Arealprognoser til RTM

NOTAT Prosjekt: 15-025 Oppdragsgiver: KIT-samarbeidet Arealprognoser til RTM Underlag for utvikling av fagverktøy Rune Opheim Versjon 5.01 29.09.2017 Notatet gir en enkel innføring i- / forståelse av hvordan arealbruk behandles i de regionale transportmodellene (RTM), kunnskap som er kommet frem gjennom KIT-samarbeidet og en skisse til verktøy/organisering for arbeid med prognoser for arealbruk til RTM. Gjennom KIT-samarbeidet vil dette notatet bli utviklet fortløpende. INNHOLD: 1 Slik behandles arealbruk i dagens RTM...2 1.1 RTM lager øyeblikksbilder, prognoser for arealbruk må inngå i inndataene... 3 1.2 Hva er LUTI?... 5 1.3 Hvilke arealdata brukes i dagens RTM?... 6 1.4 Parkering... 7 1.6 Å gjennomgå samme arealplan flere ganger er lite realistisk... 8 2 Slik kan et verktøy for arealprognoser fungere...9 2.1 Behov for justering av RTM... 9 2.3 Bedre parkeringsdata til RTM... 11 2.4 Utslippsdata knyttet til endring i trafikk... 12 2.5 Felles referansebane og tiltaksbaner... 13 2.6 Offentlig eid, gratis, åpent og forståelig... 13 Referanser... 15 AS Civitas By-, miljø- og samfunnsplanlegging www.civitas.no

1 Slik behandles arealbruk i dagens RTM Transportsystemet avgjør muligheten for å reise med privatbil, kollektivt, på sykkel og til fots tilbudet for reisende. Arealbruken er med og avgjør hvor stor etterspørsel det blir i et gitt transportsystem. Alle våre reiser vil begynne og/eller slutte i Vår egen bolig Vår egen arbeidsplass Steder vi besøker, blant annet o Handel, samt privat og offentlig tjenesteyting som regel lokalisert på adresser der noen har sin arbeidsplass o Omsorgs- og følgereiser (inkl. pasientbesøk etc.) o Andres boliger (private besøk) o Andre fritidsaktiviteter og kulturtilbud, ofte lokalisert på steder der det ikke finnes noen ansatte I tillegg kommer reiser inn/ut av et analyseområde og rundturer fra hjemmet uten noe bestemt målpunkt, for eksempel en treningstur. Sammenhengen er illustrert i Figur 1: Figur 1: Reisemønster; sammenheng mellom bolig, arbeidsplass og steder vi besøker. I RTM tenker vi oss boligen som utgangspunkt for alle reiser, de genereres i boligen vår. Reisevaneundersøkelser (RVU) gir gjennomsnittstall for hvor mange reiser ulike deler av befolkningen gjør til ulike formål. RTM modellerer ikke faktiske reiser, slik at reiser fra en bestemt bolig går til arbeidsplassene der de bosatte faktisk arbeider eller til den matbutikken der de faktisk handler. I stedet benyttes RVU-data som grunnlag for å fordele reisene på aktuelle arbeidsplasser og steder som besøkes. Avhengig av størrelse kan vi tenke oss at disse målepunktene har ulike tiltrekningskraft de har ulik evne til å attrahere reiser. 2

Basert på tiltrekningskraft og hvor lett det er å reise dit (transporttilbud) fordeler RTM aktuelt antall reiser på ulike målpunkter, se Figur 2: Figur 2: Generering og attrahering av reiser i dagens RTM Reisevaneundersøkelsene (RVU) benyttes også til å kalibrere RTM, slik at modellerte reiser til ulike formål, og med ulike reisemåter stemmer med det som er observert i RVU. Dagens reisemønster fra RVU benyttes også som grunnlag for å modellere reiser mange år fram i tid. På lengre sikt kan det være ønskelig å justere RVU, og å utvikle metodikk for å prognostisere framtidige reisevaner (som kan avvike fra dagens). Transportsystemet i RTM utgjør et nettverk av reisemuligheter mellom soner. I dagens RTM benyttes grunnkretser som soner. I Norge er grunnkrets er den minste «byggeklossen» i alle større arealenheter. Til grunnkretsene er det knyttet statistiske data om bl.a. befolkning/bosatte, ansatte og virksomheter, og RTM er i betydelig grad basert på slike data. For å kople reiser til/fra en sone til transportnettverket benyttes sonetilknytninger (soneskaft) som representerer en gjennomsnittlig internavstand i sonen. Tilknytningspunktet plasseres skjønnsmessig der det er naturlig at flest reiser til/fra grunnkretsen koples på transportnettverket (veger og kollektivlinjer). 1.1 RTM lager øyeblikksbilder, prognoser for arealbruk må inngå i inndataene RTM beregner trafikkarbeid (og andre utdata) for et øyeblikksbilde av arealbruken, transportsystemet og transportbrukerne. Det kan gjøres for dagens situasjon og ulike varianter av framtidig situasjon. Utviklingen i transportsystemet er offentlig styrt. Det aller meste av infrastruktur bygges av det offentlige, og det aller meste av rutetrafikken på 3

veg, skinner og sjø tilbys i offentlig regi (ofte gjennom offentlig tjenestekjøp). Her er det tilstrekkelig å analysere ulike alternativer for utvikling av transportsystemet som vurderes i plansammenheng. Når transportsystemet er beskrevet, kan en ved hjelp av RVU/RTM lage prognoser for hvordan trafikantene vil bruke det. RTM henter nødvendige data om transportbrukerne (sosioøkonomiske faktorer) fra offentlig statistikk (SSB), både for dagens situasjon og prognoser. Utviklingen i arealbruk er delvis offentlig styrt og delvis markedsstyrt. I noen tilfeller bestemmer det offentlige etablering, utvidelser/endring eller nedlegging av boliger, arbeidsplasser eller steder som besøkes, f.eks. kommunale boliger, sykehus og idrettsanlegg. Også her kan vi legge til grunn planlagt utvikling. I andre tilfeller er det private utbyggere som rår over lokalisering av boliger, arbeidsplasser og besøkssteder; dette inkluderer lokaler som på markedsmessig grunnlag leies ut til det offentlige. Her trenger vi et verktøy som kan gi prognoser for hvordan markedsaktørene vil argere, innen de rammer arealplanene gir. Summen av offentlig styrt og markedsstyrt endring i arealbruk gir grunnlag for å prognostisere hvor mange boliger, arbeidsplasser og besøk det blir i hver sone/grunnkrets. Dette mates inn i RTM, der alle reiser starter og/eller slutter i en bolig, en arbeidsplass eller et sted som besøkes. Resultatet av en RTM-kjøring for en framtidig situasjon er en prognose for trafikk, basert på grunnlagsdata om arealbruk (planlagt, prognose), transportsystem (planlagt) og data/prognoser knyttet til transportbrukerne. Det kan blant annet lages prognoser for samlet trafikkvolum (trafikkarbeid) i analyseområdet, i deler av analyseområdet og antall kjøretøyer pr døgn (ÅDT) på enkeltstrekninger (lenker). På samme måte som i konsekvensutredninger, klimagassberegninger m.m. må vi først beskrive et nullalternativ en referansebane som representerer forventet utvikling i utkjørte kilometer uten nye tiltak. Deretter kan vi analysere ulike kombinasjoner av arealbruk og transportsystem som avviker fra referansebanen, se Figur 4. I praksis må vi velge bestemte analyseår, siden RTM bare gir øyeblikksbilder, det (i alle fal pr. i dag) blir for krevende å gjøre analyser for hvert eneste år framover. Figur 3: Prognoser for trafikkarbeid, beregnet med RTM 4

For storbyområdene gjelder nullvekstmålet som innebærer at personbiltrafikken holdes på dagens nivå. Å kunne vurdere hvilke kombinasjoner av arealbruk og transportsystem som gjør det sannsynlig at nullvekstmålet kan nås er blant annet viktig i byutredningene og i forbindelse med inngåelse av byvekstavtaler. 1.2 Hva er LUTI? Transportsystem og arealbruk påvirker hverandre. Når utbyggere vurderer hvor de vi etablere nye boliger, arbeidsplasser eller publikumsrettet virksomhet er transporttilbudet en viktig, og til dels avgjørende faktor. Arealplaner kan sette rammer for hvor mye det maksimalt kan bygges, men kommunen har mindre styring med om noen faktisk vil bygge i henhold til planene. Motsatt vil utviklingen i arealbruk være bestemmende for hvor stor belastning det blir på transportsystemet, og hvor det vil være størst behov for utbygging av veger, kollektivtrafikk m.m. Sammenhengen er illustrert i Figur 4: Figur 4: Sammenheng mellom transportsystem og arealbruk Denne sammenhengen kalles Land Use Transport Interaction (LUTI), og internasjonalt finnes modeller for å beskrive den, se litt. 1.1. En norsk LUTI-applikasjon bør kunne fungere sammen med dagens RTM, og være godt tilpasset norske forhold, norsk lovverk og bruk i kommunesektoren. Restriksjoner på bilbruk (trafikantbetaling m.m.) innebærer at transportsystemet blir mindre tilgjengelig. Tilgjengelighet til viktige funksjoner via transportsystemet har betydning for hvor private utbyggere vil lokalisere boliger, arbeidsplasser og besøkssteder. Hvis restriksjonene oppheves, eller utbyggere har forventninger om at det kan skje, vil det påvirke arealetterspørselen i berørte områder. Men med mer utbygging og mer tilgjengelig transportsystem vil belastningen på vegnettet også øke. Derfor kan det være nyttig å se bilrestriksjonene som en «demning» som før eller siden kan bli åpnet, og regne på trafikkomfang både med og uten slike restriksjoner på bilbruk. 5

1.3 Hvilke arealdata brukes i dagens RTM? Figur 5 illustrerer data om arealbruk som per i dag benyttes i RTM. Figur 5: Vurdering av arealdata som i dag ligger til grunn for RTM-beregninger Offentlige registre gir god informasjon om hvor folk bor, og med nøyaktighet som bør være tilstrekkelig for RTM. Også for ansatte har vi relativt gode data fra offentlige registre, men en utfordring er at stadig flere ikke arbeider på den adressen der arbeidsgiver er registrert. Spesielt er dette utbredt i varehandel og sørvis, der kontraktører med andre forretningsadresser utfører en stadig større del av oppgavene. Stadig flere har også oppmøtested andre steder enn på arbeidsgivers forretningsadresse, eller de tilbringer noen arbeidsdager på hjemmekontor, «jobbhoteller» o.a. Dagens RTM benytter i stor grad antall ansatte på adressen samt næringskode til å estimere omfang at besøk til en adresse. Steder uten bosatte/ansatte, for eksempel koltur-, idretts og fritidstilbud, får få/ingen besøk. Uavhengig av RTM har vi i dag for lite kunnskap om hvor mange besøk ulike virksomheter/ steder faktisk genererer. Noe kunnskap finnes blant annet i turproduksjonstall, og noe kan utledes fra RVU, men alt dette brukes så langt ikke direkte i RTM. RTM benyttes til å beregne effekt av tiltak som ikke er gjennomført ennå, dvs. framtidig trafikk med referansebane (nullalternativ) og tiltaksbaner. For bolig har en til nå benyttet enkle SSB-framskrivinger av innbyggertall, basert på hvordan befolkningsutviklingen til nå har vært i grunnkretser uten å ta hensyn til arealplaner, tilgjengelighet m.m. INMAP (se kap. 1.5) tilbyr nå et mer sofistikert alternativ. For arbeidsplasser og besøkssteder benytter RTM dagens lokalisering/størrelse også for framtidig situasjon. Det tas da ikke hensyn til arealplaner. Særlig misvisende blir dette for besøkssteder, siden besøk også behandles upresist for dagens situasjon. For store utbygginger kan framtidig antall arbeidsplasser legges inn manuelt i RTM, men dette gjøres ikke systematisk. Det mangler også metode for å lage prognoser for framtidig lokalisering av arbeidsplasser og besøkssteder der en tar hensyn til arealplaner og hvor tilgjengelig arealene er. 6

Hvis en får på plass bedre prognoser for arealbruk, vil dagens RTM kunne benytte slike, med ett unntak: Inndataene til RTM er organisert slik at modellen ikke kan håndtere besøk separat fra ansatte, og steder uten ansatte får få/ ingen besøk. Arealfaglig sett kan det stilles spørsmål ved en tilnærming der antall besøk bare beregnes på grunnlag av antall ansatte. I RTM gjøres også grovmaskede forutsetninger om når på døgnet ulike typer reiser foretas, for eksempel ser det ut til at innkjøpsreiser i ettermiddagsrush underestimeres, selv om en betydelig del av handelen skjer i de aktuelle timene. 1.4 Parkering Det er i første rekke kommunen som sitter inne med relevante data om parkering, og det er kommunene som i hovedsak besitter virkemidler som kan påvirke framtidig tilgang til parkering. De viktigste virkemidlene er knyttet til arealplanlegging etter PBL i form av parkeringsnormer, regulering av hvor store arealer som avsettes til parkering eller at eksisterende plasser omreguleres til andre formål. Med hjemmel i vegtrafikkloven bestemmer kommunen i tillegg tidsbegrensning, pris mm for kommunale plasser og plasser på gategrunn, samt reservering av plasser for de som bor i et område (boligsoner). Kommunen har mindre mulighet til å regulere parkering på plasser den selv ikke rår over. Det gjelder plasser som eies/disponeres av private virksomheter, grunneiere og/eller andre offentlige institusjoner (enn kommunen). Dette kan både være plasser som er tilgjengelige for alle, og plasser reservert for utvalgte beboere, arbeidstakere og/eller besøkende. De fleste steder har hverken kommune, Statens vegvesen eller andre god oversikt over hvor mange slike plasser som finnes, og hvem som kan bruke dem. Unntaket er plasser som tilbys mot betaling, med tidsbegrensing eller på andre vilkår, der data fra 2017 skal meldes inn til Parkeringsregisteret, se www.vegvesen.no/parkering. Tilgang til parkering ved bolig, arbeidsplass og steder som besøkes har stor betydning for bl.a. reisemiddelvalg, og det er således viktig at parkering modelleres mest mulig presist i RTM. Det er tidligere gjort forsøk på å implementere tilgang til parkeringsplasser i RTM ved hjelp av parkeringsindeks som både skulle reflektere kostnad og tilgjengelighet. Denne har seks 6 kategorier hvor 6 betyr få tilgjengelige plasser, kombinert med dyr parkering, mens 1 betyr god tilgang på og billige parkeringsplasser. Indeksen inngår i sonedatafilen, og det kan vurderes om den skal brukes videre eller revideres. Per i dag er parkeringsindeksen lite brukt, og generelt er det lite helhet og systematikk i innlegging av parkeringskostnader. De fleste steder mangler faste rutiner for å hente inn data fra kommunene. Modellering av framtidig parkeringsregulering skjer i liten grad, hverken i referansebane eller tiltaksbaner. Med dagens bruk av RTM tas det i mindre grad hensyn til om det fysisk sett er mulig å finne parkeringsplass, men det kan løses ved å legge inn svært høye parkeringskostnader der det er få plasser. Det er mulig å lage prognoser (referansebaner og tiltaksbaner) med ulike parkeringskostnader, men her mangler omforent metodikk. 7

En gjennomgang av eksisterende virkemidler og effekter er gjort i litt. 1.4. Høsten 2017 får Statens vegvesen også utarbeidet en ny rapport om parkering i RTM som vil utgjøre et viktig grunnlag for videre arbeid. 1.5 INMAP INMAP står for «integrert metodikk for arealbruksprognoser til bruk i RTM». Grunnlaget for metoden er beskrevet i litt. 1.3, og den er seinere bl.a. prøvd ut i Trondheims- Bergens- og Stavangerregionen. På oppdrag fra Statens vegvesen har TØI gjennomført en evaluering av INMAP (litt. 1.8). Se samleside om INMAP på hjemmesiden til KIT-samarbeidet. INMAP gir prognoser for bosatte per grunnkrets basert på historisk vekst, arealplaner og tilgjengelighet til viktige funksjoner via transportsystemet. Samlet vekst for analyseområdet hentes fra SSB-tall. Prognosene leveres i et format som RTM kan lese. INMAP gir ikke prognoser for arbeidsplasser og besøk, men en kan legge inn prognoser manuelt. 1.6 Å gjennomgå samme arealplan flere ganger er lite realistisk Erfaringene fra utprøvingen av INMAP viser at gjennomgang av arealplaner er arbeidskrevende. Det er da lite realistisk at en i arbeid med inndata til transportmodeller kan gjennomgå arealplanene flere ganger. Vi er således avhengige av at alt av data fra arealplaner kan hentes inn i én og samme prosess. Dette vil omfatte følgende data på grunnkretsnivå: plandata knyttet til parkering parkeringsbestemmelser (bl.a. min. og maksnormer) samt arealer regulert til parkering plandata om ledig kapasitet for boliger, arbeidsplasser og besøkssteder Også data fra kommunen om parkeringsregulering med hjemmel i vegtrafikkloven, bør samtidig samles inn (inngår ikke nødvendigvis i arealplan). En behøver også oversikt over eksisterende parkeringsplasser. 8

2 Slik kan et verktøy for arealprognoser fungere Figur 6 viser en helhetlig tilnærming der transportmodellene mottar inndata knyttet til areal i et avklart format. Resultater fra kjøring av transportmodeller kan da også benyttes til utslippsberegninger som inkluderer effekt av endret arealbruk. Figur 6: Arealdata i RTM helhetlig tilnærming Et slikt prognoseverktøy for arealbruk/parkering krever samarbeid mellom stat og kommunesektor, både om faglig innhold, dataløsninger og organisering av arbeidet. Når en først har et slikt samarbeid, er det naturlig å inkludere faglig samarbeid på andre områder der kommunesektoren sitter inne med aktuelle data/kunnskap eller gjennomfører planarbeid som har betydning for referanse- og tiltaksbaner i transportanalyser. Dette gjelder i særlig grad fylkeskommunens planlegging og drift av kollektivtrafikk og primærkommunenes data, kunnskap og planarbeid med innvirkning på personmobilitet og omfang av ferdsel til fots. 2.1 Behov for justering av RTM Med et prognoseverktøy som gir inndata, kan RTM stort sett brukes som i dag, med følgende unntak: Det forutsettes at RTM i fremtiden kan motta separate prognoser for arbeidsplasser og besøk, eller at en kan oppnå tilsvarende skille mellom besøk og ansatte på annen måte. Det forutsettes at RTM kan håndtere parkeringskostnader separat for reiser til arbeidssted (langtidsparkering) og for alle typer besøk (korttidsparkering). På disse områdene er det uansett behov for mer presis/riktig håndtering enn i dagens RTM, se kapittel 1.3. Før det er på plass, er det neppe formålstjenlig å legge store ressurser i å utvikle et prognoseverktøy. Alternativet ville være et prognoseverktøy som bare ga prognoser for bosatte og arbeidsplasser, og der RTM (til dels på en faglig utilstrekkelig og lite transparent måte) beregnet antall besøk, men en slik mellomløsning inne- 9

bærer neppe effektiv ressursbruk. Viktigst er uansett at framtidig lokalisering av boliger, arbeidsplasser og besøkssteder er gjensidig avhengig av hverandre; og gode transportberegninger forutsetter at vi samtidig har gode prognoser for alle de tre hovedtypene arealbruk. Det kan ta tid å endre RTM slik at den kan håndtere separate prognoser. Men det vil også ta tid å utvikle et fullverdig prognoseverktøy, slik at behov for fornyet RTM antakelig ligger 2-3 år fram i tid. 2.2 Prognoseverktøyet skal levere bosatte, ansatte og besøk samt parkeringskostnader til RTM Prognoseverktøyet skal levere sett met bosatte, arbeidstakere og besøk (til ulike typer steder) i et format som RTM kan lese. Av hensyn til effektiv datainnsamling og realistisk beregning av tilgjengelighet bør data om parkering leveres til RTM samtidig. Følgende framgangsmåte for å lage prognoser legges til grunn: 1. Finn dagens antall bosatte, arbeidsplasser og besøk i hver sone (grunnkrets). 2. Finn maksimalt antall nye bosatte, arbeidsplasser og besøk som arealplanen tillater i hver sone (i analyseåret). Automatisert innhenting av plandata skal i størst mulig grad benyttes. 3. Finn forventet vekst (endring) i antall bosatte, arbeidsplasser og besøk i hele analyseområdet. Dette utgjør den samlede veksten som skal fordeles på soner (grunnkretser). 4. Finn data for historisk vekst i antall bosatte, arbeidsplasser og besøk i hver sone. 5. Legg til evt. andre egenskaper som avgjør hvor attraktiv sonen regnes for utbygging av nye boliger, arbeidsplasser og ulike typer besøkssteder. Slike faktorer må ikke medføre «dobbelttelling» av egenskaper som henger sammen med historisk vekst/tilgjengelighet. 6. Fordel forventet vekst (bosatte arbeidsplasser, besøk) i hele analyseområder på soner (grunnkretser) basert på historisk vekst og evt. andre egenskaper. Når kapasiteten i en sone er oppbrukt, fordeles veksten på de øvrige sonene. Det utarbeides her foreløpige tall som brukes som grunnlag for å beregne tilgjengelighet ved hjelp av RTM. 7. Legg til parkeringsegenskaper for hver sone, basert på telling av eksisterende plasser, arealplaner og parkeringsregime for øvrig. 8. Eksporter parkeringsegenskaper samt antall bosatte, arbeidstakere og besøk til RTM. 9. Bruk RTM til å beregne hvor tilgjengelige arbeidsplasser og besøkssteder i hver sone er, og hvor enkel tilgang boliger i hver sone har til arbeidsplasser og besøkssteder. Eksporter aktuelle data til prognoseverktøyet. 10. La prognoseverktøyet beregne korrigert antall bosatte, arbeidsplasser og besøk i hver sone, der en nå også tar hensyn til tilgjengelighet. Eksporter reviderte data til RTM, (parkeringsdata vil være uendret). Sonene må være de samme som benyttes i RTM. I utgangspunktet vil det være grunnkretser, men prognoseverktøyet bør utvikles slik at en i fremtiden kan ta i bruk andre inndelinger, for eksempel 250x250 meters ruter. Gjennom INMAP har en allerede fått utviklet det meste av nødvendig metodikk knyttet til boligprognoser. Et naturlig neste steg er å utvikle et tilsvarende prognoseverktøy for arbeidsplasser og besøkssteder. I utvikling av dette mer helhetlige prognoseverktøyet bør en i størst mulig grad, og i alle fall der det er hensiktsmessig, legge til grunn tilnærmingen som allerede er utviklet gjennom INMAP. Det kan imidlertid være aktuelt å etablere et helt nytt dataverktøy. 10

Det kan etter hvert bli nødvendig å se nærmere på hvile data vi skal benytte for å bestemme dagens antall- og prognoser for arbeidsplasser. Næringslivet utvikler seg i en retning der en ikke lenger kan legge til grunn at folk fysisk sett arbeider på arbeidsgivers forretningsadresse. Det bør derfor sees på muligheter for mer presis innhenting av data om oppmøtested, evt. med bruk av andre datakilder enn i dag, se også litt. 1.6. Den største utviklingsjobben ligger i å finne ut hvor mange besøk ulike typer virksomheter/steder vil ha, slik at vi får bedre tall for antall reiser til sonen (grunnkretsen). Selv der vi har gode data for dagens situasjon, trenger vi langt bedre redskaper for å prognostisere besøk til framtidige lokaliseringer, for eksempel nye kjøpesentra eller kulturinstitusjoner. Her er det naturlig å ta utgangspunkt i reisehensiktene som inngår i RVU, og ved behov supplere/ differensiere disse i fremtidige RVU er. Det danner grunnlag for å dele inn steder som besøkes i grupper, og for hver gruppe definere karakteristika (tilgjengelig statistikk etc.) som til sammen gir et sannsynlig antall besøk (gjennomsnittbetraktning for hverdager). Antall ansatte og bransje kan være en av flere faktorer, men det er ikke tilstrekkelig, siden steder med ingen, få eller svært uforutsigbart antall ansatte kan tiltrekke mange besøk. 2.3 Bedre parkeringsdata til RTM Tilgang til parkering ved bolig dekkes delvis av at bilhold modelleres i RTM (basert på SSB-data). I grunnkretser der det er vanskelig/dyrt for de bosatte å finne parkering, vil også færre ha bil. Når vi skal modellere effekt av tiltak som begrenser tilgang til parkering ved bolig, for eksempel fjerning av plasser på gategrunn eller maksnormer for nye boliger, må dette skilles fra andre faktorer som påvirker bilhold, f.eks. folks økonomi; hvis ikke kan det bli «dobbelttelling». Så langt er det relativt få byer som setter strenge begrensninger på parkering ved bolig, mange har fortsatt bare minimumsnormer. I første omgang er bedre modellering av parkering ved bolig ikke påtrengende viktig, men på lengre sikt bør det gjøres et arbeid der en ser førerkortinnehav, bilhold og tilgang til parkering ved bolig i sammenheng. Derimot bør det være en prioritert oppgave å få på plass bedre modellering av pris/tilgang til parkering ved arbeidsplasser og steder som besøkes og i alle fall bedre datagrunnlag for modelleringen. Siden kommunene sitter på det meste av relevante grunnlagsdata, og dette er nært knyttet til arealplanleggingen, er det naturlig at parkeringsdata leveres til RTM gjennom prognoseverktøyet. Vi forutsetter at RTM må kunne skille mellom parkeringskostnader for arbeidsreiser og besøk. Her kan prognoseverktøyet generere inngangsdata til RTM som beskriver muligheten for å parkere for ansatte og besøkende i hver sone (grunnkrets). Følgende data kan som utgangspunkt legges til grunn for å beskrive tilgang til parkering i den enkelte sone: 11

Tabell 1: Eksempel på systematisering av parkeringsdata ril bruk i RTM Parkeringsdata for hver sone (grunnkrets) Faktorer som påvirker omfang av bilreiser til arbeidsplasser i sonen Faktorer som påvirker omfang av bilreiser til (alle typer) besøkssteder i sonen Faktorer som påvirker bruk av bil på reiser fra boliger i sonen Kommunale plasser og gateparkering tilgjengelig for langtidsparkering Kommunale plasser og gateparkering tilgjengelig kun for korttidsparkering Offentlig tilgjengelige plasser for langtidsparkering, på privat grunn eller drevet av kommersielle foretak Offentlig tilgjengelige plasser kun for korttidsparkering, på privat grunn eller drevet av kommersielle foretak Parkeringsplasser reservert bosatte, ansatte og/eller besøkende på eksisterende eiendommer Parkeringsnorm og evt. frikjøp (planbestemmelse etter PBL) for nye enheter (eller ved bruksendring). Antall P-plasser pr. arbeidsplass og pris Påvirkes ikke Antall P-plasser pr. arbeidsplass og pris Påvirkes ikke Antall reserverte P-plasser for ansatte pr. arbeidsplass, og pris Antall P-plasser pr. beregnet besøk og pris Antall P-plasser pr. beregnet besøk Antall P-plasser pr. beregnet besøk og pris Antall P-plasser pr. beregnet besøk og pris Antall reserverte P-plasser for besøkende pr. beregnet besøk og pris Antall P-plasser pr. bosatt og pris Påvirkes ikke Antall P-plasser pr. bosatt og pris Påvirkes ikke Antall reserverte plasser for beboere pr bosatt, inkl. parkering på egen tomt Gir endret antall P-plasser pr arbeidsplass, besøk og/eller bosatt. Hvor stor endringen blir er avhengig av hvor stor andel av arbeidsplasser, besøkssteder og boliger i sonen om i analyseåret har vært omfattet av parkeringsnormen. Tellinger og prisvurderinger gjøres først for dagens situasjon, deretter for framtidige analyseår. For alle priser benyttes gjennomsnittsbetraktninger for grunnkretsen (sonen), for fremtidig pris på privateide P-plasser gjøres enkle markedsvurderinger. I tilknytning til bilreiser kan også forhold i nabosoner hensyntas. Plasser reservert for innfartsparkering, samt sykkelparkering vil ikke inngå i beregningene her, i alle fall i denne omgang. 2.4 Utslippsdata knyttet til endring i trafikk Utslipp fra kjøretøyer (CO 2, NOx, partikler) kan redusere på to, fundamentalt forskjellige måter a) At kjøretøyene slipper ut mindre forurensning b) At kjøretøyene tilbakelegger kortere distanse a) er primært avhengig av kjøretøy- og drivstoffteknologi, og virkemidlene for å oppnå dette finnes (nesten) ikke areal- og transportplanlegging (ATP). Motsatt er b) uløselig knyttet til samordnet ATP, nullvekstmålet m.m., og her kan RTM levere endring i kjøretøykilometer (trafikkarbeid) for alle kvantifiserbare areal- og transporttiltak, se Figur 6 side 9. For å regne om utkjørt distanse til utslipp benyttes utslippsfaktorer, som miljømyndighetene utarbeider. Disse knyttes til gjennomsnittsbetraktninger for kjøretøygrupper eller hele kjøretøyparken. Fram til nå har det vært benyttet gjennomsnittsfaktorer på landsbasis. Miljødirektoratet har høsten 2017 lyst ut et konsulentoppdrag som skal se på muligheten for å etablere regionaliserte utslippsfaktorer, der disse kan benyttes sammen med resultater fra transportmodellene i den aktuelle regionen. Innføring av ny miljøteknologi vil påvirke framtidige utslippsfaktorer, slik at utslippsfaktorene i seg selv vil ha referanse- og tiltaksbaner. Da kan en veie miljøeffekt av trafikkreduserende tiltak mot teknologitiltak. For områder der det ikke er mulig/aktuelt å bruke transportmodellene, må en se på andre alternativer for å beregne klimaeffekt av ATP-tiltak. De 12

samme utslippsfaktorene kan her benyttes til å regne om redusert trafikkarbeid til utslippsreduksjon. 2.5 Felles referansebane og tiltaksbaner Siden areal- og transporttiltak modelleres i to ulike verktøyer (prognoseverktøyet og RTM), kreves god koordinering av arbeidet først ved å etablere referansebane og deretter tiltaksbaner. Den største jobben vil ligge i å få på plass referansebaner. Men det vil også være en del arbeid å få på plass tiltaksbaner som både inkluderer endringer i arealbruk og transportsystem, sett i forhold til referansebanen. Her er det avgjørende at de som opererer prognoseverktøyet og RTM samarbeider tett, jf. pågående arbeid med virkemiddelpakker i byutredningene, se illustrasjon i Figur 7: Figur 7: Eksempel på ulike virkemiddelpakker (Statens vegvesen) Valg av tiltakspakker for analyse får også konsekvenser for utslippsberegninger i byområdene. Med tanke på både arbeidsmengde og samordning av offentlig planlegging er det naturlig at en benytter samme referansebane i miljøutredninger som i annen areal- og transportplanlegging. Det er således viktig at miljøaspektet tas med fra starten. Som regel vil det også være naturlig å benytte samme tiltaksbaner (beregne effekt av de samme tiltakene), men arbeidsmessig bør det være overkommelig å supplere med flere tiltaksbaner. Med bruk av RTM kan en for de ulike tiltakspakkene å ta ut endring i trafikkarbeid for begrensede soner, for eksempel et utvalg grunnkretser det det er særlige problemer med lokal luftforurensning. Motsatt vil det ved hjelp av RTM være mulig å finne effekt av geografisk avgrensede teknologitiltak, f.eks. forbud mot dieselbiler i sentrum, siden vi kan regne ut mengde trafikkarbeid som berøres, f.eks. i en miljøsone. 2.6 Offentlig eid, gratis, åpent og forståelig Siden vi allerede har et fagmiljø knyttet til NTP transportanalyser kan det være naturlig at prognosevertøyet driftes fra samme sted. Som for RTM bør bruken være gratis, men brukerne kan måtte kjøpe kommersiell programvare. NTP transportanalyser vil for øvrig kjøpe tjenester fra private leverandører, både til utviklings og driftsoppgaver. 13

Kommunal innsats i bytte mot verktøy og påvirkningsmulighet Det er i all hovedsak kommunene som sitter på den informasjonen og kompetansen som er nødvendig for å levere data til prognoseverktøyet. Det er også kommunesektoren som forvalter de viktigeste virkemidlene for å få til transporteffektiv arealbruk. Det er således naturlig at kommunene får hovedansvar for innlegging av data. I byregioner kan det være naturlig at den største bykommunen, eventuelt fylkeskommunen, får ansvar for å koordinere datainnleggingen. På liknende måte som i pågående arbeid med byutredningene er det naturlig at fagfolk i kommuner, fylkeskommune og statlige transportetater samarbeider om å definere referansebaner og virkemiddelpakker som både omfatter arealbruk og transportsystem. Brukere av prognoseverktøyet og RTM må derfor samarbeide tett. Det er også ønskelig at flere kommuner bygger opp egen kompetanse på kjøring av RTM. I bytte mot personalinnsats får kommunene en langt bedre mulighet til å bidra i arbeidet som danner grunnlag for byutviklingsavtaler, NTP m.m. Kommunene kan også benytte prognoseverktøyet i andre sammenhenger, for eksempel til å dimensjonere kommunale tjenester. Algoritmer som «alle» kan forstå RTM og andre transportmodeller er blitt beskyldt for å være «black box» at de for uinnvidde er umulig å forstå. Ved design av prognoseverktøyet bør det legges stor vekt på å benytte så enkle algoritmer som mulig, og at algoritmene formidles mest mulig forståelig. Fagfolk som selv ikke opererer verktøyene må likevel kunne forstå hvordan det (faglig sett) virker, og hvilke areal- og transportfaglige forutsetninger som legges til grunn. Algoritmene bør også være mest mulig forståelig for interesserte uten spesiell areal- og transportfaglig bakgrunn (allmennheten, politikere og andre beslutningstakere). Offentlig eierskap, åpen kildekode Opp gjennom årene har det blitt utviklet mange gode fagverktøyer knyttet til miljø, arealplanlegging, transport m.m. Slike verktøyer har sjelden mulighet for å generere så mye inntekter at det kan dekke utviklingskostnadene. De blir derfor gjerne utviklet med offentlige midler, selv om initiativene kan komme fra ulike hold. En tidlig fase er gjerne preget av entusiasme og kanskje dugnadsånd, men ikke nødvendigvis noen realistisk plan for driftsfase og videre finansiering. Ofte har det fagmiljøet som stod for utviklingen «blitt sittende med» verktøyet, og etter hvert selv måttet skaffe finansiering, f.eks. offentlige tilskuddsmidler kombinert med noe brukerbetaling. Men slike midler er gjerne ikke tilstrekkelige, slik at utviklingsarbeid og brukersupport blir svekket. Etter hvert kan det bli vanskeligere å bedømme om verktøyet har tilfredsstillende faglig standard, både fordi det skjer lite utviklingsarbeid og fordi ekstern kvalitetssikring uteblir. Det er da stor fare for at andre fagmiljøer og myndighetene etter hvert mister interessen, og brukerne blir færre. Om verktøyet dør hen vil de offentlige utviklingsmidlene som ble investert langt på veg ha gått til spille. 14

Uten offentlig tilskudd er det neppe markedsgrunnlag til et verktøy for arealprognoser til RTM. Flere konkurrerende verktøyer er lite realistisk, og heller ikke ønskelig siden det å følge opp flere verktøyer vil gi merarbeid for mange. Alt taler for at det offentlige bør eie og drive et verktøy for arealprognoser. Kommersielle aktører og FoU-miljøer kan uansett konkurrere om oppdrag knyttet til utvikling og drift. Og som for RTM kan deler av arbeidet gjøres med kommersiell programvare. Kildekode (unntatt kommersiell programvare) bør være åpen, og kommersielle aktører, FoU-miljøer og brukere bør stå fritt til å tilpasse denne til egne behov. Referanser 1.1 TØI rapport 1415/2015 for Bedre by: Vurdering av metoder og modeller for å analysere samspillseffekter mellom arealutvikling, transportetterspørsel og infrastruktur i byområder. 1.2 Asplan Viak 2016 (Bedre by): Kategorisering av arealbruk i RTM 1.3 Rambøll for KMD 2015: Arealbruksutvikling på grunnkretsnivå grunnlaget for INMAP (tidligere kalt PTM). Brukermanual og resultater fra bruk av INMAP på KIT-samarbeidets nettside. 1.4 TØI-rapport 1493/2016 (KS): Parkering virkemidler og effekter. 1.5 Civitas for KMD 2014: Kommuneplanens arealdel som grunnlag for helhetlige bymiljøavtaler. 1.6 Civitas for KMD 2015: Data fra byene som kan brukes i forbedrede transportmodeller. 1.7 SINTEF Rapport A3973, 2008: Regionale modeller for persontransport - Modellbeskrivelse. 1.8 TØI Arbeidsdokument 51019: Vurdering av INMAP. Full oversikt over rapporter utarbeidet i tilknytning til KIT-samarbeidet på www.kit-samarbeidet.org. 15