang, sykkel og kollektivtransport.

Beskrivelsen av transporttilbudet

Også i den innledende fasen av modellberegningen, i etterspørselsberegningen, gjøres det en rutevalgberegning, for å fremskaffe en beskrivelse av transporttilbudet. Denne er forskjellig for ulike transportmidler:

  • For bil beregnes reisetid, reiseavstand og reisekostnad langs den mest attraktive ruten
  • For kollektivtilbudet beregnes gangtid, ventetid, ombordtid, antall påstigninger og eventuelt byttetid, i tillegg til billettkostnader. Når det gjelder gangtid til holdeplass er det utviklet nye beregningsmetoder som beregner gangtid til den holdeplassen med best tilbud, ikke bare den nærmeste holdeplassen.
  • Rutevalg for gang og sykkel har tradisjonelt vært basert på enkle forutsetninger om raskeste rute, men det er i ferd med å implementeres mer avanserte modeller som f.eks. tar hensyn til hvor det er tilrettelagt infrastruktur for syklistene

Disse tids- og kostnadskomponentene beregnes mellom alle par av soner og kalles for LoS data (Level Of Service data) og består i realiteten et sett av matriser (LoS matriser) som beskriver transportkvaliteten med ulike reisemåter mellom sonene. En meget skjematisk og forenklet framstilling av gangen i en typisk transportmodellberegning er vist i figur 1.

Figur 1: En forenklet framstilling av firetrinnsmetodikken i en klassisk strategisk transportmodell.

Prinsippet om likevekt

I rutefordeling for biltrafikk (vegvalget) blir bilreiser fordelt etter Wardrops brukerlikevekt (1952) der trafikken omfordeles mellom aktuelle ruter i nettverket gjennom gjentatte kjøringer (iterasjoner) til en oppnår en likevektssituasjon. Likevektssituasjonen oppnås når ingen reise kan gå raskere ved å skifte rute (Ortuzar og Willumsen 2006). Da er det tatt hensyn til egenskaper ved vegnettet som hastighet, antall felt, lengde og kryssløsninger. Beregning av trafikkvolum i vegsystemet og på hver enkelt lenke gjøres ved bruk av en rekke volum- og hastighetsfunksjoner som beskriver sammenhengene mellom hastighet, kapasitet og volum.

For kollektivtransport fordeles reiser etter ulike former for optimaliseringsstrategier der de ulike rutekombinasjoner vurderes ut ifra frekvens, reisetid og antall bytter. Reisene blir på denne måten fordelt på attraktive rutekombinasjoner etter valgsannsynlighet for de enkelte rutealternativene (Spiess og Florian 1989). I strategiske transportmodeller har man normalt ikke tatt hensyn til kapasitet på kollektivkjøretøyene ved fordelingen i nettverket, men de fleste programpakker for transportmodeller har funksjonaliteter for det.

Tradisjonelt har bruk av de klassiske strategiske transportmodellene gjerne hatt som mål å oppnå likevekt mellom reiseetterspørsel og trafikkavvikling på veinettet. Etter første runde med modellberegning vil de nettutlagte trafikkstrømmene på veinettet generere oppdaterte reisetider mellom sonene. Dette gir opphav til oppdatert informasjon om transporttilbudet som da må følges opp av en ny runde med etterspørselsberegning, slik den grønne pilen i figur 1 illustrerer. Gjentatte beregninger (iterasjoner) mellom etterspørselsberegning og nettfordeling foregår fram til et konvergenskriterium er oppfylt eller et bestemt antall iterasjoner er fullført. I mer komplekse transportmodellsystem, som for eksempel det norske regionale transportmodellsystemet (RTM), inngår i realiteten en rekke delmodeller innenfor hvert trinn og mellom trinnene. Disse blir beskrevet lenger ned.

3 Datakilder til transportmodeller

En transportmodell er på sett og vis en forenklet matematisk beskrivelse av de virkelige sammenhengene ved reisevalg. For å kunne forklare disse sammenhengene er man avhengig av kunnskap om hvordan reiser foretas og faktorer som påvirker trafikantenes valg:

Må ha data om det som påvirker befolkningens reisevaner

Data fra reisevaneundersøkelser utgjør den viktigste kilden til kunnskap om reiseetterspørsel. Disse dataene, sammen med informasjon om en rekke sosioøkonomiske kjennetegn ved respondentene, gir kunnskap om trafikantenes preferanser og forhold som påvirker deres valg knyttet til reiser. Gjennom en estimeringsprosess tester man statistisk ulike modellstrukturer, formuleringer og forklaringsvariabler for å finne hva som best kan forklare de observerte reisevalg.

For å beregne reiseetterspørsel for et helt område er det behov for å vite noe om den demografiske fordelingen, antall og type arbeidsplasser, inntektsnivå og arealbruk. Disse dataene kan fremskaffes helt ned på grunnkretsnivå hos Statistisk sentralbyrå og Statens kartverk

Data om transporttilbudet

Transporttilbudet for området beskrives ved at det kodes inn i programvarepakker som er rettet mot transportmodellering. Eksempler på slike kommersielle modellverktøy er CUBE (www.citilabs.com), EMME (www.inro.ca) og VISUM (https://www.ptvgroup.com/en-us/).

  • Veinettet for biltrafikk blir forenklet beskrevet med noder (kryss) og lenker med egenskaper som hastighet, lengde, feltbruk og kapasitet, samt bompenge- og fergekostnad
  • Kollektivtilbudet beskrives på linjenivå med rutetrasé, holdeplasser, frekvens, rutetid, billettkostnad, og tilbringerlenker som ivaretar gangturen til, fra og mellom holdeplasser. Bussene benytter seg av veinettet, i tillegg må egne nettverk for tog, trikk, bane, båt og fly kodes inn.
  • Dersom sykkeltrafikken modelleres separat kan det være aktuelt å kode egne nettverk med egenskaper rettet mot sykkeltrafikk (Flügel mfl. 2017).
  • Transporttilbudet for gående følger i stor grad bilnettverket med unntak av motorveier og tunneler der gående ikke har adgang.

Transporttilbudet for syklende og gående har tradisjonelt vært dårlig representert i modellene. Det har imidlertid vært en del utvikling i dette de siste årene. Særlig for sykkel har det vært en forbedring. For gående er det imidlertid fremdeles en rekke svakheter med unntak av gåing til holdeplass som blir forbedret i siste versjon av regional transportmodell (RTM).

Datasettene for transporttilbudet blir normalt etablert ut fra datakilder som er mer eller mindre tilrettelagt for automatisk generering: Norsk vegdatabank (NVDB) er hovedkilden for veinettet i de norske transportmodellene. Nettverk generert fra OpenStreetMap (OSM) er en alternativ datakilde til veilenker som ikke er fullt dekket av NVDB (for eksempel enkelte gang- og sykkelveier, gangstier, snarveier etc.). Rutetilbudet for kollektivtransport har hittil i stor grad vært håndtert manuelt av modelloperatører, men i 2017 ble Nasjonal rutedatabank etablert. Det er en samlet database for all rutegående transport i Norge og vedlikeholdes av EnTur AS (www.entur.org). Denne nasjonale databasen for rutedata åpnet muligheten for å automatisere generering av kollektivrutebeskrivelser til transportmodeller (Kwong og Ævarsson 2018).

Data som kan kvalitetssikre resultatene fra transportmodellene

Reisevanedata, trafikktellinger, reisetidsmålinger, billettstatistikk og ombordtellinger på kollektivtransport er aktuelle datakilder som kan brukes til å verifisere resultatene fra transportmodeller og til å tilpasse modellene for å oppnå bedre treff mot dagens situasjon. Med basis i en kalibrert transportmodell kan vi beregne en mulig endring av transportomfanget ved endringer i gitte forutsetninger. Man kan for eksempel ønske å analysere effekten av endringer i transporttilbudet, endret arealbruk eller andre endringer som påvirker kostnadene forbundet med transport.

4 Eksempler – den nasjonale og regionale «modellverktøykassa»

4.1 Noen kjennetegn ved transportmodelltypene

De ulike transportmodelltypene kan klassifiseres på forskjellig vis avhengig av egenskaper og virkemåte. Tørset mfl (2012) plasserer transportmodelltypene som brukes i Norge på tre modellnivåer avhengig av detaljeringsnivå og planleggingshorisont, se figur 2. Grad av detaljeringsnivå går blant annet på inndata, resultat og tidsoppløsning.

Figur 2: Transportmodelltyper sortert ut i fra detaljeringsgrad i modellen og tidshorisont. Kilde: Tørset mfl. (2012).

Modellering av trafikken på vegnettet

Kø og trengsel på vegnettet er en utfordring for transportmodellene. I Flügel mfl. (2014) er transportmodellenes egenskaper knyttet til beregning av realistiske reisetider i et købelastet veinett og deres evne til å modellere nettverkseffekter og kødynamikk grundig diskutert. De ser også på hvordan reiseetterspørsel blir håndtert.

Trafikken på vegnettet modelleres i trafikkmodeller. I taktiske(meso) trafikkmodeller tar rutevalgberegningen hensyn til tidsmessige avhengigheter mellom lenkene og trafikkreguleringens virkning på trafikkflyten i et større veinett. I de operasjonelle (mikro) trafikkmodellene simuleres hvert enkelt kjøretøy, interaksjonen mellom disse og interaksjonen mellom kjøretøy og infrastruktur. Rutevalgene i trafikksimuleringsmodellene er beregnet ut fra sannsynlighet (stokastisk) for å fange opp variasjonene i trafikantenes adferd. Det betyr at rutevalget i to like simuleringer ikke nødvendigvis blir identisk. For å få et representativt bilde av avviklingsforholdene er det anbefalt å utføre et minimum antall simuleringer. I taktiske trafikkmodeller modellerer bare biltrafikken på vegnettet, ikke forholdet mellom ulike transportmidler.

Etterspørselen beregnes i strategiske modeller

En annen viktig forskjell mellom modelltypene ligger i håndtering av etterspørselen. I strategiske transportmodeller blir etterspørselen etter bilreiser beregnet, mens etterspørselen i taktiske og operasjonelle trafikkmodeller vanligvis er gitt (eksogen) i modellberegningen. Trafikkavviklingsmodellene modellerer ikke reisemiddelvalget, men simulerer kun rutevalgeffekter og da primært for biltrafikk. Kollektivkjøretøyene i trafikkavviklingsmodellene opptar veikapasitet og interaksjon mellom kollektivkjøretøy og øvrig trafikk modelleres slik at kollektivkjøretøyenes effekt på avviklingsforholdet blir fanget opp. Det vil si om de bidrar til kø eller ikke. Ved analyse av en fremtidssituasjon med taktiske eller operasjonelle modeller kan etterspørselen først beregnes i en strategisk transportmodell før reisematrisene tilpasses for beregning i mer detaljerte trafikkmodeller. 

Må velge modell ut fra problemstilling

Man må velge verktøy ut fra problemstilling og ønsket detaljeringsnivå i analysen. Ofte trengs flere verktøy for å belyse en problemstilling på flere nivåer. Se tabell 1 for de viktigste forskjellene mellom strategiske transportmodeller og trafikkavviklingsmodeller (meso og mikro).

Tabell 1: Kjennetegn og formål ved ulike modelltyper.

Kjennetegn og formål ved ulike modelltyper

Strategisk

Taktisk (meso)

Operasjonell (mikro)

Typiske transportmodeller i Norge

NTP-modellene: NTM6 og RTM (Tramodby koblet til CUBE)
(Oslo har RTM23+ i EMME)

Aimsun, (CONTRAM)

Mikrodelen av Aimsun, SIDRA og VISSIM

Sentral problemsstilling, fokus

Likevekt tilbud – etterspørsel, Overordnede transportstrømmer

Simulerer avviklings-forholdet for biltrafikk i et avgrenset nettverk
Samspill mellom bil- og kollektiv

Simulering av enkeltkjøretøyenes bevegelse og deres interaksjon med hverandre og infrastruktur Detaljert vurdering av kryssutforming og trafikkregulering.

Tidsperspektiv

Langsiktig

Mellomsikt

Kortsiktig

Soneoppløsning

Aggregater av grunnkretser i NTM6. Grunnkretser i RTM

Grunnkretser, men ofte må grunnkretser deles i flere delsoner i analyseområdet for å få tilstrekkelig detaljering.

Sentrale inputdata for etterspørsel

Demografidata, arbeidsplassdata, elev- studieplasser, arealbruk, bom- og parkeringskostnader, inntektsutvikling, transporttilbud og billettkostnader

Trafikkmatriser for tidsperiode ned mot 15 minutter for bil, gods og kollektivkjøretøy.

Reiseetterspørsel

Beregner etterspørselsmatriser for bil, kollektiv, gang og sykkel.

Faste trafikkmatriser. Forutsettes input fra strategiske modeller eller estimerte trafikkmatriser basert på trafikktellinger.

Tidsoppløsning

RTM: Reiser per døgn. Delområdemodeller i RTM: Reiser per time

Reiser på 5-15 minutters nivå

Detaljering av veinettet

 

Homogen veistrekning representeres med en lenke. Kryss representeres med enkel node med tillatte svingebevegelser og evt. tidstillegg for forsinkelse

Hvert kjørefelt representeres med en lenke. Detaljert representasjon av svingefelt, feltbredde, geometri og evt signalplan

Styrker

Kan beregne etterspørselseffekter og overføring mellom transportformer

Kan beregne kødannelse og tilbakeblokkeringer ved å simulere interaksjon mellom kjøretøyene.

Svakheter

Forenklet sammenheng mellom volum og hastighet. Tar ikke tilstrekkelig hensyn til nettverkseffekter i køsituasjoner og kødannelser. Mest egnet å vurdere langsiktige tilpasninger

Etterspørselen er uelastisk. Modellerer primært biltrafikk. Ingen overføring mellom transportformer.

4.2     Det regionale transportmodellsystemet RTM

Det regionale persontransportmodellsystemet RTM er det mest utbredte modellverktøyet for strategiske transportanalyser i Norge. RTM dekker daglige personreiser opptil 70 km en vei. Omtalen av RTM gir også et utgangspunkt for å belyse egenskaper ved de øvrige modellverktøyene.

Siden første versjon av RTM ble tatt i bruk rundt 2004 har modellsystemet blitt brukt i svært mange utredninger, og det finnes derfor mye dokumenterte brukserfaringer. Teknisk dokumentasjon av RTM blir oppdatert i takt med løpende modellutvikling (Malmin, Arnesen mfl. 2018). En større oppgradering av RTM ble lansert i 2018 som RTM versjon 4. De viktigste egenskapene ved modellen vil bli videreført i versjon 4. Den videre beskrivelsen av RTM er basert på RTM versjon 3, se Knapskog m. fl (2018).  

Et tverretatlig samarbeid om regionale- og byområdemodeller

RTM er utviklet av tverretatlig arbeidsgruppe for transportanalyser (NTP-Transportanalyse) for beregning av transportprognoser og effekter av endrete forutsetninger, som transporttilbud, arealbruk, inntektsutvikling og kostnader knyttet til transport. Fem regionale modeller, tilsvarende Statens vegvesens regioninndeling, dekker til sammen hele landet. Et felles modellrammeverk er utviklet for alle regionene, men de ulike regionale modellene er kalibrert mot lokale data for å gjengi det overordnete transportmønsteret for regionen. I tillegg finnes det en rekke byområdemodeller som er uttrekk fra de store regionale modellene. Disse er ofte tilpasset og kalibrert for et mindre modellområde og for beregning av timestrafikk, mens de regionale modellene er kalibrert for å beregne yrkesdøgntrafikk.

Sammensatt av mange delmodeller

I RTM er etterspørselsmodellen Tramod-by implementert i transportmodellverktøyet CUBE, mens delområdemodellen for Osloregionen (RTM23+) er implementert i EMME, med noe annerledes oppbygging. Mens RTM/CUBE modellene forvaltes av NTP/Statens vegvesen Informasjon fra NTPs arbeidsgruppe for Samfunnsøkonomi og Transportanalyser: (https://www.ntp.dep.no/Transportanalyser, forvaltes RTM23+ av Osloregionens samarbeidsorgan PROSAM (Informasjon om PROSAM: www.prosam.org)

Den første versjonen av RTM-systemets oppbygging er grundig beskrevet i Madslien mfl. (2005) i forbindelse med estimering av den første versjonen av RTM. Etterspørselsberegningen i RTM består i realiteten av beregninger med en rekke delmodeller. En større oppdatering av etterspørselsdelen Tramod-by av RTM i 2012/2013 er dokumentert i Rekdal mfl. (2013).

Beregningsgangen i RTM

Hovedmekanismene i RTM kan forenklet framstilles som vist i De grønne boksene i figur 3, hvor inndata sorteres i grønne bokser i figuren, mens beregninger som foregår med nettverksmodellen er markert med oransje. Beregninger som gjøres i etterspørselsmodellen Tramod-by er markert med blått. Med utgangspunkt i befolkningsdata fordelt etter kjønn og alder modelleres biltilgang og førerkortandel per husholdningstype for hver sone med en egen førmodell (Bilhold- og førerkortmodell). Resultatene fra etterspørselsberegningen og nettverksmodellen er markert med røde rammer. Pilen som peker fra resultatene fra nettverksmodellen tilbake til LoS (Level Of Service)- data indikerer at resultatet av en rutevalgberegning kan føre til endret tidsbruk og rutevalg.

Figur 3: Beregningsgangen i RTM. Kilde: Knapskog, Hagen, m.fl. (2018)

De grønne boksene i figur 3 viser inngangsdata som må tilrettelegges i forkant av en RTM-beregning (reisevanedata fra RVU er ikke brukt direkte som inndata men ligger til grunn for hvordan modellen fungerer og for mange av modellens atferdssammenhenger). En beregning med RTM starter med å produsere matriser som beskriver kvaliteten i transporttilbudet for bil, kollektiv, gange og sykkel gjennom beregning av LoS matriser. Det gjøres ved hjelp av rutevalgberegninger i en nettverksmodell. Disse LoS-matrisene er input til etterspørselsberegningen i RTM sammen med sonespesifikke og sosioøkonomiske inndata på grunnkretsnivå.

Forskjellige modeller for ulike reisehensikter

Etterspørselsmodellen Tramod-by består i realiteten av en rekke delmodeller som tar seg av beregning av turfrekvens, biltilgang og førerkortandel i befolkningen. Den totale reiseetterspørselen dekkes av fem reisehensiktsmodeller (arbeidsreiser, tjenestereiser, hente- og leverereiser, private reiser og fritidsreiser). I hver av reisehensiktsmodellene beregnes det fordeling av turer til destinasjoner og reisemiddelfordeling. Fra RVU-dataene finner vi at folks reiser ofte inngår i en reisekjede, der blant annet valg av reisemiddel er avhengig av hva som er blitt valgt i foregående reise. Dette tar etterspørselsmodellen Tramod-by hensyn til ved å modellere reisekjeder med opptil tre reiser.

Turmatiser pr reise og per transportmiddel

Resultatene fra en beregning med Tramod-by er én turmatrise per reise og per transportmiddel, med beregnet antall reiser mellom alle sonepar i modellområdet. Etterspørselen mellom sonene fordeles videre i transportnettverket ved hjelp av rutevalgberegninger med en nettverksmodell. Med utgangspunkt i en felles kollektivmatrise blir valg av kollektiv transportform bestemt i beregningen av (nettutleggingen for kollektivtransport).

Matrisen med bilturer fordeles på de ulike veglenkene i vegnettet gjennom en rutevalgberegning for bilturer. Tidsbruken for turene vil avhenge av mengden trafikk på de ulike veglenkene. Endringer i etterspørselen kan gi nye reisetider (endrete LoS-data) som igjen danner grunnlag for en ny runde med etterspørselsberegning med påfølgende nye turmatriser. Denne iterative prosessen gjentas til man kommer fram til et nivå på biltrafikken som ikke gir andre reisetider enn i forrige iterasjon. Forenklet sagt betyr det at bilistene ikke vil kunne redusere sine generaliserte reisekostnader ved å endre veivalg. Da har vi en situasjon hvor etterspørselen og tilbudet er i likevekt. Tradisjonelt søkes det en likevektssituasjon i modellen ut i fra trafikkavvikling på veinettet. Tilsvarende krav til likevekt kan settes for kollektivtransport også, dersom man tar hensyn til kapasitetsproblemer i kollektivtilbudet. Etterspørselseffekter av trengsel om bord er per dags dato ikke implementert i RTM systemet, men det vil bli tatt hensyn til i RTM versjon 4.

Forbedringer i RTM versjon 4

Andre forbedringer av RTM versjon 4 er blant annet at modellering av turkjedene også tar hensyn til at rundturer kan starte fra arbeidsplassen. Modellering av sykkeltrafikk er forbedret med innføring av estimerte sykkelhastigheter avhengig av blant annet sykkelinfrastruktur, topografi og kjønn, men foreløpig ikke på ulike typer syklister (Flügel mfl. 2017).

4.3     Den nasjonale persontransportmodellen NTM6 – lange reiser

De lange personreisene over 70 km hver vei beregnes med den nasjonale persontransportmodellen NTM6 (Rekdal mfl. 2018). I denne modellen beregnes innenlands reiser mellom ca 1600 soner for transportmåtene fly, tog, båt/ferge og buss, i tillegg til bilfører og bilpassasjer. Etterspørselsmodellen for reiser over 70 km er estimert ut fra reisevanedata for lange reiser etter samme estimeringsteknikk som er presentert i kapittel 2. Reisematriser for de lange reisene, beregnet med NTM6, inngår som faste matriser i RTM-systemet slik at nettfordelingen i RTM skal fange opp den totale personbiltrafikken. NTM6 forvaltes av arbeidsgruppen NTP Transportanalyser og modellen er implementert i transportmodellverktøyet CUBE (Steinsland og Madslien 2009).

4.4     Den nasjonale godsmodellen

Transportetatene og Avinor har også utviklet en nasjonal modell for all godstransport i Norge og til og fra Norge. Modellsystemet består av et sett basismatriser, kostnadsfunksjoner og en detaljert logistikkmodell for valg av transportløsning. Basismatrisene og kostnadsfunksjonene er input til logistikkmodellen, som er en selvstendig, kjørbar applikasjon utviklet av det nederlandske firmaet Significance. Modellen kjøres normalt gjennom et brukergrensesnitt utviklet i CUBE.

Skiller mellom varegrupper

Logistikkmodellen beregner transportløsning for 39 aggregerte varegrupper. For hver varegruppe er det etablert en basismatrise som angir hvor mye gods som skal transporteres mellom alle soner i modellen. Dette vil si at den totale mengden gods i modellen er konstant for et gitt sett av basismatriser. Basismatrisene er etablert på grunnlag av et sammensatt statistikkgrunnlag med SSBs Varetransportundersøkelse (VTU) som viktigste datakilde. Matrisene kan framskrives til ulike prognoseår ved bruk av likevektsmodellen PINGO.

Transportkostnader som input

Øvrige sentrale inndata til logistikkmodellen er filer med informasjon om transportkostnader, terminalkostnader og godsets verdi. Ved hjelp av en nettverksmodell implementert i CUBE Voyager genereres matriser med transporttid og distanse mellom modellens ulike soner. Slike matriser etableres for alle transportmidler og et stort antall kjøretøytyper innenfor hvert transportmiddel. Disse matrisene multipliseres med enhetskostnader for transporttid og distanse, og sammen med informasjon om ulike former for terminalkostnader får man fram transportkostnadene ved alle transportløsninger (dvs kombinasjoner av kjøretøytyper) mellom to gitte soner (Madslien mfl. 2015).

Tunge kjøretøy inn i RTM

I RTM-modellene er det behov for å synliggjøre den totale trafikkbelastning på veinettet. Det er derfor vanlig å inkludere en fast matrise som representerer de tunge kjøretøyene i RTM-systemet. Denne matrisen med godskjøretøy har tradisjonelt ikke vært basert på en beregning med nasjonal godsmodell, men det er delvis tilrettelagt rutiner for å produsere en godsmatrise til RTM basert på en modellberegning i godsmodellen. Matrisene fra godsmodellen er imidlertid foreløpig ikke verifisert mot trafikktellinger og implementert i RTM-systemet.

5 Supplerende modellverktøy og metoder

RTM-systemet og trafikkmodeller omtalt i kapittel 3.1 er komplekse beregningsmodeller hvor det ofte kreves et stort omfang av detaljerte inndata samtidig som det er en høy brukerterskel. Det har derfor også blitt utviklet andre modellverktøy hvor beregninger kan gjøres på en enklere og raskere måte. Til tross for at RTM-modellene forsøker å fange opp en rekke forhold knyttet til transportvalg, kommer den til kort for noen problemstillinger, for eksempel effekter av kvalitative forhold knyttet til kollektivtransport. Alternative modellverktøy og metoder har blitt utviklet som et supplement til analyser med RTM-modellene.  Dette kapittelet presenterer et utvalg av supplerende og alternative modellverktøy og de viktigste kjennetegn ved disse.

5.1  Transportmodellen for tog – Trenklin

Ved modellering av kollektivtransport mangler RTM noen viktige elementer, for eksempel effekter av trengsel, forsinkelse om bord og betydningen av komfort. Trenklin, utviklet av Jernbanedirektoratet, er et modellverktøy som tar hensyn til togtrafikantenes tilpasning til en ruteplan og til trengselen på de enkelte avganger på en mer detaljert måte enn det som er mulig med RTM (Ranheim 2017). I motsetning til i RTM, hvor etterspørselen blir beregnet ved hjelp av inndataene, må referansetrafikken (antall togreiser mellom togstasjonene) legges inn som input til Trenklin. NSBs billettstatistikk utgjør en sentral datakilde for referansetrafikken. Trafikkveksten i modellen er gitt av forutsatt befolkningsvekst, og etterspørselseffekter beregnes ved hjelp av en rekke elastisiteter (respons på ulike kvaliteter ved tilbudet).

Trenklin modellerer kun etterspørselseffekter for togmarkedet og ikke overføring mot andre transportformer. I Trenklin beskrives tilbudet langt mer detaljert enn i RTM, med avgangstidspunkter, togmateriell pr avgang, samt passasjerkapasitet fordelt på stående og sittende. Dette gjør at modellverktøyet er egnet til å analysere effekter av detaljerte tilpasninger av ruteplaner. Tidsverdiene i Trenklin varierer med trengselsnivå om bord, og antall togreiser per togavgang er et resultat av trafikantenes tilpasninger ut i fra ønsket (estimert) ankomsttidspunkt, trengselsnivå om bord, rutetilbudet og ventetid gitt av rutetilbudet.

En gjennomgang av Trenklin gjennomført av Flügel mfl. (2016) konkluderer med at Trenklin er godt egnet til detaljert ruteplanlegging for tog og til å se på effekter av ruteplaner der reisemønsteret og rutestrukturen blir lite endret. Med god kontroll på referansetrafikken, kan Trenklin gi et godt utgangspunkt for å beregne trafikantnytten som følge av ruteendringene. På grunn av forutsetningen om uendret reisemønster er imidlertid ikke Trenklin egnet til å analysere store endringer i togtilbudet som for eksempel helt nytt togtilbud eller opprettelse/nedleggelse av togstasjoner.

5.2     RUTERs markedspotensialmodell MPM23

Osloregionens kollektivselskap RUTER har siden 2004/2005 gjennomført en årlig markedsundersøkelse blant reisende i Oslo og Akershus (MIS-undersøkelsen) med om lag 6000 intervjuer årlig (PROSAM 2013). Datasettene fra 2014-2016 har dannet grunnlag for en regnearkbasert modell for transportmiddelvalg kalt Markedspotensialmodell MPM23 (Flügel mfl. 2015, Flügel og Jordbakke 2017).

MPM23 ble etablert for å belyse hvilke forhold som påvirker transportmiddelvalget for reiser i Oslo og Akershus på bakgrunn av valgsannsynligheter på individnivå. Beskrivelse av transporttilbudet (LoS-data) for rush og utenom rush, beregnet med delområdemodellen for Osloregionen (RTM23+), er input i MPM23.

I motsetning til i RTM, hvor etterspørselsmodellene behandler kollektivreiser samlet, beregner MPM23 også markedsandeler fordelt på driftsarter. I MPM23 versjon 2 er tog, T-bane, trikk, buss, kombinasjoner med tog og kombinasjoner med buss/trikk/bane, samt park and ride (bil/tog) implementert som mulige valg i tillegg til bil (bilfører og bilpassasjer), gange og sykkel. Andre variabler som inngår i MPM23 er bilhold og førerkortinnehav, tilgang til gratis parkering, tilgang til innfartsparkering og tilfredshet med kollektivtilbudet. Fordeler med MPM23 er at den er regnearkbasert, har lav brukerterskel og beregner markedsandeler raskt. MPM23 er imidlertid avgrenset til å analysere markedsandeler i Oslo og Akershus og predikerer verken antall reiser, destinasjonsvalg eller rutevalg. Det gjør at MPM23 kun er egnet til å studere overordnete effekter av endringer der reisemønsteret ikke blir vesentlig påvirket.

5.3     Stratmod-modellen (UA-modellen)

STRATMOD er utviklet av Urbanet Analyse AS som et supplerende planverktøy til RTM-modellene for å utføre strategiske analyser av virkemiddelbruk rettet mot byområder. Ideen bak Stratmod er at etterspørselseffekter av kvalitative faktorer ved kollektivtransport ikke er tilstrekkelig ivaretatt av RTM. Trengsel om bord, forsinkelser og komfort er eksempler på slike faktorer. Basert på resultater fra RTM, beregner Stratmod tilleggseffekten på etterspørselen av endring i kvalitative forhold. Betydning av tilrettelegging av sykkelinfrastruktur, verdsetting av køtid og mulighet til å bruke lokale tidsverdier er forhold som er tilrettelagt i Stratmod. Det konseptuelle rammeverket for modellverktøyet er beskrevet i Nordheim mfl. (2017), og det utarbeides en egen brukerveileder for modellen. Som en del av utviklingen ble det også utført flere caseanalyser. (Dokumentasjon av utvikling av Stratmod og testcase er samlet under denne linken: https://urbanet.no/publikasjoner/strategisk-modell-for-baerekraftig-bytransport).

Stratmod tar utgangspunkt i resultater fra turmatriser og LoS-data beregnet med RTM, aggregert på storsonenivå. Basert på såkalte Stated Preference undersøkelser (SP-undersøkelser), priselastisiteter fra litteraturen, og detaljerte registreringer av forsinkelse og linjebelegg fra RUTER i Oslo er det utviklet en rekke vekter. Vektene brukes for å beregne andeler av de generaliserte reisekostnadene (GK) (gitt av LoS-data) som skal reflektere betydningen av de kvalitative faktorene. Alle inputdata og analyser med Stratmod holdes på storsonenivå (matriseform), normalt 40-50 storsoner per byområde.

Etterspørselseffekter av tiltak beregnes ved å endre på GK-elementer på storsonenivå direkte, i motsetning til RTM hvor endringer i transporttilbudet kodes i transportnettverket og endring i rutevalg beregnes på bakgrunn av det.

Beregning på storsonenivå gjør at Stratmod først og fremst er et verktøy for å belyse betydningen av ulike strategier på et meget overordnet nivå. I og med at Stratmod er et forholdsvis nytt verktøy, finnes det foreløpig lite brukserfaring og evaluering av metodikken. Det metodiske grunnlaget er ikke nærmere vurdert i denne verktøygjennomgangen.

5.4     Et arealdataverktøy (ADV)

Bosettingsmønsteret og fordeling av arbeidsplasser er en premissgivende input i transportmodellberegninger med RTM-systemet. Ved beregning av scenarier kan fremtidig arealbruksmønster være utslagsgivende for transportmønster og transportomfang. For å få et mest mulig presist bilde av fremtidig reisemønster i et byområde er det derfor viktig at arealinputen til transportmodellen gjenspeiler forventet fremtidig arealbruk. Det er kommunene, i kraft av sin rolle som planmyndighet, som har best kunnskap om fremtidig arealbruk og som kan styre arealutviklingen gjennom juridisk bindende arealplaner etter plan- og bygningsloven (PBL). Kommunene kan også regulere parkering etter PBL, og parkeringsforskriften. Koblingen mellom innholdet i kommunenes arealplaner og transportetatenes transportmodellverktøy har tradisjonelt vært svak (Hagen mfl. 2018).

Gjennom FoU-samarbeidet mellom KMD, KS, Jernbanedirektoratet, Miljødirektoratet og Statens vegvesen; «Karakteristika I Transportmodeller» (KIT) utvikles det et tilleggsverktøy til de regionale transportmodellene (RTM). Basert på SSB-data og gjeldende arealplaner skal dette arealdataverktøyet (ADV) gi estimater for fremtidig antall bosatte, ansatte og besøkende i hver grunnkrets. En forløper til ADV var INMAP, som ble utviklet av Rambøll (Uteng og Kittelsen 2015), og som var mest konsentrert om boligdata. I ADV fordeles forventet vekst på grunnkretser der arealplaner tillater aktuelle typer utbygging, og slik at kretsene med størst tilgjengelighet via transportsystemet (generaliserte reisekostnader beregnet med RTM) får en relativt større andel av veksten. Kommunene kan også legge inn data om pris for- og tilgang til parkering til bruk i RTM.

For å oversette utviklingspotensialet som ligger arealplanene, inneholder ADV en metode for å omsette informasjonen i arealplanene til bosatte, ansatte og besøk til ulike typer virksomheter/steder. Her benyttes blant annet arealformål, arealstørrelser og planbestemmelser om tetthet, utbyggingsrekkefølge mm som grunnlag. Resultater fra ADV er blant annet bosatt- og arbeidsplassdata på et format tilrettelagt for bruk i RTM.

INMAP ble prøvd ut i arbeidet med Byutredninger i 2017. Supplerende faglig grunnlag er fremskaffet gjennom FoU-prosjekter i regi av deltakerne i KIT-samarbeidet – se www.kit-samarbeidet.org/rapporter/. I tillegg har Asplan Viak, TØI, Rambøll mfl. i 2018-19 bidratt med ulike detaljutredninger, kartlegginger mm som nå til sammen utgjør et fullstendig grunnlag for første versjon av ADV. Pr. 2019 arbeides det med å få på plass nødvendige dataløsninger, der også pilotbyområder vil bli involvert i utprøvingen. Det tas sikte på at verktøyet skal være klart for ordinær bruk i løpet av 2020. For oppdatert informasjon, se www.kit-samarbeidet.org.

5.5     ATP-modellen

ATP-modellen (ATP modellen forvaltes gjennom et brukernettverk og verktøyet har en egen nettside med informasjon: http://www.atpmodell.no) er et GIS-basert planleggingsverktøy som kan brukes til å visualisere sammenheng mellom arealbruk og transport. ATP-modellen tar i bruk detaljerte data om antall bosatte og ansatte på koordinatnivå og transporttilbudet beskrives med nettverkinformasjon for gående, syklende, kollektiv og bil. I ATP-modellen finnes det tilrettelagte rutiner for å beregne transporttilgjengelighet med de ulike transportmidlene til og fra utvalgte målpunkter. Ved å koble på RVU-data kan metodikken brukes til å vurdere trafikkgrunnlaget (potensialet) ved ulike lokaliseringsalternativer. En egen modul rettet mot handelsanalyse er også utviklet.

Et viktig kjennetegn ved ATP-modellen er at den ikke beregner antall reiser som et resultat av estimerte reisevalg, men en vurdering av potensielt antall reiser gitt av befolkningsmønsteret og forutsetninger om reisevaner (fra RVU). ATP-modellen har en egen sykkelmodul hvor sykkeltid (hastighet) beregnes basert på topografi, mens reisetid for bil og kollektiv er basert på enkle forutsetninger om korteste vei og standard fart uten hensyn til kø og kapasitetsbegrensninger. ATP-modellen utnytter styrken i et GIS-verktøy der resultatene er kartbasert og godt visualisert. ATP-modellen kan gi et godt bilde av hvordan transporttilgjengelighet påvirkes av ulike lokaliseringer, for eksempel ulike lokaliseringsalternativer for et sykehus. I tillegg har ATP-modellen blitt brukt til å beregne potensielle trafikkstrømmer for syklende og gående, der analyser med detaljerte data er fordelaktig for å få fram de lokale forskjellene. Analyse av hovedsykkelveinett, vurdering av skolekrets og vurdering av holdeplasslokalisering (se figur 4) er eksempler på noen bruksområder.

Figur 4: Bruk av ATP-modell til vurdering av tilgjengelighet til holdeplasser langs en bussrute i Trondheim. Kilde: Innlegget «Om ATP-modellen, nyheter og ulike eksempler på praktisk bruk» fra Brukernettverksmøte ATP-modellen, 10. mars 2016. Tilgjengelig via http://www.atpmodell.no

5.6     Aktivitets/agentbaserte transportmodeller

Aktivitetsbaserte modeller er nyere modelltyper fundert på en helt annen teoretisk tilnærming enn øvrige modeller. Istedenfor å modellere reiser, er det «dagsplanen» for å gjennomføre planlagte aktiviteter for hvert individ (agent) som er det styrende for deres reisebehov. Reisevanedata danner grunnlag for å etablere slike dagsplaner for en populasjon, og individenes aktiviteter og reiser simuleres på et detaljert nivå gjennom en hel dag. Rutevalget i slike modeller inngår ofte som en integrert del av etterspørselsberegningen.

I følge Flügel m.fl (2014) kan slike modeller gi tilfredsstillende beregning av køsituasjoner, samtidig som etterspørselseffekter som følge av trafikkavviklingsforholdet blir ivaretatt. Ved å simulere enkeltpersoners reisebehov, tar slike modeller hensyn til at trafikantene tilpasser sin adferd ut i fra erfaring med trafikkforholdet fra dag til dag (fra en iterasjon til den neste i en beregning). En av tilpasningsmulighetene er valg av reisetidspunkt. Dette er forhold som så langt ikke er tilstrekkelig håndtert verken i strategiske eller mer detaljerte trafikkmodeller. Det er imidlertid et utviklingsarbeid i gang for å få til dette i RTM.

Det finnes foreløpig lite brukserfaringer og kompetanse om slike modeller i Norge, men pilotmodeller i MATSim er etablert for Oslo og Trondheim. Oslo-modellen for Oslo er testet ut for etterspørselseffekter av en planlagt sykkelekspressvei mellom Lillestrøm og Bryn (Flügel og Ævarsson 2018). Foreløpige erfaringer med MATSim er at den gir logiske tilpasninger, men at det trengs mer brukserfaring og tester for å lære mer om modellens responsevne knyttet til ulike tiltak. Kalibrering av slike modeller kan også være krevende.

6 Modellverktøy i analyser for miljøvennlig transport

Et viktig bruksområde for transportmodeller er virkningsberegninger rettet mot miljøvennlig transport og klimagassutslipp på ulike nivåer. Per dags dato er det norske transportsystemet NTM6 og RTM mest relevant dersom tiltakene påvirker antall reiser, reisemønster (målpunkt for reisene) og transportmiddelvalg. Delområdemodeller for RTM har blitt brukt i en rekke virkemiddelanalyser, både til analyse av enkeltstående tiltak og av sammensatte virkemiddelpakker.

Byutredningene

I 2017 ble det gjennomført Byutredninger (se Byvekstavtaler og bypakker), for åtte byområder, hvor RTM ble brukt til å synliggjøre hvordan nullvekstmålet kan nås i byområdene gjennom ulike kombinasjoner av tiltak (Vegdirektoratet 2018). Et spekter av tiltak ble modellberegnet og antall kjøretøykilometer innenfor et definert avtaleområde for hvert byområde ble sammenlignet med antall kjøretøykilometer for «dagens situasjon» i modellen. Eksempler på tiltak som ble modellberegnet er:

  • Arealbruksscenarier med ulike arealbruksstrategier (trendframskriving, konsentrert befolkningsvekst eller spredt utvikling).
  • Parkeringskostnader for arbeidsreiser og fritidsreiser
  • Andel av arbeidsreiser med tilgang til gratis parkering på arbeidsplassen
  • Kollektivtilbudet, endring av rutestruktur og frekvens
  • Sykkeltilbud, infrastrukturtype og nye lenker
  • Utbygging av nye veiløsninger
  • Trafikantbetaling som vegprising og bompenger
  • Virkemiddelpakker med kombinasjoner av tiltakene

Endringer på sone- eller lenkenivå

Endringer i arealbruk og parkeringsforhold spesifiseres på sonenivå (grunnkretser i RTM), mens endringer i transporttilbudet kodes på lenkenivå (bil, gang og sykkel) og linjenivå for kollektivtransport. Bompenger kan enten spesifiseres på lenkenivå eller på sonenivå (dersom bomringene er tette). Ved vegprising legger man på en distansebasert takst på alle lenker i veinettet som omfattes av vegprisingsordningen. RTM er lagt opp til å beregne timetrafikk for rush og utenom rush. Ved å legge inn egne rushtidstakster får man beregnet virkningen av tidsdifferensierte takster på en forenklet måte. I disse beregningene tar man ikke hensyn til endring av reisetidspunkt på grunn av tidsdifferensierte bomtakster eller trafikantbetaling.

Pedagogiske framstillinger er nødvendig

Med ulik «dosering» av enkelttiltakene og ulike kombinasjoner av tiltakene kan det fort bli mange scenarier. Fra en modellberegning med RTM genereres det store mengder data på et detaljert nivå. Å lage pedagogiske framstillinger av modellresultatene som er relevant for problemstillingen og beslutningsnivået er derfor en viktig oppgave.

I figur 5 vises et eksempel fra byutredningen for Nedre Glomma. Utkjørte kjøretøykilometer ved hvert enkelttiltak er her sammenstilt med nullvekstmålet for avtaleområdet. Størrelsesorden på effekten av tiltakene vist i figur 5 er gitt av analyseforutsetningene i det konkrete analysearbeidet i byutredning for Nedre Glomma og de stedlige forholdene som gjelder for Nedre Glomma. Se Statens vegvesen (2017) for nærmere omtale av utforming av tiltakene.

Figur 5: Effekt av enkelttiltakene på utkjørte kjøretøykilometer sammenlignet med nullvekstmålet for avtaleområdet i Nedre Glomma. Endring i prosent. Kilde: Byutredning Nedre Glomma. Hovedrapport. Statens vegvesen Region øst. Desember 2017.

Tiltak og tiltakspakker for redusert klimautslipp

Kombinert bruk av nasjonal- og regional transportmodell kan belyse klimaeffekter av ulike virkemidler på et mer overordnet nivå. Både i Tiltaksanalyser i forskningsprosjektet Transport og miljø (TEMPO), og en analyse av transportomfang og klimagassutslipp for NTP (Madslien og Kwong 2015) ble nasjonal og regionale transportmodeller brukt til å belyse effekter av enkelttiltak og tiltakspakker på et policy-nivå, også tiltak som er urealistiske. Formålet var å beregne en sannsynlig størrelsesorden og retning, uten å gå i detalj på hvordan tiltakene slår ut på et mer geografisk avgrenset område. Effekten på lange personreiser ble beregnet med nasjonal transportmodell NTM6 i Madslien og Kwong (2015).  Tiltakene som ble vurdert er vist i tabell 2.

Endringene er implementert på nasjonalt nivå i NTM6 og gjelder for hele landet. Tiltakenes virkning i prosent på transportarbeidet i analyseåret 2028 er vist i tabell 3. Sammenstillingen demonstrerer først og fremst styrkeforholdene mellom tiltakene og deres effekter på ulike transportformer.

Tabell 2: Tiltak og tiltakspakker som ble analysert med nasjonal transportmodell NTM6. Kilde: Madslien og Kwong (2015).

Alternativ  Beskrivelse 
1 Referanse 2014/2028  Referansealternativet 2014 og 2028 
2 Bom +50 %  Alle bomstasjoner får 50 % økning i bomsatsene 
3 Drivstoff +50 %  Drivstoffprisen• for privatbil økes med 50 % 
4 Drivstoff og bom +50 %  Både bomsatser og drivstoffpris økes 50 % 
5 Kilometerkost +50 %  Kilometerkostnadene• for privatbil øker 50 % 
6 Togbillett -50 %  Prisen på togbilletter halveres 
7 Bussbillett -50%  Pris på bussbilletter halveres 
8 Kombil  Kombinasjonsalternativ 1: 50 % økning av bomsatser, 50 %  lavere pris buss og tog, 25 % økt pris fly, 10 % redusert reisetid  tog. 
9 Kombi3  Kombinasjonsalternativ 3: Som Kombi 1, men også 50 % økt  drivstoffpris bil. utgiøz ca. 40 0/0 av kilometeskostnadene for privatbil 

 

Tabell 3: Endring i transportarbeid for lange personreiser i beregningsår 2028 sammenlignet med referanseår 2028 basert på tiltakene presentert i tabell 6. Kilde: Madslien og Kwong (2015).

 Endring fra Ref. 2028

 Bilfører

 Bilpass.

 Buss

 Tog

 Båt

 Fly

 SUM

Koll, eks.fly

Referanse 2028

37.5%

25.9%

15.5%

18.7%

6.9%

18.9%

26.6%

17.2%

Bom +50 %

-0.9%

-0.9%

0.8%

0.5%

1.2%

0.3%

-0.3%

0.6%

Drivstoff +50 %

-4.0%

-3.1%

3.3%

2.8%

3.9%

2.1%

-1.2%

3.0%

Drivstoff og bom +50 %

-4.8%

-4.0%

4.1%

3.4%

4.7%

2.4%

-1.5%

3.7%

Kilometerkost +50 %

-10.5%

-8.2%

8.9%

7.6%

10.4%

5.6%

-3.0%

8.1%

Togbillett -50 %

-1.3%

-1.3%

-22.5%

48.2%

1.4%

-1.5%

1.5%

18.4%

Bussbillett -50%

-1.5%

-1.5%

65.3%

-26.2%

-11.8%

-1.5%

0.4%

11.9%

Kombi1

-2.4%

-2.0%

19.0%

60.2%

-2.0%

-24.4%

-1.7%

42.4%

Kombi3

-6.4%

-5.2%

22.8%

64.5%

2.1%

-22.8%

-2.8%

46.5%

 

Effekt for korte personreiser

Effekten for korte personreiser ble også analysert i Madslien og Kwong (2015). Et sett av tiltak gjengitt i tabell 4, ble analysert med en delområdemodell for Bergen (DOMBergen). I motsetning til analyser med NTM6 er effekter på tiltakene for et byområde avhengig av eksisterende arealbruksmønster og transporttilbudet for modellområdet, og er ikke uten videre overførbart til andre byområder. Enkelte alternativer er også stiliserte og ekstreme, som for eksempel at ingen eier bil i soner med bybanebetjening eller at inntektsutviklingen er null fra 2014 til 2028. De stiliserte alternativene gir likevel en indikasjon på hvordan transportomfanget kan endres ved ulike tiltak, uten at det diskuteres hva som skal til for å komme dit. Det er varierende grad av realisme rundt disse beregningene, men denne analysen demonstrerer hvilke analysemuligheter som finnes i RTM.

Tabell 4: Oversikt over tiltak som ble analysert med delområdemodellen RTM for Bergensområdet i Madslien og Kwong (2015).

1

2014

Referanse 2014

2

2028

Referanse 2028

3

Kmkostnad +50%

Kilometerkostnad for bil: +50 % for alle reisehensikter

4

Kollektivtakst +50%

Kollektivtakst: – 50 % i hele modellområdet

5

Parkering1

Flat parkeringskostnad i hele modellområdet: 150 kr/dag for arbeidsparkering, 30 kr/time for korttidsparkering. Alle arbeidstakere betaler fullt for arbeidsparkering (dvs ingenting dekket av arbeidsgiver). Ingen parkeringskostnad på bosted.

6

Parkering2

Differensierte parkeringskostnader: 150 kr/dag for arbeidsparkering og 30 kr/time for korttidsparkering i Bergen kommune. Andre kommuner: 75 kr/dag for arbeidsparkering og 15 kr/time for korttidsparkering. Arbeidstakere betaler fullt for arbeidsparkering. Ingen parkeringskostnad på bosted.

7

0-vekst

Tilnærmet null økonomisk vekst fra 2014 til 2028, dvs. at det forutsettes uendret realdisponibel inntekt/privat konsum fra 2014. Påvirker bilhold/biltilgang i modellen.

8

Null Bilhold

Null bilhold i et utvalg grunnkretser med bybanestasjon (fra sentrum til og med Nesttun) + Indre Arna (15 grunnkretser)

9

Arealtog/Knutepunkt

All befolkningsvekst fra 2014 til 2028 i hele modellområdet er lagt til et utvalg grunnkretser med bybanestasjon (fra sentrum til og med Nesttun) + Indre Arna (til sammen 15 grunnkretser).

Befolkningen i disse grunnkretsene øker fra 15 659 til 94 116.

10

Altarealtog/knutepkt_ NullBilhold

Kombinerer 8 + 9 (dvs all befolkningsvekst til 15 knutepunkter og null bilhold i disse grunnkretsene)

11

Drivstoff +50%

Drivstoffkostnad for bil: +50 %

12

Drivstoff50_Altareal/ knutepkt

Kombinerer 9 + 11 (all befolkningsvekst til 15 knutepunkt og drivstoffkostnad opp 50 %)

 

Tabell 5: Prosentvis endring i transportarbeid som følge av tiltakene i tabell 4. Sammenlignet med referanse2028. 2028 Ref er sammenlignet med referanse 2014. Kilde: Madslien og Kwong (2015).

 

 

Bilfører

Bilpass.

Buss

Båt

Tog

Bybane

Sykkel

Gang

Totalt

Tot. koll

2

2028 Ref

20.8%

7.5%

9.8%

13.9%

13.7%

5.1%

0.9%

5.5%

16.1%

9.8%

3

Kmk50

-18.5%

-15.4%

3.8%

2.3%

9.2%

6.2%

10.4%

2.5%

-11.2%

4.1%

4

Kolltakst50

-1.2%

-2.4%

14.3%

2.9%

18.0%

25.8%

-7.5%

-2.4%

3.1%

14.8%

5

Park1

-20.2%

35.4%

22.9%

11.2%

23.4%

42.7%

104.9%

14.1%

-3.2%

23.6%

6

Park2

-17.0%

27.1%

19.0%

7.0%

20.2%

40.5%

85.1%

11.8%

-2.9%

19.8%

7

0vekst

-4.2%

4.9%

2.5%

0.9%

2.2%

6.0%

10.1%

4.0%

-1.5%

2.6%

8

NullBH

-2.0%

2.1%

0.4%

0.1%

2.5%

20.7%

5.6%

2.1%

-0.7%

1.2%

9

Altarealtog

-6.9%

-0.4%

-11.1%

-20.3%

2.2%

77.6%

8.1%

10.0%

-5.8%

-7.4%

10

Altareal_NullBH

-13.8%

7.0%

-9.6%

-20.2%

12.8%

144.7%

25.3%

17.1%

-8.3%

-3.2%

11

Driv50

-8.7%

-7.6%

1.7%

0.9%

4.1%

2.8%

4.7%

1.1%

-5.4%

1.8%

12

Driv50Altareal

-14.7%

-7.5%

-9.6%

-19.6%

6.3%

81.0%

12.3%

11.1%

-10.6%

-5.8%

7 Kostnader

Vi har ikke her gått inn på hva en modellanalyse kan koste. Det avhenger av hva som ønskes beregnet, hva som finnes av foreliggende data og av en rekke situasjonsbetingede faktorer.

Generelt øker behovet for inndata øker med økende detaljeringsgrad i modellberegningene. Det gjør at oppstartskostnaden kan være nokså stor der modellgrunnlaget ikke er etablert fra før. (Hagen mfl. 2018).

8 Muligheter og utfordringer

Kompleksiteten og detaljeringsgrad i RTM modellene har økt i takt med at stadig kraftigere datamaskiner har kommet på markedet. Økt detaljeringsgrad medfører at omfanget av inndata vokser, men effektivisering av datainnhenting fra datakilder som Nasjonal vegdatabank og Nasjonal database for rutedata kan gjøre det enklere å tilrettelegge inputdata til modellanalyser.

Utvikling av RTM har i senere tid hatt økende fokus på å forbedre modellering av miljøvennlige transportformer i byområder og utforsker modellbruk som fremmer miljøvennlig transport. Dette har også bidratt til økt kompleksitet i RTM, noe som fører til at modellanalyser med RTM er ressurskrevende å gjennomføre og er forbundet med høy brukerterskel.

I en ny kartlegging av bruk av transportmodeller i byutredningene 2017 er det også funnet at manglende modellkompetanse fører til at beslutningstakere og andre interessenter synes det er krevende å forholde seg til hvilke modellanalyser som er relevant og hvordan modellresultatene skal tolkes og formidles (Hagen mfl. 2018).

Som en motvekt til de tunge RTM modellene er det blitt utviklet flere supplerende modellverktøy i de senere årene. Noen av disse er motivert utfra behovet for et grovere, enklere modellverktøy som kan gi overordnete resultater raskt, mens andre har konsentrert seg om å lage modellverktøy rettet mot deler av transportmarkedet på en mer sofistikert måte. Dokumenterte brukserfaringer på flere av de nyere modellverktøyene er foreløpig begrenset. Det kan derfor være utfordrende å skaffe oversikt over hvilke modellverktøy er relevante for ulike analysebehov.

Styrker og svakheter ved ulike modeller
Tabell 6 beskriver de viktigste kjennetegn ved de modellverktøy som er omtalt i tiltaket. Sammenstillingen er ikke uttømmende og fanger ikke nødvendigvis opp alle aspekter i ethvert analysebehov, men kan være en start.

Tabell 6: Oppsummering av modellverktøyene omtalt i tiltaket og deres viktigste kjennetegn.

Modell

Styrker

Svakheter

Strategiske transportmodeller, RTM, NTM6

Beregner etterspørselseffekter på alle transportformer som følge av endringer i infrastruktur og andre sentrale forutsetninger.

Modellerer ikke nettverkseffekter av kødannelse. Tiltaket bør være av et visst omfang for å ha noe effekt. Valg av reisetidstidspunkt er ikke en del av modelleringen.

Taktiske/operasjonelle trafikkmodeller, Aimsum, VISSIM

Bedre modellering av avviklingsforhold og reisetid i køsituasjoner og interaksjon mellom kjøretøyene. Detaljert vurdering av kryssutforming og trafikkregulering

Etterspørsel etter bilreiser er uelastisk. Primært et modellverktøy for å studere trafikkavvikling for bil. Høy detaljering av infrastruktur. Er ikke egnet til å dekke et stort modellområde

Trenklin

Detaljert beregning av etterspørsel etter togreiser på enkelte togavganger. Etterspørselen påvirkes av trengsel om bord, ventetid, rutetilbudet og ønsket ankomsttidspunkt. Trafikkvekst beregnes med elastisiteter med utgangspunkt i stasjon-til-stasjonsmatrise for dagens situasjon (referansetrafikken).

Beregner kun effekter for togmarkedet. Forutsetter at tiltakene ikke påvirker reisemønsteret i referansetrafikken. Ingen overføring til andre transportformer. Ikke egnet til å vurdere helt nye tilbud, men godt egnet til å vurdere mindre tiltak på eksisterende ruteplan.

MPM23

Beregner endrete markedsandeler for alle transportformer, også fordelt på ulike kollektivarter og kombinerte kollektivreiser på en rask måte.

Ikke en fullverdig transportmodell. Gir ikke antall reiser, rutevalg eller endret destinasjonsvalg. Foreløpig kun implementert for Oslo og Akershus.

Stratmod

Et supplerende modellverktøy for RTM. Metode for å vurdere virkemidler rettet mot miljøvennlige transport ved å beregne tilleggseffekter som ikke dekkes like godt av RTM i dag (for eks. trengsel og forsinkelse ved kollektivtransport, sykkeltilrettelegging)

Metoden baserer på beregning på storsoner og tilleggseffekter beregnes på storsonenivå ved å endre på generaliserte reisekostnader fra RTM direkte. Rutevalgeffekter som følge av tiltakene tas ikke hensyn til.

AVD/INMAP

Et supplerende modellverktøy for RTM rettet mot arealbruk. Metodikk for å fordele befolknings- og arbeidsplassvekst med basis i arealplaner. Beregner fordeling av befolkningsvekst som tar hensyn til områdenes attraktivitet (blant annet transporttilgjengelighet)

AVD er per høst 2019 under utvikling. Forløperen INMAP krever manuell gjennomgang av arealplaner som kan være arbeidskrevende for et stort analyseområde

ATP modellen

GIS basert planleggingsverktøy for å synliggjøre sammenheng mellom arealbruk og transporttilbud. Bruk av detaljerte befolkning- og ansattesdata på koordinatnivå. Godt egnet til å belyse lokale problemstillinger rettet mot gange, sykkel og kollektiv og effekter av ulike lokaliseringsalternativer

Beregner et potensial for reiser (markedsgrunnlag) ut i fra forutsetninger om befolknings- og arbeidsplassgrunnlag, arealbruk og reisevanedata. Modellerer ikke adferdsrelaterte reisevalg.

MatSim

Agentbasert simuleringsverktøy. Kan beregne trafikantenes tilpasning av reisetidspunkt i tillegg til reisemiddelvalg og destinasjonsvalg. Trolig gir bedre reisetider i et købelastet nettverk sammenlignet med RTM.

Finnes foreløpig ingen operativ agent-/aktivitetsbasert modell i Norge. Kalibrering av slike modeller er trolig omfattende.

9 Referanser

Ben-Akiva, M., Lerman, S.L. 1985
Discrete Choice Analysis. Theory and application to travel demand. The Massachusetts Institute of Technology. MIT Press Series in transportation studies.

Flügel, S., Caspersen, E., Angell, T., Fearnley, N., Kwong, C.K. 2015
Markedspotensialmodell for Oslo og Akershus (MPM23) – Dokumentasjon og brukerveiledning for versjon 1.0. TØI-rapport 1451/2015. Transportøkonomisk institutt og RUTER AS.

Flügel, S., Flötteröd, G., Kwong, C.K., Steinsland, C. 2014
Evaluation of methods for calculating traffic assignment and travel times in congested urban areas with strategic transport models. TØI-rapport 1358/2014.

Flügel, S., Hulleberg, N. 2016
Trenklin 2 – Gjennomgang av modellen og drøfting av anvendelsesområde. TØI-rapport 1534/2016.

Flügel, S., Hulleberg, N., Fyhri, A., Weber, C., Ævarsson, G., Skartland, E-G. 2017
Fartsmodell for sykkel og elsykkel. TØI-rapport 1557/2017.

Flügel, S., Jordbakke, G.N. 2017
Videreutvikling av markedspotensialmodell for Oslo og Akershus (MPM23 v2.0). TØI rapport 1596/2017.

Flügel, S., Ævarsson, G. 2018
Sluttpresentasjon for PROSAM om simulering av sykkelekspressvei mellom Lillestrøm-Bryn med MatSim. Ikke publisert.

Hagen, O.H., Knapskog, M., Kwong, C.K., Lunke, E.B., Rynning, M.K. 2018
Organisering og samarbeid for utvikling, drift og bruk av et verktøy for arealprognoser. TØI-rapport 1640/2018.

Knapskog, M., Hagen, O.H., Kwong, C.K., Lunke, E.B. 2018
Prognoseverktøy for arealbruk. Framgangsmåte for innhenting av arealdata. TØI-rapport 1637/2018.

Kwong, C.K., Hansen, W. 2018
Vurdering av INMAP som modellverktøy for arealbruk. TØI-rapport 1635/2018.

Kwong, C.K., Ævarsson, G. 2018
Automatisk rutekoding for regionale persontransportmodeller. Basert på Nasjonal database for rute- og stoppestedsdata. TØI-rapport 1624/2018.

Madslien, A., Kwong, C.K. 2015
Klimagasseffekt ved ulike tiltak og virkemidler i samferdselssektoren – transportmodellberegninger. TØI-rapport 1427/2015.

Madslien, A., Rekdal, J., Larsen, O.I. 2005
Utvikling av regionale modeller for persontransport i Norge. TØI-rapport 766/2005. Transportøkonomisk institutt og Møreforsking Molde AS.

Madslien, A., Steinsland, C., Grønland, S.E. 2015
Nasjonal godstransportmodell. En innføring i bruk av modellen. TØI-rapport 1429/2015. Transportøkonomisk institutt og SITMA.

Malmin, O.K., Arnesen, P., Babri, S., Hjelkrem, O.A. 2017
CUBE – Teknisk dokumentasjon av regionale persontransportmodell. Versjon 3.12.1. Datert 18.10.2017. SINTEF Teknologi og samfunn. Tilgjengelig fra NTP transportanalysers eroom.

Nordheim, B., Betanzo, M., Haug, T.W. 2017
Stratmod. D1.1 Overordnet beskrivelse av modellen. Urbanet Analyse AS notat 97/2016.

Ortúzar, J.d.D., Willumsen, L.G. 2006
Modelling Transport. Third Edition. John Wiley & Sons, LTD.

PROSAM 2013
Reisevaner i Oslo og Akershus: Analyser av Ruters markedsinformasjonssystem (MIS). PROSAM rapport 202.

Ranheim, P.B. 2017
Trenklin versjon 3. Dokumentasjon og brukerveiledning. 19.04.2017 Jernbanedirektoratet.

Rekdal, J., Hamre, T.N., Flügel, S., Steinsland, C., Madslien, A., Grue, B., Zhang, W., Larsen, O.I. 2018
NTM6 – Transportmodeller for reiser lengre enn 70 km. Møreforsking Molde AS. Rapport nr 1414.

Rekdal, J., Larsen, O.I., Løkketangen, A., Hamre, T.N. 2013
Tramod-by del 1. Etablering av nytt modellsystem. Revidert utgave rapport 1203. Møreforsking Molde AS. Rapport nr 1313.

Spiess, H., Florian, M. 1989
Optimal strategies: A new assignment model for transit networks. Transportation Research Part B: Methodological. Volume 23, Issue 2. April 1989.

Statens vegvesen 2017
Byutredning Nedre Glomma. Fredrikstad og Sarpsborg. Statens vegvesen Region øst. 15.12.2017.

Steinsland, C., Madslien, A. 2009
Nasjonal persontransportmodell i CUBE Voyager. Systemdokumentasjon og brukerveiledning. TØI-rapport 1049/2009.

Tørset, T., Meland, S., Levin, T., Haug, T., Norheim, B. 2012
Verktøy til transportanalyser i by. SINTEF rapport A23560.

Uteng, A., Kittelsen, O.J. 2015
Arealbruksutvikling på grunnkretsnivå. KIT-prosjekt. Rambøll AS rapport datert 10.12.2015.

Vegdirektoratet 2018
Byutredninger. Oppsummering av hovedresultater for åtte byområder. Statens vegesen rapporter. Vegdirektoratet. Styrings- og strategistaben. 25.01.2018

Vegdirektoratet 2018
Konsekvensanalyser. Håndbok V712