Analyse av kollektivtrafikken i Midtbyen. SAKSBEHANDLER / FORFATTER Tomas Levin BEHANDLING UTTALELSE. Snorre Hansen Eirik Skjetne DATO

Transkript

1 SINTEF Teknologi og samfunn Postadresse: Postboks 4760 Sluppen 7465 Trondheim Notat Analyse av kollektivtrafikken i Midtbyen Sentralbord: Telefaks: ts@sintef.no Foretaksregister: NO MVA SAKSBEHANDLER / FORFATTER Tomas Levin BEHANDLING UTTALELSE ORIENTERING ETTER AVTALE GÅR TIL Tomas Levin X Snorre Hansen X Eirik Skjetne X Skriv Prosjektnr / sak nr DATO GRADERING Åpen 1 Introduksjon Bakgrunnen for analysen er at Trondheim kommune ønsker å se på mulige tiltak for p kunne hjelpe bussen raskere fram. Men før Statens vegvesen starter opp dette arbeidet så har de et behov for å skaffe seg kunnskap om avviklingssituasjonen. Tanken er å se hvor mye det er mulig å hente ut av sanntidssystemene for bussene, hvilke data finnes og hvordan kan de behandles for å vurdere avviklingssituasjonen for kollektivtransporten i byen. For analysene er området avgrenset til Midtbyen, og mer eksakt til området som er identifisert i Figur 1. Figur 1 Avgrensning av analyseområdet Dette notatet inneholder prosjektinformasjon og foreløpige resultater som underlag for endelig prosjektrapport. SINTEF hefter ikke for innholdet, og tar forbehold mot gjengivelse. 1 av 23

2 2 Metodikk Tanken er å etablere en robust metodikk for å kunne analysere data fra sanntidssystemet. Hovedtanken er å analysere kjøretid innenfor Midtbyområdet. For å kunne skape gode og robuste analyser er det viktig å dele opp kjøretiden i enkelt bestanddeler. I prosjektet har det vært viktig å dele opp tiden i kjøretid og tid på holdeplass. Dette fordi det er helt forskjellige virkemiddel som må brukes for å kunne endre/forbedre tidsforbruk på disse områdene. 2.1 Databehov For å kunne gjøre en robust analyse er det behov for en større mengde data. I utgangspunktet er det ønskelig med data for 3 komplette uker for en periode der kollektivsystemet ikke har vært utsatt for store forstyrrende hendelser. Et eksempel på en forstyrrende hendelse er første snøfall, store ulykker eller store arrangement eller endringer i trase. En periode som kunne være aktuell er de tre første ukene i november (29. oktober til 18. november). Fordelen med å ha en lengre periode er at mindre og tilfeldige avvik ikke vil påvirke resultatet av analysene. Ulempen med et stort datasett er nettopp at det er stort og vil kreve automatiske rutiner for koding, kontroll og etablering av egenskapsvariabler. 2.2 Format på data For å kunne analysere dataene må vi kunne hente dataene i inn i våre analysesystem. Så lengde data er i åpne formater med beskrivelser av aktuelle kodinger er dette uproblematisk. Etter en gjennomgang med AtB fikk SINTEF adgang til standardrapporter fra systemet som overvåker sanntidssystemet i Trondheim. Fra FlashNet (rapporteringssystemet mot sanntidssystemet) var det mulig å hentet ut data. En utfordring var begrensningen i hvordan data tapper og hvor mye data som kan tappes per oppslag. Ut utgangspunktet skulle systemet kunne tappe ca holdeplass passeringer per tapping. Men det viste seg relativt raskt at systemet ikke var stabil føre man reduserte maks antall holdeplass plasseringer til ca En ukedag har ca holdeplass passeringer fordelt på alle holdeplassene i trondheim og alle bussrutene. Enden på visa var at det måtte gjøre manuelle uttak av data til filer som hadde Microsoft Excel format. Totalt ble det lastet ned ca. 740 MB med data om holdeplass passeringer. I tillegg fikk vi overlevert holdeplass informasjon fra Statens Vegvesen som viser lokasjonene til holdeplassene, slik at holdeplasser innenfor det definerte sentrumsområdet kunne bli valgt ut til analysene. Se Figur 1som viser definisjonen av sentrum. For hver linje i datasettet er det lagret følgende informasjon: Linje Shift Tur Vehicle Holdeplass Type Actual arrival Scheduled arrival Holdeplasstid Forsinkelse i forhold til rute Actual headway Scheduled headway Excel er først og fremt et lagringsformat tilpasset mennesker og egner seg følgelig lite til analyser da man ikke har kontroll over datatyper, i tillegg har Excel betydelige utfordringer i forhold til beregninger 2 av 23

3 der tidsstemplinger og tidsintervall inngår. Derfor ble dataene ekstrahert fra Excel arkene formatjustert og overført til en database for videre prosessering. I databasen ble det kodet på avledete variabler for å forenkle den statistiske analysen. Hvilken time dataene var innenfor, hvilken ukedag data er hentet for og hvilken uke ble lagt til som egne variabler. 2.3 Strukturering av data for analyse Datasettet som ble hentet ned består i utgangspunktet kun av data om holdeplass passeringer. For å kunne analysere denne datamengden må data omstruktureres slik at man ser på tid mellom holdeplasser. Det ble derfor skrevet en databaserutine som restrukturerer punktinformasjonen til lenkebasert informasjon der kjøretiden mellom to holdeplasser beregnes. Kjøretid er definert som: Kjøretid = Ankomsttid Holdeplass N+1 Ankomsttid Holdeplass N + Holdeplasstid N N er den første holdeplassen bussen stopper på, på denne må man legge til holdeplasstiden. Dette for de tiden vi er interessert i er kjørehastigheten mellom holdeplasser der holdeplasstiden ekskluderes. Ankomsttid + holdeplasstid er lik avgangangstid. Resultatet av denne operasjonen er en ny tabell som består av strekninger, med start og slutt holdeplass på strekningen, holdeplasstid på startholdeplassen og kjøretid til sluttholdeplassen. I tillegg er all data om tidspunkt, ukedag og uke med. Holdeplasstiden er definert av en virtuell sløyfe som starter der holdeplassen starter og slutter der holdeplassen slutter. Dørsignal brukes ikke til å bestemme om bussen stopper. Derfor skulle man i praksis alltid ha små verdier for holdeplasstid selv om bussen kjører forbi holdeplassene. 3 Analyser Det er innhentet informasjon om holdeplass passeringer for den aktuelle perioden. Omstruktureringen av dataene gjør at vi får informasjon om strekninger som kan benyttes til analyser. Prosjektet hadde kun i oppgave å se på strekninger som var innenfor det definerte sentrums området som er vist i Figur 1. Dette reduserer datasettet til unike strekninger mellom holdeplasser der både start og sluttholdeplass ligger innenfor sentrumsområdet. For de 22 relasjonene som er analysert er det totale antall passeringer Da er også feilregistreringer fjernet der kjøretiden mellom holdeplasser er 0 sekunder. Datasettet inneholder en rekke feil, samme holdeplass kommer to ganger etter hverandre, holdeplasser hoppes over eller neste holdeplass er en "vilkårlig" holdeplass. Fordelen med å ha store datamengder er at man kan se bort fra disse feil registeringene og fokusere analysene på de strekningene der man har godt med data. 3 av 23

4 For å kunne si noe om forventede reisetider er det nyttig å ha en oversikt over data og variansen som er i datamaterialet. Til slike betraktninger er det normalt å bruke box-plott. Figuren til venstre viser et box-plott der midt linjen viser medianen til dataene og den blå boksen viser området som 50% av datasettet befinner seg innenfor. Hovedproblemstillingen var om det var forsinkelser for bussene og på hvilke strekninger denne forsinkelsen ble observert. En enkel måte å visualisere og vurdere eventuelle forsinkelser er å se på tidsbruken på strekninger som en funksjon av tiden på døgnet. Dersom det er stor variasjon i forsinkelsene i rushtiden er det et tegn på at kollektivtrafikken blir påvirket av den øvrige trafikken. Dersom tidsbruken er relativt konstant så er kollektivtransporten relativt uhindret av øvrig trafikk og da er det trolig at eksisterende prioriteringsstrukturer fungerer. 3.1 Makro analyser De 20 mest trafikkerte kollektivstrekningene er analysert i tillegg til 2 andre spesielle strekninger som hadde et mindre antall observasjoner. Tabell 1viser strekningene og antall busser som har kjørt strekningen innenfor 3 ukers perioden. Tabell 1 Analyserte strekninger og antall observasjoner som analysene er basert på Strekning Antall observasjoner Torget til Prinsen kino Prinsen kino til Torget Prinsen kino til Samfundet Samfundet til Prinsen kino Solsiden til Bakke bru 7772 Bakke bru til Nova kino 7722 Bakke bru til Solsiden 7149 Nova kino til Bakke bru 7078 M2 til Torget 5417 Torget til M Nova kino til M Skansen til Kalvskinnet 4827 Kalvskinnet til Hospitalskirka 4824 Hospitalskirka til Prinsens gt. P Kalvskinnet til Skansen 4755 M5 til Nova kino av 23

5 Hospitalskirka til Kalvskinnet 4706 Prinsens gt. P1 til Hospitalskirka 4656 Torget til M M1 til Torget 3922 Samfundet til Prinsen kino 2879 Prinsen kino til Prinsen gt En hypotese for å studere forsinkelsene til kollektivtrafikken (bybussene i Trondheim) er å ta utgangspunkt i et normalt rushprofil. Et slikt profil viser at trafikkvolumet er størst i rush periodene som er rundt klokken åtte og fire på ettermiddagen. Dersom kollektivtrafikken er betydelig påvirket av annen trafikk vil man observere betydelige forsinkelser i kollektivtrafikken i rush periodene. Datasettet inneholder i utgangspunktet bare kjøretid, men for å bedre kunne sammenlikne de forskjellige strekningene er kjøretid regnet om til kjørehastighet ved at strekningene har blitt mål opp i et GIS verktøy. Hver observasjon har fått kodet hvilken time observasjonen tilhører, f.eks time 16 går fra 16:00.00 til 16: Men som nevnt tidligere så er det trolig en rekke feil i datasettet. Dette fremkommer ved at man få urealistisk høye hastigheter på noen av uteliggerne i datasettet. Figur 2 viser et box-plott over kjørehastighet som funksjon av time. Her ser man at det er en del uteliggere som har urealistiske høye hastigheter. I bykjøring med buss er trolig 60 km/t den høyeste hastigheten man klarer å oppnå da alle strekninger er under 500 meter i lengde. Å bruke gjennomsnitt som er mål er utfordrende da gjennomsnitt kan påvirkes av enkelte svært høye målinger. I Figur 2 er 482 observasjoner utelatt da de har en hastighet over 120 km/t. Høyeste beregnede hastighet er 1548 kilometer i timen, som er helt åpenbart feil. Ved å bruke median for kjøretid unngår man at man påvirkes av enkelte svært høye verdier og lave verdier. Laveste beregnede hastighet er km/t som også åpenbart er het feil. For hele datasettet er gjennomsnittlig kjørehastighet 25.5 km/t mens median kjørehastighet er 22.3 km/t. Så det er liten tvil om at feil i observasjonene fra sanntidssystemet kan påvirke beregningene. Og det er på den bakgrunnen at median betraktninger brukes fremfor gjennomsnittsbetraktninger. Figur 2 Bussens kjørehastighet på analyserte strekninger Siden spranget i hastigheter er urealistisk stort er det laget et plott der man låser øvre verdi på y-aksen til 60 km/t, dette gjør det enklere å se trender i data. Figur 3 viser samme data som Figur 2 men y-aksen er klippet ved 60 km/t. På denne figuren kan man se antydninger til en reduksjon i kjørehastighet i timene fra 6 til 8. Man kan også skimte en reduksjon i kjørehastigheten rundt klokken av 23

6 Figur 3 Kjørehastighet på analyserte strekninger med plott klippet ved 60km/t Forskjellene i kjørehastighet er svært moderat, Tabell 2 viser tallverdiene for medianen fordelt på timer. Det er med andre ord liten forskjell i kjøretiden. Datasettene presentert over inkluderer helgetrafikk i analysene, men fra Tabell 2 ser vi at helgetrafikken bare bidrar til å øke kjørehastigheten noe, selv om busshastigheten i helgene er høyere. Tabell 2 Median kjørehastighet (alle dager, hverdager og helg) Time Alle Dager Hverdager Helg 5 33,7 33,6 37,4 6 25,0 24,9 27,2 7 22,4 22,1 26,5 8 20,9 20,6 25,8 9 22,7 22,2 25, ,0 22,5 24, ,5 22,0 24, ,0 21,5 23, ,8 21,7 22, ,2 20,9 22, ,3 19,9 23, ,0 20,5 23, ,9 21,7 23, ,7 22,5 23, ,1 22,7 24, ,3 23,0 24, ,2 23,9 24, ,7 24,8 24, ,4 24,0 24,9 Fra Tabell 2 og Figur 4 ser man at man har noe høyere kjørehastighet på de sentrale strekningene i sentrum i helgene. Men at helgetrafikken er en såpass liten del av trafikken at den ikke i vesentlig grad 6 av 23

7 slik at den ikke i vesentlig grad påvirker beregningene presentert over. I figuren ser man dette ved hvor nært den grønne og røde linjen følger hverandre. Figur 4Plott av kjørehastighet som funksjon av dagstype I datasettet har trafikk som kjører mellom 0500 og 0600 en betydelig høyere hastighet enn annen trafikk. Det er noe uklart hvorfor det er slik, men en mulig teori for dette knytter seg til hvordan holdeplasstiden er beregnet. Fra datasettet kan det se ut til at selv om bussen passerer en holdeplass så får den tilordnet en liten holdeplasstid. Dette kan henge sammen med hvordan holdeplasstid er beregnet. Dersom en buss ikke stopper, men kjører forbi holdeplassen og får en holdeplasstid blir dette litt misvisende da denne ture ikke vil ha forsinkelse knyttet til innbremsing og akselerasjon i forbindelse med stoppen. Antagelsen her er at flere holdeplasser hoppes over av busser som går mellom 0500 og 0600 på morgenen på grunn av få passasjerer. Fra et makro perspektiv kan det synes som om man har relativt små problem med bussavvikling i Trondheim. Eller sagt på en annen måte de grep man har tatt for å sikre bussens fremkommelighet har fungert da man ikke kan observere en betydelig reduksjon i kjørehastighet når trafikkmengden i vegnettet øker i rush periodene. Dersom man ser bort fra timen mellom 0500 og 0600 ser vi at laveste median hastighet er 19,9 km/t på hverdag (time 15) og 24,9 km/t (time 6). Med andre ord man får en 20 % reduksjon av median kjørehastighet mellom beste kjøretid og ettermiddagsrushet. Her ville det være svært interessant å sammenlikne disse data med kjøretidsmålinger for bil som å se hvilken størrelse man har på endringen av kjørehastighet for personbiler over døgnet. En annen utfordring er variasjonen i kjøretid, box-plottene i Figur 3 illustrerer variasjonsområdet for kjøretiden. "Box'en" i plottene viser øvre og nedre grense for 50 % av dataene. Størrelsen på denne boksen er relativt like for alle tidsperiodene. Tallmessig er variasjonsområdet på ca. 15 kilometer i timen. Dersom bussen hadde vært betydelig påvirket av øvrig trafikk burde man ha observert en øking i variasjonsområdet i rushtiden mot timene utenfor. Men dataene samlet inn gir ingen identifikasjon på dette. For å oppsummerer: data for de 20 største buss strekningene i Trondheim sentrum tyder på at buss trafikken ikke er betydelig påvirket av trafikken i og utenfor rush. Maksimal endring i medianen er på ca. 7 av 23

8 5 km/t, dvs. man får en 20% reduksjon av kjørehastighet i rushperiodene. Dette kan høres mye ut, men variasjonen i kjøretid kan synes å være mer utfordrende. 50 % av data ligger innenfor et intervall på ca. 15 km/t (kjørehastighet fra 19 km/t til 34 km/t) og størrelsen på dette intervallet er tilnærmet lik konstant for alle døgnet timer, med unntak av morgen trafikken. Konklusjonen på makro analysene blir derfor at data tyder på at det er betydelige forskjeller på strekninger og at det er der man bør lete for finne konkrete strekninger som kan forbedres og således redusere variasjonen i datamaterialet. 3.2 Mikro analyser Hovedgrepet i mikroanalysene er å se på hver enkelt strekning og endringer i kjørehastighet på disse. For å få et rask overblikk ble det produsert kjørehastighet og holdeplasstidsplott for alle de 22 strekningene i sentrum. Strekninger og antall observasjoner på strekningene er listet opp i Tabell 1. Figur 5 Eksempel på plott av kjørehastighet og tid på holdeplass (resten av plottene er i vedlegg) Figur 5 viser et plott av kjørehastigheten og tid på holdeplassen for alle busser som kjører på strekningen Torget til Prisen kino. Heller ikke her ser vi markante forskjeller mellom rush og ikke rush. Men man kan se en tendens til at bussene bruker noe lengre tid på holdeplassen i ettermiddagsrushet som er naturlig for en buss som er på vei ut av byen. Når det gjelder variasjonen i kjørehastighet er den betydelig redusert for denne strekningen er 50 % av data innenfor 5km/t av medianen i motsetning til 15 km/t for hele datasettet. Figur 6 viser kjørehastighet på de forskjellige rutene som box-plott. Her ser vi at det er stor variasjon mellom de enkelte strekningene. Plottet er sortert etter medianen slik at strekninger med høye kjørehastighet kommer på toppen og lav kjørehastighet kommer på bunnen. Igjen er plottet begrenset til 60 km/t selv om det ligger 1671 enkelt observasjoner over 60 km/t. Men vi antar at dette er feil i dataene 8 av 23

9 som kommer fra sanntidssystemet. Men bruken av median som måltall gjør at man unngår å bli påvirket i sammen grad som middelverdien blir av store enkelt verdier. Et veldig interessant funn i dette plottet er at det er strekninger som går inn mot terminalene i Munkegata (M1, M2, M4) som synes å ha lavest kjørehastighet. Dette er trafikkteknisk kompliserte områder det det skjer mye, uregulerte fotgjengeroverganger, regulerte fotgjenger overganger og stor tetthet av busser. Figur 6 Kjørehastighet for bussene fordelt på strekninger (hverdager) Figur 7 Holdeplasstider for enkeltholdeplasser i datasettet (hverdager) Det er ikke unaturlig at det er lengre holdeplasstider i og rundt Munkegata terminalen da det kan være noe reguleringstid inne i bilde. Vi ser at forsinkelsene i avganger fra sentrumsterminalene er blant de minste, se Figur 8. Mens forsinkelsene til terminalene på slutten av en tur ser ut til å ha mest forsinkelse, Torget og Solsiden er eksempler på slike terminaler. I figuren er holdeplassnummeret tatt med fordi terminaler inn mot byen og ut fra byen har ofte sammen navn. 5. siffer i holdeplassnummeret sett forfra er en indikator på retning mot eller fra byen (0 = mot byen, 1 = fra byen). 9 av 23

10 Figur 8 Forsinkelse ved ankomst til terminal(hverdager) Et histogram gir et nyttig oversiktsbilde over tid på holdeplassen. Bin størrelse er 1 sekund noe som gir at hver søyle representerer ett sekund. Her ser vi at vi har en unaturlig opphopning av holdeplasstider som har 0 sekunder, ikke før vi er på 10 sekunder får vi en like stor tetthet av observasjoner. 40 km/t er 11,2 meter per sekund og en holdeplasstid på 10 sekunder gir da en sannsynlig utstrekning av holdeplassen på 112 meter. Måling på Googles satellittbilder viser at lengden fra der breddeutvidelsen starter til der breddeutvidelsen stopper er på ca 73 meter. Med andre ord det er ikke usannsynlig at busser som bruker ca 10 sekunder og under på holdeplassen faktisk kjører forbi uten å stoppe. Tid på holdeplass Density Figur 9 Histogram over holdeplasstid Sekunder på holdeplassen 4 Hvilke data kan tilføres datasettet for å få ut enda mer kunnskap Å bare se på data som er hentet fra sanntidssystemet som AtB benytter gir bare en grov oversikt over problemområder og utfordringer. Det som vil kunne heve kvalitetene på analysene og gjøre dem mer generaliserbar er å tilføre mer data til datasettet i form av egenskapsdata. Sanntidsdataen som er hentet ut 10 av 23

11 er sentrert rundt lenker, det vil si strekninger mellom holdeplassene. Ved å knytte ekstra egenskaper til lenkene som for eksempel om det er kollektiv felt, antall høyresvinger gjennom kollektivfeltet. Antall fotgjengeroverganger (regulerte og uregulerte). Antall signalanlegg, omløpstid på signal anlegg osv. Ved å tilføre slike faktorer kan man identifisere de faktorene som påvirker kjøretiden mest. Men dette er en større jobb som vil kreve studier av strekningene. Særlig er det vurderinger rundt hvilke faktorer som kan påvirke avviklingen i kollektivfeltene, høyresvinger, holdeplasser i kjørebanen og eventuelt andre forhold. For å gjøre dette på en forsvarligmåte vil det være klokt å gjøre befaringer og studere trafikkavviklingen på de forskjellige lenkene og lage en kodemal for strekningene. Et slik arbeid vil være passende for master studenter på prosjekt eller masteroppgaver. I og med at virtuelle sløyfer benyttes til å beregne holdeplasstidene bør videre studier gjennomføres for å forstå kvaliteten på de virtuelle sløyfene. 4% av observasjonene i settet hadde en holdeplasstid som var 0 som antyder at det er en feil i registreringene. Her bør teknologien som benyttes vurderes og det bør gjøres noen tester for å forstå nøyaktigheten av utstyr og metodikk. Dette er også en problemstilling som kunne studeres av studenter for å få et elementært kunnskapsgrunnlag før man tar en beslutning på videre studier. 5 Oppsummering I oppdragsbeskrivelsen ble følgende spørsmål stilt: 1. Hva er den aktuelle situasjonen for bussene? 2. Hva er reisetida på strekninger i Midtbyen? 3. Hvor oppstår forsinkelser? 4. Hva skyldes forsinkelsene? 5. Når oppstår forsinkelsene? 6. Vil ytterligere prioriteringer bidra til at bussen kommer raskere frem? Dette var en særdeles omfattende spørsmålsliste. Me de fleste spørsmålene skulle være besvart. Hva er den aktuelle situasjonen for bussene? Kjøretiden for bussene synes å variere lite med tide på døgnet. Det er en større intern variasjon per time enn det er mellom medianen for rush og ikke rush. Med andre ord, fra et macro perspektiv ser det ut som om bussene har en grei kjørehastighet gjennom byen, men det er en stor varians i kjøretiden. Hva er reisetida på strekninger i Midtbyen? Reisetid er ikke et egnet attributt for å vurdere ulike strekninger mot hverandre. Derfor er det beregnet kjørehastighet for alle strekningene som gjøre at det er mulig å sammenlikne strekningene med hverandre for å finne strekninger med utfordringer. Figur 6 viser box-plott av kjøretiden på de 22 mest trafikkerte strekningene i sentrum. Hvor oppstår forsinkelser? I denne delen av analysen er forsinkelser relatert til redusert kjørehastighet. Sanntidssystemet beregner selv en forsinkelse som viser forsinkelser i forhold til rutetabellen. Dataene som vi har analysert (kjørehastighet) tyder på at det er i området rundt Munkegata terminalen at forsinkelsene oppstår. Det er der bussene har laves kjørehastighet. Hva skyldes forsinkelsene? Å se på data alene gir ikke grunnlag for å si noe om årsaksforhold, men dataen vi har samlet inn tyder på at median forsinkelsen ikke synes å være problematisk. Dette fordi kjørehastigheten over døgnet er relativt stabil. Det er derimot utfordringer i forhold til regularitet, det er store spredning på reisetiden. I vedlegget er det generert grafer for hver strekning som kan gi indikasjoner på hvilke strekninger som har problemer og om de er knyttet til spesielle tidspunkt på dagen. Når oppstår forsinkelsene? Som nevnt tidligere synes ikke forsinkelsene å henge sammen med tid på døgnet. Det kan virke som om det prioriterings regimet som er satt i verk fungerer og klare å hindre at kjørefarten faller dramatisk i rush periodene. 11 av 23

12 Vil ytterligere prioriteringer bidra til at bussen kommer raskere frem? Det man ser fra datamaterialet er at variasjonen er betydelig større enn endringen i medianen for kjørehastighetsberegningene. Kombinert med at medianen for kjørehastighet synes å være stabil over rush og ikke rush periodene gir dette indikasjoner på at det kan være vanskelig å øke kjørefarten ved å endre på prioriterings regimet. Det man kan oppnå ved å justere på prioriteringsregimet er at man kan få redusert variasjonen i reisetid noe. Fokus på forutsigbarhet kan være fornuftig når man skal diskutere prioriteringsstrategier. Men dette bør man jobbe mer med og man må fokusere på de enkelt strekningene man skal se på og se hvordan forholdene er der og kjøre mer detaljerte analyser på strekninger der man ønsker å få opp kjørehastigheten. 12 av 23

13 6 Vedlegg 13 av 23

14 14 av 23

15 15 av 23

16 16 av 23

17 17 av 23

18 18 av 23

19 19 av 23

20 20 av 23

21 21 av 23

22 22 av 23

23 23 av 23