Økt forklaringskraft av reisemiddelvalg

Transkript

1 RVU 2013/14 Dybdeanalyser Økt forklaringskraft av reisemiddelvalg Gunnar Berglund / Harald Høyem Asplan Viak / Urbanet Analyse

2 Dybdeanalyse av RVU 2013/2014 Utnytte stedfestingen i RVU Belyse RVU med eksterne data Sammenlikne geografiske mønstre Tilgjengelighetsanalyser Stedfestet RVU Statistiske tester

3 Spørsmål 1: I hvilken grad kan tilgjengelighet predikere dagens transportmiddelbruk? Spørsmål 2: I hvilken grad kan tilgjengelighet predikere endringer i transportmiddelbruk?

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21 Statistiske analyser

22 Spørsmål i analysen Økt forklaringskraft? Spørsmål 1: I hvilken grad kan tilgjengelighet predikere dagens transportmiddelbruk? Spørsmål 2: I hvilken grad kan tilgjengelighet predikere endringer i transportmiddelbruk?

23 Statistiske analyser Spørsmål 1: I hvilken grad kan tilgjengelighet predikere transportmiddelbruk? Metode: Sammenligner Avstand mellom GIS-beregnet reisemiddelfordeling i et gitt punkt og gjennomsnittlig transportmiddelandel for hele området Med RVU-data per grunnkrets (punkt) e RVU = α GIS α RVU RVU-gjennomsnitt for hele området avstand mellom GIS-beregnet reisemiddelfordeling i et gitt punkt predikert reisemiddelfordeling i et gitt punkt beregnet av tilgjengelighetsmodell RVU-data per grunnkrets (punkt) e TM = α GIS α TM Predikert fra relativt tilgjengelighet

24 Statistiske analyser Spørsmål 2: I hvilken grad kan tilgjengelighet predikere endringer i transportmiddelbruk? Metode: Beregne «tilgjengelighetselastisiteter» som for å måle hvordan konkurranseflatene mellom transportmidlene påvirkes av endret tilgjengelighet Beregner elastisiteter mellom alle transportmidler Eks: En økning i 10 prosent i biltilgjengelighet relativt til tilgjengelighet for gange gir X prosentpoeng lavere transportmiddelandel for gange

25 Redusert preduksjonsfeil (prosentpoeng) Spørsmål 1: I hvilken grad kan tilgjengelighet predikere dagens transportmiddelbruk? Tilgjengelighet har svært forskjellig prediksjonsevne i Trondheim og Bergen Trondheim Bergen Gange Sykkel Kollektiv Bil 0.4 GS midt i mellom Lavest for kollektiv Størst for bil

26 Gjennomsnittlig prediksjonsfeil (prosentpoeng) Gjennomsnittlig prediksjonsfeil (prosentpoeng) 1) Fortsatt en del som ikke forklares 2) Befolkningstetthet viktigere faktor i Bergen Trondheim Bergen 12.0 Tilgjengelighet Ikke tilgjengelighet Gange Sykkel Kollektiv Bil - Gange Sykkel Kollektiv Bil Snittmodell Tilgjengelighet Befolkningstetthet Snittmodell Tilgjengelighet Befolkningstetthet

27 Spørsmål 2: I hvilken grad kan tilgjengelighet predikere endringer i transportmiddelbruk? Biltilgjengelighet en viktig forklaringsfaktor Det er i hovedsak endringer i biltilgjengelighet som påvirker transportmiddelfordelingen Anslag på sammenheng mellom biltilgjengelighet og transportmiddelbruk: 10 % økning i biltilgjengelighet fremfor. Sykkel -> 5.7 % lavere sykkelandel/reiser Gange -> 2.0 % lavere gangandel/reiser Kollektiv -> 1.7 % lavere kollektivandel/reiser Dette er relative effekter, og i absolutt forstand kan endringen være noe annerledes

28 Konklusjoner i analysen Økt forklaringskraft? Spørsmål 1: I hvilken grad kan tilgjengelighet predikere dagens transportmiddelbruk? Konklusjon: Tilgjengelighet bidrar til å predikere dagens transportmiddelfordelingen, men Varierer veldig etter hvilket område man ser på Det er usikkert hvorvidt det også fanger opp mange faktorer som allerede er inkludert i dagens modellverktøy Tilgjengelighet forklarer på langt nær alt Spørsmål 2: I hvilken grad kan tilgjengelighet predikere endringer i transportmiddelbruk? Konklusjon: Endringer i biltilgjengelighet relativt til andre transportmidler ser ut til å være en faktor som påvirker bruken av de øvrige transportmidlene