The structure of the questionnaire in VTT study

Transkript

1 Appendix I The structure of the questionnaire in VTT study The structure of the questionnaire in the Value of time study, the first wave is as follows: 1. Introductory questionnaire 2. Stated choice experiments 3. Final questionnaire (Final questionnaire.doc) The value of time study will cover the following modes: I. Long distance travel (longer than 100 kilometres one-way): Car, Rail, Air, Bus, II. Short distance travel (shorter than 100 kilometres one-way): Car, Public Transport, III. Walk and Cycle as main mode of transport (not as access or egress modes) IV. Ferry/Boat Each respondent in the VTT study gets a maximum of 3 choice experiments. The stated choice experiments are designed to get data on the preferences of the respondents in order to estimate their valuations of the different time components of their trips. The long distance study will focus on the valuation of: i. In vehicle time ii. Reliability of travel time iii. Congestion (for car only) iv. General comfort differences between modes The short distance study will focus on the valuation of: i. In vehicle time ii. Reliability of travel time iii. Congestion (for car only) iv. Seat availability (public transport v. General comfort differences between modes The Walk/ Cycle study will focus on the valuation of 53

2 i. Walk/Cycle time ii. Number of stops at intersections iii. Provision of Cycle path iv. provision of separate Walk and Cycle path v. Level of maintenance of Walk and Cycle paths The following diagrams illustrate the structure of the questionnaire. The experiments and their designs are documented in Appendix II and III 54

3 55

4 56

5 Appendix II Choice experiments in VTT study This document provides an overview of the design of the choice experiments, attributes, level of attributes and the order in which attributes and the choice pairs are presented in the Value of Travel Time (VTT) study. The place of the choice experiments is marked on the relevant questionnaires for long distance travel (over 100 kilometres), short distance travel (under 100 kilometres) and walk/cycle travel. The walk/cycle study only covers walk and cycle as the main mode of travel rather than access/egress mode. The experiments in the VTT study will have 2 or 3 attributes. 1. Design of choice experiment, within mode study, 2 attributes: CE type A CE type A is a within mode experiment. Such an experiment has only 2 attributes: time and cost. The respondents get 9 sets of choice pairs followed by a contingent valuation (CV) question, similar to a transfer price. The design follows a procedure similar to design adopted in the ongoing Swedish VTT Study. The following is the description of the design: 1. Draw 2 random values from each of the intervals 10 15, 15 20, 20 25, and Apply these values as percentage to the travel time of the reference trip. The procedure produces 8 t. 2. Draw 2 random values of travel time saving (VTTS) from each of the intervals presented in Table 1 (in NOK/hour). Note that the intervals depend on the mode of transport and are different for long distance and short distance modes. This procedure produces 8 VTTS. 3. Combine randomly the 8 t and the 8 VTTS. This produces results in 8 c by following Equation 1. c = t (VTTS/60) Eq(1) 4. Match randomly the 8 t and the 8 c. This will produce 8 combinations of t and c 5. Generate 2 willingness to pay (WTP) choice pairs by randomly taking two pairs t and c among the 8 pairs of t and c: Right side: t = t ref - t, c = c ref + c Left side: t = t ref, c = c ref The order of left and right sides will be kept for each respondent but varied among respondents. 57

6 6. Generate 2 willingness to accept (WTA) choice pairs by randomly taking two pairs t and c among of the remaining 6 pairs of t and c: Right side: t = t ref + t, c = c ref - c Left side : t = t ref, c = c ref The order of left and right sides will be kept for each respondent but varied among respondents. 7. Generate 2 equivalent gain (EG) choice pairs by randomly taking two pairs t and c among of the remaining 4 pairs of t and c Left side: t = t ref, c = c ref - c Right side: t = t ref - t, c = c ref 8. Generate 2 equivalent loss (EL) choice pairs with the last two pairs of t and c.: Left side: t = t ref, c = c ref + c Right side: t = t ref + t, c = c ref 9. Generate 2 off-reference (OR) choice pairs. In an OR choice pair the alternatives do not have time or cost of the reference trip. One OR choice pair is generated by randomly selecting one of the EL choice pairs. Increase the time and cost of the reference trip by 20%. In this case the resulting OR choice pairs is Left side: t = 1.2*t ref, c = 1.2*c ref + c Right side: t = 1.2*t ref + t, c = 1.2*c ref Generate a second OR choice pair by randomly selecting one of the EG choice pairs. Decrease the time and cost of the reference trip by 20%. Left side: t = 0.8*t ref, c = 0.8*c ref + c Right side: t = 0.8*t ref + t, c = 0.8*c ref A respondent will be randomly assigned one of these OR choice pairs. 58

7 Table 1. Design VTT intervals for different modes of travel Intervaller som VTT trekkes fra i 2-attributtspill Bil, korte reiser Kollektivtransport, korte Buss, lange reiser Intervall 1 Intervall 2 Intervall 3 Intervall Tog, lange reiser Bil, lange reiser Ferge som del av lang bilreise Fly Figure 1 illustrates the choice pairs. The coordinate in this figure is the cost and time for the reference trip. The quadrants of this figure present WTP, WTA, EG or EL respectively. In the quadrant WTP a trip with a higher cost than the cost of reference trip and a shorter travel time than the time of reference trip (such as trip A) is compared with the reference trip (the coordinate). In the quadrant WTA a trip with a lower cost than the cost of reference trip and longer travel time than the time of reference trip (such as trip B) is compared with the reference trip (the coordinate). In the quadrant EG the choice set is a trip that has the same cost as the reference trip but has a shorter travel time (such as trip E) and another trip that has the same travel time as the reference trip but costs less (such as trip F) In the quadrant EL the choice set is a trip that has the same cost as the reference trip but has a longer travel time (such as trip D) and another trip that has the same travel time as the reference trip but costs more (such as trip C). The OR (offreference) choice sets are generated in the EL and EG quadrants as illustrated on Figure 1. 59

8 Cost WTP A E C EL OR D Time OR EG F B WTA Figure 1. Presentation of the choice sets in the four quadrants of WTP, WTA, EG and EL The sequence of the 9 choice pairs will be described later in this section. CV question One CV question will follow the last choice pair in the experiment. The CV question will be constructed from the information in the last choice pair and stated choice of a respondent among the last choice pair. The formulations of the CV questions are as follows. Hvis respondenten har valgt alternativet i et WTA-valg Hvis respondenten har valgt referansereisen i et WTA-valg 60

9 Hvis respondenten har valgt alternativet i et WTP-valg Hvis respondenten har valgt referansereisen i et WTP-valg Sequence of questions in Choice experiment type A Each respondent receive 9 choice pairs followed by a CV question. The two alternative sequences of the stated choice questions (choice pairs), sequence I and II, as presented in Table 1a are assigned randomly to the respondents. Only the ninth choice is fixed within the two sequences. The order of the first 8 choices is random Table 1a. Choice pair sequences in Type A choice experiment Sequence I Choice set type for half of Choice respondents set no. 1 WTP (low VOT) 1 WTA (low VOT) 2 WTP (high VOT) 2 WTA (high VOT) 3 EG 3 EL 4 EG 4 EL 5 OR, EG-based 5 OR, EL-based 6 EL 6 EG 7 EL 7 EG 8 WTA (low VOT) 8 WTP (low VOT) Choise set no. Sequence II Choice set type for the other half of respondents 9 WTA (high VOT) 9 WTP (high VOT) CV type I CV type II 61

10 1.2 Cases of choice experiment type A All respondents, except those who answer to Walk/Cycle questionnaires, will get CE type A for their first choice experiment. In this case the time and cost of their reference trip will be the base time and the base cost in the experiment. Some of the respondents, except those who answer to Walk/Cycle questionnaires will get CE type A for their last choice experiment. In this case the time and cost of their alternative trip by a mode different from that of their reference trip mode will be the base time and the base cost in the experiment. Figure 2 shows an example of the presentation of a choice pair in this experiment. The exact location and scenarios for this type of experiments will be described on the relevant questionnaire. Figure 2. An example of a choice pair presentation, Type A, WTP Trip A Travel time: T minutes Travel cost: C NOK Trip B Travel time: T - ΔT minutes Travel cost: C + ΔC NOK Which one do you prefer? Trip A Trip B 2. Design of choice experiment with 3 attributes, CE type B CE type B is a within mode experiment with 3 attributes. The respondents get 6 sets of choice pairs. 2.1 The design of choice experiments with three attributes The design of the choice experiments with three attributes follows the recommendation by de Jong et al. (2007). They use a similar design to the socalled Bradley design (see CE type A). The design avoids dominant alternatives in the choice pairs. We present a summary of the design of the CE type B with 3 attributes. The design presents the base levels of all three attributes in each choice pair. The base levels go into the Left or the Right alternative. The levels of the three attributes on the Left are different from the levels on the Right. 62

11 The procedure produces 48 structures. Figure 3 shows 12 of these (See de Jong et al. 2007, for more details). Figure 3. Design structure of CE type B Left Right Left Right Left Right Left Right A 0 A A 0 A A 0 A A 0 A B 0 B B 0 B B B 0 B B 0 C 0 C C C 0 C 0 C C C 0 A 0 A A 0 A A 0 A A 0 A B 0 B B 0 B B B 0 B B 0 C 0 C C C 0 C 0 C C C 0 A 0 A A 0 A A 0 A A 0 A B 0 B B 0 B B B 0 B B 0 C 0 C C C 0 C 0 C C C 0 De Jong et al. describe the characteristics of this design as follows: Each choice pair has a base level of the three attributes. The base levels are either determined from the information provided by respondents in the questionnaire or determined as default values (see next section on attribute levels). All attributes have 5 levels including the base. Two have higher values than the base value and two have lower values than the base value. The attribute levels are combined in the choice pairs in such a way that none of the pairs has a dominant alternative. Table 2 presents the 96 choice pairs constructed following the described approach. By assigning 6 choice pairs (randomly) to a respondent 16 respondents cover the full choice pairs. We will not use dominant choice in the design. The following table show the 16 choice sets. In this table the three attributes are A, B and C. 63

12 Table 2. Level of attributes in the design choice sets in CE type B Subset Choice Pair no. A Left B Left C Left A Right B Right C Right

13 Table 2 (continued) Subset Choice Pair no. A Left B Left C Left A Right B Right C Right

14 Table 2 (continued) Subset Choice Pair no. A Left B Left C Left A Right B Right C Right Attribute levels in CE types B In the experiments with 3 attributes, 5 attribute levels will be used. The base values of some variables, such as cost and time of a trip, will be taken from the questionnaire. The base levels of some other attributes are determined by default Trip time and travel cost The base time will be the in-vehicle time for the reference trip. Transfer time for public transport or time used for breaks, running an errand, etc. for trips with car should not be included in the trip time. The base cost will be the total cost of the reference trip even when others have paid for part of the cost of the trip of a respondent. The five attribute levels for travel time and travel cost are constructed based on the base time and base cost of a reference trip according to the following Table 3 and Table 4. 66

15 Table 3. The levels of time attributes relative to base time of a trip with car Base time of a trip Change in base time of the trip (minutes) (minutes) level -2 Level 1 level 0 level 1 level Table 3b. The levels of time attributes relative to base time of a trip with scheduled modes other than Air and Ferry Base time of a trip Change in base time of the trip (minutes) (minutes) level -2 level 1 level 0 level 1 level

16 Tabell 3c: The levels of time attributes relative to base time of a trip with Air Base time of a trip Change in base time of the trip (minutes) (minutes) Level -2 level 1 level 0 level 1 level Tabell 3d: The levels of time attributes relative to base time of a trip with Ferry Base time of a trip Change in base time of the trip (minutes) (minutes) level -2 level 1 level 0 level 1 level

17 Table 4a. The levels of cost attributes relative to the base cost of a trip with car Base price of a trip Percentage change in base cost of the trip (NOK) level -2 Level 1 level 0 level 1 level ,50-0,30 0,00 0,26 0, ,50-0,25 0,00 0,10 0, ,40-0,12 0,00 0,10 0, ,40-0,11 0,00 0,08 0, ,35-0,09 0,00 0,08 0, ,30-0,08 0,00 0,06 0, ,23-0,07 0,00 0,06 0, ,20-0,07 0,00 0,06 0, ,22-0,07 0,00 0,06 0, ,33-0,08 0,00 0,06 0, ,30-0,08 0,00 0,06 0,42 Tabell 4d: The levels of cost attributes relative to the base cost with scheduled modes other than air and ferry Base cost of a trip Percentage change in base cost of the trip (NOK) level -2 level 1 level 0 level 1 level ,25-0,15 0,00 0,10 0, ,27-0,15 0,00 0,12 0, ,25-0,12 0,00 0,08 0, ,25-0,13 0,00 0,10 0, ,33-0,10 0,00 0,08 0, ,27-0,10 0,00 0,08 0, ,22-0,10 0,00 0,08 0, ,22-0,10 0,00 0,06 0, ,25-0,10 0,00 0,07 0, ,40-0,15 0,00 0,11 0, ,50-0,20 0,00 0,22 0,50 69

18 Tabell 4d: The levels of cost attributes relative to the base cost for Air Base cost of a trip Percentage change in base cost of the trip (NOK) (NOK) level -2 level 1 Level 0 level 1 level ,20-0,10 0,00 0,12 0, ,15-0,09 0,00 0,10 0, ,12-0,08 0,00 0,08 0, ,10-0,07 0,00 0,06 0, ,11-0,05 0,00 0,05 0, ,15-0,06 0,00 0,05 0, ,20-0,08 0,00 0,05 0,15 Tabell 4d: The levels of cost attributes relative to the base cost for Ferry Base Cost of a trip Percentage change in base cost of the trip (NOK) (NOK) level -2 level 1 level 0 level 1 level ,15-0,07 0,00 0,07 0, ,25-0,07 0,00 0,06 0, ,30-0,09 0,00 0,06 0, ,40-0,12 0,00 0,08 0, ,35-0,12 0,00 0,09 0, ,35-0,12 0,00 0,10 0, ,35-0,12 0,00 0,10 0, ,30-0,12 0,00 0,10 0, ,30-0,10 0,00 0,10 0, ,32-0,10 0,00 0,08 0, ,38-0,10 0,00 0,07 0, Level of congestion for car trips Level of congestion is defined as the percentage of the total trip time that a respondent experience congestion. For long distance travel with car we assume that the base level of congestion is depends on trip length, 10% of the total travel time for trips less than 150 km and 4% of trip time for trips over 150 km. Table 5A shows the 5 attribute levels of congestion relative to base of 10% and 4%. 70

19 For short distance travel the base level of congestion is connected to the reference trip as shown in Table 5B. This table also shows the 5 attribute levels for the level of congestion. Table 5A: Attribute levels for driving time in congested traffic, long distance travel with car time Travel distance Levels for congestion as a percentage of travel time level -2 level -1 level 0 level 1 level km 0 % 5 % 10 % 20 % 30 % > 150 km 0 % 2 % 4 % 8 % 12 % Table 5B: Attributtleveler for tid i kø med bil, korte reiser. Travel distance Levels for congestion as a percentage of travel time level -2 level -1 level 0 level 1 level 2 < 50 % 0 % 10 % 20 % 40 % 60 % > 50 % 0 % 15 % 30 % 50 % 80 % Sitting place for public transport Sitting place availability is defined as the percentage of on board travel time when sitting place is available. The base sitting place availability is connected to the reference trip as presented in Table 6. Table 6 also shows the 5 attribute levels for sitting place availability. Table 6. The levels of sitting place Level -2 level -1 level 0 level 1 level 2 All the time Most part Half of the ¼ of the time No sitting time place Reliability Reliability, Mean Variance approach In the first approach reliability is presented as a 5-point distribution of travel time duration (translated to arrival time). Tables 7A and 7B show 5 levels of 5-point distribution of changes in trip base time for car. Tables 8A and 8B show the corresponding for public transport. 71

20 Table 7A. Variability as a percentage of travel time for car trips up to 35 minutes Level -2 Level -1 Level 0 Level 1 Level 2 0,95 0,92 0,77 0,62 0, ,9 0,84 0, ,2 1,38 1,42 1,1 1,12 1,4 1,78 1,82 Table 7B. Variability as a percentage of travel time for car trips over 35 minutes Level -2 Level -1 Level 0 Level 1 Level 2 0,95 0,93 0,80 0,67 0, ,92 0,85 0, ,18 1,37 1,4 1,05 1,1 1,35 1,68 1,7 Table 8A: Variability as a percentage of travel time for scheduled modes up to 35 minutes Level -2 Level -1 Level 0 Level 1 Level 2 0,95 0,94 0,82 0,66 0, ,92 0,82 0, ,18 1,38 1,45 1,1 1,12 1,34 1,85 1,9 Table 8B: Variability as a percentage of travel time for scheduled modes over 35 minutes Level -2 Level -1 Level 0 Level 1 Level 2 0,95 0,94 0,83 0,72 0, ,95 0,85 0, ,2 1,33 1,38 1,05 1,08 1,4 1,72 1,75 72

21 Reliability Scheduling Approach In the second alternative the reliability will be examined through the preferred arrival time (see de Jong el al. 2007). Table 9 shows the 5 levels of arrival time relative to base time. Table 8. Arrival time, Early of Late, relative to base time in minutes for BaseTime Arrival Time level (min.) level 2 Level 1 level 0 level 1 level

22 3. Cases of CE type B The second choice experiment of for all respondents (except for walk and cycle) will be CE type B. Some of the respondents will also get CE type B for their third choice experiment (when the focus is on reliability). In the following section examples of CE type B are presented. 3.1 Congestion Figure 4 shows an example of the presentation of a choice pair with congestion as an attribute. In this example the 3 attributes are time, cost and congested driving time. Figure 4. Presentation of choice pairs for congestion Consider the following two car trips Trip A Total trip time: T min Congested driving time: X - ΔX min Total Cost: C NOK Trip B Total trip time: T + ΔT min Congested driving time: X min Total Cost: C ΔC NOK Which one do you prefer? Trip A Trip B 3.2 Sitting place, Public transport Figure 6 shows an example of availability of sitting place in public transport Figure 6. Presentation of choice a pair for sitting place availability Consider the following two public transport trip Trip A Trip B Total travel time: T minutes Total travel time: T + ΔT minutes Sitting available: X - ΔX Sitting available: X Total Cost: C NOK Total Cost: C ΔC NOK Given everything else the same, which one do you prefer? Trip A Trip B 74

23 3.3 Reliability Mean Variance Approach Figure 7 shows an example of the presentation of a choice pair in this experiment. In this example the attributes cost and variations in travel time. Figure 7. Presentation of reliability, Mean Variance Approach Consider the following two car trips. Trip A Cost: C NOK Variations in travel time: T Δt 1 T Δt 2 T T Δt 3 T Δt 4 Trip B Cost: C - ΔC NOK Variations in travel time T Δt 5 T T T Δt 6 T Δt 7 Which one do you prefer? Trip A Trip B 3.4 Reliability Scheduling Approach Figure 8 shows an example of the presentation of a choice sets in this experiment. In this example the 3 attributes are time, cost and Early/ Late arrival at destination. Figure 8. Presentation of reliability, Scheduling Approach Consider the following two car trips Trip A: Total travel time: T minutes Arrival time: [- ΔX] ΔX minutes early Total Cost: C NOK Trip B: Total travel time: T + ΔT minutes Congested time: [X] On time Total Cost: C ΔC NOK Which one do you prefer? Trip A Trip B 75

24 4. Cycle/walk choice experiments The choice experiments for walk and cycle are designed differently from the choice experiments for other modes. The first choice experiment will be a between mode game. The respondents will get to select an alternative mode (car or public transport) for their reported walk/cycle trip. This purpose for this experiment is experiment to establish a value of travel time for walk/cycle. The two following choice experiments will be constructed with 3 attributes of which one is the total walk/cycle time. The other two attributes are selected among the following attributes: 1. Cycle path (C-Path) (for cyclist only) 2. Separate walk and cycle path (C/W-Path) 3. Number of stops at intersection (NoS) 4. Level of maintenance of cycle path/sidewalk, e.g. removal of ice, snow, gravel, etc. (LoM) The choice experiments for walk are: 1. Mode choice experiment: Walk and Car/Public Transport (attribute: total walk time, total in vehicle time and total cost of the trip with car or public transport) 2. Within mode experiment (attributes: total walk time, C/W path, NoS) 3. Within mode experiment (attributes: total walk time, C/W path, LoM) The choice experiments for cycle are: 1. Mode choice experiment: Cycle and Car or Public Transport (attribute: total cycle time, total in vehicle time and total cost of the trip with car or public transport) 2. Within mode experiment (attributes: total cycle time, C-Path, NoS) 3. Within mode experiment (attributes: total walk time, C-Path, C/W-Path) 4. Within mode experiment (attributes: total walk time, C-Path, LoM) Note that a respondent gets only three choice experiments. Hence two experiments will be randomly among 2, 3, and 4 choice experiments for cycle. 4.1 Between-mode choice experiment for Walk/Cycle, CE type C The base time for walk/cycle is based is randomly assigned to respondents and therefore detached from the reported reference trips (see Appendix X for details). 76

25 A respondent is asked to choose an alternative mode (car or public transport) to replace the reference walk/cycle trip. The travel time and cost of the alternative mode constitute the base time and base cost of alternative mode (car or public transport). 3 levels of each of these attributes will be based on Tables 3 and 4. The choice experiment will be a randomised factorial design (without dominants). Each respondent will get 8 choice pairs in this experiment. Figure 9 shows an example of the presentation of this experiment The order of presentation of Walk/Cycle and Alternative mode should change randomly. Figure 9 Presentation of choice pairs for between-mode choice experiment Consider two alternative trips Trip A: Walk Total walk time: T minutes Separate Walk Path: all the way Trip B: Public Transport Total time: T minutes Total cost: C NOK Which one do you prefer? Trip A Trip B 4.2 Within mode choice experiment for walk (attributes: Total time, C/W-Path and NoS): CE Type D The total time of the reference walk trip is the base time for walk. The five attribute levels for walk time are constructed according to Table 3. The base level of C/W-Path is defined by default and the five attribute levels are constructed according to Table 10. The base number of stops is also based on the reference walk trip. The five attribute levels for number of stops are constructed according to Table 11. Table 10. Attribute levels for C/W-Path, in percent of distance Level 2 Level-1 Level 0 Level 1 Level 2 80% 50% 30% 15% 0% 60% 40% 20% 10% 0% 77

26 Table 11. Attribute levels for no. of crossing at stops. Difference from the crossing in reference trip Change in no. of stops (relative to base) Base no. of stops level 2 Level 1 level 0 level 1 level As illustrated in Table 11 when the base number of stops is zero, level 2 and level 1 are also zero. There is also a similar problem when base number of stops is 1. In this case level 2 and level 1 are both 1. The design structure for this choice experiment (3 attribute with 5 levels) basically follows CE type B when the number of stops is more than 2. When the base number of stops is 1 the choice pairs with the attribute level 1 should be eliminated. Table 12 shows the possible 72 choice pairs or 12 choice sets of 6 pairs. When the base number of stops is 0 the choice pairs with the attribute levels 2 and level 1 should be eliminated. That will leave us with 48 choice pairs or 8 choice sets of 6 choice pairs. Table 13 show the choice pairs grouped in 12 choice sets of 6 choice pairs. In summary the design structure of type D is as follow: 1. Use Table 2 when base number of stops equal to two or more 2. Use Table 12 when base number of stops equal to one 3. Use Table 13 when base number of stops equal to zero 78

27 Table 12. Level of attributes in the design when no of stops is one Choice sets Subset Choice Pair no. Total time Left Separate path Left No. of Stops Left Total time Right Separate path Right No. of Stops Right

28 Table 12 (continued) Subset Choice Pair no. Total time Left Separate path Left No. of Stops Left Total time Right Separate path Right No. of Stops Right

29 Table 12 (continued) Subset Choice Pair no. Total time Left Separate path Left No. of Stops Left Total time Right Separate path Right No. of Stops Right

30 Table 12(Continued) Subset Choice Pair no. Total time Left Separate path Left No. of Stops Left Total time Right Separate path Right No. of Stops Right An alternative for CE Type D A simplification of the design suggested above is to use Table 13 for the construction of the five levels of attributes of number of stops. Note that in this case, when the number of stops in the reference trip is one the base number of stops will be set to -1. In summary the procedure for CE type D is as follow: 1. Use Table 2 when base number of stops equal to two or more 2. Use Table 12 when base number of stops equal to one or zero Table 13. Change in number of stops relative to base number of Change in no. of stops (relative to base) Base no. of stops level 2 Level 1 level 0 level 1 level Figure 10 illustrates an example of this choice pairs. Each respondent get 6 choice pairs in CE type D. 82

31 Figure 10 Presentation of choice pairs for Consider the following two trips as pedestrian Trip A Trip B Total walk time: T minutes Total walk time: T + ΔT minutes Time C/W path: T c/w ΔT c/w No. of Stops: S C/W path: T c/w No. of stops: S ΔS Given everything else the same, which one do you prefer? Trip A Trip B 4.2 Within mode choice experiment for walk (attributes: Total time, C/W- Path and LoM) CE Type B The reference walk trip total trip time is base time for walk. The five attribute levels for walk time are constructed based on the base time according to Table 3. The base level of provision of C/W-Path and is defined by default and the five attribute levels of provision are constructed according to Table 10. The base level of maintenance is defined by default. Table 14 shows the default and the assumed five attribute levels of maintenance. Table 14. Maintained sidewalk or cycle path level 2 Level 1 level 0 Level 1 level 2 100% 80% 50% 30% 10% Table 15 Attribute levels for ice and snow cleaning level 2 Level 1 level 0 Level 1 level 2 All the way All the way Most of the way Part of the way None The choice experiment in this case is CE type B. Each respondent gets a set of 6 choice pairs. Figure 11 illustrates an example. 83

32 Figure 11. Presentation of choice pairs (Total time, C/W path and LoM) Consider the following two trips: Trip A Total travel time: T minutes C/W path: T c/w +ΔT c/w minutes Maintained: T LoM minutes Trip B Total travel time: T + ΔT minutes C/W path: T minutes Maintained: T LoM +ΔT LoM minutes Which one do you prefer? Trip A Trip B 4.3 Within mode Choice experiment for Cycle (attributes: Total time, C- Path and NoS): CE Type D The reference cycle trip total trip time is base time for cycle. The five attribute levels for cycle time are constructed based on the base time according to Table 3. The base level of provision of C-Path and is defined by default and the five attribute levels of provision are constructed according to Table 10. The base number of stops is also connected to the reference cycle trip. The five attribute levels for number of stops are constructed based on the base number of stops according to the following Table 11 or alternatively Table 14. The design will be identical to the one described in section Within mode experiment (attributes: total walk time, C-Path, C/W- Path) CE type E There are 3 attributes in this experiment. These are: Total time Percentage of cycling distance/time with C-Path Percentage of cycling distance/time with C/W- Path The reference cycle trip total trip time is base time for cycle. The five attribute levels for walk time are constructed based on the base time according to the following Table 3. Attribute levels for separate Cycle Path from traffic (C-Path) and separate Cycle Path from pedestrians and traffic (C/W-Path) as a percentage of the total cycling distance are presented in Table

33 The sum of the C-Path and C/W-Path distance/time should not be larger than the total cycle distance/time. Some of the choice pairs presented in Table 2 will not be meet this condition. In this case there will be all together 48 choice pairs that will be allocated to 8 respondents, i.e., each respondent gets a set of 6 choice pairs. Figure 12 illustrates the presentation of a choice pair in this type of experiment. Figure 12. Presentation of choice pairs (Total time, C/W path and C path) Consider the following two trips: Trip A Total travel time: T minutes C/W path: T c/w +ΔT c/w minutes C path: T C minutes Trip B Total travel time: T + ΔT minutes C/W path: T c/w minutes C path: T C +ΔT C minutes Which one do you prefer? Trip A Trip B Table 16. Level of attributes in the choice experiment type E Choice sets med 8 sett. Subset Choice Pair no. Total time Left Separate path Left No. of Stops Left Total time Right Separate path Right No. of Stops Right

34 Subset Choice Pair no. Total time Left Separate path Left No. of Stops Left Total time Right Separate path Right No. of Stops Right Within mode choice experiment for cycle (attributes: Total time, C- Path and LoM) CE Type B The reference cycle trip total trip time is base time for cycle. The five attribute levels for walk cycle are constructed based on the base time according to Table 3. The base level of provision of C/W-Path and is defined by default and the five attribute levels of provision are constructed according to Table 10. The base level of maintenance is defined by default. Table 15 shows the default and the assumed five attribute levels of maintenance. 86

35 The choice experiment in this case is of type CE type B. Each respondent gets a set of 6 choice pairs Reference de Jong G, Y. Tseng, M. Kouwenhoven, E.Verhoef and J. Bates 2007: The value of travel time and travel time reliability. Survey design. Final report. For the Netherlands Ministry of Transport, Public Works and Water Management. 87

36 88

37 Appendix III Design of between mode experiment for Walk and Cycle The between mode experiment for walk and cycle will not use any of the reference (base values reported by the respondents), i.e., will not use the base time of walk or cycle. 1. Procedure for walk 1. The respondent will be randomly assigned a walk base time, W_base_T, among the following 10 values: 12, 14, 18, 23, 28, 34, 37, 43, 46 and The base time for the alternative mode (car or public transport), Alt_base_T is calculated from W_base_T as follow: Alt_base_T= 0,4* W_base_T 3. The base cost for the alternative mode, Alt_Base_C in NOK is calculated as follow Alt_base_C = 1,4* W_base_T for W_base_T < 29 Alt_base_C = 0,6* W_base_T for W_base_T Use a fractional factorial type design, with 3 attribute levels for Walk time, Alternative mode time and Alternative mode cost as follow: Attribute levels for Walk Time: W_base_T 30% (W_base_T) W_base_T for W_base_T < 29 W_base_T +30% (W_base_T) and W_base_T 25% (W_base_T) W_base_T for W_base_T 30 W_base_T +25% (W_base_T) 89

38 Attribute levels for Alternative mode time: Alt_base_T 30% (Alt_base_T) Alt_base_T for W_base_T < 29 Alt_base_T +30% (Alt_base_T) and Alt_base_T 25% (Alt_base_T) Alt_base_T for W_base_T 30 Alt_base_T +25% (Alt_base_T) Attribute levels for Alternative mode cost: Alt_base_C 30% (Alt_base_C) Alt_base_C Alt_base_C +30% (Alt_base_C) Assign randomly separate walk path most of the way and no separate walk path as a second attribute (in addition to walk time) to the alternative walk. 90

39 2. Procedure for Cycle 1. The respondent will randomly be assigned a cycle base time, C_base_T, among: 15, 21, 26, 32, 38, 43, 52, 58, 61, and The base time for alternative mode (car or public transport), Alt_base_T, is calculated from C_base_T as follow: Alt_base_T= 0,4* C_base_T 3. The cost for alternative mode, Alt_base_C in NOK is calculated as follow Alt_base_C = 1,4* C_base_T for C_base_T < 29 Alt_base_C = 0,6* C_base_T for 30 C_base_T < 59 Alt_base_C = 0,35* C_base_T for C_base_T Use a fractional factorial type design, with 3 attribute levels for Walk time, Alternative mode time and Alternative mode cost as follow: Attribute levels for Cycle Time: C_base_T 30% (C_base_T) C_base_T for C_base_T < 29 C_base_T +30% (C_base_T) And C_base_T 25% (C_base_T) C_base_T for C_base_T 30 C_base_T +25% (C_base_T) Attribute levels for Alternative mode time: Alt_base_T 30% (Alt_base_T) Alt_base_T for C_base_T < 29 Alt_base_T +30% (A_base_T) 91

40 Alt_base_T 25% (Alt_base_T) Alt_base_T for C_base_T 30 Alt_base_T + 25% (Alt_base_T) Attribute levels for Alternative mode cost: Alt_base_C 30% (Alt_base_C) Alt_base_C Alt_base_C +30% (Alt_base_C) Assign randomly separate cycle path most of the way and no separate cycle path as a second to the alternative walk. 92

41 Vedlegg IV Spørreskjema Felles innledende spørsmål Fellestekst1 Fellestekst2 Fellestekst3 93

42 A1 A2 I3 Hvis 0: I1. Hvis >0: GS1cycle GS1cycle Routes til gang/sykkel-skjema I1 94

43 Hvis alternativ 3: I2. Ellers: I3. I2 Hvis 0: I4. Hvis >0: GS1walk GS1walk Routes til gang/sykkel I4 Hvis ja: Routes til lange reiser. Hvis nei: Routes til korte reiser. Variant for de som ble rekruttert på hurtigbåter Ikke I1, I2, I3, I4. 95

44 Istedet: I4A. Stemmer det at du nylig gjennomførte en reise med hurtigbåt? o Ja, jeg hadde en hurtigbåtreise på under 100 km o Ja, jeg hadde en hurtigbåtreise på 100 km eller mer o Nei, jeg har ikke reist med hurtigbåt siste 10 dager Hvis reise under 100 km: Til korte reiser Hvis reise over 100 km: Til lange reiser Hvis nei: Ut Variant for de som ble rekruttert på flyplass Innledning som ellers. Får ikke I1, I2, I3, I4. Går til lange reiser. Spørreskjema for korte reiser Reisedagbok 96

45 K1 K2 Hvis ja: K4II. Hvis nei. K3. K3 Hvis ja: K4. Hvis nei: Går ut av undersøkelsen K4 K4II 97

46 K5 K5RD_ Det er opptil 5 rader i tabellen, avhengig av oppgitt antall reiser i K5. Teksten over tabellen er: I tabellen ("Reisedagboken") under skal du velge startsted, hensikt med reisen og hovedtransportmiddel per reise. Med hovedtransportmiddel menes det transportmiddel du brukte på den lengste delen (i kilometer) av reisen. Du skal også anslå reiselengden og reisetiden, per reise, på hovedtransportmiddelet. For eksempel, tenk deg at du på reise til arbeid benytter både buss og T-bane, men at den lengste delen av reisen foregår med T-bane (i km). Da skal du oppgi reisetid og ca antall km på den delen av reisen der du benytter T-bane. Lykke til med utfyllningen! Dersom du synes det er vanskelig å svare, skriv inn det du tror eller gjetter er omtrent riktig. Husk at 1 mil = 10 km. Du må fylle ut alle rubrikkene for å komme videre. Ved reisetid null timer/minutter vennligst velg alternativet "0" i listen. Kolonneoverskriftene er: Hoved- Startsted Reisehensikt transportmiddel Reiselengde Reisetid 98

47 Skjermbilde: Må svare for å komme videre. Kriterier for valg av reise fra reisedagboka: Hvis en respondent har fylt ut flere korte reiser i reisedagboka, skal valg av referansereise gjøres etter følgende prioritering: a) Respondenten går ut av undersøkelsen hvis reisedagboka kun inneholder reiser med en eller flere av følgende egenskaper: - Reisetid under 10 minutter - Tjenestereise - Bil, som passasjer - Transportmiddel Annet b) Reiser med egenskaper som er listet opp under a), velges ikke som referansereise. c) Båt/ferge-reise velges dersom det finns. Ellers velges det tilfeldig. Kriteriet om lengste reise er overflødig nå som ingen reiser er under 10 minutter. Hvis respondenten skal gå ut av undersøkelsen: Eller: 99

48 Hvis #transportmiddel# er sykkel eller gange, gå til spørreskjemaet for sykkel/gange. K16A Til de som får valgt ut en bilreise: Script er opplysninger fra reisedagboka. Hvis ja: K17A. Hvis nei: K23. [ bilreise burde vært bilreisen ] K17A Script er opplysninger fra reisedagboka.( Femte er et eksempel.) Hvis passasjer i bil på fergen: Ut av undersøkelsen Hvis bilfører i bil på fergen: K18 Hvis passasjer på fergen uten bil: K24. Behandles som kollektivreisende ( Båt ). 100

49 K18 Til de som har brukt ferje på en bilreise Her kommer de inn som har brukt ferje på en bilreise fra skjema for lange reiser Må svare for å komme videre. K19 Må svare for å komme videre. K20 K21 101

50 K22 Må svare for å komme videre. De som har kostnad på 8 kroner eller mindre fra K22: K23 Til de som ikke har bilreise med ferje Opplysninger fra reisedagboka settes inn. ( Femte er et eksempel.) Heretter står følgende tabell øverst på hver side: Opplysninger fra reisedagboka vises, evt. opplysninger om ferjereise innhentet etter reisedagboka. 102

51 K24 I fortsettelsen er SCRIPT transportmiddelet på referansereisen, om ikke annet er spesifisert. K25 K26 Bilførere hopper til K31. K28 Til alle som ikke har brukt bil på referansereisen Hvis ja: K29. Hvis nei: K35 Må svare for å komme videre. 103

52 K29 Kan ikke svare 0. K30 Må svare for å komme videre. K31 Til bilreisende Hvis ja: K31a. Hvis nei: K33 K31a Til bilreisende K32 Til bilreisende Må svare for å komme videre. 104

53 K33 Til bilreisende Hvis ja: K34. Hvis nei: K37 K34 Til bilreisende K35 Til kollektivreisende Hvis ja: K36. Hvis nei eller vet ikke: K37 K36 Til kollektivreisende 105

54 K37 Til alle Hvis ja: K38. Hvis nei eller vet ikke: K42 K38 K41 K42 Til alle 106

55 K43 Antall minutter fra reisedagboka (eller ferjespørsmålene, hvis bil på ferje) Hvis ja: K45 hvis kollektivreisende, K48 hvis bilreisende. Hvis nei: K44. Må svare for å komme videre. K44 Må svare for å komme videre. K45 Til kollektivreisende K46 Til kollektivreisende Hvis ja: K48. Hvis nei: K

56 K47 K48 Til alle Hvis ja: K49. Hvis nei: K50 hvis kollektivreisende, K53 hvis bilreisende. K49 108

57 K50 Til kollektivreisende Hvis enkeltbillett: K50b Hvis månedskort osv. eller klippekort: K50a Hvis annet: K51a Må svare for å komme videre. K50b Til kollektivreisende som brukte enkeltbillett Gå til K59 Må svare for å komme videre. K50a Til kollektivreisende som brukte kort Hvis beregnet kostnad pr reise blir 15 kroner eller mer: K51 Hvis beregnet kostnad pr reise blir mindre enn 15 kroner: K51a Må svare for å komme videre. 109

58 K51 Til kollektivreisende med beregnet kostnad pr reise 15 kroner Hvis ja: K59. Hvis nei: K52 Må svare for å komme videre. K51a Til kollektivreisende med beregnet kostnad < 15 kroner eller svar Annet i K50 Gå til K52a Må svare for å komme videre. K52a Til kollektivreisende med beregnet kostnad < 15 kroner Hopp til K59 K52 Til kollektivreisende som ikke godtok beregnet kostnad Må svare for å komme videre. Til de som har kostnad på 8 kroner eller mindre fra 50A, 50B, 51A eller 52 (K50B <=8 eller K50A_r1_c1/K50A_r2_c1 <= 8 eller K51A <= 8 eller K52 <= 8) 110

59 K53 Til bilreisende Hvis ja: K54. Hvis nei: K55 Må svare for å komme videre. K54 Til bilreisende Må svare for å komme videre. K55 Til bilreisende Hvis ja: K57. Hvis nei: K56. Må svare for å komme videre. 111

60 K56 Til bilreisende Må svare for å komme videre. Til de som har kostnad på 8 kroner eller mindre (K55 = 1 og (1.8*RDle_V + K54 <= 8)) eller (K55 = 2 og (K56*RDle_V + K54 <= 8)) K57 Til bilreisende (beregnede tall vises, ikke 0 ) K59 Til alle 112

61 K60 Til alle K60A Til alle CE1 CEinfo Script er transportmiddel. Ulike verdier vises, ikke

62 9 valg av denne typen. Generering av nivåer og parvise valg K62 CV-spørsmål avhengig av svar i niende valg i sekvensen ovenfor. Hvis respondenten har valgt alternativet i et WTA-valg Hvis respondenten har valgt referansereisen i et WTA-valg 114

63 Hvis respondenten har valgt alternativet i et WTP-valg Hvis respondenten har valgt referansereisen i et WTP-valg K64A Hvis reisetid: K64B Hvis kostnad: K64C K64B 115

64 K64C CE2 2CCS Køkjøring Bil (Verdiene i dette eksemplet er ikke reelle.) 6 valg Tabell for reisetid: 2A Tabell for tid i kø: 5B Tabell for kostnad: 3A Tabell for choice sets : 1A 116

65 K76 K77 Hvis kun ett alternativ er krysset av: K78. Hvis to og bare to alternativer er krysset av: K79 Hvis alle tre er krysset av: Går til CE3. K78 Script er den som ble krysset av i K77. K79 Script er den som ikke ble krysset av i K77. Routes til CE3 alternativt transportmiddel. 117

66 21CB Reliability I Car Intro (Verdiene i denne illustrasjonen er ikke reelle) 6 valg Tabell for reisetid: 2A Tabell for variasjon i reisetid: 6A Tabell for kostnad: 3A Tabell for choice sets : 1A 118

67 KL66 KL67 Hvis kun ett alternativ er krysset av: KL68. Hvis begge to er krysset av: Går til CE3. KL68 21NB Reliability I PT, Rail, Bus, Boat Intro 119

68 6 valg Tabell for reisetid: 2B Tabell for variasjon i reisetid: 6B Tabell for kostnad: 3B Tabell for choice sets : 1A KL66, KL 67, KL 68 Se ovenfor Routes til Pålitelighet II 2EPS PT, Rail, Bus, Boat Intro (Verdiene i dette eksemplet er ikke reelle.) 120

69 6 valg Tabell for reisetid: 2B Tabell for sitteplassmulighet: 4 Tabell for kostnad: 3B Tabell for choice sets : 1A K81 K82 Hvis kun ett alternativ er krysset av: K83. Hvis to og bare to alternativer er krysset av: K84 Hvis alle tre er krysset av: Går til CE3. 121

70 K83 Script er den som ble krysset av i K82. K84 Script er den som ikke ble krysset av i K82. Routes til CE3 alternativt transportmiddel 21FB Reliability I Ferry Intro (Verdiene i denne illustrasjonen er ikke reelle) 122

71 6 valg Tabell for reisetid: 2D Tabell for variasjon i reisetid: 6B Tabell for kostnad: 3D Tabell for choice sets : 1A KL66, KL 67, KL 68 Se ovenfor Routes til Pålitelighet II. CE3 3MAS Alternative mode Car; PT, Rail, Bus, Boat For at ingen skal få som alternativ det transportmiddelet de allerede bruker, fjernes det fra svaralternativene i de følgende spørsmålene. 123

72 K86bil K86Trikk K86Tbane 124

73 K86Buss K86Tog K87 Til de som har oppgitt at de ikke har noe alternativt transportmiddel Hvis ja: Gå til «FaktaReise». Hvis nei: Gå til felles avsluttende spørsmål. FaktaReise Reisetid og kostnad er beregnet ved hjelp av lengden på referansereisen: Tid = 60 * lengde / 40 minutter Kostnad = 1,23 * (15 + lengde) kroner 125

74 K88 Til de som har annet enn bil som alternativ (transportmiddel vises i teksten) Må svare for å komme videre. K89 Til de som har annet enn bil som alternativ Må svare for å komme videre. K90 Til de som har annet enn bil som alternativ 126

75 K91 Til de som har bil som alternativ Script er opplysninger fra reisedagboka (evt. ferjespørsmålene) K92 Til de som har bil som alternativ Hvis ja: K93. Hvis nei: K93A Må svare for å komme videre. K93 Til de som har bil som alternativ og må betale bompenger Må svare for å komme videre. K93A Til de som har bil som alternativ Hvis ja : K93B. Hvis nei eller vet ikke : K94. Må svare for å komme videre. 127

76 K93B Til de som har bil som alternativ og må bruke ferge Må svare for å komme videre. K94 Til de som har bil som alternativ Hvis ja : K96. Hvis nei : K95. Må svare for å komme videre. K95 Til de som ikke aksepterte kostnaden i K94 Må svare for å komme videre. K96 Til de som har bil som alternativ K97 128

77 K97II «Script» er det alternative transportmiddelet. K97III 9 valg: 2 WTP, 2 WTA, 2 EG, 2 EL, 1 off reference. Prosedyre i designdokument. I tillegg sikres forskjell mellom A og B ved meget korte reise ved at: If delta T < 1 then set delta T = 1 Else: use the same delta T as before. 129

78 K62 (CV-spørsmål) som ovenfor CQ Routes til felles avsluttende spørsmål 32CB Reliability II Car Intro (Verdiene i denne illustrasjonen er ikke reelle) 6 valg Tabell for reisetid: 2A Tabell for ankomsttid: 7 Tabell for kostnad: 3A Tabell for choice sets : 1D 130

79 KL72 Hvis kun ett alternativ er krysset av: KL73. Hvis to og bare to alternativer er krysset av: KL74. Hvis alle tre er krysset av: Går til felles avsluttende spørsmål. KL73 Script er den som ble krysset av i KL72. KL74 Script er den som ikke ble krysset av i KL

80 CQ Routes til felles avsluttende spørsmål. 32NB Reliability II PT, Rail, Bus, Boat Intro 6 valg Tabell for reisetid: 2B Tabell for ankomsttid: 7 Tabell for kostnad: 3B Tabell for choice sets : 1D KL72, KL73, KL74, CQ Se ovenfor Routes til felles avsluttende spørsmål 132

81 32FB Reliability II Ferry Intro 6 valg Tabell for reisetid: 2D Tabell for ankomsttid: 7 Tabell for kostnad: 3D Tabell for choice sets : 1D KL72, KL73, KL74, CQ Se ovenfor Routes til felles avsluttende spørsmål 133

82 Variant for de som ble rekruttert på hurtigbåter Kutt: - Teksten Reisedagbok (første siden de kommer til i skjema for korte reiser) - K1, K2, K3 Sett inn teksten: K3A. Vi ber deg tenke på en bestemt hurtigbåtreise du gjennomførte i løpet av siste 10 dager. Deretter går de videre til K4 og får spørsmål om ukedag og dato sånn som det er fra før. Kutt K5 og sett isteden inn teksten: K5A. I Reisedagboken som du nå kommer til, ber vi deg fylle inn opplysninger om den valgte hurtigbåtreisen. De routes til reisedagboken som om de skulle hatt 1 reise (K5RD1). Øvrige spørsmål akkurat som for de andre respondentene. 134

83 19. januar 2010 Spørreskjema for lange reiser L1 Hvis flere enn 1 reise, hopp til spørsmål L3. L2 Må svare for å komme videre. 135

84 L3 Må svare for å komme videre. Ut fra L2/L3 velges transportmiddel som skal gjelde for referansereisen i resten av skjemaet. a) Hvis intet annet transportmiddel er oppgitt i L2 enn Annet : Respondenten får ikke flere spørsmål fra skjema for lange reiser men fortsetter med skjema for korte reiser. b) Hvis svar på L3 kun er Annet : respondenten blir rutet til skjema for korte reiser og /eller hvis svar på L3 bare er Bil, som passasjer : Respondenten blir rutet til skjema for korte reiser. c) Hvis svar på L2 bare er svaralternativet Bil, som passasjer : Respondenten rutes over til skjema for korte reiser. d) Hvis svar på L1var 1, blir svaret på L2 transportmiddelet som videre settes inn som #transportmiddel# i resten av spørsmålene. e) Hvis kun ett transportmiddel er valgt i L3 blir dette det transportmiddelet som videre settes inn som #transportmiddel# i resten av spørsmålene. f) Hvis flere transportmidler er valgt i L3 velges etter følgende prioritering: 1) båt/ferge, 2) buss, 3) tog. Ellers velges det tilfeldig. Dette blir da #transportmiddel i resten av skjemaet. Ferge som en lang reise vil bli dekket under skjema for lange reiser, men når ferge blir brukt på en lang reise i kombinasjon med bil vil fergereisen bli rutet over til skjema for korte reiser. 136

85 Til de som går ut: L4 SCRIPT er transportmiddelet som er valgt ut etter L2 eller L3 L5 L6 Må svare for å komme videre. 137

86 L7 Til de som brukte bil Hvis ja: går til skjema for korte reiser (inn etter reisedagboka) Må svare for å komme videre. L8 Egen tekst for flyreiser: Omtrent hvor lang tid tok reisen, inkludert tid PÅ flyplassene? Anslå tiden helt fra du kom til flyplassen du reiste fra til du forlot flyplassen du reiste til. Må svare for å komme videre. L12 Til de som brukte bil Hvis ja: L13. Hvis nei: L17. Må svare for å komme videre. 138

87 L13 Må svare for å komme videre. Der det står -61 minutter vil respondentens totale reisetid vises i denne feilmeldinga: L14 Til de som brukte annet transportmiddel enn bil SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 Hvis ja: L15. Hvis nei: L17. Må svare for å komme videre. L15 SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 L16 SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 Må svare for å komme videre. 139

88 Der det står -61 minutter vil respondentens totale reisetid vises i denne feilmeldinga: L17 SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 Der det står -61 minutter vil respondentens beregnede reisetid vises (total reisetid med dette transportmiddelet minus byttetid) Hvis ja: L19 for bil og L23 for andre transportmidler. Hvis nei: L18. L18 SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 L19 Til de som brukte bil Hvis ja: L19A. Hvis nei: L

89 L19A Til de som brukte bil L20 Til de som brukte bil Må svare for å komme videre. L21 Til de som brukte bil Hvis ja: L22. Hvis nei: L29 L22 Til de som brukte bil 141

90 L23 Til de som brukte annet transportmiddel enn bil SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 Hvis ja: L24. Hvis nei eller vet ikke: L25. L24 Til de som brukte annet transportmiddel enn bil L25 Til de som brukte annet transportmiddel enn bil SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 Hvis ja: L26. Hvis nei eller vet ikke: L28. L26 Til de som brukte annet transportmiddel enn bil 142

91 L27 Til de som brukte annet transportmiddel enn bil SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 L28 Til de som brukte annet transportmiddel enn bil SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 Må svare for å komme videre. L29 SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 Må svare for å komme videre. Hvis svar < 100: L29. Ellers L30. L29A Til de som svarte < 100 i L29 143

92 L30 Til de som brukte bil Hvis ja: L31. Hvis nei: L32. Må svare for å komme videre. L31 Til de som brukte bil Må svare for å komme videre. L32 Til de som brukte bil Hvis ja: L34. Hvis nei: L33. Må svare for å komme videre. L33 Til de som brukte bil Må svare for å komme videre. Til de bilistene som hadde kostnad på 20 kroner eller mindre (L29 < 100 og L32 = 2 og (L33*L29A + L31 <= 20)) eller (L29 < 100 og L32 = 1 og (1.8*L29A + L31 <= 20)) eller(l29 >= 100 og L32 = 2 og (L33*L29 + L31 <= 20)) eller(l29 >= 100 og L32 = 1 og (1.8*L29 + L31 <= 20)) 144

93 L34 Til de som brukte bil Kostnad uten bompenger, bompengekostnad og total kostnad vises. L35 Til de som brukte bil L36 Til de som brukte annet transportmiddel enn bil SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 Må svare for å komme videre. Til de som hadde en kostnad på 20 kroner eller mindre fra L36: 145

94 L37 SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 L40 Hvis ja: L41. Hvis nei: L43. L41 146

95 L42 SCRIPT er antallet fra svaret i L41 Summen skal stemme med det totale antallet. Hvis ikke kommer en feilmelding. L43 L44 147

96 L45 CE1 InfopageCE1 SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 9 valg: 2 WTP, 2 WTA, 2 EG, 2 EL, 1 off reference. Prosedyre i designdokument. I tillegg sikres forskjell mellom A og B ved meget korte reise ved at: If delta T < 1 then set delta T = 1 Else: use the same delta T as before. 148

97 CV-spørsmål avhengig av svar i niende valg i sekvensen ovenfor. Hvis respondenten har valgt alternativet i et WTA-valg Hvis respondenten har valgt referansereisen i et WTA-valg Hvis respondenten har valgt alternativet i et WTP-valg Hvis respondenten har valgt referansereisen i et WTP-valg 149

98 L51A Hvis reisetid: L51B Hvis kostnad: L51C Ellers: Til neste valgeksperiment L51B L51C CE2 2CCL Congestion Car Intro SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 150

99 6 valg Tabell for reisetid: 2A Tabell for tid i kø: 5A Tabell for kostnad: 3A Tabell for choice sets : 1A L63 L64 Hvis kun ett alternativ er krysset av: L65. Hvis to og bare to alternativer er krysset av: L67 Hvis alle tre er krysset av: Går til CE3. 151

100 L65 Script er den som ble krysset av i L64. L67 Script er den som ikke ble krysset av i L64. Routes til 3MAL Alternativt transportmiddel for bil 21CB Reliability I Car Intro SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 152

101 6 valg Tabell for reisetid: 2A Tabell for variasjon i reisetid: 6A Tabell for kostnad: 3A Tabell for choice sets : 1A KL66 KL67 Hvis kun ett alternativ er krysset av: KL68. Hvis begge to er krysset av: Går til CE3. 153

102 KL68 Script er den som ble krysset av i KL67. 21NB Reliability I PT, Rail, Bus, Boat Intro 6 valg Tabell for reisetid: 2B Tabell for variasjon i reisetid: 6B Tabell for kostnad: 3B Tabell for choice sets : 1A 154

103 KL66, KL 67, KL 68 Se ovenfor Routes til Pålitelighet II 21AL Reliability I Air Intro SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 (Verdiene i denne illustrasjonen er ikke reelle) 6 valg Tabell for reisetid: 2C Tabell for variasjon i reisetid: 6B Tabell for kostnad: 3C Tabell for choice sets : 1A KL66, KL 67, KL 68 Se ovenfor Routes til Pålitelighet II. 155

104 21FB Reliability I Ferry Intro (Verdiene i denne illustrasjonen er ikke reelle) 6 valg Tabell for reisetid: 2D Tabell for variasjon i reisetid: 6B Tabell for kostnad: 3D Tabell for choice sets : 1A KL66, KL 67, KL 68 Se ovenfor Routes til Pålitelighet II. 156

105 CE3 3MAL Alternative mode Car ; PT, Rail, Bus, Boat ; Air L72 SCRIPT er transportmiddelet som ble valgt ut etter L2 eller L3 Hvis ja: L73 Hvis nei: L83 L73hurtigbåt Til de som har brukt hurtigbåt L73bil Til de som har brukt bil 157

106 L73fly Til de som har brukt fly L73buss Til de som har brukt buss L73tog Til de som har brukt tog L74 Til de som har fly, buss eller tog som alternativ Alternativt transportmiddel settes inn etter blitt med Egen tekst for flyreiser: 158

107 Omtrent hvor lang tror du reisetiden ville blitt med fly inkludert tid PÅ flyplassene? Anslå tiden helt fra du kommer til flyplassen du reiser fra til du forlater flyplassen du reiser til. Må svare for å komme videre. L75 Til de som har fly, buss eller tog som alternativ Alternativt transportmiddel settes inn etter reisen med Må svare for å komme videre. L76 Til de som har fly, buss eller tog som alternativ Script er det alternative transportmiddelet L77 Til de som har bil som alternativ Første script er transportmiddelet som ble valgt etter L2 eller L3 Andre script er avstanden som var svaret i L29 159

108 L78 Til de som har bil som alternativ Må svare for å komme videre. L79 Til de som har bil som alternativ Må svare for å komme videre. L79A Til de som har bil som alternativ Må svare for å komme videre. L79B Til de som har bil som alternativ Må svare for å komme videre. 160

109 L80 Til de som har bil som alternativ Må svare for å komme videre. Hvis ja: L82. Hvis nei: L81. L81 Til de som har bil som alternativ Må svare for å komme videre. L82 Til de som har bil som alternativ Beregnede kostnadstall vil vises. L83 Til de som har oppgitt at de ikke har noe alternativ (nei på spørsmål L72) Script er transportmiddelet som ble valgt etter L2 eller L3 Hvis ja: L84. Hvis nei: Til felles avsluttende spørsmål. 161

110 L84 Billettkostnad og reisetid beregnes ved hjelp av formler hvor lengden på referansereisen inngår: Tid = 60 * lengde / 65 minutter Kostnad = 1,23 * (15 + lengde) kroner hvis lengde 500 km Kostnad = 1,23*[15 + lengde - 0,25*(lengde - 500)] kroner hvis lengde > 500 km Info1 Script er det alternative transportmiddelet Info 2 162

111 Første script er det alternative transportmiddelet (Ignorer øvrige script ; det er verdier som genereres av en beskrevet prosedyre.) 9 valg: 2 WTP, 2 WTA, 2 EG, 2 EL, 1 off reference. Prosedyre i designdokument. I tillegg sikres forskjell mellom A og B ved meget korte reise ved at: If delta T < 1 then set delta T = 1 Else: use the same delta T as before. K98 CV-spørsmål avhengig av svar i niende valg i sekvensen ovenfor. K99 Routes til felles avsluttende spørsmål. 163

112 32CB Reliability II Car Intro (Verdiene i denne illustrasjonen er ikke reelle) 6 valg Tabell for reisetid: 2A Tabell for ankomsttid: 7 Tabell for kostnad: 3A Tabell for choice sets : 1D KL72 Hvis kun ett alternativ er krysset av: KL73. Hvis to og bare to alternativer er krysset av: KL74. Hvis alle tre er krysset av: Går til felles avsluttende spørsmål. 164

113 KL73 Script er den som ble krysset av i KL72. KL74 Script er den som ikke ble krysset av i KL72. CQ Routes til felles avsluttende spørsmål. 165

114 32NB Reliability II PT, Rail, Bus, Boat Intro 6 valg Tabell for reisetid: 2B Tabell for ankomsttid: 7 Tabell for kostnad: 3B Tabell for choice sets : 1D KL72, KL73, KL74, CQ Se ovenfor Routes til felles avsluttende spørsmål 166

115 32AL Reliability II Air Intro Første Script er transportmiddelet som ble valgt etter L2 eller L3 (Verdiene i denne illustrasjonen er ikke reelle) 6 valg Tabell for reisetid: 2C Tabell for ankomsttid: 7 Tabell for kostnad: 3C Tabell for choice sets : 1D KL72, KL73, KL74, CQ Se ovenfor Routes til felles avsluttende spørsmål 167

116 32FB Reliability II Ferry Intro 6 valg Tabell for reisetid: 2D Tabell for ankomsttid: 7 Tabell for kostnad: 3D Tabell for choice sets : 1D KL72, KL73, KL74, CQ Se ovenfor Routes til felles avsluttende spørsmål 168

117 Variant for de som ble rekruttert på hurtigbåter Kutt L1, L2, L3. Definér transportmiddel som hurtigbåt. Teksten til L4 passer ikke. Derfor L4 bare som: Hvilken dato gjennomførte du reisen? Skriv inn dato for dagen og velg riktig måned under. Om du ikke vet/husker vennligst trykk på "Neste". Øvrige spørsmål som for de andre respondentene. Variant for de som ble rekruttert på flyplass Kutt L1, L2, L3. Definér transportmiddel som fly. Ny tekst: Du ble nylig kontaktet av en intervjuer på Gardermoen. Videre i skjemaet ber vi deg tenke på én bestemt flyreise du har gjennomført siste 30 dager, som var - Innenlandsreise - Ikke forretningsreise/tjenestereise Nytt spørsmål: Har du gjennomført en innenlands flyreise siste 30 dager, med ANNET formål enn forretningsreise/tjenestereise? o Ja o Nei Hvis ja: Videre i lange reiser Hvis nei: Ut 169

118 Teksten til L4 passer ikke. Derfor L4 bare som: Hvilken dato gjennomførte du reisen? Skriv inn dato for dagen og velg riktig måned under. Om du ikke vet/husker vennligst trykk på "Neste". Øvrige spørsmål som for andre respondenter. 170

119 19. januar 2010 Spørreskjema for gange og sykling #transportmiddel # er enten på sykkel eller til fots som har blitt rutet fra skjema med innledningsspørsmål eller fra reisedagboka i skjema for korte reiser. Turene til fots/på sykkel har følgende kriterier: Er eneste transportmiddel på reisen, dvs at reiser til/fra stasjon/holdeplass ikke er med i den norske tidsverdistudien Er lenger enn 10 minutter Ikke er tjenestereiser GS1 og GS1A ( På sykkel erstattes av til fots dersom respondenten har gått) Hvis tjenestereise: Går til I4 (spørsmål om de har foretatt en lang reise). Hvis de har foretatt en lang reise går til de skjema for lange reiser, hvis ikke, til skjema for korte reiser. Hvis andre reiseformål: GS2. GS2. Hvor startet din reise #transportmiddel#? Eget bosted Egen arbeidsplass/skole Annet sted GS3. Hvor endte din reise #transportmiddel#? Eget bosted Egen arbeidsplass/skole Annet sted 171

120 GS5. GS6. GS10. GS15. Hvilken ukedag foretok du reisen? o Søndag/helligdag o Mandag torsdag o Fredag o Lørdag o Jeg husker ikke GS16. Hvis #transportmiddel# er på sykkel gå til GS18 Hvis #transportmiddel# er til fots gå til GS19 172

121 GS18. Hvor stor andel av din sykkelreise foregikk på sykkelsti/sykkelbane adskilt fra biltrafikk? Ingen En mindre del av reisen foregikk på sykkelsti/bane Cirka halve reisen foregikk på sykkelsti/bane En større del av reisen foregikk på sykkelsti/bane Hele Gå til GS20 GS19. Hvor stor andel av din spasertur foregikk på gangveg/fortau adskilt fra biltrafikk? Ingen En mindre del av turen foregikk på gangveg/fortau Cirka halve turen foregikk på gangveg/fortau En større del av turen foregikk på gangveg/fortau Hele Alle: GS20. GS20A. 173

122 GS20B. GS24. Har du opplevd noen av følgende problemer under reiser #transportmiddel#? o Is og snø gjør det vanskelig å reise #transportmiddel# o Grus i vegen gjør det vanskelig å reise #transportmiddel# o Andre problemer: o Ingen GS28. Hvor ofte gjennomfører du reiser #transportmiddel# i løpet av en uke? (Regn én vei som én reise) o 10 ganger eller mer pr uke o 4 til 9 ganger pr uke o 1 til 3 ganger pr uke o Mindre enn en gang pr uke GS28A (Sykle erstattes med gå hvis relevant) GS28B (Sykle erstattes med gå hvis relevant) 174

123 For syklende: GS39A. Hvis svar er Bil, som fører : #ALTtransportmiddel# = bil. Gå til GS40. Hvis svar er Kollektivtransport : #ALTtransportmiddel# = Kollektivtransport. Gå til GS40. Hvis svaret er Ingen av dem. Gå til GS39C. For gående: GS39B. Hvis svar er Bil, som fører : #ALTtransportmiddel# = bil. Gå til GS40A. Hvis svar er Kollektivtransport : #ALTtransportmiddel# = Kollektivtransport. Gå til GS40A. Hvis svaret er Ingen av dem. Gå til GS39C. For både gående og syklende som ikke valgte noen av alternativene: GS39C. Hvis Ja : #ALTtransportmiddel# = buss Hvis Nei : Ut av undersøkelsen. 175

124 GS40. CE1: Transportmiddelvalg for syklende (1BMC) Veger, sykkelstier og sykkelbaner kan legges om og priser gå opp og ned. Det betyr at din reisetid og reisekostnad kunne vært annerledes. Tenk deg at før du startet din sykkeltur, kunne du ha valgt mellom sykkel og #ALTtransportmiddel#. Du vil nå få noen valg mellom to reiser A og B på skjermen. Transportmiddel, reisetid (dør til dør) og reisekostnad varierer. Du skal velge den reisen du ville foretrekke. ( N/A er det alternative transportmiddelet.) Antall valg. Generering av attributtnivåer og -kombinasjoner Gå til GS40B (Kontrollspørsmål) GS40A. CE1: Transportmiddelvalg for gående (1BMW) Veger, gangveger og fortau kan legges om og priser gå opp og ned. Det betyr at din reisetid og reisekostnad kunne vært annerledes. Tenk deg at før du startet turen din, kunne du ha valgt mellom å gå og å ta #ALTtransportmiddel#. Du vil nå få noen valg mellom to reiser A og B på skjermen. Transportmiddel, reisetid (dør til dør) og reisekostnad varierer. Du skal velge den reisen du ville foretrekke. På gangveg eller fortau er du adskilt fra biltrafikk. Antall valg. Generering av attributtnivåer og -kombinasjoner Gå til GS40B 176

125 Kontrollspørsmål til både gående og syklende: GS40B. Du har nå gjort noen valg mellom reiser A og B. Hvor vanskelig var det å velge mellom de to reisene? o Veldig vanskelig o Ganske vanskelig o Ganske lett o Veldig lett For syklister: GS40C. Hvilke forhold ved reisen var viktig for dine valg? (Hvis alle hadde betydning, kryss av for alle) Transportmiddel Reisetid Reisekostnad Sykkelsti/sykkelbane Hvis Transportmiddel er krysset av: GS40E. Hvis Reisetid er krysset av: GS40F Ellers: Gå til neste CE (se routing nedenfor) For gående: GS40C. Hvilke forhold ved reisen var viktig for dine valg? (Hvis alle hadde betydning, kryss av for alle) Transportmiddel Reisetid Reisekostnad Fortau/gangvei Hvis Transportmiddel er krysset av: GS40E. Hvis Reisetid er krysset av: GS40F Hvis både Transportmiddel og Reisetid er krysset av skal respondenten få både GS40E og GS40F. Ellers: Gå til neste CE (se routing nedenfor) 177

126 GS40E. Hva var den viktigste grunnen til at transportmiddel fikk betydning for dine valg? o Miljøhensyn o Mosjon o Fleksibilitet o Annet: GS40F. Hva var den viktigste grunnen til at reisetid fikk betydning for dine valg? o Reisetida var for lang til å gå/sykle o Reisetida var passelig til å gå/sykle o Annet: Hvis #transportmiddel er til fots : 50% får CE 2NSW (Total reisetid, separat gangvei, antall stopp ved veikryss) + CE 3SRW (Total reisetid, separat gangvei, snøfjerning) De andre 50% får: CE 2LMW (Total reisetid, antall stopp ved veikryss, grusfjerning/renhold) +CE 3IRW (Total reisetid, separat gangvei og isfjerning) Hvis #transportmiddel er på sykkel : Alle får: CE 2NSC (Total reisetid, separat sykkelveg/bane, antall stopp ved veikryss ) Så får 50%: CE 3LMC (Total reisetid, antall stopp ved veikryss og grusfjerning/renhold) Mens de resterende 50% får: CE 3SRC (Total reisetid, separat sykkelbane, snøfjerning) Hvis #transportmiddel# er til fots gå til GS 41 De første 50% går til GS 41 De neste 50% går til GS51 Hvis #transportmiddel# er på sykkel Alle går til GS61 178

127 GS41. CE2: Gange CE Type D (2NSW) Attributter: Total gangtid, tid på separat gangvei, antall stopp ved veikryss (Innledning til choice experiment:) Eksempel (ikke reelle verdier) 6 valg. Tabell for gangtid: 8 Tabell for separat gangvei: 9 Tabell for antall stopp: 10 Tabell for choice sets : Kontrollspørsmål GS42. Du har gjort valg mellom to reiser som var forskjellige med hensyn på: (1) total reisetid/gangtid, (2) tidsbruk på separate gangveier og (3) antall stopp ved vegkryss. Hvor vanskelig var det å velge mellom de to reisene? o Veldig vanskelig o Ganske vanskelig o Ganske lett o Veldig lett 179

128 GS43. Hvilke forhold ved reisen var viktige for dine valg? (Hvis alle hadde betydning, kryss av for alle) o Total reisetid/gangtid o Tidsbruk på separate gangveier o Ved tre kryss gå til GS46 Ved to kryss gå til GS45 Ved ett kryss gå til GS44 Antall stopp ved vegkryss GS44. Hva var den viktigste grunnen til at bare [svar i GS43, den faktoren det er krysset av for] fikk betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var stor forskjell i verdien av [svar SG43, den faktoren det er krysset av for] i de to reisealternativene o De andre faktorene betyr lite for meg o Annet: Gå til GS46 GS45. Hva var den viktigste grunnen til at [svar GS43, den faktoren det IKKE er krysset av for]hadde liten betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var liten forskjell i verdien av [svar GS43, den faktoren det IKKE er krysset av for] i de to reisealternativene o De andre faktorene betyr mer for meg o Annet: 180

129 GS46. CE3: Gange CE Type F (3SRW) Attributter: Total reisetid til fots, tid på separat gangvei, grad av snøfjerning (Innledning til choice experiment) (Verdiene i denne illustrasjonen er ikke reelle) 6 valg. Tabell for gangtid: 8 Tabell for separat gangvei: 9 Tabell for snøfjerning: 12 Tabell for choice sets : Kontrollspørsmål GS47. Du har nå foretatt valg mellom to reiser der 3 forhold ved reisen varierte samtidig: (1) total reisetid, (2) tidsbruk på separate gangveier og (3) graden av snøfjerning på veibanen. Hvor vanskelig synes du det var å velge mellom de to reisene? o Veldig vanskelig o Ganske vanskelig o Ganske lett o Veldig lett 181

130 GS48. Hvilke forhold ved reisen var viktig for dine valg? (Hvis alle hadde betydning, kryss av for alle) o Total reisetid o o Ved tre kryss gå til GS76 Ved to kryss gå til GS50 Ved ett kryss gå til GS49 Tidsbruk på separate gangveier Graden av snøfjerning på veibanen GS49. Hva var den viktigste grunnen til at bare [svar i GS48, den faktoren det er krysset av for] fikk betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var stor forskjell i verdien av [svar SG48, den faktoren det er krysset av for] i de to reisealternativene o De andre faktorene betyr lite for meg o Annet: Gå til GS76 GS50. Hva var den viktigste grunnen til at [svar GS48, den faktoren det IKKE er krysset av for]hadde liten betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var liten forskjell i verdien av [svar GS48, den faktoren det IKKE er krysset av for] i de to reisealternativene o De andre faktorene betyr mer for meg o Annet: Gå til GS76 182

131 Til den andre halvparten av respondentene til fots GS51. CE2: Gange CE Type D (2LMW) Attributter: Total reisetid til fots, antall stopp ved veikryss og renhold (Innledning til choice experiment) (Verdiene i illustrasjonen er ikke reelle.) 6 valg. Tabell for gangtid: 8 Tabell for grad av renhold: 11 Tabell for antall stopp: 10 Tabell for choice sets : Kontrollspørsmål GS52. Du har gjort valg mellom to reiser som var forskjellige med hensyn på: (1) total reisetid/gangtid, (2) grad av renhold og (3) antall stopp ved vegkryss. Hvor vanskelig var det å velge mellom de to reisene? o Veldig vanskelig o Ganske vanskelig o Ganske lett o Veldig lett 183

132 GS53. Hvilke forhold ved reisen var viktige for dine valg? (Hvis alle hadde betydning, kryss av for alle) o Total reisetid/gangtid o Grad av renhold o Ved tre kryss gå til GS56 Ved to kryss gå til GS55 Ved ett kryss gå til GS54 Antall stopp ved vegkryss. GS54. Hva var den viktigste grunnen til at bare [svar i GS53, den faktoren det er krysset av for] fikk betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var stor forskjell i verdien av [svar SG53, den faktoren det er krysset av for] i de to reisealternativene o De andre faktorene betyr lite for meg o Annet: Gå til GS46 GS55. Hva var den viktigste grunnen til at [svar GS53, den faktoren det IKKE er krysset av for]hadde liten betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var liten forskjell i verdien av [svar GS53, den faktoren det IKKE er krysset av for] i de to reisealternativene o De andre faktorene betyr mer for meg o Annet: 184

133 GS56. CE3: Gange CE Type F (3IRW) Attributter: Total gangtid, tid på separat gangvei, grad av isfjerning (Innledning til choice experiment) (Verdiene i illustrasjonen er ikke reelle.) 6 valg. Tabell for gangtid: 8 Tabell for separat gangvei: 9 Tabell for isfjerning: 12 Tabell for choice sets : Kontrollspørsmål GS57. Du har nå foretatt valg mellom to reiser der 3 forhold ved reisen varierte samtidig: (1) total reisetid til fots, (2) tidsbruk på separate gangveier og (3) grad av isfjerning i veibanen. Hvor vanskelig synes du det var å velge mellom de to reisene? o Veldig vanskelig o Ganske vanskelig o Ganske lett o Veldig lett 185

134 GS58. Hvilke forhold ved reisen var viktig for dine valg? (Hvis alle hadde betydning, kryss av for alle) o Total reisetid o o Tidsbruk på separate gangveier Grad av isfjerning i veibanen Ved tre kryss gå til GS76 Ved to kryss gå til GS60 Ved ett kryss gå til GS59 GS59. Hva var den viktigste grunnen til at bare [svar i GS58, den faktoren det er krysset av for] fikk betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var stor forskjell i verdien av [svar SG58, den faktoren det er krysset av for] i de to reisealternativene o De andre faktorene betyr lite for meg o Annet: Gå til GS76 GS60. Hva var den viktigste grunnen til at [svar GS58, den faktoren det IKKE er krysset av for]hadde liten betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var liten forskjell i verdien av [svar GS58, den faktoren det IKKE er krysset av for] i de to reisealternativene o De andre faktorene betyr mer for meg o Annet: Gå til GS76 186

135 Til alle syklistene: GS61. CE2: Sykkel, CE Type D (2NSC) Attributter: Total reisetid på sykkel, separat sykkelbane, antall stopp ved veikryss (Introduksjon til choice experiment) (Verdiene i illustrasjonen er ikke reelle.) 6 valg. Tabell for reisetid: 8 Tabell for separat sykkelbane: 9 Tabell for antall stopp: 10 Tabell for choice sets : Kontrollspørsmål GS62. Du har nå foretatt valg mellom to reiser der 3 forhold ved reisen varierte samtidig: (1) Total reisetid, (2) Tidsbruk på separat sykkelbane og (3) Antall stopp i vegkryss. Hvor vanskelig synes du det var å velge mellom de to reisene? o Veldig vanskelig o Ganske vanskelig o Ganske lett o Veldig lett 187

136 GS63. Hvilke forhold ved reisen var viktigst for dine valg? (Hvis alle hadde betydning, kryss av for alle.) o Total reisetid Ved tre kryss gå til GS66 Ved to kryss gå til GS65 Ved ett kryss gå til GS64 o Tidsbruk på separat sykkelbane o Antall stopp i vegkryss GS64. Hva var den viktigste grunnen til at bare [svar i GS63, den faktoren det er krysset av for] fikk betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var stor forskjell i verdien av [svar SG63, den faktoren det er krysset av for] i de to reisealternativene o De andre faktorene betyr lite for meg o Annet: Gå til GS66 GS65. Hva var den viktigste grunnen til at [svar GS63, den faktoren det IKKE er krysset av for]hadde liten betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var liten forskjell i verdien av [svar GS63, den faktoren det IKKE er krysset av for] i de to reisealternativene o De andre faktorene betyr mer for meg o Annet: 50% av syklistene går til GS66. De resterende 50% går til SG

137 GS66. CE3: Sykkel CE Type D (3LMC) Attributter: Total reisetid på sykkel, antall stopp ved veikryss og renhold (Innledning til choice experiment) (Verdiene i illustrasjonen er ikke reelle.) 6 valg. Tabell for reisetid: 8 Tabell for grad av renhold: 11 Tabell for antall stopp: 10 Tabell for choice sets : Kontrollspørsmål GS67. Du har gjort valg mellom to reiser som var forskjellige med hensyn på: (1) total reisetid, (2) hvor stor andel av veistrekningen som var renholdt og (3) antall stopp ved vegkryss. Hvor vanskelig var det å velge mellom de to reisene? o Veldig vanskelig o Ganske vanskelig o Ganske lett o Veldig lett 189

138 GS68. Hvilke forhold ved reisen var viktige for dine valg? (Hvis alle hadde betydning, kryss av for alle) o Total reisetid o Andel av veistrekning som er renholdt o Ved tre kryss gå til GS71 Ved to kryss gå til GS70 Ved ett kryss gå til GS69 Antall stopp ved vegkryss. GS69. Hva var den viktigste grunnen til at bare [svar i GS68, den faktoren det er krysset av for] fikk betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var stor forskjell i verdien av [svar SG68, den faktoren det er krysset av for] i de to reisealternativene o De andre faktorene betyr lite for meg o Annet: Gå til GS69 GS70. Hva var den viktigste grunnen til at [svar GS68, den faktoren det IKKE er krysset av for]hadde liten betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var liten forskjell i verdien av [svar GS68, den faktoren det IKKE er krysset av for] i de to reisealternativene o De andre faktorene betyr mer for meg o Annet: Gå til GS76 190

139 Til den andre halvparten av syklistene GS71. CE3: Sykkel CE Type F (3SRC) Attributter: Total reisetid på sykkel, tid på separat sykkelbane, grad av snøfjerning (Innledning til choice experiment) (Verdiene i illustrasjonen er ikke reelle.) 6 valg. Tabell for reisetid: 8 Tabell for separat sykkelbane: 9 Tabell for snøfjerning: 12 Tabell for choice sets : Kontrollspørsmål GS72. Du har nå foretatt valg mellom to reiser der 3 forhold ved reisen varierer samtidig: (1) Total reisetid, (2) Tidsbruk på separat sykkelbane og (3) Graden av snø-fjerning fra veibanen. Hvor vanskelig synes du det var å velge mellom de to reisene? o Veldig vanskelig o Ganske vanskelig o Ganske lett o Veldig lett 191

140 GS73. Hvilke forhold ved reisen var viktige for dine valg? (Hvis alle hadde betydning, kryss av for alle.) o Total reisetid o Tidsbruk på separate sykkelbaner o Graden av snø-fjerning fra veibanen Ved tre kryss gå til GS76 Ved to kryss gå til GS75 Ved ett kryss gå til GS74 GS74. Hva var den viktigste grunnen til at bare [svar i GS73, den faktoren det er krysset av for] fikk betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var stor forskjell i verdien av [svar SG73, den faktoren det er krysset av for] i de to reisealternativene o De andre faktorene betyr lite for meg o Annet: Gå til GS76 GS75. Hva var den viktigste grunnen til at [svar GS73, den faktoren det IKKE er krysset av for]hadde liten betydning for dine valg? o Det gjorde det enklere å svare på spørsmålene o Det var liten forskjell i verdien av [svar GS73, den faktoren det IKKE er krysset av for] i de to reisealternativene o De andre faktorene betyr mer for meg o Annet: 192

141 Til både syklende og gående: GS76 GS77 GS78 Gå til felles avsluttende spørsmål. 193

142 19. januar 2010 Felles avsluttende spørsmål ta3 A3 A4 194

143 A5 A6 Script er sum basert på svar i A3 A7 A8 195

144 A9 A10 A11 (Ikke hvis svar på A10 var 0) A13 196

145 A12 A14 A15 197

146 A15a A16 Hvis ja: A17A. Hvis nei: A18A. A17A 198

147 A17B A18 A18A 199

148 A19 Felles slutt 200

149 APPENDIX V VTT Pilot Studies Pilot Study I The first pilot study was conducted between 28 January and 2 February Response rate after one reminder was 23%. Number of respondents by mode was: Car short distance: 122 PT short distance: 37 Car long distance: 103 Rail, long distance: 25 Air : 33 The pilot study covered all aspects of the study except for Walk and Cycle and Ferry and High Speed Boat. The pilot resulted in the following changes: 1. Changes in the design range of VTT in the two attribute experiments 2. Changes in the CV questions following the two attribute experiments 3. Changes in Reliability experiments 4. Changes in Congestion design attribute levels for long distance travel 5. Change in Seat Availability design attribute levels for public transport 6. Changes in the design table (see Appendix II) of the 3 attribute experiments Pilot study 2 The second pilot study was conducted between 23 March and 15 April The response rate after one reminder was 18%. Number of respondents by mode was: Car short distance: 74 PT short distance: 37 Car long distance: 108 Rail, long distance: 25 Bus, long distance: 16 Air : 14 Ferry Increased the minimum time for a reference trip from 5 to 10 minutes 2. Introduced a requirement on the minimum cost of reference trip of 8 NOK for short distance travel and 20 NOK for long distance travel. 3. Changes in Reliability design attribute levels 201

150 4. Further changes in the design table of the 3 attribute experiment 5. Some modifications of the questionnaires Some basic statistics Segments Sample size Respondents (discrete choices) Female Share in % Personal income < NOK per year In % Personal income > NOK per year In % Reported time of the reference trip in minutes (min ; mean ; max) Reported cost of the reference trip in NOK (min ; mean; max) Pilot 1, Car, short dist. 122 (1098) 53,3 22,7 25,0 5; 20; 105 1; 34; 235 Car, long dist. 103 (927) 27,2 26,6 26,6 50; 178; 510 2; 446; 2740 PT, short dist. 37 (333) 56,4 33,3 11,1 8; 35; 90 10; 38; 131 Air, long dist. 33 (297) 54,4 30,4 26,1 45; 167; ; 1183; 7000 Rail, long dist. 25 (225) 52,0 43,8 25,0 57; 223; ; 325; 1200 Pilot 2, Car, short dist. 74 (666) 40,5 16,2 22,1 10; 26; 110 9; 52; 288 Car, long dist. 108 (972) 20,4 12,9 39,8 30; 187; ; 502; 1870 Ferry 21 (189) 19,0 10,5 26,3 12; 44; ; 168; 500 Air, long dist. 14 (126) 64,3 23,1 30,7 50; 208; 840* 150; 1338; 5000 Bus, long dist. 16 (144) 50,0 20,0 13,3 105; 217; ; 266; 590 Rail, long dist. 17 (156) 44,4 23,5 35,3 60; 283; ; 516; 1500 Pilot 3 (19 May- 25 May, 1 reminder) Pilot 3 was conducted among the employees at TØI and only focused on walk and cycle studies as well as reliability experiment. 1. Minor changes in design attribute level for Walk and Cycle experiments 2. Additional questions related to walk cycle Examination the design range of VTT in pilot studies In the first pilot we used non-parametric regression for the examination of the distribution of VTT. The first experiment with only two attribute, time and cost was used for this purpose. Non-parametric regression was used for the evaluation of the first experiment in pilot I and II. Fosgerau (2006 and 2007) has used this technique to estimate the 202

151 distribution of VTT and for the examination of the design rage of VTT in two attribute (time and cost) experiments. In the following section we explain the technique. Then the application of the technique to pilot I and II is illustrated by the example of long distance car mode. Nonparametric technique We briefly explain non parametric regression in the following by directly quoting from Fosgerau (2006 and 2007). In mixed logit approach (see Train 2003) one can allow parameters in the logit model to vary randomly in the population according to some parametric distribution. As Fosgerau (2006) points out the choice of mixing distribution has considerable impact on results (Hensher, 2001b, also Heckman and Singer, 1984), but little evidence exists to guide this choice. Nonparametric and semiparametric technique avoids strong prior distributional assumptions for the estimation of the mean VTT and to study the distribution of the VTT in a dataset originating from a stated choice experiment. In the design of the first experiment in VTT a respondents in effect state whether their VTTS is higher or lower than a bid value: the trade-off between time and money set by the design. From this information it is possible to estimate nonparametrically the cumulative distribution of the VTT. It is, however, only possible to estimate the cumulative VTT distribution function up to the maximum bid, i.e. the right tail is not observed. Different assumptions about the unobserved tail can lead to arbitrarily high estimates of the mean VTT. Hence the results from pilot are used to adjust the design range of the VTT. Consider the regression model y = f(x) + e, where the point of interest is to determine the function f. Classical OLS regression assumes that the function f is linear in parameters and estimates these. Nonparametric kernel smoothers avoid such parametric assumptions by instead averaging the y s in a neighborhood of each x. The average of the y s then converges to f(x) under weak assumptions. This is a data hungry procedure, especially as the number of dimensions in x grows. Therefore semiparametric methods have been developed as a hybrid between parametric and nonparametric regression where just some of the relationship is modeled nonparametrically. Let c 1 and t 1 present the cost and time for the slower and less expensive trip and c 2 and t 2 present the cost and time for the faster and more expensive trip. A bid is defined as (c 1 -c 2 )/(t 2 -t 1 ) or the amount one is willing to pay to choose the faster alternative. If one has a VTT higher than the bid, one accepts the bid, otherwise one rejects it. The conventional model for such data is the binary (mixed) logit model (Train, 2003). Here we merely specify conditional indirect utility functions α t t i + α c c i, where parameters α t, α c < 0 are random and independent across observations.3 There is no constant term in the indirect utility since alternatives are identical except for time and cost. 203

152 Rearrange alternatives such that alternative 1 is the slowest, t 1 > t 2. Alternative 1 is chosen if α t t 1 +α c c 1 > α t t 2 + α c c 2. We observe yy = 1{αα tt tt 1 + αα cc cc 1 > αα tt tt 2 + αα cc cc 2 } = 1{ αα tt αα cc < cc 1 cc 2 tt 1 tt 2 } where 1 is the indicator function. That is, we observe y = 1 when the respondent is not to have the faster alternative. Let w = α t /α c be the random, unobserved VTT and let v = -(c 1 - c 2 )/(t 1 - t 2 ) be the boundary VTT presented in the choice experiment. We thus observe y = 1{w < v}, such that y is 1 if the value of time is smaller than the boundary VTT. The respondent chooses the less expensive and slow alternative when his VTT is smaller than the boundary VTT, and conversely the respondent chooses the expensive and fast alternative when his VTT is greater than the boundary VTT. It is assumed that unobserved preference heterogeneity explains random variability. Then v > 0 and y = 1{w < v} = 1{log(w) < log(v)}. Note that P(y = 1) = P(w < v) = F w (v), where F w is the c.d.f. of w. We can write y = F w (v) + η, where E(η) = 0 and estimate F w by a nonparametric regression of y on v given weak smoothness conditions on F w. The mean of w can be estimated from the estimated F w. This requires that the range of v extends over the support of F w. If not, then only a part of the distribution is observed. In this case the moments of F w cannot be estimated without further assumptions. Even though y is binary, it is useful to define an error term by writing y = P(x) + η such that η is the residual in a regression of y on P(x). Then E(η x) = 0 since E(y x) = P(x). This is sufficient to estimate the function P() of x by a so called local constant regression. Suppose we have many observations of y at some particular point x 0. Then P(x 0 ) may be estimated just as the average of these y s. In general, when the variables in x are continuous, there will not be many observations available with the same x. We can instead estimate P(x 0 ) as the weighted average of y in a small neighbourhood of x 0. This amounts to fitting a constant locally, hence the term local constant regression. A kernel K and a bandwidth h are introduced to define this neighbourhood. 204

153 The kernel is a general function used to weight observations. This paper uses either a triangular kernel based on a triangular density or a standard normal density kernel. For one-dimensional x, the triangular kernel is defined as K(x) = (1 x )/{ x 1}.1 For more dimensions one may just take the product of such one-dimensional K s. Then K is positive, symmetric, has maximum at zero and tends to zero as x increases. The same is true when K is taken to be the product of standard normal densities. The bandwidth h is used to determine the size of the neighbourhood over which to average. Define weights around the point x 0 by K h (x x 0 ) = K( (x x 0 )/h ). Now K h is large near x 0 and diminishes as x x 0 increases. K h = 0, when x is far away from x 0. It is possible to estimate P at some point x 0 by forming a weighted average of y n around x 0 PP (xx 0 ) = nn NN yy nn KK h (xx nn xx 0 )/ nn NN KK h (xx nn xx 0 ) The weighting ensures that y s near x 0 receive the largest weight. If the (coordinatewise) distance between an x n and x 0 is greater than the bandwidth h, then x n receives weight zero from the triangular kernel. The term in the denominator ensures that the weights sum to one. We can get a view of the shape of P by computing this average for a range of values of x 0. As the sample size tends to infinity we can let the bandwidth h tend to 0, such that the bias from averaging disappears and PP tends to P. The choice of kernel is generally less important as results will not be much affected. Selecting an appropriate bandwidth is, however, a genuine issue with no easy solution. If the bandwidth is too large then there is over-smoothing. Too much detail disappears and there will be bias. If the bandwidth is too small, then there will be under-smoothing: that is, over-fitting to random fluctuations in data. Thus the choice of bandwidth is about balancing the trade-off between bias and variance. A significant part of the nonparametric literature is devoted to the issue of bandwidth selection but without any single method emerging as a clear winner. Application to data for long distance travel with car The following graph illustrates the results for long distance travel with car in the pilot I, the design range of VTT was set at 450 NOK/hr (see the following table). OX package has been used for the estimation of the cumulative distribution functions. 205

154 Design range of VTT (bids) in NOK/hr the first experiment in pilot I (see Appendix II) Sample Name Interval 1 Interval 2 Interval 3 Interval 4 Car, short dist Car, long dist PT, short dist Air, long dist Rail, long dist Respondents always picking the faster alternative Car short: 2 respondents (1,6%) Car long: 7 (6,7%) PT short: 1 (2,7%) Air: 2 (6%) Consequently the design range of VTT was increased, mainly for long distance travel modes as follow: 206

155 Design range of VTT (bids) in NOK/hr the first experiment in pilot II (see Appendix II) Car, short dist Car, long dist Ferry Air, long dist Rail, long dist Bus, long dist The following diagram illustrates the estimated cumulative distribution of VTT for long distance travel with car in Pilot II study. The percentage of non-trader for long distance travel with car was high (over 5%) compared to other modes. Consequently design range was increased to 1000 NOK/hr. The following table shows the design VTT used in the main study. And the diagram that follows shows the cumulative distribution function for VTT for long distance travel with car. 207

156 Design range of VTT (bids) in NOK/hr the first experiment in the main study (see Appendix II) Chosen modes Car, short dist Car, long dist PT, short dist Ferry Bus, long dist Rail, long dist Air, long dist Alternative modes Car, short dist Car, long dist PT, short dist Bus, long dist Rail, long dist Air, long dist

157 The following table shows the percentage of the respondent that always picked the faster alternative in the main study (marked yellow). Note that not all these have been offered the highest design bid. Non-Traders in the 2 attribute game experiment (respondents that accept all bids are marked by yellow color ) Car short Frequency Percent trader ,40 picks always faster alternative 70 2,26 picks always cheaper alternative ,34 Total ,00 Car long trader ,69 picks always faster alternative 35 2,89 picks always cheaper alternative 102 8,42 Total ,00 PT short picks always faster alternative 11 1,92 picks always cheaper alternative ,53 Total ,00 Train long trader ,29 picks always faster alternative 16 2,90 picks always cheaper alternative 43 7,80 Total Bus long Trader ,52 picks always faster alternative 17 3,84 picks always cheaper alternative 25 5,64 Total Air Trader ,24 picks always faster alternative 24 2,96 picks always cheaper alternative ,81 Total Only a low share of respondents accepted all 9 bids we offered them. We are therefore observing almost the whole VTT distributions. 209

158 210

159 APPENDIX VI Criteria for exclusion Respondents that are omitted from the first choice experiments are tagged as final_sample_ce1=0 in the data sets. The alternative experiments have additional exclusion dummies for all possible alternative modes. Car long CE1 (chosen mode) and 3 attribute games Side lexicographic respondents in CE1 Base cost under 50 NOK or over 8000 NOK Base times under 60 or over 1200 min (20 h ) Base distance over 1500 km Cost per km under 0,2 or over 11 NOK Respondents who dropped out of CE1 For the alternative game All respondents excluded from CE1 Side lexicographic respondents in the alternative game In additional unrealistic base values defined for each mode like in the referring 2 attribute game (see other pages) Respondents who dropped out of the alternative game Comment: A minimum distance is not necessary for the long distance data sets as respondents were forced to correct the value to 100 km or higher. AIR CE1 (chosen mode) and 3 attribute games Side lexicographic respondents in CE1 Base cost over 8000 NOK Base times under 80 or over 600 min (10h ) Respondents who dropped out of CE1 For the alternative game All respondents excluded from CE1 Side lexicographic respondents in the alternative game In additional unrealistic base values defined for each mode like in the referring 2 attribute game (see other pages) Respondents who dropped out of the alternative game 211

160 Comment: The minimum base time was chosen because values below 80 min are not defined in the design tables. Bus long CE1 (chosen mode) and 3 attribute games Side lexicographic respondents in CE1 Base time under 60 min Base cost under 50 NOK or over 8000 NOK Base distance over 1500 km Respondents who dropped out of CE1 For the alternative game All respondents excluded from CE1 Side lexicographic respondents in the alternative game In additional unrealistic base values defined for each mode like in the referring 2 attribute game (see other pages) Respondents who dropped out of the alternative game Comment: All base time seemed all plausible at the first glance. However there were a value at 15 min and 3 values between which are unrealistic for 100 km distance trips in bus and should be excluded. The old exclusion rule was used for the 3 attributes games and the alternative mode game, thus there we have 4 trips with a base time of fewer than 60 min. Train long CE1 (chosen mode) and 3 attribute games Side lexicographic respondents in CE1 Base cost under 50 NOK or over 8000 NOK Base distance over 1500 km Respondents who dropped out of CE1 For the alternative game All respondents excluded from CE1 Side lexicographic respondents in the alternative game In additional unrealistic base values defined for each mode like in the referring 2 attribute game (see other pages) Respondents who dropped out of the alternative game Comment: These are the same exclusion rules as for bus long. An additional exclusion rule after base time was not need here as all base times seem reasonable. 212

161 Car short CE1 (chosen mode) and 3 attribute games Side lexicographic respondents in CE1 Base cost over 1000 NOK Base times under 10 or over 200 min Base distance over 100 km Cost per km under 0,2 or over 11 NOK Respondents who dropped out of CE1 For the alternative game All respondents excluded from CE1 Side lexicographic respondents in the alternative game In additional unrealistic base values defined for each mode like in the referring 2 attribute game (see other pages) Respondents who dropped out of the alternative game PT short CE1 (chosen mode) and 3 attribute games Side lexicographic respondents in CE1 Base cost under 10 NOK or over 350 NOK Base times under 10 or over 200 min Base distance over 100 km Respondents who dropped out of CE1 For the alternative games All respondents excluded from CE1 Side lexicographic respondents in the alternative game In additional unrealistic base values defined for each mode like in the referring 2 attribute game (see other pages) Respondents who dropped out of the alternative game Comment: The modes high speed passenger boat and boat with car were excluded from PT short and will be used in other data sets. We noticed too late that some respondents clicked on boat in the trip diary although there were recruited on a high speed passenger boat. These few people are now both in PT short as well as in high speed passenger boat short. High speed passenger boat, long CE1 (chosen mode) and 3 attribute games Side lexicographic respondents in CE1 213

162 Base cost under over 1000 NOK Base times under 30 or over 360 min Base distance over 450 km Respondents who dropped out of CE1 For the alternative games All respondents excluded from CE1 Side lexicographic respondents in the alternative game In additional unrealistic base values defined for each mode like in the referring 2 attribute game (see other pages) Respondents who dropped out of the alternative game Comment: As already mentioned above: A minimum distance is not necessary for the long distance data sets as respondents were forced to correct the value to 100 km or higher. High speed passenger boat, short CE1 (chosen mode) and 3 attribute games Side lexicographic respondents in CE1 Base cost under 10 and over 350 NOK Base times under 10 or over 200 min Base distance over 100 km Respondents who dropped out of CE1 For the alternative games All respondents excluded from CE1 Side lexicographic respondents in the alternative game In additional unrealistic base values defined for each mode like in the referring 2 attribute game (see other pages) Respondents who dropped out of the alternative game Comment: Also people who were recruited on a high speed passenger boat but clicked boat were included in the high speed passenger boat sample. Ferry short: CE1 (chosen mode) and 3 attribute games Side lexicographic respondents in CE1 Base cost under 10 and over 600 NOK Base times under 10 or over 121 min Base distance over 100 km Respondents who dropped out of CE1 Comment: The upper limit on the base time seems quite low. 6,6 % have a higher base time. 214

163 Walk For CE2 and CE3 (we did not exclude respondents from CE1 as it is a referenceindependent game) Base times over 100 min Base distance over 10 km Speed over 15 km/hour Max stop per km over 10 Comment: A big share of trips started and ended at home, which seems dubious as it could be leisure walks or shopping trips etc. After all we decided to keep them. Cycle For CE2 and CE3 (we did not exclude respondents from CE1 as it is a reference independent game) Base times over 100 min Base distance over 50 km Speed over 30 km/hour Max stop per km over

164 216

165 Appendix VII Semiparametric estimation of VTT distribution We acknowledge Katrine Hjort, DTU Transport, for her valuable input in this part of the study. The following description of the semiparametric estimation of the VTT distribution is based on Fosgerau, Hjort and Vincent Lyk-Jensen (2009). In parts of the following text, Fosgerau, et al, are directly quoted. Model formulation Assume that the VTT is positive, and is composed of a systematic part depending on characteristics x of the respondent and the choice situation, and a random part that varies across individuals, but is constant across choices of the same individual That is: VVVVVV = ee ββ 0+ββ xx+uu (1) where u is a person-specific random variable with mean zero. It is assumed that x and u are independent. Reference-dependent utility function Assume a binary choice in which one alternative is fast and expensive (alternative 1), and the other is cheaper and slower (alternative 2). The travel times and costs of the alternatives are referred to as t 1, c 1 and t 2, c 2. Under reference-dependent preferences, the choice between alternatives is based on the perceived values of the attributes. The perceived value depends on a reference, and on whether the attribute represents a loss or a gain relative to the reference. The relation between perceived and actual values is described by a socalled value function. It is assumed that value functions of time and cost attributes are linear. A value function of the following form exhibits loss aversion. VV(mm) = mmee ηηηη(mm) (2) Where η>0 and S(m) denotes the sign of m. For WTP, WTA, EG and EL quadrants we can show that (see De Borger & Fosgerau, 2008): VVVVVV < cc ee ηη ccss(cc) tt ee ηη tt SS(tt) (3) 217

166 The model in terms of log VTT and add errors to this model. This makes the errors multiplicative relative to the perceived values of time and cost, instead of additive. Eq. (3) can be rewritten by taking logs, and inserting the expression for the VTT from Eq. (1) together with observation-specific logistic errors ε with location 0 and scale μ. The errors are assumed to be independent across choices and individuals, as well as independent of and u and x. Alternative 2 is chosen when With v= Δc / Δc ββ 0 + ββ xx + uu + εε < llllllll + ηη cc SS(cc) ηη tt SS(tt) Together with the independence between u and x, we shall need to assume that u is independent of S(t) and S(c) - or in other words it is independent of the quadrant. Now let y nr denote the chosen alternative of individual n in situation r. Further, let x nr be the explanatory variables for individual n in situation r, and let u n be the random part of VTT for this individual. The probability that y nr =2, given the value of u n is PP(yy nnnn = 2 uu nn ) = PP(εε nnnn llllllll + ηη cc SS(cc) ηη tt SS(tt) ββ 0 ββ xx nnnn uu nn ) = exp ( μμ(llllllll + ηη cc SS(cc) ηη tt SS(tt) ββ 0 ββ xx nnnn uu nn ) Fosgerau and Bierlaire (2005) estimate a simple logit mixture model on similar data (with two attributes, cost and time) and suggest a lognormal distribution of VTT. This is equivalent to u having a normal distribution. Hence the assumption of a lognormal VTT distribution against a generalised model can be tested by following the methodology described in Fosgerau and Bierlaire (2005). They define a generalised mixing distribution as a transformation of the base distribution (the normal distribution in our case); the transformation being a seminonparametric (SNP) series using Legendre polynomials as a base for functions on the unit interval. Since this generalised distribution is defined as a transformation of the base distribution, the base distribution is a special case of the generalised and can thus be tested against this. The generalised distribution constitutes a very flexible approximation of the true (unknown) mixing distribution. The approximation improves when including higher order Legendre polynomials (SNP terms). Fosgerau and Bierlaire (2005) show in an example that when testing the base distribution against the generalised, 218

167 1 SNP term may be too little to reject a false null, and recommend using at least 2 terms. To be safe, we use 3 SNP terms. In the Norwegian VTT study 4 SNP terms have been used. We test the assumption of lognormal VTT by a likelihood ratio test of the reduction from the model with SNP terms to the model with lognormal VTT distribution. If the reduction is not accepted, the generalized distribution should be used. This model specification works well and has several advantages: With present data, the model formulation yields considerable gains in model fit at low estimation cost. Reference-dependence is easily allowed for and can be tested. Errors are multiplicative such that the scale of the attributes of the alternatives does not affect choice probabilities. We work directly with the VTT distribution instead of having to derive the mean of a ratio of random variables correlated in some unknown (and perhaps spurious) way. We are able to test the distributional assumption for the random component of VTT by specifying generalised (flexible) distributions and testing against these. We are able to provide a check of the identification of the VTT distribution. Furthermore, the model allows us to estimate a large number of significant parameters for the parameterisation of the VTT. Distribution Test The following text is provided by Katrine Hjort 1. Models Let y=1{fast alternative chosen}, let c and t be the absolute differences in travel cost and travel time between the two alternatives, and let VOT be the value of time. 219

168 Choice Model: y = 1 Parameterisation of VOT: c log VOT > log + ε (1) t log VOT = β ' x + u (2) β is a parameter vector, x is a covariate vector, and u is an individualspecific random term representing unobserved heterogeneity. In the models MXL_logn, u is assumed to follow a normal distribution, such that VOT is lognormal. In the models MXL_SNP1, MXL_SNP2, MXL_SNP3, MXL_SNP4, u s distribution is transformed using Legendre polynomials of degrees 1, 2, 3, and 4, respectively. 2. The distribution test The assumption of lognormal VOT is tested using LR tests of models MXL_SNP1, MXL_SNP2, MXL_SNP3, and MXL_SNP4 against MXL_logn. 3. Covariates and number of draws. The included covariates are listed in Table 1. Table 1: Included covariates Car long Bus long Train long Air Car short Age X x X x x x Age^2/100 X x X x x x Log (net income) X x X x x x Missing income dummy X x X x x x Female dummy X x X x x x Dummy for driving alone X x X x x x Region dummies (nm, vs, oa, miss, ost=base ) PT short X x X x x x Log (deltat) X x X x x x Log (base time) x x Log (base cost) X x X x x x Log (distance) X X x x Purpose dummies (tp_til_arbeid, tp_fra_arbeid, fritid, annet, privat=base) Purpose dummies (til_arbeid, service, leisure=base) X x x x x x In general, models were estimated using 1000 Halton draws to simulate the likelihood contribution from each individual. For the car short segment, 220

169 however, it was not possible to run all models using 1000 draws, so the test was based on models using 775 draws. Results Tables 2 and 3 below give the likelihood values and LR tests, respectively. Estimation results are enclosed as html-files. For car long, bus long, train long, and car short, the model with lognormal VOT is rejected against more general alternatives. For car long, the fourth SNP term is not significant. For air, the model with lognormal VOT is not rejected for models with the full set of covariates. However, since the p-values of the LR tests are only around 0.1, this may be due to the lack of power because of many insignificant variables. Therefore, the test is repeated for models where the regional variables (which are all insignificant) are omitted. The model with lognormal VOT is rejected against two SNP models, and on the border of rejection for the remaining two. We therefore recommend using the more general model. For PT short, the model with lognormal VOT is not rejected, though in some cases the test is on the border of rejection. We repeated the test for models where the regional variables (which are all insignificant) are omitted. These tests gave similar results. Nevertheless, based on the results for the other five segments, we recommend using the more general model. 221

170 Table 2: Estimation summary Mode Model Log likelihood Observations Individuals Parameters Car long MXL_logn Car long MXL_SNP Car long MXL_SNP Car long MXL_SNP Car long MXL_SNP Bus long MXL_logn Bus long MXL_SNP Bus long MXL_SNP Bus long MXL_SNP Bus long MXL_SNP Train long MXL_logn Train long MXL_SNP Train long MXL_SNP Train long MXL_SNP Train long MXL_SNP Air MXL_logn Air MXL_SNP Air MXL_SNP Air MXL_SNP Air MXL_SNP Air (NRV) MXL_logn Air (NRV) MXL_SNP Air (NRV) MXL_SNP Air (NRV) MXL_SNP Air (NRV) MXL_SNP Car Short MXL_logn Car Short MXL_SNP Car Short MXL_SNP Car Short MXL_SNP Car Short MXL_SNP PT MXL_logn PT MXL_SNP PT MXL_SNP PT MXL_SNP PT MXL_SNP PT (NRV) MXL_logn PT (NRV) MXL_SNP PT (NRV) MXL_SNP PT (NRV) MXL_SNP PT (NRV) MXL_SNP

171 Table 3: Likelihood Ratio tests Unrestricted model Restricted model Log likelihood difference Degrees of freedom p value Car long MXL_SNP1 MXL_logn Car long MXL_SNP2 MXL_logn Car long MXL_SNP3 MXL_logn Car long MXL_SNP4 MXL_logn Car long MXL_SNP4 MXL_SNP Bus long MXL_SNP1 MXL_logn Bus long MXL_SNP2 MXL_logn Bus long MXL_SNP3 MXL_logn Bus long MXL_SNP4 MXL_logn Bus long MXL_SNP4 MXL_SNP Train long MXL_SNP1 MXL_logn Train long MXL_SNP2 MXL_logn Train long MXL_SNP3 MXL_logn Train long MXL_SNP4 MXL_logn Train long MXL_SNP4 MXL_SNP Air MXL_SNP1 MXL_logn Air MXL_SNP2 MXL_logn Air MXL_SNP3 MXL_logn Air MXL_SNP4 MXL_logn Air MXL_SNP4 MXL_SNP Air (no region vars) MXL_SNP1 MXL_logn Air (no region vars) MXL_SNP2 MXL_logn Air (no region vars) MXL_SNP3 MXL_logn Air (no region vars) MXL_SNP4 MXL_logn Air (no region vars) MXL_SNP4 MXL_SNP Car short MXL_SNP1 MXL_logn Car short MXL_SNP2 MXL_logn Car short MXL_SNP3 MXL_logn Car short MXL_SNP4 MXL_logn Car short MXL_SNP4 MXL_SNP

172 Table 4: Likelihood Ratio tests Unrestricted model Restricted model Log likelihood difference Degrees of freedom p value PT MXL_SNP1 MXL_logn PT MXL_SNP2 MXL_logn PT MXL_SNP3 MXL_logn PT MXL_SNP4 MXL_logn PT MXL_SNP4 MXL_SNP PT (no region vars) MXL_SNP1 MXL_logn PT (no region vars) MXL_SNP2 MXL_logn PT (no region vars) MXL_SNP3 MXL_logn PT (no region vars) MXL_SNP4 MXL_logn PT (no region vars) MXL_SNP4 MXL_SNP

173 APPENDIX VIII Final models, first experiment Within mode experiment, chosen mode A few notes: Four SNP terms have been used in the study. As these terms add to the explanation power, they have been included in the final estimation (see Appendix VII) The covariates that did not turn significant are dropped in the final estimation (region variables and driving alone). Travel purposes are merged to work and other private travel purposes (non-work) in the final estimation. The travel purpose of a trip in short distance segment is defined by the destination of the trip unless the trip ends at home. In that case the origin of the trip defines the purpose. For example a work trip is defined as a trip to works and a trip from work to home. School trips are merged with non-work trips. The following show the final estimation results of the models using data from the first experiment (see Appendix VII for model description) 225

174 Final estimation results car short Source:..\Analyses\2attribute\car_short\Biogeme\OUTPUT\new_final_w\MXL_w.rep Model: Mixed Multinomial Logit for panel data Number of Halton draws: 725 Number of estimated parameters: 18 Number of observations: Number of individuals: 3097 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-02 Diagnostic: Convergence reached... Iterations: 16 Run time: 01h 29:15 Variance-covariance: from finite difference hessian Sample file: Car_short_final_w.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val SNP * * SNP SNP * * SNP b_age * * b_agesq b_female b_income_miss b_logδt b_logdistance b_logjcost b_logpnetincome b_work * * const eta_c eta_t p_one fixed-- sigma Homogeneity parameter (mu) ************************** Value Std err t-test(0) p-val(0) t-test (1) p-val(1) Rob. std err Rob. t-test(0) Rob. p-val(0) Rob. t-test(1) Rob. p-val(1) Variance of normal random coefficients ************************************** Name Value Std err t-test const_sigma Note: The coefficient for women is significant and negative (women have lower VTT than men have). The coefficient for log ΔT is significant and positive. Income elasticity is The coefficient for travel purpose work is not significant. eta_c and eta_t (corresponding to cost and time reference dependency) are significant. The coefficient for base cost is significant and positive. The coefficient for log of travel distance is negative. This could be explained self-selection while controlling for base distance. Respondents with lower VTT choose a slower alternative (longer travel distance). The coefficients 226

175 for age suggest that VTT is U-shaped function of age, i.e., middle aged respondents have the highest VTT. Final estimation results PT short Source:..\Analyses\2attribute\PT_short\Biogeme\OUTPUT\new_final_w\MXL_w_PT.rep Model: Mixed Multinomial Logit for panel data Number of Halton draws: 1000 Number of estimated parameters: 18 Number of observations: 4568 Number of individuals: 571 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-02 Diagnostic: Convergence reached... Iterations: 75 Run time: 01h 21:54 Variance-covariance: from finite difference hessian Sample file: PT_short_final_w.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val SNP * SNP * SNP * * SNP * * b_age * * b_agesq * * b_female * * b_income_miss b_logδt * * b_logdistance * * b_logjcost b_logpnetincome b_work * * const eta_c eta_t p_one fixed-- sigma Homogeneity parameter (mu) ************************** Value Std err t-test(0) p-val(0) t-test (1) p-val(1) Rob. std err Rob. t-test(0) Rob. p-val(0) Rob. t-test(1) Rob. p-val(1) Variance of normal random coefficients ************************************** Name Value Std err t-test const_sigma Note: Gender is not significant. The coefficient for log ΔT is significant and positive. Income elasticity is The coefficient for travel purpose is not significant. eta_c and eta_t (corresponding to cost and time reference dependency) are significant. The coefficient for log of travel distance is not significant. The coefficient for base cost is positive and significant. The coefficients for age suggest that VTT is U-shaped function of age, i.e., middle aged respondents have the highest VTT. 227

176 Final estimation results bus long Source:..\Analyses\2attribute\PT_long\Bus_long\Biogeme\OUTPUT\VoT_bus_mxl\MXL_SFL.rep Model: Mixed Multinomial Logit for panel data Number of Halton draws: 1000 Number of estimated parameters: 18 Number of observations: 3512 Number of individuals: 439 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-002 Diagnostic: Convergence reached... Iterations: 40 Run time: 40:35 Variance-covariance: from finite difference hessian Sample file: 2attr_bus_long_rev.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val SNP * * SNP * SNP * * SNP * * b_age * * b_agesq * * b_female * * b_income_miss b_logδt b_logjcost b_logjtime b_logpnetincome b_work * * const eta_c eta_t p_one fixed-- sigma Homogeneity parameter (mu) ************************** Value Std err t-test(0) p-val(0) t-test (1) p-val(1) Rob. std err Rob. t-test(0) Rob. p-val(0) Rob. t-test(1) Rob. p-val(1) Variance of normal random coefficients ************************************** Name Value Std err t-test const_sigma Note: Gender is not significant. The coefficient for logδt is significant and positive. Income elasticity is The coefficient for travel purpose is not significant. eta_c and eta_t (corresponding to cost and time reference dependency) are significant. The coefficient for log of base travel time is significant and negative. The coefficient base cost is significant and positive. The coefficients for age suggest that VTT is U-shaped function of age, i.e., middle aged respondents have the highest VTT. 228

177 Final estimation results train long Source:..\Analyses\2attribute\Katrine_final_results\Summary files\final model estimates_sfl_w.xls (for all remaining modes) The original BIOGEME output file lies under: 3319 tid\main_study\analyses\2attribute\katrine_final_results\vot estimation\train long\mxl.rep Name Value Std err t-test Robust Std err Robust t-test SNP1 0,2043 0,1525 1,3397 * 0,1984 1,0297 * SNP2-0,0643 0,1382-0,4653 * 0,1958-0,3285 * SNP3-0,1628 0,0696-2,3390 0,0732-2,2233 SNP4 0,1677 0,1112 1,5079 * 0,1398 1,2001 * b_age 0,0071 0,0153 0,4637 * 0,0156 0,4546 * b_agesq -0,0162 0,0161-1,0071 * 0,0163-0,9995 * b_female 0,0348 0,0715 0,4870 * 0,0754 0,4620 * b_income_miss 5,5783 1,1347 4,9162 1,3298 4,1949 b_logdt 0,2788 0,0514 5,4199 0,0535 5,2079 b_logdistance -0,2157 0,0734-2,9405 0,0760-2,8381 b_logjcost 0,2740 0,0764 3,5858 0,0830 3,3027 b_logpnetincome 0,4536 0,0903 5,0240 0,1041 4,3552 b_work 0,2813 0,1117 2,5184 0,1282 2,1934 const -6,7088 1,1142-6,0213 1,3569-4,9440 eta_c -0,1365 0,0181-7,5268 0,0217-6,3033 eta_t 0,0455 0,0173 2,6294 0,0190 2,3903 p_one 1,0000 fixed sigma 0,8129 0,1734 4,6895 0,2470 3,2917 Robust Robust Robust Std t- t- Value Std t- t- err test0 test1 err test0 test1 mu 2,8857 0, , ,3460 0, , ,1459 Note: The coefficient for gender is not significant. The coefficient for logδt is significant and positive. Income elasticity is VTT for travel purpose is significantly higher than non-work VTT. eta_c and eta_t (corresponding to cost and time reference dependency) are significant. The coefficient for log of travel time is not significant. The coefficient for base cost is positive and significant. Coefficients for age suggest that VTT is U-shaped function of age, i.e., middle aged respondents have the highest VTT. 229

178 Final estimation results car long Original BIOGEME output: \3319 tid\main_study\analyses\2attribute\katrine_final_results\vot estimation\car long\mxl.rep Name Value Std err t-test Robust Std err Robust t-test SNP1-0,5632 0,1489-3,7822 0,0936-6,0178 SNP2 0,0465 0,1622 0,2869 * 0,1087 0,4281 * SNP3 0,2246 0,0990 2,2687 0,0750 2,9970 SNP4-0,1275 0,1632-0,7814 * 0,0771-1,6538 * b_age 0,0108 0,0138 0,7821 * 0,0143 0,7554 * b_agesq -0,0247 0,0143-1,7283 * 0,0149-1,6561 * b_female 0,1379 0,0604 2,2828 0,0598 2,3060 b_income_miss 6,7528 0,9836 6,8651 1,0103 6,6836 b_logdt 0,2680 0,0445 6,0262 0,0497 5,3904 b_logdistance -0,3740 0,1162-3,2199 0,1236-3,0269 b_logjcost 0,4908 0,1031 4,7585 0,1105 4,4398 b_logpnetincome 0,5698 0,0777 7,3293 0,0800 7,1264 b_work 0,2250 0,1611 1,3964 * 0,1746 1,2890 * const -7,2061 1,0077-7,1514 0,9487-7,5957 eta_c -0,1167 0,0149-7,8190 0,0154-7,5860 eta_t 0,1121 0,0148 7,5859 0,0168 6,6881 p_one 1,0000 fixed sigma 1,3565 0,2343 5,7890 0, ,8996 Robust Robust Robust Std t- t- Value Std t- t- err test0 test1 err test0 test1 mu 2,1241 0, , ,8177 0, , ,9856 Note: The coefficient for women is significant is significant and positive, i.e., women have higher VTT than men have. The coefficient for logδt is significant and positive. Income elasticity is VTT for travel purpose is higher than non-work VTT (not significant). eta_c and eta_t (corresponding to cost and time reference dependency) are significant. The coefficient for log of travel distance is significant and negative. The coefficient for base cost is positive and significant. Coefficients for age suggest that VTT is U-shaped function of age, i.e., middle aged respondents have the highest VTT. 230

179 Final estimation results air long Original BIOGEME output: \3319 tid\main_study\analyses\2attribute\katrine_final_results\vot estimation\air\mxl.rep Name Value Std err t-test Robust Std err Robust t-test SNP1 0,0380 0,4479 0,0849 * 0,5261 0,0723 * SNP2-0,3504 0,4558-0,7687 * 0,5864-0,5975 * SNP3-0,1210 0,2710-0,4465 * 0,3012-0,4018 * SNP4 0,1149 0,2970 0,3869 * 0,3747 0,3066 * b_age 0,0585 0,0155 3,7764 0,0171 3,4181 b_agesq -0,0660 0,0166-3,9688 0,0186-3,5486 b_female -0,0871 0,0618-1,4097 * 0,0632-1,3771 * b_income_miss 3,0450 1,0246 2,9720 1,1134 2,7348 b_logdt 0,2613 0,0487 5,3674 0,0527 4,9542 b_logjcost 0,5999 0, ,4480 0, ,1119 b_logjtime -0,3657 0,0938-3,8993 0,1013-3,6088 b_logpnetincome 0,2483 0,0804 3,0882 0,0870 2,8559 b_work 0,0920 0,0936 0,9826 * 0,0968 0,9499 * const -6,4192 1,0949-5,8629 1,1275-5,6934 eta_c -0,0003 0,0149-0,0223 * 0,0153-0,0217 * eta_t 0,0381 0,0149 2,5575 0,0154 2,4739 p_one 1,0000 fixed sigma 1,2678 0,8885 1,4269 * 1,1568 1,0960 * Robust Robust Robust Std t- t- Value Std t- t- err test0 test1 err test0 test1 mu 2,7150 0, , ,1870 0, , ,1446 Note: The coefficient for women is not significant. The coefficient for logδt is significant and positive. Income elasticity is VTT for travel purpose is higher than non-work VTT (not significant). eta_c and eta_t (corresponding to cost and time reference dependency) are significant. The coefficient for log of base travel time is significant and negative. The coefficient for base cost is positive and significant. Coefficients for age suggest that VTT is U-shaped function of age, i.e., middle aged respondents have the highest VTT. 231

180 232

181 Appendix IX Simulation of VTT distribution Source: Katrine Hjorth (\Analyses\2attribute\Katrine_final_results\Simulation.doc) To get (reference free) distribution with control over the value of ΔT Method Approximation of the CDF In the model with generalized VOT distributions, the VOT is given by log VOT = (1) β ' x + σ u, where u has density g(u) = (2) q( Φ(u)) φ(u) Φ and φ are the CDF and density function of the standard normal distribution, and q is a transformation function (which is approximated by a sum of Legendre polynomials). The CDF of the VOT, conditional on F β ' x, is β (v β ' x) = P(log VOT < log v β ' x) VOT ' x (3) (log v β x σ = g( u) du = ' ) Φ((log v β ' x) σ ) 0 q( r) dr This integral can be approximated by drawing N numbers r from the standard uniform distribution U(0,1), and computing: F (v β ' x) 1 logv β ' x 1 r Φ q(r) σ VOT β ' x (4) N r The unconditional CDF is: F VOT (v) E(F x (v β ' x)) =, (5) VOT β ' where expectation is with respect to the population distribution of The unconditional CDF can then be approximated by β ' x. 233

182 F VOT (v) (6) 1 N i: resp r 1{ r Φ((logv ' x) σ )} q(r) weight i β. j: resp weight j Simulation The program takes the first (or the second) observation for each individual and computes his value of β ' x using the formula: β ' x = β1' x1 + β t log t, where x 1 is a vector of covariates (age, age 2 /100, female dummy, missing income β is dummy, log distance, log base cost, log pnetincome, work dummy, constant), 1 the corresponding parameter vector from the model estimated in Biogeme, parameter for log t, and t is set to a specified level. β t is the Then we take N draws r from the standard uniform U(0,1) distribution, and simulate N values of his VOT: logvot = β ' x + σ Φ -1 (r) We then evaluate F VOT (v) in each of these N x Nresp VOT values using formula (6). Plots of Estimated distributions Source:..\Analyses\2attribute\Katrine_final_results\Summary_SFL\plott_of_CDF.xlsx 234

183 235

184 236

185 237

186 238

187 Derived averages Source:..\Analyses\2attribute\Katrine_final_results\Summary files\comparision_old_new_estimates.xlsx We can derive selected moments from the estimated/simulated distributions Delta T = 10 min delta T = 15 CAR SHORT work nonwork all Work nonwork all Median 55,17 44,74 48,12 57,00 46,23 49,71 99% quantile 951,25 797,72 850,12 982,79 824,18 878,31 Mean 100,71 84,39 90,07 104,05 87,19 93,06 Mean - censored at 1000 NOK/h 90,10 76,62 81,18 92,77 78,91 83,60 PT SHORT work nonwork all Work nonwork all Median 43,33 32,30 37,53 44,33 33,05 38,40 99% quantile 328,03 265,35 298,92 335,65 271,52 305,86 Mean 60,33 46,79 53,46 61,73 47,88 54,71 Mean - censored at 1000 NOK/h 59,84 46,49 53,06 61,21 47,56 54,27 CAR LONG work nonwork all Work nonwork all Median 128,21 88,24 89,36 142,93 98,37 99,62 99% quantile 2353, , , , , ,03 Mean 231,83 161,82 164,14 258,44 180,40 182,98 Mean - censored at 1000 NOK/h 182,12 133,20 134,83 200,00 146,33 148,12 Train LONG work nonwork all Work nonwork all Median 106,38 62,01 64,53 119,11 69,43 72,25 99% quantile 676,87 402,52 434,54 757,87 450,69 486,55 Mean 140,20 82,49 87,13 156,98 92,36 97,56 Mean - censored at 1000 NOK/h 139,25 82,40 86,97 155,51 92,21 97,30 BUS LONG work nonwork all Work nonwork all Median 68,09 46,01 47,05 78,23 52,87 54,06 99% quantile 714,53 496,66 509,41 820,95 570,62 585,28 Mean 105,29 72,52 74,45 120,97 83,32 85,54 Mean - censored at 1000 NOK/h 90,65 64,51 66,09 102,93 73,25 75,04 AIR work nonwork all Work nonwork all Median 187,57 116,22 122,09 208,54 129,21 135,74 99% quantile 1544,77 898, , ,44 998, ,14 Mean 283,46 168,37 181,63 315,14 187,19 201,94 Mean - censored at 1000 NOK/h 262,61 162,65 174,18 288,16 179,85 192,35 239

188 240

189 Appendix X Examination of size of time saving and weighting on VTT The following two table show the comparison between weighted and un-weighted estimation results for ΔT = 10 and ΔT = 15. Comparison between weighted and un-weighted estimation results (ΔT = 10) Un-weighted weighted for income, age & distance Private Travel purpose Private Travel purpose Work Others All Work Others All CAR SHORT Median % quantile Mean Mean censored at 1000 NOK/h PT SHORT Median % quantile Mean Mean censored at 1000 NOK/h CAR LONG Median % quantile Mean Mean censored at 1000 NOK/h RAIL LONG Median % quantile Mean Mean censored at 1000 NOK/h BUS LONG Median % quantile Mean Mean - censored at 1000 NOK/h Air Median % quantile Mean Mean - censored at 1000 NOK/h

190 Comparison between weighted and un-weighted estimation results (ΔT = 15) CAR SHORT Median 99% quantile Mean Mean censored at 1000 NOK/h PT SHORT Median 99% quantile Mean Mean censored at 1000 NOK/h CAR LONG Median 99% quantile Mean Mean censored at 1000 NOK/h RAIL LONG Median 99% quantile Mean Mean censored at 1000 NOK/h BUS LONG Median 99% quantile Mean Mean - censored at 1000 NOK/h Air Median 99% quantile Mean Mean - censored at 1000 NOK/h Un-weighted weighted for income, age & distance Private Travel purpose Private Travel purpose Work Others All Work Others All

191 Appendix XI Weights Observations in the VTT sample are weighted using three variables, travel distance, income and age, to make the sample nationally representative using the National Travel Survey (RVU). For example low income groups are underrepresented in VTT sample compared with RVU. We assume RVU is more nationally representative. Weights are calculated for each of the 6 segments, short distance car, short distance public transport, long distance car, long distance bus, long distance rail, and air. For variable age the weights are calculated for three groups: Young (18-24 years old), adult (25-65 years old) and elderly (older than 66 years old). For travel distance the weights are calculated for two groups short and long trips, where short and long varies for the 6 segments. For Income the weights are calculated for two groups low and high income groups where low refers to annual income of NOK or lower and high refers to annual income of higher than NOK. Hence the weights have to be calculated for 3 (age) x 2 (distance) x 2 (income) = 12 segments. For example the weight for the segment young, low income and short trip is: WW(yyyyyyyyyy, llllll iiiiiiiimmmm, sshoooooo) = SShaaaaaa RRRRRR (yyyyyyyyyy, llllll iiiiiiiiiiii, sshoooooo) SShaaaaaa VVVVVV (yyyyyyyyyy, llllll iiiiiiiiiiii, sshoooooo) Often income is missing in either RVU or VTT data base. When income is missing in either RVU or VTT data base the weights are calculated using the following: WW(aaaaaa, mmmmmmmmmmmmmm iiiiiiiiiiii, dddddddddddddddd) = SShaaaaaa RRRRRR (aaaaaa, dddddddddddddddd) AAAAAAAAAA VVVVVV (aaaaaa, dddddddddddddddd) There are also some short distance public transport trips (under 100 km) in RVU where trip distance is missing. These trips are not included when shares in the 12 segments are calculated. The exclusions of these trips means that the weights with respect to other two variables are not affected. Since the missing distance is mainly associated with elderly respondents, meaning that the weights with respect to age will be affected. However this problem is not assumed to be serious. When a segment s sample size in either RVU or VTT data base is too small, the weights will not be correct. For example in RVU only two young and high income respondents have reported bus trips longer than 200 km. I RVU gjelder dette personer under 25 år som tjener mer enn kroner. Two segments fall in this category: young respondents in long distance travel with bus and rail. For these two cases the weights are calculated according to: 243

192 WW(yyyyyyyy, llllllll) = SShaaaaaa RRRRRR (YYYYYYYYYY, llllllll) SShaaaaaa VVVVVV (YYYYYYYYYY, llllllll) Since RVU data is from 2005, annual income of NOK corresponds to NOK in 2005, adjusting income according to SSB data for income growth. For short car and public transport trips (trips under 100 km.), short refers to trips under 10 km. For long distance trips with car, bus and rail (trips over 100 km.), short refers to trips under 200 km. Trips by air are not weighted by distance since distance for this mode is rather imprecise. The following show two examples of how the weights are calculated. Short distance car: WW(eeeeeeeeeeeeee, llllll iiiiiiiiiiii, sshoooooo) = SShaaaaaa RRRRRR (eeeeeeeeeeeeee, llllll iiiiiiiiiiii, sshoooooo) SShaaaaaa VVVVVV (eeeeeeeeeeeeee, llllll iiiiiiiiiiii, sshoorrrr) = 3,42 % 0,70 % = 4,90 Long distance bus: WW(aaaaaaaaaa, hiiiih iiiiiiiiiiii, llllllll) = SShaaaaaa RRRRRR (aaaaaaaaaa, hiiiih iiiiiiiiiiii, llllllll) SShaaaaaa VVVVVV (aaaaaaaaaa, hiiiih iiiiiiiiiiii, llllllll) = 15,30 % 23,00 % = 0,67 244

193 Appendix XII Car Occupancy The results of the estimation show that the VTT for car driver is not affected by car occupancy (see the coefficient for driving alone, marked yellow). Hence it could be assumed that the VTT for car passenger is not captured by car driver. I:\ØL-AVD\3319 tid\main_study\analyses\2attribute\katrine_final_results\summary files Name Value Robust Std err Robust t-test Value Robust Std err Robust t-test b_age 0,0132 0,0143 0,9205 * 0,0045 0,0097 0,4650 * b_agesq -0,0276 0,0150-1,8433 * -0,0222 0,0102-2,1723 b_female 0,1203 0,0600 2,0036-0,1053 0,0376-2,8013 b_logpnetincome 0,5339 0,0789 6,7663 0,4218 0,0543 7,7630 b_income_miss 6,3005 0,9968 6,3204 5,1638 0,6873 7,5129 b_service 0,0645 0,0439 1,4693 * b_til_arbeid 0,4718 0,2030 2,3247 0,0221 0,0430 0,5138 * b_fra_arbeid -0,1025 0,3245-0,3158 * b_fritid 0,0730 0,1012 0,7213 * b_annet_purpose 0,0932 0,1134 0,8217 * b_privat 0,0000 b_logdt 0,2705 0,0503 5,3801 0,0822 0,0269 3,0594 b_logjcost 0,4797 0,1122 4,2770 0,5058 0,0550 9,1888 b_logjtime b_logdistance -0,3559 0,1239-2,8720-0,1575 0,0575-2,7371 b_alone -0,0489 0,0681-0,7181 * 0,0251 0,0388 0,6460 * b_region_miss -0,1178 0,5588-0,2107 * 0,0053 0,2923 0,0181 * b_region_nm -0,1085 0,0836-1,2976 * -0,0836 0,0549-1,5225 * b_region_oa 0,0811 0,0646 1,2557 * 0,0255 0,0475 0,5365 * b_region_ost 0,0000 0,0000 b_region_vs -0,1299 0,0813-1,5983 * 0,0886 0,0449 1,9728 const -6,9816 0,9475-7,3688-6,5716 0, ,2604 eta_c -0,1169 0,0154-7,5943-0,0687 0,0090-7,6212 eta_t 0,1124 0,0168 6,6986 0,0783 0,0096 8,1434 sigma 1,3136 0,1362 9,6430 1,3856 0,2070 6,6941 SNP1-0,5209 0,0949-5,4868-0,0592 0,0819-0,7224 * SNP2 0,0022 0,0993 0,0220 * -0,2722 0,0706-3,8576 SNP3 0,2265 0,0749 3,0248-0,0270 0,0671-0,4028 * SNP4-0,0991 0,0501-1,9788 0,1658 0,0401 4,

194 246

195 APPENDIX XIII Variations of VTT between modes of transport Variations of VTT between modes can be associated with individual characteristics and mode characteristics. Individual characteristic is referred to as user type effects (observed heterogeneity such as income, age, family status etc. or unobserved heterogeneity). Mode characteristic is referred to as mode effect explained by the attributes of the transport mode (e.g. comfort, perceived safety, etc). Mode effects are then investigated by comparing the two VTT distributions within a user group. User type effects are detected by comparing the VTT distributions across user groups. For the isolation of the user type effect or self selection we investigate the differences in VTTS for single user type groups. The differences between the VTTS for the same user group in different transport modes can be interpreted as the mode effect. Experimental design The data from two experiments are pooled together for the estimation of VTT. These experiments are: 1. An experiment that establishes the trade-offs between travel time and cost of the respondent s chosen mode (See Experiment 1, Appendix II). 2. An experiment that establishes the trade-offs between travel time and cost of the respondent s alternative mode (See Experiment 3, Appendix II). The first experiment focuses on the chosen mode of the respondent s reference trip. The third experiment focuses on the reported alternative mode of the respondent s reference trip. Some of the respondents did not get Experiment 3. The respondents with no alternative mode are offered a hypothetical bus as an alternative mode. Those who reject the offered hypothetical bus do not take part in the second experiment. The attribute levels of travel time and cost in the first experiment (chosen mode) are pivoted around chosen mode values. The attribute levels of travel time and cost in the second experiment (alternative mode) is pivoted around reported alternative mode values (see details in Appendix II). Choice model Consider a choice between two trips characterised by (c i, t i ), i = 1, where c i is the cost and t i is the time of alternative i. The indirect utility of alternative i can be formulated as U i = αc i +_βt i + ε. We expect that α and β <0. Assume further that one alternative is fast and expensive (alternative 1), and the other is cheaper and slower (alternative 2). Let Δc and Δt present the cost and time differences of these alternatives. Then = Δc / Δt. Note that VTT = β/ α. A respondent n in v nj 247

196 choice situation j will choose the fast and expensive alternative (alternative 1) when his VTT exceeds the v nj. Define a choice variable y nj that is one when fast alternative is selected and zero otherwise. Then y 1 nj =1 if log VTTnj + ε nj > log v nj µ Where ε is a logistic random variable with location 0 and scale μ, which is independent across choices. By definition VTT is positive hence it is possible to decompose VTT as: Where βx and δz captures the observed heterogeneity and u is a random variable that captures the unobserved heterogeneity. Then y nj =1 log VTTnj =β x nj +δ znj + u n 1 β x +δ z + u + ε > log v µ nj ij n nj nj This above is a mixed logit model where the distribution u is the mixing distribution. Note that in the context of this application x : vector of trip and background characteristics for individual n and choice situation j z : vector of dummies that identify the user type groups at their choice experiment (chosen mode or alternative mode) u : (individual specific) normal distributed random term, independent from x and z x captures the observed user type effects and z captures mode effects as well as unobserved user type effects. The following is a list of covariates we have used 248

197 List of covariates: Individual specific covariates Age Age^2/100 Log(net income) Missing income dummy Female dummy Purpose dummies (work; non-work) Trip specific covariates (different between mode but constant within chosen and alternative mode) Log(base cost) Log(base distance) Choice specific Log(Δ T) where Δ T= t 0 - t S(T) a dummy when (t 0 - t) > 0 S(T) a dummy when (c 0 - c ) > 0 and c is the cost The vector z is a set of dummies that identifies user groups at the choice experiment. We first identify a user group by their chosen mode and then the alternative mode. As an example PT_Car stand for the group of respondents with chosen mode Public Transport (PT) and alternative mode Car. The user group, PT_Car in the chosen mode experiment is referred to as PT_Car_c and in alternative mode experiment is referred to as PT_Car_a. The VTT for a specific user type group (e.g., PT_Car) evaluated at their chosen mode (public transport): VTTS = exp( β 'x +δ + u ) PT_Car_c PT_Car_c ni nj n For identification one δ coefficient has to be normalized. We set Car_nr δ =0, where Car_nr stands for user group Car that was not routed (nr) to the alternative mode experiment. Or Car_nr VTTni = exp( β 'xni + u n ) The relative VTT of a particular user group (e.g, public transport) compared to the user group Car_nr is 249

198 PT_Car_c E(VTT x) Car _ nr E(VTT x) = δ PT_Car_c exp( ) The values of the coefficient each eeeeee(δδ uuuuuuuu gggggggggg ) is therefore the relative VTT of that particular user group compared to the user group Car_nr The relative VTT of a particular user group, e.g. PT_Car_c, compared to another user group, such as Car_PT_c is PT_Car_c E(VTT x) PT_Car_c Car_PT_c exp( ) Car _ PT _ c E(VTT x) = δ δ PT_Car_c Car_PT_c Hence exp( δ δ ) is the relative value of VTT of the two user groups after controlling for the covariates x. The following tables show the user type groups which are defined by their chosen and alternative mode in short distance and long distance segments. The relative VTT of respondents that were offered a hypothetical bus are also estimated. User groups: short distance segment 250

199 User groups: Long distance segment For the isolation of the mode effects we will use a more extensive set of covariates, that parameterize VTTS, in order to enable us to control for variations related to the trip itself such as trip purpose, trip time (or distance) and trip cost of the reference trip. As such the remaining differences can be better explained by pure mode effects. For the isolation of the user type effect all mode specific variables and all sociodemographic covariates are excluded. Only choice specific (design) covariates are used, i.e. ΔT, a dummy variable for increase in time and a dummy variable for increase in cost (see bellow under estimation procedure). For the isolation of the user type effect due to unobserved heterogeneity or self selection all mode specific variables and all socio-demographic covariates are included (see bellow under estimation procedure). Examination of the between mode differences in VTT Long distance:\\saturn\felles\øl-avd\3319 tid\main_study\analyses\2attribute\cross_mode\biogeme\output\without_cov_just_delta_t\cross_mode_mi x_log_without_cov.rep Short distance (non-work): \\SATURN\Felles\ØL-AVD\3319 tid\main_study\analyses\2attribute\cross_mode\biogeme\output\short_distance\just_delta_t\nonwork\short_cross_mode_mix_log_just_deltat.rep 251

200 Short distance (work):\\saturn\felles\øl-avd\3319 tid\main_study\analyses\2attribute\cross_mode\biogeme\output\short_distance\just_delta_t\work\short_cr oss_mode_mix_log_just_deltat.rep The following table shows the between mode differences in VTT for long distance segment. The two left columns show the VTTs for the current mode. The two next columns show the VVTs of the shifted modes (from the current modes) and the last column shows the changes in percentage. As an example the Car VTT of the current users is 148 NOK/hr. If the current car users shift to Air, their VTT will be 248 NOK/hr, about 92 percent higher than their VTT in car and higher than Air VTT of the current users. Note that the between mode differences of VTT is both due to user type effect and mode effect. The changes in VTT as the result of mode shifts suggest that the sources of the between mode differences in VTT are both mode effect and user type effect. Note that the rank of VTT with respect to size is the same the current mode and the shifted modes; Air has the highest value, followed by Car, Rail and Bus. Also note that VTTs for the shifted mode from car are all relatively high compared to the current VTTs of these modes, partly due to the high income of the current car users. Between mode differences in VTT for long distance (Δ T =15 min, censored at 1000 NOK/hr) Current Mode VTT (NOK/hr) Shift to VTT (NOK/hr) Change, % Car 141-0,27 Air 192 Rail 90-0,53 Bus 83-0,57 Air 284 0,92 Car 148 Rail 148 0,00 Bus 134-0,10 Air 151 0,55 Rail 97 Car 135 0,39 Bus 92-0,05 Air 112 0,49 Bus 75 Car 98 0,31 Rail 72-0,04 252

201 The following table shows the between mode differences in VTT for short distance segment for work travel purposes. The two left columns show the VTTs for the current mode. The two next columns show the VTTs of the shifted modes (from the current modes) and the last column shows the changes in percentage. Between mode differences of VTT is both due to user type effect and mode effect. For work travel purpose the car VTT of the current users is 90 NOK/hr. If the current the car user shift to public transport, their VTT will be 77 NOK/hr, about 15 percent lower than their VTT in car. Also note that if the current public transport users shift to car their current VTT will increase to 106 NOK/hr, an increase of 77 percent. Between mode differences in VTT for work travel purpose and short distance segment (Δ T =10 min, censored at 1000 NOK/hr) Current Mode VTT (NOK/hr) Shift To VTT (NOK/hr) change, % Car 90 PT 77-0,15 PT 60 Car 106 0,77 other PT 53-0,11 The following table shows the between mode differences in VTT for short distance segment for work and other private travel purposes. Note that the current public transport VTT decreases when the current users shift to other public transport modes. User type effect explain the decrease since more affluent public transport users (owning a car) are more likely to switch to car and the less affluent shift to another public transport mode. VTT for those who shift to other public transport is 53 NOK/hr compared to 60 NOK/hr for the current public transport users. For non-work travel purpose the car VTT of the current users is 77 NOK/hr. If the current the car user shift to public transport, their VTT will be 72 NOK/hr, about 6 percent higher than their VTT in car. Also note that if the current public transport users shift to car their current VTT will increase to 60 NOK/hr, an increase of 28 percent. 253

202 Between mode differences in VTT for non-work travel purpose and short distance segment (Δ T =10 min, censored mean at 1000 NOK/hr) Current Mode VTT switching to VTT change in % Car 77 PT 72-0,06 PT 46 Car 60 0,28 other PT 41-0,12 Examination of the mode effect User type effect: Users differ in observed heterogeneity (e.g. income) and unobserved heterogeneity (e.g. attitude) characteristics. Self selection: people with higher VTT use faster transport modes Identification of user type effect: For one transport mode we have the VTT of different user groups The differences between the VTT in bus for bus users and the VTT in bus for car users can be seen as the user type effect By controlling for observed heterogeneity among users, the observed user type effects will be due to unobserved heterogeneity and self selection. Obviously it is possible to examine to what extent a certain characteristic of the user, such as income contributes to the differences of VTT between different modes. Mode effect: VTTS differ because transport modes differ due to perceived characteristics of the mode such as comfort and safety Identification of mode effect: For a single user type groups we observe VTT of different modes. The difference between VTT s of these modes can be seen as the mode effect The choice of individual specific covariates is not crucial as the differences are based on the same sample By controlling for trip- and choice specific covariates we can isolate comfort effects from effects that could be related to difference in base cost, base distance or ΔT 254

203 Long Distance The following table shows the shifted mode VTTs relative to the current mode VTTs. The values in the yellow cells show the total relative change in the VTT of the shifted mode compared to the current mode. As explained earlier the total change is due to both mode effect and user type effect. These values correspond to the values in the previous table. The examination of this table leads to the identification of the user type effect as well as the mode effect. For mode effect one needs to inspect the relative values horizontally, while for the user type effect one need to inspect the relative values vertically. Long distance: shifted mode VTTs relative to the current mode VTTs (controlling for ΔT) Code User Group Groups L-1 car/not routed 606 1,00 (norm) Evaluated Mode No. of respondents Car Bus Rail Air L-4 car/bus 142 1,05 0,90 L-5 car/rail 161 1,16 1,00 L-6 car/air 22 1,10 1,92 L-7 bus/not routed 244 1,00 L-10 bus/car 77 1,31 1,09 L-11 bus/rail 51 0,97 0,96 L-12 bus/air 27 0,85 1,49 L-13 rail/not routed 251 1,00 L-16 rail/car 104 1,39 1,24 L-17 rail/bus 82 0,95 0,94 L-18 rail/air 84 1,09 1,55 L-19 air/not routed 373 1,00 L-22 air/car 102 0,73 1,02 L-23 air/bus 27 0,43 0,83 L-24 air/rail 134 0,47 0,76 In the previous section we pointed out that car VTT of the current users is 148 NOK/hr. If the current car users shift to Air, their VTT will be 248 NOK/hr, about 92 percent higher than their VTT in car and higher than car VTT of the current 255

204 users. From the following table one can see that user type effect contributes to 10 percent of the increase, the rest is due to mode effect. If the current bus users shift to Air, their VTT increase by 49 Percent. Due to user type effect there will be a 15 percent decrease in VTT. Mode effect increases the VTT by 75 percent. the low income of the bus passenger is partly explains the extent of the user type effect. In general both mode effect and user type effect contribute to the between mode differences in VTT in long distance segment. Long distance: shifted mode VTTs relative to VTT for car/not routed (controlling for ΔT and S(c) and S(t)) Number User Group Routing L-1 car/not routed 606 1,00 (norm) Evaluated Mode No. of respondents Car Bus Rail Air L-4 car/bus 142 1,05 0,90 L-5 car/rail 161 1,16 1,00 L-6 car/air 22 1,10 1,92 L-7 bus/not routed 244 0,63 L-10 bus/car 77 0,82 0,68 L-11 bus/rail 51 0,61 0,60 L-12 bus/air 27 0,53 0,93 L-13 rail/not routed 251 0,76 L-16 rail/car 104 1,06 0,94 L-17 rail/bus 82 0,72 0,72 L-18 rail/air 84 0,83 1,18 L-19 air/not routed 373 1,38 L-22 air/car 102 1,01 1,41 L-23 air/bus 27 0,59 1,14 L-24 air/rail 134 0,64 1,04 256

205 Short Distance The following table shows the shifted mode VTTs relative to VTT for car that was not routed. The values in the yellow cells show the total relative change in the VTT of the shifted mode compared to VTT for car that was not routed. The total change is due to both mode effect and user type effect. For mode effect one needs to inspect the relative values horizontally, while for the user type effect one need to inspect the relative values vertically. The current car VTT decreases by 15 percent as the result of shift to public transport. The user type effect is not significant, about 5 percent while mode effect contributes to about 80 percent of the change. Public transport VTT is 70 percent lower than car VTT. The current public transport VTT increases by over 77 percent (1,24/0,7) as the result of shift to car. Mode effect contributes to 25 percent of the change while the rest is due to user type effect. Short distance: shifted mode VTTs relative to the current mode VTTs (controlling for ΔT) Code Name Other PT Car PT 1 car/not routed ,00 (norm) 4 car/pt* 875 1,05 0,85 other PT than chosen PT 7 PT/not routed 207 0,7 10 PT/car 142 1,24 0,99 11 PT/oPT 190 0,64 0,63 257

206 258

207 Appendix XIV Value of congestion Long distance car trip The presentation of level of attribute congestion is in percentage of the time. The following table show the attribute levels for congestion time. Level_0 refers to the base value. Travel distance Levels for congestion as a percentage of travel distance level -2 level -1 level 0 level 1 level km 0 % 5 % 10 % 20 % 30 % > 150 km 0 % 2 % 4 % 8 % 12 % The following shows the results of the estimation Model: car_long\biogeme\congestiontime_ordinary_logit.mod Basic statistics: car_long\biogeme\output\congestion_time\ordinary_logit\congestiontime_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 3648 Number of individuals: 3648 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: 3attr_car_long_rev.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_CONG B_COST B_TIME The average VTT is 157 NOK/hr, quite reasonable for long distance car. The VTT in congested traffic is 472 NOK/hr, about 3 times higher than the average VTT. 259

208 Car short distance The following table shows the levels of attribute congestion for car short distance. The levels depend of the level of congestion a respondent had reported connected to the reference trip. Base congestion Levels for congestion as a percentage of travel distance level -2 level -1 level 0 level 1 level 2 < 50 % 0 % 10 % 20 % 40 % 60 % > 50 % 0 % 15 % 30 % 50 % 80 % The following shows the results of the estimation Model : car_short\biogeme\congestiontime_ordinary_logit.mod Basic statistic: car_short\biogeme\output\ordinary_logit\congestiontime_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 9000 Number of individuals: 9000 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: 3attr_car_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_CONG B_COST B_TIME The average VTT is 47 NOK/hr, quite reasonable for short distance car. The VTT in congested traffic is 164 NOK/hr, about 3,5 times higher than the average VTT. Congestion summary Mode VTT (uncongested) VTT (congested) Car short 47,2 NOK 164,12 NOK Car long 157,16 NOK 472,08 NOK 260

209 APPENDIX XV Seat availability PT short The following table shows the level of attribute for seat availability The levels of seat availability Level -2 level -1 level 0 level 1 level 2 All the Most of the Half of ¼ of the None way way the way way Seated half the way is normalised to zero, i.e. it will be used as the base in modelling. Any other levels could be used as base, since alternatives are mathematically equivalent. We expect to get positive signs for Most of the way and all the way as these situations should be perceived better than halve. The following shows the result of the estimation. Model: PT_short\Biogeme\seat_ordinary_logit.mod Basic statistics: PT_short\Biogeme\Output\seat\ordinary_logit\seat_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 7 Number of observations: 2268 Number of individuals: 2268 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_PT_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_TIME B_seat_fjerdel B_seat_halve fixed-- B_seat_hele B_seat_ingen B_seat_mesteparten All coefficients are highly significant and have correct sign. Also the order of the coefficients for the levels is perfectly meaningful. The average VTT for public transport is 36 NOK/hr. WTA for None is 14,3 NOK. WTA for 1/4 of the way is 9,3 NOK. 261

210 WTP for most of the way is 9,76 NOK. WTP for all the way is 13,23 NOK. These values can be translated to the following values from a base of standing all the way WTA for None is 0 NOK. WTA for 1/4 of the way is 5 NOK. WTP for most of the way is 24,0 NOK. WTP for all the way is 27,5 NOK. The values for sitting place availability seem fairly high. WTP from none to all the way is 27,5 NOK, in the range of a T-bane ticket. High speed passenger boat, short Model: PT_short\Biogeme\seat_ordinary_logit.mod Basic statistics: PT_short\Biogeme\Output\hurtigbåt\seat\seat_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 7 Number of observations: 354 Number of individuals: 354 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_hb_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_TIME B_seat_fjerdel B_seat_halve fixed-- B_seat_hele B_seat_ingen B_seat_mesteparten The WTA for none is 22,05 NOK. The WTA for 1/4 of the way is 12,7 NOK. The WTP for most of the way is 18,98 NOK. The WTP for all the way is 22,05 NOK. 262

211 APPENDIX XVI Value Travel Time Variability VTTV The two most common travel time variability measures are the mean variance approach and scheduling approach. The methods differ in their assumptions of how variability is perceived and interpreted by the traveller. The mean/standard deviation approach describes the inconvenience travellers experience from variability as due to the uncertainty in itself, no matter if one arrives early or late. It includes the standard deviation or another summary measure of variability directly into the utility function. While it is easy to apply, this approach however lacks firm theoretical motivation. Meanvariance approach has widely used in many applications due to its simplicity (see for example Small et al. 2005; Brownstone and Small 2005; Lam and Small 2001). However, this approach has the serious drawback of lacking an economic foundation. The scheduling approach, originally proposed by Vickery (1969) and Small (1982) have been extended by Noland and Small (1995), Noland (1997) and Noland et al. (1998). This approach assumes that the travellers cost function may be characterized by not only travel time but also by their scheduling costs including the penalties of arriving early or late. The scheduling approach defines utility directly over outcomes, which is an advantage relative to the mean variance approach. Under certain assumptions, often restrictive, the scheduling approach is equivalent to the mean variance approach as suggested by Bates et al. (2001) and Noland and Polak (2002) and Fosgerau and Karlström (2007). Despite its attraction in the measurement and definition of the VTTV, it is difficult to apply the scheduling model for estimating the VTTV. This is not only because the scheduling approach requires detailed information about travellers preferred arrival times, but also because it imposes the strict and unrealistic assumption on the parametric form of the underlying travel time distributions. In the Norwegian VTT study both approaches are used. Estimation results: Mean-variance approach In mean-variance approach utility is formulated as U = δ C + α ET + ρσ Where C is travel cost the ET is expected travel time σ is the standard deviation of travel time T T 263

212 δ, α, and ρ are the marginal utilities of cost, travel time, and variability There is a consensus that 5-point distribution of travel times, originally suggested by Black and Towriss (1993) 1 is well interpreted by people for the presentation of travel time distribution. A 5-point distribution of travel time is widely used (Small et al. 1995, Small et al. 1999, and Hollander 2005). De Young et al (2007) report that among different formats for presentation of the distribution of travel time, a verbal description (without any graph) of 5 possible travel times in 5 different lines is best understood by respondents. This format is adopted from Small et al. (1999). This format was used in the Norwegian study. Figure 1 shows how the alternatives are presented. Figur1: Presentation of alternatives in CE Three attributes are used in this experiment. See Appendix II for the detail of the design of the experiment. A problem with the design is that the expected travel time presented on the screen should coincide with the expected travel time derived from the distribution of travel time that is also presented on the screen. Furthermore since the design is pivoted around the reported travel time by the respondents, a presentation of a travel time distribution with large enough standard deviation was problematic. A symmetrical presentation of the distribution results in trip times that are too short relative to the reference trip to make it plausible. After 2 pilots it was decided to only present 5-point distribution of the travel time. If we expect the respondents to be able to calculate the standard deviation of the 5 travel times, they are able to calculate the mean. The following show a summary of the results of the estimation 1 cited from Bates et al and Small et al

213 Summary Mean Variance approach Mode Number of Respondents Mean time valuation In NOK/hour Stand. dev. valuation in NOK/reduced unit Car long ,07 Car short ,87 Bus long ,10 Rail long ,44 Air ,89 PT short ,78 Hurtigbåt short ,30 Hurtigbåt long ,00 Ferry short Reliability ratio (see Hollander, 2005) α ρ ρ/α Car long 0,0365 0,0093 0,25 Car short 0,1740 0,0720 0,42 Bus Long 0,0253 0,0110 0,42 Rail 0,0267 0,0145 0,54 Air 0,0388 0,0080 0,20 PT 0,1460 0,1017 0,69 Hurigbat Short 0,2020 0,2050 1,01 Hurigbat Long 0,0435 0,0239 0,56 Ferry 0,1160 0,0483 0,42 α stands for the coefficient of the mean travel time that is calculated from the 5-point distribution of trip times and ρ stand for the coefficient of the standard deviation of the trip times. The following show the estimated models for different modes of transport. Note that B_TIME and B_STD are equivalent to α and ρ, the coefficient of the mean travel time that is calculated from the 5-point distribution of trip times and the coefficient of the standard deviation of the trip times. Please note, that the estimated values and standard errors of the coefficient B_STD in the estimation outputs below have to be multiplied with (the square root of 5). This is due to a scaling mistake in the original models. In the summary tables the values are corrected. All other values (including Final-LL and adjusted rho square) are such as documented in estimation outputs. 265

214 Car long Model: car_long\biogeme\std_ordinary_logit.mod Basic statistics: car_long\biogeme\output\mean_std\ordinary_logit\std_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 3618 Number of individuals: 3618 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_car_long_rev.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_STD B_TIME Car short Model: car_short\biogeme\std_ordinary_logit.mod Basic statistics: car_short\biogeme\output\mean_std\ordinary_logit\std_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 9582 Number of individuals: 9582 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-02 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_car_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_STD B_TIME

215 Bus long Model: PT_long\bus\Biogeme\STD_ordinary_logit.mod Basis Statistic: PT_long\bus\Biogeme\Output\mean_std\ordinary_logit\STD_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 2658 Number of individuals: 2658 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-06 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: 3attr_bus_long.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC -3.48e * * B_COST B_STD B_TIME Rail long Model: PT_long\tog\Biogeme\STD_ordinary_logit.mod Basic Statistic: PT_long\tog\Biogeme\Output\mean_std\ordinary_logit\STD_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 3306 Number of individuals: 3306 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_tog_long.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_STD B_TIME

216 Air Model: air\biogeme\std_ordinary_logit.mod Basic statistics: air\biogeme\output\mean_std\ordinary_logit\std_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 4872 Number of individuals: 4872 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_air_rev.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * B_COST B_STD B_TIME PT short Model: PT_short\Biogeme\STD_ordinary_logit.mod Basic statistic: PT_short\Biogeme\Output\mean_std\ordinary_logit\STD_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 1164 Number of individuals: 1164 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: 3attr_PT_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_STD B_TIME

217 Hurtigbåt short Model: PT_short\Biogeme\STD_ordinary_logit.mod Basic statistic: PT_short\Biogeme\Output\hurtigbåt\std\STD_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 150 Number of individuals: 150 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-08 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_hb_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_STD B_TIME Hurtigbåt long Model: PT_long\bus\Biogeme\STD_ordinary_logit_hb.mod Basic statistic: PT_long\bus\Biogeme\Output\hurtigbåt\mean_std\STD_ordinary_logit_hb.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 330 Number of individuals: 330 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-07 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_hb_long.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_STD B_TIME

218 Ferry Model: ferry_short\biogeme\std_ordinary_logit.mod Basic statistic : ferry_short\biogeme\output\std\std_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 1998 Number of individuals: 1998 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-06 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_ferry_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_STD B_TIME

219 Estimation results: Scheduling approach In scheduling approach utility is formulated as Where U =δ C +α T +β SDE +γ SDL +θd L SDE and SDL are schedule delay early and late, respectively; the amount of time by which the traveller arrives early/late compared to preferred arrival time D L is a dummy for arriving late. δ, α, β, and γ are the marginal utilities of travel cost, travel time, minutes early and minutes late, while θ is a fixed penalty for arriving late, no matter the size of the delay. All parameters are expected to be negative. The following shows the presentation of reliability, scheduling approach Consider the following two car trips Trip A: Total travel time: T minutes Arrival time: [- ΔX] ΔX minutes early Total Cost: C NOK Trip B: Total travel time: T + ΔT minutes Congested time: [X] On time Total Cost: C ΔC NOK Which one do you prefer? Trip A Trip B The following table shows the estimated coefficients of the model for different modes, long distance and short distance travel. The following observations can be made by inspecting this table: 1. The estimated VTTs are quite low 2. The signs of coefficient β are not negative (except for ferry) as expected. Note that while this coefficient is negative for public transport, it is not significant at 90% level. 3. The signs of coefficient θ are negative as expected, however the size of the coefficients θ are way too large compared to the size of the coefficients γ and α. 271

220 It seems that the respondents did not understand the penalty of early arrival (see APPENDIX II for the formulation of the question). However late arrival seems understood. θ β γ α VTT (NOK/hr) car long -1,1900 0,0053-0,0214-0, Car short -1,0300 0,0332-0,1750-0, Bus Long -0,7150 0,00274* -0,0220-0, Rail long -0,7100 0,0053-0,0302-0, Air -0,0699* 0,0191-0,0412-0, PT -0,2000* -0,0140* -0,2470-0, Hurigbat S -0,586* 0,2510-0,2630-0, Hurigbat L -0,4490* 0,0084* -0,0321-0, Ferry -0,4820-0,0296* -0,0844-0, The following two tables show the value of late arrival for different modes in long and short travel segments. Summary Reliability type 2 (without exclusion of unrealistic trips) Long distance Mode Car long Bus long Rail Air Hurtigbåt Number of respondents B_EARLY ( t-value) Value of reducing a minute early NOK +0,00529 (2,16) +0,00274 (1,13) +0,00525 (2,05) +0,0191 (5,51) +0,00836 (0,76) -0,64-0,68-0,4-3,67-1,00 VTT in NOK/hr 69,26 129,64 85,8 189,23 115,1 Penalty for late arrival NOK 143,5 171,46 54,6 13,44 53,84 Value of reducing a minute late NOK 2,58 5,27 2,32 7,92 3,85 Short distance travel Mode Car PT Hurtigbåt Ferry Number of respondents B_EARLY (t-value) +0,0332 (3,88) -0,0140 (-0,63) +0,251 (2,39) -0,0296 (-1,66) VTT NOK/hr 10,43 26,46 48,86 105,11 Value of reducing one minute early, NOK -0,42 0,08-1,50 +0,74 Penalty for late arrival, NOK 13,07 1,09 3,51 12,08 Value of reducing a minute late NOK 2,22 1,35 3,51 2,11 272

221 It is possible to re-estimate the models on data related to late arrival only. We have not done these re-estimations. However other attempts have been made to understand the data. This will be explained later. The following shows the results of the estimation Car long Model: car_long\biogeme\rel2_dummy_ordinary_logit.mod Basic statistic: car_long\biogeme\output\rel2\ordinary_logit\rel2_dummy_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 3618 Number of individuals: 3618 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-04 Diagnostic: Convergence reached... Iterations: 10 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_car_long_rev.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY B_EARLY * B_LATE B_TIME

222 Car short Model:car_short\Biogeme\Rel2_dummy_ordinary_logit.mod Basic statistics: car_short\biogeme\output\rel2\ordinary_logit\rel2_dummy_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 9582 Number of individuals: 9582 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-02 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: 3attr_car_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY B_EARLY B_LATE B_TIME Bus long Model: PT_long\bus\Biogeme\Rel2_dummy_ordinary_logit.mod Basic statistic : PT_long\bus\Biogeme\Output\Rel2\ordinary_logit\Rel2_dummy_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 1392 Number of individuals: 1392 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 10 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_bus_long.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST * B_DUMMY B_EARLY * * B_LATE B_TIME

223 Rail long Model: PT_long\tog\Biogeme\Rel2_dummy_ordinary_logit.mod Basic statistic: PT_long\tog\Biogeme\Output\Rel2\ordinary_logit\Rel2_dummy_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 1506 Number of individuals: 1506 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 8 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: 3attr_tog_long.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY B_EARLY * B_LATE B_TIME Air Model: air\biogeme\rel2_dummy_ordinary_logit.mod Basic statistics: air\biogeme\output\rel2\ordinary_logit\rel2_dummy_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 2328 Number of individuals: 2328 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: 3attr_air_rev.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY * * B_EARLY B_LATE B_TIME

224 PT short Model: PT_short\Biogeme\Rel2_ordinary_logit_dummy.mod Basic statistic: PT_short\Biogeme\Output\rel2\ordinary_logit\Rel2_dummy_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 1164 Number of individuals: 1164 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-06 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_PT_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY * * B_EARLY * * B_LATE B_TIME Hurtigbåt short Model: PT_short\Biogeme\Rel2_ordinary_logit_dummy.mod Basic statistic: PT_short\Biogeme\Output\hurtigbåt\Rel2\Rel2_dummy_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 114 Number of individuals: 114 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-08 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_hb_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY * * B_EARLY B_LATE * B_TIME * 276

225 Hurtigbåt long Model: PT_long\bus\Biogeme\Rel2_dummy_ordinary_logit.mod Basic statistic : PT_long\bus\Biogeme\Output\hurtigbåt\Rel2\Rel2_dummy_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 198 Number of individuals: 198 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-04 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_hb_long.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST * B_DUMMY * * B_EARLY * * B_LATE B_TIME * Ferry Model: ferry_short\biogeme\rel2_dummy_ordinary_logit.mod Basic statistic : ferry_short\biogeme\output\rel2\rel2_dummy_ordinary_logit.sta Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 1993 Number of individuals: 1993 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-04 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_ferry_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY B_EARLY * * B_LATE B_TIME

226 Excluding unrealistic alternatives Arriving earlier than preferred arrival time should decrease ones utility and hence we expect the coefficient for early arrival to be negative However, the signs for the estimated coefficient of early arrival were not negative. We examined the data with different hypothesis about how the respondents have understood early arrival. One hypothesis was that some respondents did not account for adjusting their departure time when a trip was longer than the alternative. Hence they had selected the alternative that offered them early arrival. We therefore exclude choice pairs where one of the alternatives is early but has the longer trip time. The following table shows the estimated coefficients of the model for different modes, long distance and short distance travel. The following observations can be made by inspecting this table: 1. The estimated VTTs are much higher than the corresponding results without exclusion of unrealistic alternatives 2. The signs of coefficient β are all negative as expected. Not all these coefficients are significant at 10% level. 3. The signs of coefficient γ are negative as expected, 4. The signs of coefficient θ are negative as expected, however the size of the coefficients θ still seem large compared to the size of the coefficients γ and α, for at least some of the modes. The exclusion rule used has obviously improved the results. However further work is still necessary. Coefficient Θ β Γ α VOT Car long -1,20-0,00572* -0,0204-0, Car short -1,05-0,0653-0,166-0, Bus Long -0,725-0,0119-0,0249-0, Rail -0,704-0,00068* -0,0315-0, Air -0,0934 0,00628* -0,0427-0, PT -0,186* -0,0531* -0,246-0, Ferry -0,490-0,105-0,0869-0, The following two tables summarize the results of the scheduling approach after the exclusion of unrealistic trips for long and short distance modes. 278

227 Long distance Mode Car Bus Rail Air Number of respondents B_EARLY ( t-value) -0,00572 (-1,41) -0,0119 (-2,66) -0, (-0,16) 0,00628 (1,24) VTT in NOK/hr 95,2 223,2 99,69 235,36 Value of reducing one minute early, NOK 0,76 2,82 0,05-1,16 Penalty for late arrival NOK 160,0 171,8 55,43 17,2 Value of reducing a minute late NOK 2,72 5,9 2,48 7,86 Ratio of late arrival to VTT 1,71 1,59 1,49 2,00 Ratio of early arrival to VTT 0,48 0,76 0,03-0,29 Short distance Mode Car PT Ferry Number of respondents B_EARLY ( t-value) -0,0653 (-4,53) -0,0531 (-1,43) -0,105 (-3,73) VTT in NOK/hr 35,1 30,9 122,7 Value of reducing one minute early, NOK 0,90 0,31 2,63 Penalty for late arrival NOK 14,42 1,07 12,28 Value of reducing a minute late NOK 2,28 1,41 2,18 Ratio of late arrival to VTT 3,90 2,75 1,06 Ratio of early arrival to VTT 1,54 0,59 1,29 The following show the result of the estimation with this exclusion rule for different segments segment 279

228 Car short Source:..\..\Analyses\3attribute\car_short\Biogeme\OUTPUT\Rel2\Katrine\NP2 model for subsamples\excl_if_t_bigger_and_early\linear_dummy\rel2_dummy_ordinary_logit_excl_tearly.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 7743 Number of individuals: 7743 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-02 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: 3attr_car_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY B_EARLY B_LATE B_TIME The following diagram shows the scheduling disutility for car short distance segment. Scheduling disutility - car short. Model Rel2_VOR_NP delay40 280

229 PT short Source:..\..\Analyses\3attribute\PT_short\Biogeme\Output\PT\rel2\exc_T\Rel2_dummy_ordinary_ logit_exc_t.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 944 Number of individuals: 944 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_PT_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY * * B_EARLY * * B_LATE B_TIME Air Source..\..\Analyses\3attribute\air\Biogeme\Output\Rel2\excl_T\Rel2_dummy_ordinary_logit_exc l_t.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 1872 Number of individuals: 1872 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 8 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_air_rev.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC 3.91e * * B_COST B_DUMMY * * B_EARLY * * B_LATE B_TIME

230 Car long..\..\analyses\3attribute\car_long\biogeme\output\rel2\excl_t\rel2_dummy_ordinary_logit_excl_t.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 2929 Number of individuals: 2929 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-04 Diagnostic: Convergence reached... Iterations: 9 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_car_long_rev.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY B_EARLY * * B_LATE B_TIME Bus long..\..\analyses\3attribute\pt_long\bus\biogeme\output\rel2\exc_t\rel2_dummy_ordinary_logit_excl_t.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 1125 Number of individuals: 1125 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 11 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_bus_long.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST * B_DUMMY B_EARLY B_LATE B_TIME

231 Rail..\..\Analyses\3attribute\PT_long\tog\Biogeme\Output\Rel2\excl_T\Rel2_dummy_ordinary_logit_excl_T.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 1216 Number of individuals: 1216 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 9 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_tog_long.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY B_EARLY * * B_LATE B_TIME Hurtigbåt short \3attribute\PT_short\Biogeme\Output\hurtigbåt\Rel2\excl_T\Rel2_dummy_ordinary_logit_exc_T.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 118 Number of individuals: 118 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-04 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_hb_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY * * B_EARLY * * B_LATE B_TIME

232 Hurtigbåt long Source..\..\Analyses\3attribute\PT_long\bus\Biogeme\Output\hurtigbåt\Rel2\excl_T\Rel2_dummy_ordinary_l ogit_excl_t_hb.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 155 Number of individuals: 155 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-06 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_hb_long.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST * B_DUMMY * * B_EARLY * * B_LATE B_TIME Ferry short Source:..\..\Analyses\3attribute\ferry_short\BIOGEME\Output\Rel2\excl_T\Rel2_dummy_ordinar y_logit_exc_t.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 1616 Number of individuals: 1616 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 3attr_ferry_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_DUMMY B_EARLY B_LATE B_TIME

233 APPENDIX XVII Walk and Cycle The Walk and Cycle part of the 2007 Norwegian VTT study focuses on Walk/Cycle time as main mode of transport (not as access or egress modes) number of stops at intersections provision of cycle path Provision of separate walk path Level of upkeep of Walk and Cycle paths Removal of ice and snow The estimation of VTT is based on trade-offs between time and cost. Since neither Walk nor Cycle modes involve a monetary transaction, it is important to find an appropriate payment vehicle for the estimation of VTT. Among alternative payments vehicles for walk/cycle as a single mode, we selected a mode choice study between walk/cycle and a paid mode (car or public transport). Other reasonable payment mechanisms were: Trade-off between house price and walking/cycling time Trade-off between wage and walking/cycling time Trade-off between increased local taxes and walking/cycling time Hence in a choice experiment between Walk or Cycle and Car or Public transport the trade off between cost and time for Walk and Cycle can be established. For the estimation of the valuation of other attributes we used a 3 attribute experiment. One of the attributes is always walk or cycle time. These experiments establishes the trade-offs between walk/cycle time and the other attributes. The results can be transformed to a monetary basis by the use of the trade-off between time and cost from the first experiment. The choice experiments for walk are: 1. Mode choice experiment (Walk and Car or Public Transport) 4 attributes: total walk time, separate walk path, total car or public transport in vehicle time, total cost of the trip with car or public transport 2. Within mode experiment with 3 attributes: total walk time, upkeep of the walk path and number of stops. 3. Within mode experiment with 3 attributes: total walk time, separate walk path, and number of stops. 4. Within mode experiment with 3 attributes: total walk time, separate walk path, and snow removal. 285

234 5. Within mode experiment with 3 attributes: total walk time, separate walk path, and ice removal The choice experiments for cycle are: 1. Mode choice experiment (Cycle and Car or Public Transport) 4 attributes: total cycle time, separate cycle path, total car or public transport in vehicle time, total cost of the trip with car or public transport 2. Within mode experiment with 3 attributes: total cycle time, upkeep of the cycle path and number of stops. 3. Within mode experiment with 3 attributes: total cycle time, separate cycle path, and number of stops. 4. Within mode experiment with 3 attributes: total cycle time, separate cycle path, and snow removal. Each respondents in walk and cycle study gets three experiment, a mode choice experiment followed by two experiment among the experiments described above. For a closer look at the design of the walk and cycle studies see Appendix II and III. The following two tables show summary results from walk and cycle studies. Summary results: Walk study Average walk VTT = 146 NOK/hr Valuation of attributes at Walk VTT: 125 NOK/hr Experiment: upkeep and Stops Experiment: Separate path and Stops Value for upkeep in NOK: Base: Clean 10% of the way Clean: 30% 9,42 Clean: 50% 16,73 Clean: 80% 25,71 Clean: 100% 30,94 Value of one stop reduction, NOK 1,81 0,96 Experiment: Separate path and snow removal Experiment: Separate path and ice removal Value of 1% increase in separate walking path, NOK 0,79 0,63 0,50 Value of snow or ice removal, NOK Base: No snow/ice removal Partly Most part All the way 17,38 7,46 72,96 62,42 91,13 79,69 286

235 Summary results: Cycle study Average cycle VTT = 130 NOK/hr Valuation of attributes at Cycle VTT:113 NOK/hr Experiment: Cleanness and Stops Experiment: Separate path and Stops Experiment: Separate path and snow removal Value for cleanness in NOK: Base: Clean 10% of the way 11,17 Clean: 30% 23,32 Clean: 50% 36,48 Clean: 80% 41,70 Clean: 100% Value of one stop reduction, NOK 1,60 2,39 Value of 1% increase in separate walking path, NOK 0,85 1,00 Value of snow removal, NOK Base: No snow/ice removal 22,92 Partly 112,51 Most part 161,97 All the way Walk and cycle VTT The base time for walk/cycle is based is randomly assigned to respondents and therefore detached from the reported reference trips. The intention was to get the variation of VTT over walk and cycle time 1. A respondent is asked to choose an alternative mode (car or public transport) for the reference trip walk or cycle. Each respondent will get 8 choice pairs in this experiment. See Appendix III for the details of this experiment. The following figure shows an example of the presentation of this experiment. The order of presentation of Walk/Cycle and Alternative Mode change randomly. 1 Base walk time in this experiment ranges from 12, to 57 minutes. Base cycle time in this experiment ranges from 15, to 68 minutes 287

236 Presentation of choice pairs for between-mode choice experiment Estimation of walk and cycle VTT Alternative model formulation has been evaluated for the estimation of walk or cycle time VTT. The recommended values are based on the following logit model. UU ww/cc = ββ tttt /CC TT ww/cc + ββ ssssss DD ssssss + ε UU pp = AAAAAA + ββ tttt TT pp + ββ c C + ε (1) Where U w/c is the utility for walk or cycle U p is the utility for the paid mode ASC is the alternative specific constant T w/c is walk or cycle time time D sep is a dummy that takes value 1 if walk/cycle path exists T p is vehicle travel time with the paid mode C is the cost with the paid mode β tw/c, β sep, β tp, and β p are the corresponding coefficients ε is the error term assumed to be iid extreme value distributed The estimate of walk VTT is 146 NOK/hr. The paid mode VTT is 70 NOK7hr and the value for pathway separated from traffic is 27 NOK. The estimate of cycle VTT is 130 NOK/hr. The paid mode VTT is 66 NOK7hr and the value for pathway separated from traffic is 29 NOK. The recommended average walk and cycle VTT are based on the results from these model estimations. 288

237 Alternative models for the estimation of walk and cycle VTT Where U w/c is the utility for walk or cycle U p is the utility for the paid mode ASC is the alternative specific constant T w/c_m is walk or cycle time on mixed traffic T w/c_s is walk or cycle time on pathway separate from traffic T p C p U = ASC +α T +β T +ε C/W C/W_M C/W_S U =δ T +γ C +ε p p p is in vehicle travel time with the paid mode is the cost with the paid mode α, β, δ and γ are the corresponding coefficients ε is the error term assumed to be iid extreme value distributed (2) The estimate of walk VTT with no separated path from traffic is 168 NOK/hr. The estimate of walk VTT with separated path from traffic is 125 NOK/hr. The paid mode VTT is 69 NOK7hr. The estimate of cycle VTT with no separated path from traffic is 156 NOK/hr. The estimate of cycle VTT with separated path from traffic is 113 NOK/hr. The paid mode VTT is 69 NOK7hr. The results of these estimations, i.e., the trade-offs between time and cost for walk and cycle with no separated path from traffic will be used for the evaluation of other attributes of interest in this study. This implies that walk VTT equal to 125 NOK/hr and cycle VTT equal to 113 NOK7hr. In the following we show the results of the estimation for walk and cycle according to Equation (1) and Equation (2) 289

238 Estimation results: Equation (1) Walk Source:..\Analyses\walk\Biogeme\OUTPUT\ordinary_logit\between_ordinary_logit.rep Model: Multinomial Logit Number of estimated parameters: 5 Number of observations: 7010 Number of individuals: 7010 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:02 Variance-covariance: from analytical hessian Sample file: walk_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC_ALT B_COST B_GANGVEG_ingen fixed-- B_GANGVEG_meste B_TIME_alt B_TIME_w Cycle Source:..\Analyses\walk\Results from the Choice Experiment in Walk and Cycle.docx Model: Multinomial Logit Number of estimated parameters: 5 Number of observations: 6744 Number of individuals: 6744 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: cycle_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC_ALT B_COST B_TIME_alt B_TIME_c B_cycVEG_ingen fixed-- B_cycVEG_meste

239 Estimation results: Equation (2) Walk Source: Model: Multinomial Logit Number of estimated parameters: 5 Number of observations: 7010 Number of individuals: 7010 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-04 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: walk_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC_walk B_COST B_TIME_alt B_TIME_w_not_sep B_TIME_w_sep Cycle Source Model: Multinomial Logit Number of estimated parameters: 5 Number of observations: 7205 Number of individuals: 7205 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-04 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: cycle_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC_cyc B_COST B_TIME_alt B_TIME_c_not_sep B_TIME_c_sep

240 Variations of walk and cycle VTT with travel distance The following section shows the results of model estimations for walk and cycle using an additive utility function to address variation of VTT with travel distance. Five walk/cycle segments are used in these models. The results of the estimations, except for the 1 st segment (walk or cycle time of less than 20 minutes) indicate the walk and cycle VTTs increase with travel time. Further work is needed for a final report on the variation of walk/cycle VTT with travel time. Estimation results: Walk Name Value Std err t-test p-value Walk VTT ASC -1,79 0,417-4,3 0 B_COST -0,0426 0, ,43 0 B_TIME_alt -0,0497 0,0069-7,16 0 B_TIME_gang_under_20-0,151 0,0254-5, B_TIME_gang_20_30-0,0346 0,0084-4, B_TIME_gang_30_40-0,0716 0, , B_TIME_gang_40_50-0,0814 0,0086-9, B_TIME_gang_over_50-0,152 0,0197-7, B_TIME_gang_sep_under_20-0,0646 0,0257-2,52 0,01 91 B_TIME_gang_sep_20_30-0,0857 0,0098-8, B_TIME_gang_sep_30_40-0,0815 0, , B_TIME_gang_sep_40_50-0,0944 0, , B_TIME_gang_sep_over_50-0,174 0, , Estimation results: Cycle Name Value Std err t-test p-value Walk VTT ASC -3,27 0,39-8,37 0 B_COST -0,0375 0, ,4 0 B_TIME_alt -0,0426 0, ,5 0 B_TIME_cyc_under_20-0,201 0,0231-8, B_TIME_cyc_20_30-0,0315 0, , B_TIME_cyc_30_40-0,0663 0, , B_TIME_cyc_40_50-0,0765 0, , B_TIME_cyc_over_50-0,0985 0, , B_TIME_cyc_sep_under_20-0,136 0,0234-5, B_TIME_cyc_sep_20_30-0,0463 0, , B_TIME_cyc_sep_30_40-0,0578 0, , B_TIME_cyc_sep_40_50-0,0945 0, , B_TIME_cyc_sep_over_50-0,0927 0, ,

241 Valuation of other attributes for walk and cycle The valuations of other attributes are based on a binary choice experiment. The choice is between two alternative walk or cycle routes that differ in the level of attributes of interest in the experiment. The reference trip s attributes are used in the design of the experiments. See Appendix II and III for the design of the experiment. The following picture shows an example of the presentation of the choice sets in these experiments. Presentation of other attributes: The evaluations of the trade-off between walk or bicycle time and other attributes in an experiment are based on logit models. Attribute levels in within mode experiments The following tables show the attribute levels used in the within mode experiments for walk and cycle. Andel av tiden på gang/sykkelveg Andel på sykkelsti/sykkelbane/ gangveg/fortau level 2 Level 1 level 0 level 1 level 2 > 50% 80% 50% 30% 15% 0% 50 % 60% 40% 20% 10% 0% 293

242 Endring i antall stopp Base no. of stops Change in no. of stops (relative to base) level 2 Level 1 level 0 level 1 level Prosent av strekningen level 2 Level 1 level 0 Level 1 level 2 100% 80% 50% 30% 10% Isfjerning og snøfjerning på gang/sykkelveg level 2 Level 1 level 0 Level 1 level 2 På hele strekningen På hele strekningen Mesteparten av strekningen Deler av strekningen Ingen 294

243 Walk Experiment: Separate walk path and stops Source:..\Main_study\Analyses\walk\Biogeme\OUTPUT\sep_kryss\sep_kryss_ordinary_logit.rep Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 2253 Number of individuals: 2253 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-06 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: walk_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_KRYSS B_SEP B_TIME Experiment: upkeep and stops Source:..\.Analyses\walk\Biogeme\OUTPUT\ren_kryss\ren_kryss_ordinary_logit_dummies.rep Model: Multinomial Logit Number of estimated parameters: 7 Number of observations: 2368 Number of individuals: 2368 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: walk_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_KRYSS B_REN_ B_REN_ B_REN_ B_REN_ fixed-- B_REN_ B_TIME

244 Experiment: separate path and snow removal Source:..\.Analyses\walk\Biogeme\OUTPUT\sep_snow\snow_ordinary_logit.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 2248 Number of individuals: 2248 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: walk_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p- val ASC * * B_SEP B_SNOW_hele B_SNOW_ingen fixed-- B_SNOW_mindre B_SNOW_storste B_TIME Experiment: separate path and ice removal Source:..\..\..\Main_study\Analyses\walk\Biogeme\OUTPUT\sep_ice\ice_ordinary_logit.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 2364 Number of individuals: 2364 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: walk_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_ICE_hele B_ICE_ingen fixed-- B_ICE_mindre * * B_ICE_storste B_SEP B_TIME

245 Cycle Experiment: separate path and stops Source:..\Main_study\Analyses\cycle\Biogeme\OUTPUT\sep_kryss\sep_kryss_ordinary_logit.rep Model: Multinomial Logit Number of estimated parameters: 4 Number of observations: 5034 Number of individuals: 5034 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-03 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: cycle_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_KRYSS B_SEP B_TIME Experiment: Upkeep and stops Source:..\Analyses\cycle\Biogeme\OUTPUT\ren_kryss\ren_kryss_ordinary_logit_dummy.rep Model: Multinomial Logit Number of estimated parameters: 7 Number of observations: 2568 Number of individuals: 2568 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-05 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: cycle_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_KRYSS B_REN_ B_REN_ B_REN_ B_REN_ fixed-- B_REN_ B_TIME

246 Experiment; separate path and snow removal Source:..\..\..\Main_study\Analyses\cycle\Biogeme\OUTPUT\sep_snow\snow_ordinary_logit.rep Model: Multinomial Logit Number of estimated parameters: 6 Number of observations: 2465 Number of individuals: 2465 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-04 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:01 Variance-covariance: from analytical hessian Sample file: cycle_new.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p- val ASC * * B_SEP B_SNOW_hele B_SNOW_ingen fixed-- B_SNOW_mindre B_SNOW_storste B_TIME

247 APENDIX XVIII Ferry and high speed passenger boat The following table shows the definitions of ferry, boat and high speed boat. Category Definition Routing Data set Ferry (Ferge) Ferry trip as part of a trip by car (drivers only) Case 1: A ferry trip was picked from the travel diary (short trips). The mode was defined as ferry because the respondent was a car driver on this trip. The respondent got questions designed for ferry in the questionnaire for short trips. Case 2: A ferry trip was picked from the beginning of the questionnaire for long trips. The mode was defined as ferry because the respondent was a car driver on this trip. The respondent got questions designed for ferry in the questionnaire for long trips. Case 3: A car trip was picked from the travel diary (short trips). The respondent was a driver. Ferry was used on the trip. The respondent got questions designed for ferry in the questionnaire for short trips. Data are stored in short ferry if: a) a ferry trip was picked from the travel diary and the respondent had a car with him/her (case 1) b) car was the original mode (both long and short car trips?), and ferry was used (cases 3 and 4) Data are stored in long ferry if a ferry trip was picked from the beginning of the questionnaire for long trips and the respondent had a car with him/her (case 2) Case 4: A car trip was picked from the beginning of the questionnaire for long trips The respondent was a driver. Ferry was used on the trip. The respondent was routed to questions designed for ferry in the questionnaire for short trips. Boat (Båt) Passenger trip without car on ferry Short and long trips: Boat trips were treated as public transport. The respondent got the same type of questions as bus and train passengers, only båt was the mode. Data are stored in short PT and long PT. One has to filter by mode to identify these trips. High-speed passenger boat (Hurtigbåt) Passenger trip by highspeed ferry Short and long trips: High-speed ferry trips were treated as public transport. The respondent got the same type of questions as bus and train passengers, only hurtigbåt was the mode. Data are stored in short PT and long PT. One has to filter by mode to identify these trips. While Ferry can be used as a part of long distance travel, a long ferry trip is excluded from the analysis, since long distance ferry trips are mainly leisure trips. 299

248 Simple logit models are used to estimate VTT for Ferry and High speed boat. VTT for High speed boat is estimated on the pooled data for short and long distance trips. Ferry Source:..\Analyses\2attribute\ferry_short\Biogeme\OUTPUT\ordinary_logit\ordinary_logit.rep Model: Multinomial Logit Number of estimated parameters: 3 Number of observations: 2662 Number of individuals: 2662 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-07 Diagnostic: Convergence reached... Iterations: 6 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: 2attr_ferry_short.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_TIME VTT for Ferry is 126,28 NOK/hr. High speed passenger boat, short trips Source: Model: Multinomial Logit Number of estimated parameters: 3 Number of observations: 672 Number of individuals: 672 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-04 Diagnostic: Convergence reached... Iterations: 5 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: hb_alt.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_TIME VTT for short trips with high speed passenger boat is 82 NOK/hr. 300

249 High speed passenger boat, long trips Source: Model: Multinomial Logit Number of estimated parameters: 3 Number of observations: 704 Number of individuals: 704 Null log-likelihood: Cte log-likelihood: Init log-likelihood: Final log-likelihood: Likelihood ratio test: Rho-square: Adjusted rho-square: Final gradient norm: e-06 Diagnostic: Convergence reached... Iterations: 7 Run time: 00:00 Variance-covariance: from analytical hessian Sample file: hb_alt.dat Utility parameters ****************** Name Value Std err t-test p-val Rob. std err Rob. t-test Rob. p-val ASC * * B_COST B_TIME VTT for long trips with high speed passenger boat is 138 NOK/hr. 301

250 302

251 Vedlegg IXX Verdsetting av tidsgevinster ved tjenestereiser Innledning Verdsetting av tidsgevinster ved tjenestereiser har vi ikke satt av ressurser til å dekke med egne undersøkelser i prosjektet. Ulike modeller for verdsetting av tidsgevinster på tjenestereiser har vært diskutert og anvendt gjennom flere tiår, selv om det er private personreiser som har vært viet mest oppmerksomhet innen feltet tidsverdistudier. Vi vil her se nærmere på hvordan tidsgevinster ved tjenestereiser verdsettes i andre europeiske land og hva som er nyeste forskning og anbefalinger på området. Dette vil bli sett i sammenheng med at moderne teknologi gir andre muligheter enn tidligere til å utnytte reisetid til produktiv tid. Markedspristilnærming Tjenestereiser, eller reiser i arbeid, er kjennetegnet ved at reisen og ofte også reisetiden er betalt av arbeidsgiver. Hvordan vi skal verdsette reisetiden for disse reisene vil være knyttet til i hvor stor grad arbeidstakerens atferd kan hevdes å reflektere arbeidsgiverens interesser. Hvis det er slik at arbeidstakeren helt og holdent opptrer på vegne av arbeidsgiver og reisen foregår i sin helhet i arbeidstiden, vil verdien av en tidsbesparelse for arbeidsgiveren kunne måles med utgangspunkt i arbeidsgivers tidskostnad (lønn, avgifter og sosiale kostnader) for arbeidstakeren. Dette bygger på den nyklassiske økonomiske teorien om at på marginen er lønnskostnad (inkludert sosiale kostnader) et mål på produksjonstap eller -gevinst ved endringer i arbeidsstyrken (ved for eksempel spart tid på tjenestereiser), hvis endringen i lønn er liten. Dette forutsetter imidlertid at tidskostnaden ikke endres og at tilpasningsendringen når det gjelder bruk av arbeidskraft er liten. Det oppstår problemer hvis arbeidsgivers tidskostnader endrer seg og hvis vi også tar i betraktning andre kostnader enn prisen på arbeidskraft. Vi kan derfor si at denne nyklassiske tilnærmingen til tidsverdier for reiser i arbeid bygger på noen kritiske forutsetninger. Opprinnelig ble altså lønnskostnaden (lønn pluss sosiale kostnader) brukt som mål på verdsettingen av tid ved tjenestereiser ut fra tanken om at hvis det oppstår en tidsgevinst kan denne brukes til produktiv virksomhet, og lønnskostnaden er da et mål på den økonomiske verdien som den innsparte tiden kan generere i produktiv virksomhet. I 1992 ble det utgitt en EU-rapport, kalt EVA-manualen, som vurderte tidsverdier til bruk ved internasjonale prosjekter i EU. Her beregnes tidsverdien for tjenestereiser ved å ta gjennomsnittlige europeiske kostnader for arbeidsgiveren av å sysselsette en person, veid med antall sysselsatte i det enkelte land. 303

252 Etter hvert ble den nyklassiske tilnærmingen modifisert, og fram til begynnelsen av 1990-tallet ble tidsverdien for tjenestereiser beregnet ved å ta hensyn til at både arbeidsgiver og arbeidstaker kan ha nytte av reisetidsbesparelse. Senere på 1990-tallet ble dette erstattet av Henshers formel (Hensher, 1977) som ikke bare tar hensyn til at tidsgevinster kan føre til økt fritid, men at også de som foretar tjenestereiser kan arbeide på reisen og at de reisende vurderer arbeidstid på reisen og på kontoret forskjellig. Verdsettingen av reisetid for tjenestereiser ved bruk av Henshers formel lider under at det ikke er noen teoretisk velfundert begrunnelse for hvordan tjenestereiser kan oppdeles i fritid, produktiv tid og uproduktiv tid. Videre er Henshers formel vanskelig å håndtere i praksis blant annet fordi det er omfattende empirisk å spesifisere alle de forskjellige komponentene. Dette er et argument som taler for å anvende bruttolønn (inkludert arbeidsgiveravgift og sosiale kostnader), noe som både anbefales i blant annet Mackie et al. (2001) og som benyttes i praksis i både Storbritannia (Tag 2009) og Danmark (Fosgerau m. fl. 2007). I Sverige er også bruken av Henshers formel omdiskutert. De siste årene har flere forskere sett nærmere på verdsetting av spart reisetid ved tjenestereiser, Bruzelius (2002) og Karlström (2004 og 2007). Bruzelius påpeker at Henshers formel bygger på en statisk tankegang, dvs. at tjenestereisende gjennomfører samme reise gang etter gang. I virkeligheten forandres reisemønsteret hele tiden og hver ny forandring knyttet til sammensetning av reisetilbudet (for eksempel på grunn av utviklingen i IKT) kan i seg selv gi impulser til å endre reisemønster og måten vi velger å gjennomføre reiser på. Bruzelius foreslår derfor å ha et mer langsiktig perspektiv for å beregne betalingsvilligheten for tjenestereiser som bedre gjenspeiler hva som faktisk hender i økonomien over tid. En grunnleggende tanke her er at all tid i prinsippet er produktiv, til forskjell fra den klassiske tilnærmingen der det antas at all reisetid er uproduktiv hvis man ikke kan arbeide på reisen. Hvis det oppstår en tidsgevinst, tilfaller denne, ikke arbeidstakeren, men arbeidsgiveren som kan utnytte dette og gi opphav til omallokering av tid mellom ulike aktiviteter i den hensikt å øke avkastningen. Økonometrisk tilnærming Et alternativ til markedspristilnærming ved verdsetting av tid knyttet til tjenestereiser er å gjøre en økonometrisk tilnærming. Dette vil si å bruke økonometriske modeller til observasjoner av valg mellom alternativer som er beskrevet ved kvaliteten på tilbudet (reisetid, mulighet for å jobbe underveis osv)og kostnader. Dette kan både gjøres ved Revealed Preference (RP) og Stated Preference (SP). RP ser på de reisendes faktiske atferd. Dette er ikke helt uproblematisk når vi ser på tjenestereiser fordi vi her i praksis har to aktører: arbeidsgiver og arbeidstaker. Som Gunn (1991) poengterer, under antakelse om at de reisende handler godvillig eller på annen måte ut fra hva de får oppgitt til å være best for arbeidsgiveren 304

253 vil resultatet være at det ofte vil være arbeidsgiverens verdsetting av reisetid vi måler. Samtidig bør verdsetting av tid ved hjelp av RP-data reflektere den sammensatte verdsettingen av spart reisetid for både arbeidsgiver og arbeidstaker, men det er ikke mulig å differensiere mellom nytten for arbeidsgiver og arbeidstaker ved denne metoden. RP er derfor lite brukt som metode for å verdsette tidsbesparelser knyttet til tjenestereiser. En annen mulig tilnærming er å anvende Stated Preference metoden der de reisende får skissert tenkte reisealternativer. På bakgrunn av hvordan studien er designet, kan man beregne arbeidstakerens verdsetting av redusert reisetid (for alternativ bruk, dvs. fritid eller arbeid). Arbeidsgiverens verdsetting kan også bli estimert direkte gjennom intervjuer av reisende for å bestemme variablene i likning [2]. Dette viser at verdsetting knyttet til tjenestereiser skiller seg ut fra private reiser ved at det hele tiden er to aktører å forholde seg til og at det er viktig å få tydelig fram hvem som tjener på tidsbesparelsene. Ved gjennomføring av SPundersøkelser er det viktig at spørsmålene blir stilt på en slik måte at det ikke er tvil om hvem som blir påvirket, og i hvilken grad, av et tiltak. Den norske tidsverdiundersøkelsen 1995/96 SP-metoden, sammen med revidert versjon av Henshers formel, ble brukt i den forrige norske tidsverdiundersøkelsen (gjennomført i ) for å verdsette tidsbesparelser knyttet til arbeidsreiser. Ved SP-metoden fikk respondentene to reisealternativer å velge mellom som varierte med hensyn på tid om bord, pris og bruk av fotobokser/tid mellom avganger. Selv om det ble gjort klart at respondentene selv måtte betale (eller evt. tjente) differansen i pris mellom det skisserte alternativet og dagens faktiske pris, fikk man ikke stadfestet hvem som vil tjene på en eventuell tidsbesparelse. I den norske tidsverdiundersøkelsen valgte man også å bruke en revidert versjon av Henshers formel ved beregning av tidsbesparelser knyttet til tjenestereiser. Ved anbefaling av konkrete verdier til bruk i verdsettingsstudier i Norge, ble det som følge av en konservativ anbefaling, valgt å bruke den laveste verdien av: den marginale produksjonsgevinst for arbeidsgiver og tidsverdier etablert basert på en revidert versjon av Henshers formel. Danmark I den danske tidsverdiundersøkelsen (Fosgerau m fl, 2007) ser man bort fra tjenestereiser med den begrunnelsen at å ta utgangspunkt i lønn pluss sosiale kostnader er et greit mål for verdsetting av tidsbesparelser, og at det er vanskelig å tallfeste enkeltparametrene i Henshers formel eller en eller annen revidert versjon av formelen. 305

254 Nyeste anbefalinger fra Sverige I den nye svenske tidsverdiundersøkelsen, som har pågått parallelt med den norske, har de heller ikke verdsatt tjenestereiser ved hjelp av SP-metoden. Jonas Eliasson og Anders Karlström har kommet med en anbefaling for hvordan tjenestereiser bør verdsettes i den svenske tidsverdistudien (presentert ved European Transport Conference, Paper er foreløpig ikke ferdig). De foreslår at man skiller mellom korte og lange reiser ved verdsetting av tjenestereiser. Både for korte og lange reiser anbefaler de at man tar utgangspunkt i kostnadsbesparelser for bedriften, knyttet til lønn, reisekostnader, reisetid osv, men at for lange reiser øker verdsettingen med reisetid og reisekostnad. Korte reiser For korte tjenestereiser, som foretas i løpet av en normal arbeidsdag slik at eventuelle reisetidsbesparelser kan forventes å omgjøres til produktivt arbeid, argumenterer forfatterne at det burde være lite kontroversielt å verdsette reisetiden til bruttolønnen (inkludert overhead). Verdien av tiden er arbeidsgiverens arbeidskraftkostnader, dvs lønn + overhead. Dette kan også utledes fra en eksplisitt og konsistent mikroøkonomisk teori 1 og i tillegg har vi her å gjøre med observerbare variable som lønn, reisetid, reisekostnad osv. Man trenger derfor her ikke å benytte SP- eller RP- undersøkelser for å kunne estimere tidsverdien for tjenestereiser. Forfatterne anbefaler derfor å gå bort fra Henshers formel på korte reiser og kun bygge disse beregningene på arbeidsgiverens tidskostnader. Lange reiser For lange reiser er det litt annerledes. Her er det flere hensyn å ta som kompliserer bildet: Reisetid og reisekostnad er ofte vesentlig høyere enn ved korte tjenestereiser. Lange reiser fører til at det er mindre fritid som gjenstår på slutten av dagen, noe som gjør at marginalnytten av fritid vanligvis er forskjellig mellom reisedager og hjemmekontor-dager. En viss andel av reisen kan være produktiv. Det er ikke gitt at spart reisetid brukes til mer arbeidstid. 1 De viktigste forutsetningene for at spart tid på tjenestereiser i sin helhet kan beregnes ved arbeidsgiverens tidskostnader er at i) reisetiden kan ikke brukes til produktivt arbeid, ii)at reisen foretas under arbeidstiden (slik at reisetidsbesparelsen brukes til arbeid og ikke fritid), iii) at lønn + sosiale kostnader avspeiler individets produktivitet, iv) at de direkte ulempene ved å reise og å arbeide er likeog at v) reisetiden er kort i den mening at reisetiden er i samme størrelsesorden som den vanlige pendlingsreisen (reisen til/fra jobb). 306

255 Beregningsformelen for reisetid på lange tjenestereiser kan ses som en modifikasjon av kostnadsbesparelsen for arbeidsgiver, som vi ser på ved korte reiser, men også som en modifisert versjon av Henshers formel. Den sentrale tankegangen her er at grunnen til at man velger å gjennomføre en tjenestereise er antakelsen om at arbeidstakeren er mer produktiv ved å foreta denne reisen enn ved å være på kontoret. Produktiviteten må være så mye høyere at den også oppveier reisekostnadene (i tid og penger) for selve reisen. Samtidig kan den (på marginen) ikke være høyere enn at annen arbeidstid legges til kontoret, ellers skulle man jo velge å gjennomføre flere tjenestereiser, eller bli lenger borte på den reisen man har valgt å ta. Med bakgrunn i denne antakelsen får vi at lange og dyre reiser må medføre en større økning i produktiviteten. Dermed tenderer verdsettingen av en reisetidsbesparelse å være høyere for lange og dyre reiser. Produktiviteten på kontoret vil også spille en rolle, fordi den representerer alternativinntekten, som man jo mister når man gjennomfører tjenestereiser. Det beste tilgjengelige målet på den ansattes produktivitet er bruttolønnen. Dette fører til at høy lønn hos den reisende øker verdsettingen av en reisetidsbesparelse. Hvis man inntil videre antar at reisetiden ikke kan anvendes produktivt, at de direkte ulempene ved å reise og å jobbe er like og at produktiviteten er lik bruttolønnen, så får man følgende formel for tidsverdien (VoT): [1] VoT = (1 r + [r/(1 α)])*([t-t f ]/[T-T v ]) + ([1-r]/[1- α] + r)* (Δc/[ T-T v ]) r α T T f Tv W Δc cv cf andelen av en reisetidsbesparelse som omformes til fritid inntektsskatt (inkl. sosiale avg. etc.) tillgengelig tid per døgn (24 timer) reisetid til vanlig arbeidsplass (t/r) reisetid på tjenestereisen (t/r) sparte kostnader for bedriften ekstra kostnad för tjenestereisen med hensyn til skattekile: Δc (1-α)cv - cf kostnad for tjenestereisen (t/r) kostnad for den vanlige pendlingsreisen/arbeidsreisen (t/r) (inklusive skatt) Som forfatterne påpeker er denne formelen, akkurat som Henshers formel, et veid gjennomsnitt mellom individets tidsverdi (som er proporsjonal med lønn etter skatt) og bedriftens tidsverdi (som er proporsjonell med lønnen før skatt). Hvordan disse to termene veies sammen avhenger av parameteren r, dvs andelen av tidsbesparelsen som brukes til fritid. Forfatterne argumenterer for at det er rimelig å anta at r = 0 på lang sikt, så lenge vi fortsatt venter på empirisk forskning på området. Det vil si at man på lang sikt forventer at hele tidsbesparelsen omsettes til økt arbeid, eller uttrykt på en annen måte; at den reisende på en eller annen måte får kompensasjon med lønn for den tid arbeidstakeren er på reise. 307

256 Hvis r = 0, får vi følgende formel: [5] VoT` = ([T-T f ]/[T-T v ])*w + (c v -[1/(1- α)*c f ])/(T-T v ) Vi ser at forskjellen mellom beregning ved korte reiser (som bruker sparte kostnader for bedriften, w) og lange reiser er at lønnen w vektes med et uttrykk som avhenger av reisetid på tjenestereisen pluss et ledd som avhenger av reisetid og reisekostnad. Jo lenger og dyrere reisen er, i forhold til den vanlige arbeidsreisen, jo høyere blir tidsverdien. Konklusjon og siste anbefalinger fra Sverige Korte reiser Ved verdsetting av reisetidsbesparelse på korte tjenestereiser (under 10 mil) ser man på gjennomsnittlig årslønn for en tjenestereisende. Sosiale avgifter, pensjonsavgifter etc legges til. I tillegg kommer faste utgifter for arbeidsgiveren (det poengteres i anbefalingen at dette er vanskelig å måle, men de kommer med et anslag på administrative kostnader). De anbefaler videre at verdsettingen skal være lik for alle transportmidler, fordi reisetiden ikke antas å være produktiv og fordi det i den svenske undersøkelsen RES2005 ikke finnes støtte for at de reisendes lønn er forskjellig mellom de ulike transportmidlene. De kommer fram til et anslag på 447 SEK pr time (2007) for verdsetting av korte tjenestereiser. Lange reiser De anbefaler her å verdsette reisetidsbesparelse med utgangspunkt i beregningen for korte reiser, men der verdsettingen øker med reisetid og reisekostnader. I utgangspunktet anbefales det å verdsette spart tid ved tjenestereiser likt for alle transportmidler. Videre antar de at produktiviteten om bord på transportmiddelet er lik null (greit for bil og fly, men en mer tvilsom antakelse når det gjelder tog) og at hele reisetidsbesparelsen på lang sikt brukes til økt arbeid (eller at den reisende får en kompensasjon med lønn for tiden de er på reise). Dette gjør at svenskene kommer opp med et stort sett av tidsverdier som varierer med reisetid og reisekostnad. Om et eksempel vil en reise på 3 timer og kostnad på 750 SEK én vei, så blir reisetidsbesparelsen for en lang tjenestereise verdsatt til 685 SEK pr time. De har da tatt utgangspunkt i formel [5] og at vanlig reisetid til arbeid er 1 time (t/r) og at kostnaden er 40 SEK (t/r). Videre er gjennomsnittlig inntektsskatt for årslønnen satt til 29%. De innrømmer selv at det kan være vanskelig å innføre en tidsverdi som avhenger av reisetid og kostnad. De anbefaler da enten å finne en typisk verdi for spart reisetid på tjenestereiser og benytte den på alle tjenestereisene eller man kan finne en tidsverdi som er typisk for det enkelte transportmiddel og kanskje også pr region. 308

257 Anbefalinger andre land: Storbritannias Webtag -retningslinjer (2009) anbefaler cost savings, dvs ser på arbeidsgiverens kostnader knyttet til verdsetting av tjenestereiser. I Storbritannia varierer tidsverdien av tjenestereiser mellom transportmidler. Dette har vært kritisert for å være inkonsistent, fordi de reisende da ser ut til å endre sin verdsetting av tid når de skifter fra et transportmiddel til et annet. I Webtag - retningslinjene argumenteres det derimot for at det er et gjennomsnitt av de reisende på hvert transportmiddel vi ser på og ikke at det er den enkelte som endrer tidsverdi når de går fra et transportmiddel til et annet. De åpner likevel for at det under visse forutsetninger kan være mest riktig å bruke gjennomsnittet av alle arbeidernes tidsverdi. Hvis en reise inneholder flere transportmidler, anbefaler de å bruke arbeiderens tidsverdi på det transportmiddelet som utgjør den lengste delen av reisen. I HEATCO (2005) anbefaler de cost savings eller evt Henshers formel. De mener at forskjeller i verdsetting av spart tid på tjenestereiser avhengig av transportmidler kun kan forklares med at reisende på noen transportmidler (spesielt fly) ser ut til å ha høyere gjennomsnittsinntekt. Anbefalte tidsverdier for tjenestereiser i Norge Korte reiser Det ser ut til å være en klar tendens internasjonalt til at man igjen i større grad anbefaler å ta utgangspunkt i arbeidsgiverens tidskostnad (lønn, avgifter og sosiale kostnader) for arbeidstakeren for å finne verdien av tidsbesparelse ved en arbeidsreise. Dette er anbefalt framgangsmåte i blant annet Sverige, Danmark og Storbritannia (Fosgerau m.fl. 2007, Eliasson m. fl. 2007, TAG Unit 3.5.6, 2009). Dette bygger på kjent mikroøkonomisk teori og antakelse om at spart reisetid på tjenestereise i sin helhet brukes til økt arbeidsinnsats. Videre forutsetter vi at de reisende ikke bruker tiden på reise til produktivt arbeid. Vi anbefaler at Norge bruker den samme beregningsmåten og tar utgangspunkt i arbeidsgiverens tidskostnader for tapt arbeidsinnsats ved ansattes tjenestereiser. Ved en gjennomgang av tjenestereiser ved siste reisevaneundersøkelse i Norge (RVU 2005) finner vi ikke noe som indikerer at bruttoinntekten for de reisende på kollektive transportmidler er annerledes enn for de på bil, akkurat som de heller ikke fant det i tilsvarende svensk undersøkelse, RES2005. Vi anbefaler derfor å ha samme tidsverdi på tjenestereiser for alle transportmidler på korte reiser. På korte tjenestereiser anbefaler vi at tidsverdien beregnes ut fra arbeidsgiverens kostnader (lønn, avgifter og sosiale kostnader) og at den settes lik for alle transportmidler. 309

258 I RVU2005 finner vi at gjennomsnittlig bruttolønn for de reisende på korte reiser ligger på kr i året. Ved omregning til 2009-kr får vi at gjennomsnittlig bruttolønn blir: kr for de som gjennomfører korte tjenestereiser. Vi ønsker å beregne arbeidsgiverens kostnader. I SSB blir arbeidsgiverens kostnader beregnet til summen av direkte personalkostnader (bruttolønn for arbeidstaker) og indirekte personalkostnader (arbeidsgiveravgift, sosiale kostnader, opplæringskostnader, naturalytelser og en post kalt helse, miljø og sikkerhet). De nyeste tallene er fra 2004 (nye tall kommer i 2010) og viser at i gjennomsnitt må vi legge 27% på bruttolønnen for å få et tall for arbeidsgiverens kostnader. Vi får da at arbeidsgivernes årlige gjennomsnittlige utbetaling pr arbeider blir kr. Vi tar utgangspunkt i et normalarbeidsår på 1720 timer (hentet fra SSB). Dette gir da en timepris på 377 kr. Vi anbefaler derfor at verdsetting av tid på korte tjenestereiser settes lik 380 kr/t for alle transportmidler. Til sammenlikning kan vi nevne at i Sverige har man nå et forslag om å sette tidsverdien for korte tjenestereiser lik 447 SEK/t, (Eliasson og Karlström, 2007). Lange reiser Når det gjelder lange tjenestereiser er bildet noe mer komplisert. I Storbritannia og Danmark velger man, som for korte reiser, å ta utgangspunkt i arbeidsgiverens kostnader til lønn og sosiale utgifter. Men mens det i Danmark beregnes samme tidsverdi på alle transportmidler, er tidsverdien på tjenestereiser forskjellig på de ulike transportmidlene i Storbritannia. Også i Sverige anbefaler de å ta utgangspunkt i lønn og sosiale utgifter for å beregne tidsverdien på tjenestereiser, med begrunnelsen at hele tidsbesparelsen på lang sikt brukes til økt arbeid (eller at den reisende får en kompensasjon med lønn for tiden de er på reise). Man velger altså å se bort fra at de reisende faktisk kan jobbe underveis på reisen eller antar at det arbeidet som da eventuelt gjøres er lite produktivt. Spesielt for lange togreiser kan dette virke som en streng antakelse. I en undersøkelse, gjennomført ved Transportøkonomisk institutt, sier ca 40% av de togreisende som er på arbeidsreise eller arbeidsrelatert reise at de bruker mer tid på togreisen til arbeid enn til andre formål, som å slappe av, lese bok, slumre, snakke med andre reisende osv., (Hjorthol m. fl. 2008). Det anbefales videre i Sverige å ha samme tidsverdi på tjenestereiser på alle transportmidler, men at verdsettingen øker med reisetid og reisekostnader. Tankegangen bak dette er at tjenestereiser kun gjennomføres hvis arbeidstakeren er mer produktiv ved å foreta reisen, enn ved å arbeide på kontoret. Hvis man velger å gjennomføre lengre og dyrere reiser, må dette da medføre en antakelse om større økning i produktiviteten. Dermed tenderer verdsettingen av en reisetidsbesparelse å være høyere for lange og dyre reiser. 310

259 Uansett om man velger å bruke anbefaling fra Sverige (som de selv innrømmer kan bli praktisk vanskelig å gjennomføre) eller om man velger å bruke arbeidsgiverens lønnskostnader (pluss sosiale utgifter), vil en tjenestereise med fly skille seg ut og verdsettes høyere enn for tjenestereiser med andre transportmidler: Med utgangspunkt i tallene fra RVU 2005 ser vi at anbefalt framgangsmåte i Sverige vil gi høyere tidsverdi for tjenestereiser på fly enn for de andre transportmidlene. Videre ser verdsetting av tid på tjenestereiser med tog ut til å gi noe høyere verdsetting av tid enn bil som igjen ligger litt høyere enn buss. For ferge/båt har vi så få observasjoner i RVU at det er vanskelig å si noe, men det kan se ut som om den er omtrent i samme størrelsesorden som for bilreiser. I RVU2005 har vi et ganske lite utvalg av reisende på noen transportmidler, men tallene viser at bruttoinntekten ligger gjennomsnittlig 20% høyere for de som tar tjenestereiser med fly enn for de som tar tjenestereiser med buss (som er den laveste). Togreisende på tjenestereise har 7% høyere bruttolønn enn de bussreisende, mens de som foretar tjenestereiser med bil i gjennomsnitt bare har 3% høyere bruttolønn enn de som kjører med buss. Siden inntektstallene helt tilbake i 2005, nye kommer i løpet av 2010, kan det ha skjedd en endring i inntektsfordelingen de siste årene som vi ikke får tatt hensyn til her. Det kan tenkes at flere, relativt sett, har høyere inntekt enn tidligere, og dette kan påvirke tallene våre noe. Vi anbefaler, ut fra praktiske hensyn, at i den grad vi ønsker å skille mellom ulike transportmidler ved beregning av tidsverdier ved tjenestereiser å ta utgangspunkt i gjennomsnittlig bruttolønn for de reisende. Tabell 1 viser tall fra RVU for gjennomsnittlig bruttolønn på lange reiser etter transportmiddel, beregnet kostnad for arbeidsgiver (27% påslag for blant annet sosiale kostnader, arbeidsgiveravgift) og dermed forslag til verdsetting av tid på lange tjenestereiser. Tabell 1: Beregning av tidsverdi med utgangspunkt i bruttolønn (RVU2005) og arbeidskraftkostnader (SSB2004) etter transportmiddel på lange reiser. Transportmiddel Bruttolønn, kr Arbeidskraftkostn, kr Beregnet tidsverdi, kr/t Fly Tog Bil Buss Ferge* ** *Kun 54 observasjoner, **Valgt å sette likt som for bilreiser. For ferger har vi satt at verdsetting av tid for lange tjenestereiser er lik som for bil. Dette fordi datagrunnlaget fra RVU for fergereiser er så lite. Man kan også 311

260 vurdere å avrunde tidsverdien for lange tjenestereiser til 380 kr/t og at dette da gjelder for alle transportmidler med unntak av fly. Dette fordi variasjonen i tidsverdi mellom de ulike transportmidlene er såpass liten (med unntak av fly) og at de er forbundet med en viss grad av usikkerhet. Til sammenlikning ville bruk av svenskenes tabell (med utgangspunkt i likning [5] gi klart høyere tidsverdier for tjenestereiser. Den laveste verdien ville da bli 377 kr/t som øker med reisetid og reisekostnader. Hvis vi antar (som svenskene, for enkelthets skyld) at en vanlig arbeidsreise er 1 time (t/r) og koster 40 kr (t/r) og at gjennomsnittlig inntektsskatt er 29%, vil en reise som tar 3 timer og koster 1500 kr gi en tidsverdi på 562 kr/t i Norge. Vi anbefaler at tidsverdien for lange tjenestereiser settes lik 445 kr/t for fly og 380 kr/t for alle andre transportmidler (også inkludert hurtigbåt som vi ikke har tall på i RVU). Avvik fra anbefalinger i forrige norske tidsverdiundersøkelse Vi har her beregnet tidsverdiene ved å se på arbeidsgiverens arbeidskraftkostnader. Vi får gjennomgående høyere tidsverdier for tjenestereiser enn i forrige undersøkelse (også når vi indeksregulerer de gamle tallene). Mer radikalt er det kanskje at vi får liten eller ingen forskjell i tidsverdiene på korte og lange reiser. Litteratur: Denstadli, J M, Engebretsen, Ø, Hjorthol R, Vågane, L: RVU Den nasjonale reisevaneundersøkelsen 2005 nøkkelrapport. TØI-rapport 844/2006. EVA Consortium 1991: Evaluation Process For Road Transport Informatics. EVA- Manual. Technische Universität München. Eliasson, J og Karlström A: Bilaga 1 Värdering av restid vid tjänstresor. Underlag inför åtgjärdsplaneringer. November Presentert ved European Transport Conferance, 2007: Fosgerau, M, Hjorth K, Lyk-Jensen S V, 2007: The Danish Value of Time Study. Final Report. Danmarks Transportforskning. Gunn, H. 1991: Research into the Value of Travel Time Savings and Losses, the Netherlands 1985 to Paper presentert på Nordic Seminar on the Value of Travel Time, Majvik, Finland, desember. Hensher, D.A. 1977: Value of Business Travel Time. Permagon Press, London. Hjorthol, R og Gripsrud, M., 2008: Bruk av reisetid ombord på toget. TØI-rapport 983/2008. HEATCO, Developing Harmonised European Approaches for Transport Costing and Project Assessment. Deliverable 5. February

261 Karlström, A, Eliasson, J og Levander, A 2007: Evaluation of Longer Business Trips Theory and Empirical Verification. Pågående arbeid (innsendt paper til European Transport Conference). Statistisk sentralbyrå. www/ssb.no. TAG Unit 3.5.6: Values of Time and Operating Costs. Department of Transport UK, Transport analysis Guidance (TAG), April

262 314

263 Vedlegg XX Tilbringertid, ventetid og omstigningstid. Det har ikke blitt satt av ressurser til å se på reisetidskomponentene ventetid omstigningstid og tilbringertid/gangtid i vårt prosjekt. Vi vil komme med anbefalinger bygget på resultater i andre, nyere undersøkelser internasjonalt. Spesielt vil vi her se på resultatene fra den svenske tidsverdiundersøkelsen som går parallelt med den norske og som i stor grad bruker samme design, metode og analyseverktøy. 1 Forrige tidsverdiundersøkelse i Norge Verdsetting av reisetidskomponenter som ventetid og tilbringertid/gangtid beregnes ofte i forhold til verdsetting av reisetid om bord (kr/t), betegnet som vekter (der verdsetting av reisetid om bord har vekten1). 1.1 Tilbringertid Korte reiser Vektfaktoren ble satt til 1,8. Det vil si at verdien av tid om bord på transportmiddelet ble multiplisert med 1,8 for å få gangtid/tilbringertid. Lange reiser Ble satt likt som verdsetting av tid om bord på transportmiddelet. Det ble ikke gjennomført noen undersøkelse som så på tidsverdien langs hele reisekjeden. Det ble anbefalt å bruke samme tidsverdi under hele reisen, både på korte og lange reiser, og da fortrinnsvis den reisetiden som er beregnet for hovedtransportmiddelet. 1.2 Omstigningstid Omstigningstid (ulempe ved å måtte bytte transportmiddel/verdsetting av redusert antall omstigninger) ble verdsatt til 10 minutters ekstra kjøretid på hovedtransportmiddelet, både på korte og lange reiser. 10 minutter ekstra kjøretid er hentet fra en TØI-studie der det ble gjennomført en kalibrering av vektfaktorer for kollektivtransport i Oslo-området basert på en rutevalgsmodell fir Osloområdet. Verdsetting av omstingningsulempe til 10 minutters ekstra kjøretid ga et rutevalg med et gjennomsnittlig antall omstigninger pr reise som stemmer godt overens med tall fra reisevaneundersøkelser gjennomført i dette området (PROSAM-rapport, 1996). 315

264 1.3 Vekter for tid mellom avganger Korte reiser Vekter for tid mellom avganger: Tid mellom avganger: 0 15 min: 0,9 Tid mellom avganger: min: 0,6 Tid mellom avganger: 30 min og mer: 0,2 Tid mellom avganger i gjennomsnitt: 0,5 Private reiser) og 0,6 (tjenestereiser). Lange reiser Vektfaktoren for tid mellom avganger for tog og buss settes til 0,1. Dette er likt for private reiser og tjenestereiser. For fly settes vektfaktoren lik 0,2 i gjennomsnitt, der vektfaktoren for private reiser er lik 0,1 mens den er lik 0,2 for tjenestereiser. For ferge er vektfaktoren lik 0,5 i gjennomsnitt (0,4 for private reiser og 0,7 for tjenestereiser). 2 Tidsverdiundersøkelse i Sverige Reiser med fly og tjenestereiser er ikke med i denne undersøkelsen. Svenskene gjennomførte et trefaktorspill med attributtene reisetid, tid mellom avganger og tilbringertid. Nivåene ble satt med utgangspunkt i de verdiene som respondentene oppga på sin referansereise og varierte rundt dette nivået. Verdien på de ulike nivåene ble bestemt ut i fra prosentvise forandringer i reisetid og tilbringertid, men ble presentert som absolutte verdier for respondentene. Tid mellom avganger ble presentert som tidstabeller. Nærmere om hvordan de ble presentert vises i vedlegg X Tilbringertid Svenskene så ikke på dette i sin forrige tidsverdiundersøkelse. Korte reiser De finner at det ikke er signifikante forskjeller mellom verdsetting av tilbringertid og reisetid om bord for de ulike transportmiddelene, med unntak av trikk/t-bane, som er signifikant lavere enn tilbringertiden til buss og tog. De finner at vektene for tid mellom avganger ikke påvirkes av om man skiller mellom transportmidler 316

265 ved vektlegging av tilbringertid. Resultatene i den svenske undersøkelsen gir ingen holdepunkter for å vurdere tog og buss annerledes enn de andre transportmidlene når de er et tilbringertransportmiddel til samme transportmiddel videre på reisen. I prognosesammenheng er normalt all kollektivtrafikk innkodet, hvilket innebærer at tilbringertransportmiddel er sykkel, gange eller bil. En lik parameter for tilbringertid for disse transportmidlene er ikke signifikant forskjellig fra reisetidsparameteren. Svenskene foreslår derfor å sette vekten lik1,0 for tilbringertid på korte reiser. Lange reiser Svenskene har i undersøkelsen skilt mellom tilbringertid på sykkel/gange (vekt 1,59), bil (vekt 1,07), kollektivt (vekt 1,38) og tilbringertid på andre transportmidler (vekt 1,07). Selv om vektene for de ulike transportmidlene kan se ut til å være rimelige i forhold til hverandre, er de ikke statistisk signifikant forskjellige. Svenskene anbefaler derfor å bruke en vekt for tilbringertid er den samme for alle transportmidler, lik: 1, Vekter for tid mellom avganger Korte reiser Tabell X: Vekter for tid mellom avganger. Korte buss- og togreiser. Resultater fra den svenske tidsverdistudien. Svensk tidsverdistudie 07/08 Reisetid 1,00 Tid mellom avganger <10 min 1,15 Tid mellom avganger min 0,94 Tid mellom avganger min 0,46 Tid mellom avganger min 0,28 Tid mellom avganger min 0,14 Tid mellom avganger 480- min 0,14 Verdiene skal tolkes slik at for et bestemt intervall mellom avganger, f. eks. 360 minutter, skal man bruke verdiene i det korteste intervallet for de 10 første minuttene, verdien i det neste intervallet for de 20 neste minuttene osv. Mønsteret som svenskene finner her, er som i tidligere verdsettingsstudier (både svenske, norske og internasjonale) ved at størrelsen på vektene (pr minutt) reduseres ved økt tid mellom avganger. Vi ser videre at vektene er noe høyere enn i anbefalte verdier i den forrige norske tidsverdiundersøkelsen. De er også høyere enn hva svenskene fant i sin forrige verdsettingsstudie. De anbefaler å bruke de nye verdiene, da parametrene i modellen er har bra tilpasning (lite standardavvik). 317

266 De finner ingen signifikante forskjeller mellom kvinner og menn eller mellom buss og tog. Ved en oppdeling på ulike reisehensikter viser at reisetiden verdsettes noe høyere på reiser til/fra arbeid enn på andre private reiser. Lange reiser Tabell X: Vekter for tid mellom avganger. Lange buss- og togreiser. Resultater fra den svenske tidsverdistudien. Svenske tidsverdistudien 07/08 Reisetid 1,00 Tid mellom avganger <10 min 0,52 Tid mellom avganger min 0,52 Tid mellom avganger min 0,52 Tid mellom avganger min 0,27 Tid mellom avganger min 0,27 Tid mellom avganger 480- min 0,20 De nye vektene som svenskene finner har samme mønster som i tidligere undersøkelser ved at størrelsen på vekten (per minutt) reduseres ved økt tid mellom avganger. Vi ser dog at de nye vektene er høyere enn vi fant i den forrige norske tidsverdiundersøkelsen (og i den svenske). Å skille mellom buss og tog og mellom mann og kvinne gir ingen signifikante forskjeller. Svenskene sier ikke noe om skille mellom reisehensikter her. Svenskene anbefaler at de nye vektene brukes. Svensk offisiell vegledning (SIKA 2008) har ikke innarbeidet den nye tidsverdistudien ennå, men vurderer bytestid for private reiser til 2 ganger tida om bord. Det finns da ingen egen omstigningsulempe. 3 Tidsverdiundersøkelse i Danmark (Fosgerau m. fl. 2007) Reiser med fly og tjenestereiser er ikke med i denne undersøkelsen. Tilbringertid: 1,5*VoT Omstigningstid (ulempe ved å måtte bytte transportmiddel) settes lik 6 minutter ekstra tid på transportmiddelet, dvs 6/60*VoT. 318

267 I den danske tidsverdistudien fant de at transportmidler med hyppige avganger, som f. eks. T-bane, fant de at omstigningskostnad lå mellom 1,5 og 5,2 minutter av reisetid om bord, mens for buss og tog var størrelsen på minutter av tid om bord. De anbefaler en gjennomsnittskostnad lik 6 minutter av tid om bord. Tid mellom avganger (H): Kort tid mellom avganger < 12 minutter: 1,0 Lang tid mellom avganger > 12 minutter: 0,5 Eksempel: Hvis 50 minutter mellom avgangene: (12*1+0,5*(50-12))*VoT= 31 min*67 DKK (2007) 4 Storbritania Wardman, Metaanalyse i Storbritannia, (2004) Resultatene her bygger på en meta-analyse av et svært stort datamateriale i Storbritannia og ses i sammenheng med nyere tidsverdistudier gjennomført i Nederland, Storbritannia, Norge, Sverige, Finland, New Zealand og USA. Konklusjonen til Wardman er at nyere undersøkelser har en tendens til å undervurdere verdien av tilbringertid og ventetid. Undersøkelser fra tidlig på 80- tallet, da man brukte mest RP-studier gir høyere verdier for tilbringertid og ventetid enn det SP-studier gjør. Wardman mener det er flere grunner til at SPundersøkelser gir for lav verdi på tilbringertid og ventetid: 1. Det er knyttet mer oppmerksomhet til å få realistiske kostnader og IVT (tid om bord) i SP-studier. Urealistiske verdier for tilbringertid og ventetid kan bli ignorert, noe som fører til at deres koeffisienter blir lavere enn de ellers ville blitt. 2. Det kan bli presentert variasjoner i tilbringertid og ventetid som oppfattes urealistiske av respondenten og dermed blir de undervurdert eller sett bort fra i valgsekvensen. 3. SP-valg er kunstige/konstruerte og noen attributter kan bli sett helt eller delvis bort fra av respondenten for å forenkle valgene. Hvis kostnader og tid om bord oppleves som mer viktig å ha fokus på, kan de andre attributtene bli undervurdert. 4. Det kan også være en større grad av usikkerhet knyttet til tilbringertid og ventetid enn kostnader og tid om bord. Dette kan føre til undervurdering som en følge av at respondenten mislykkes i å fullt ut sette verdi på de negative sidene ved tilbringertid og ventetid knyttet til kollektivtrafikk. Wardman konkluderer med at tilbringertid og ventetid bør verdsettes høyere enn hva vi ofte finner i nyere SP-studier. Han anbefaler, så lenge vi ser på 319

268 gjennomsnittlige verdier, å sette tilbringertid til 2*Tidsverdi om bord og ventetid til 2,5*Tidsverdi om bord. Når det gjelder tid mellom avganger viser undersøkelsene hans store variasjoner, men han anbefaler å multiplisere Tid mellom avganger med et tall lavere enn 1. I en metastudie av engelske studier som har verdsatt ulike kvalitetsaspekter ved reiser (Wardman 2001) finner de at omstigningsulempen i gjennomsnitt tilsvarer 18 minutters tid om bord. De finner også at ventetid vurderes til ca. 1,6 ganger tida om bord. Det er understreket at de fleste studiene som er tatt med i analysen, representerer forholdene i det sørlige England. Engelsk offisiell vegledning (TAG unit 3.10 Variable demand modelling, går ut på en omstigningsulempe tilsvarende 5-10 minutters tid om bord, og en ventetid med vekt mellom 1,5 og 2,5 ganger tidsverdien om bord, avhengig av omstendighetene. 320

269 5 Anbefalinger oppsummert Tilbringertid Forrige norske tidsverdistudie 1997 Svensk tidsverdistudie 2007/2008 Danske tidsverdistudie 2007 Wardman 2004/2007 Korte reiser 1,8 1,0 1,5 2,0 Lange reiser 1,0 1,36 1,5 2,0 Omstigningkostnad Alle reiselengder 10 min reisetid - 6 min reisetid 18 min Tid mellom avganger Korte reiser 0-10 minutter 1,15 Under 2, minutter 1,0 Under 2, minutter 0,9 Under 2,0 11/12/16 30 min 0,6 0,94 0,5 Under 2, min 0,2 0,46 0,5 Under 2, min 0,2 0,28 0,5 Under 2,0 Over 120 min 0,2 0,14 0,5 Under 2,0 Tid mellom avganger gj.snitt Lange reiser 0,5 private reiser 0,6 tjenestereiser - - Under 2, minutter 0,52 Under 2, minutter 1,0 Under 2,0 11/12 30 min 0,52 0,5 Under 2, min 0,52 0,5 Under 2, min 0,27 0,5 Under 2, min 0,27 0,5 Under 2,0 Over 480 min 0,20 0,5 Under 2,0 Tid mellom avganger gj.snitt 0,1 tog og buss 0,2 fly (privat 0,1 og tjeneste 0,2) 0,5 Ferge (0,4 privat og 0,7 tjeneste) 0,27 - Under 2,0 321

270 6 Anbefalinger til ny norske verdsettingsstudie 6.1 Tid mellom avganger Svenskene har brukt samme metodeverktøy og framgangsmåte som vi har gjort i vår verdsettingsstudie. Resultatene vi får i de to landene er svært like knyttet til verdsetting av tid. Samtidig vet vi fra tidligere at transportmarkedet i Norge og Sverige er ganske likt. Vi føler oss derfor forholdsvis trygge på at resultater funnet i Sverige i stor grad kan overføres til norske forhold. Med et så omfattende prosjekt som dette har vært, var det ikke mulig å beregne alle enhetskostnadene. Siden svenskene skulle se på verdsetting av Tid mellom avganger og Tilbringertid, har dette vært bevisst tonet ned i vår undersøkelse. Tanken har hele tiden vært at vi kan dra nytte av resultatene de har funnet i Sverige. Vi anbefaler derfor at svenskenes funn av vekting av tid mellom avganger også brukes i Norge. I den forrige tidsverdiundersøkelsen brukte vi terminologien ventetid (skjult + faktisk ventetid), som er definert som halvparten av tid mellom avganger. Når vi fortsatt bruker ventetid som mål for tid mellom avganger, får vi vektfaktorer som vist i tabell 6.1. Vi får da følgende anbefaling på korte reiser: Tabell 6.1: Anbefalte vekter for ventetid. Korte kollektivreiser Korte kollektivreiser Vektfaktor for ventetid 0-5 min 2,30 Vektfaktor for ventetid 6 15 min 1,88 Vektfaktor for ventetid min 0,92 Vektfaktor for ventetid min 0,56 Vektfaktor for ventetid over 60 min 0,28 Vi anbefaler at vektene settes likt for alle transportmidler (som kjører kollektivt). Vi anbefaler videre ikke å skille mellom reisehensikt. Dette betyr at reiser til/fra arbeid, og i enda større grad, tjenestereiser vil gi en høyere verdsetting av redusert tid mellom avganger (fordi verdsettingen av tid om bord er høyere). For lange reiser anbefaler vi samme vekting for tog og buss og tilsvarende den som ble funnet i den svenske verdsettingsstudien. Vi bruker også her terminologien ventetid i stedet for tid mellom avganger. 322

271 Tabell 6.2: Anbefalte vekter for ventetid. Lange reiser. Tid mellom avganger Buss Tog Fly Ferge Hurtigbåt Vektfaktor for ventetid 0-30 min 1,04 1,04 2,00 2,00 1,04 Vektfaktor for ventetid min Vektfaktor for ventetid over 240 min 0,54 0,54 1,00 1,00 0,54 0,40 0,40 0,80 0,80 0,40 Dette er til dels betydelig høyere enn det vi fant i forrige tidsverdiundersøkelse. Svenskene har ikke inkludert fly- eller fergereiser i sin undersøkelse. Fra forrige tidsverdiundersøkelse i Norge, ble det anbefalt å bruke en vekt på flyreiser som var dobbelt så høy som for tog og buss. Fergereiser ble anbefalt å ha en vekt som var fem ganger så høy, men den verdien var svært usikker. Som en restriktiv anbefaling foreslår vi å ta utgangspunkt i svenskenes funn og så la erfaringer fra vår forrige tidsverdistudie avspeile forholdet mellom de ulike transportmidlene, men at vekt for ferge settes lik vekt for fly. Vi anbefaler, som for korte reiser, ikke å skille mellom reisehensikt. Dette betyr at reiser til/fra arbeid, og i enda større grad, tjenestereiser vil gi en høyere verdsetting av redusert tid mellom avganger (fordi verdsettingen av tid om bord er høyere). 6.2 Tilbringertid Vi velger også her å se på anbefalingene fra den svenske tidsverdiundersøkelsen, med samme begrunnelse som under kapittel 6.1. Vi foreslår å bruke samme vekt for tilbringertid for alle transportmidler, men skille mellom korte og lange reiser. Tabell 6.3: Anbefalte vekter for tilbringertid. Korte reiser Lange reiser Vekt for tilbringertid 1,0 1, Omstigningstid Ulempen ved en omstigning fra det ene kollektive transportmidlet til et annet, kan i prinsipp deles i en ren omstigningsulempe, som eksisterer uavhengig av hvor lenge en må vente på neste transportmiddel, og en ventetidskostnad, som naturligvis vil avhenge av hvordan ventetida kan tilbringes. 323

272 Vi ser at verdi på omstigningstid er svært avhengig av under hvilke forhold den skal beregnes. Både transportmiddel, reiselengde og tid mellom avganger ser ut til å ha stor betydning. Vi føler derfor at det er vanskelig å anbefale et konkret tall. På korte reiser antar vi at verdien ligger mellom 2 og 10 minutters kjøretid. Vi anbefaler at tallet som bør brukes må vurderes i hvert enkelt tilfelle. På lange reiser anbefaler vi en omstigningskostnad lik 10 minutter ekstra kjøretid. Litteratur Fosgerau M, Hjorth K, Vincent Lyk-Jensen S, 2007: The Danish Value of Time Study. Final report, Danmarks Transportforskning, Killi M, Anbefalte tidsverdier i persontransport. TØI-rapport 459/1999. Ramjerdi F, Rand L, Sætermo, I-A, Sælensminde S, The Norwegian Value of Time Study. TØI-rapport 379/1997. Wardman M, Inter-urban Rail Demand, Elasticities and Competition in Great Britain: Evidence from District Demand Models. Transpn Res.-E, Vol. 33, No. 1, pp , Wardman M, Public Transport Values of Time. Transport Policy 11 (2004), page WSP og Analyse & Strategi, 2009: Trafikanters värdering av tid. Resultat från den nationella tidsvärdesstudien 2007/2008. Foreløpig utkast

273

274