Nieuwe data voor (nieuwe) OV modellen

Presentatie over: "Nieuwe data voor (nieuwe) OV modellen"— Transcript van de presentatie:

1 Nieuwe data voor (nieuwe) OV modellen
Niels van Oort Ties Brands Erik de Romph

2 Uitdagingen in het OV Kosten staan onder druk: lijnen schrappen, frequenties verlagen? Reiziger eist hogere kwaliteit Doelen: Hogere kostendekkingsgraad Hogere bezettingsgraad Modellen en data helpen het OV verbeteren

3 Data en modellen Evaluatie Analyse Verbeterplannen Prognose
Beter en efficiënter OV

4 Inzicht in kansen Data en modellen helpen te illustreren
Functioneren huidige netwerk en dienstregeling Voorspellen toekomstige effecten Financiële en maatschappelijke effecten van: Lage snelheid en doorstroming Suboptimaal netwerk Suboptimale dienstregeling Potentie van verbeteringen Inschatting > €10- €50 miljoen te besparen op OV in Nederland met hogere kwaliteit Voorbeelden Utrecht: 30 s. sneller op corridor: tot € minder kosten per jaar Den Haag: 5-15% meer reizigers door hogere betrouwbaarheid Tram Maastricht:> €4 Miljoen /jaar aan maatschappelijke baten door hogere snelheid en betrouwbaarheid Tram Utrecht: :ca. €200 Miljoen aan maatschappelijke baten door hogere snelheid en betrouwbaarheid

5 Twee dimensies Big Data
Voertuigen - snelheid, stiptheid, vertragingen - > GOVI Reizigers - in- en uitstappers, overstappers, patronen - > Chipkaart Combinatie - Betrouwbaarheid OV vanuit reizigersperspectief

6 Gebruik Big Data Evaluatie (terugkijken) Prognose (vooruitkijken)
Cijfermatig Spreadsheet, business intelligence Geografisch GIS Verkeersmodel Prognose (vooruitkijken) Whatif analyses OV Lite aanpak

7 Chipkaartdata (1/2) In potentie data over: Instappers Uitstappers
Overstappers Elk moment van de dag, week, jaar Tariefsoort Anonimiteit garanderen Beschikbaarheid Welke partij? Keten

8 Chipkaartdata (2/2) Koppelen aan verkeersmodel: Zicht op verleden
Grip op de toekomst Elasticiteitenmethode (unimodaal, snel en goedkoop) Whatif scenario’s Halte erbij of samenvoegen Sneller of frequenter Ander tarief Snel inzicht in veranderingen: Reizigers Kostendekkingsgraad Bezettingsgraad

9 Fictieve data

10 Fictieve data

11 Fictieve data

12 Fictieve data

13 Fictieve data

14 Fictieve data

15 Fictieve data

16 Fictieve data

17 Fictieve data

18 Fictieve data

19 Fictieve data

20 Fictieve data

21 Fictieve data

22 Fictieve data

23 Fictieve data

24 Alle stromen vanuit een specifieke halte
Fictieve data

25 Indicatie kostendekkingsgraad
Fictieve data

26 Reizigers over de dag Fictieve data

27 HB-patronen Fictieve data

28 What if?

29 Overzicht modeltechnieken
Multimodaal model OV-lite Quick scan Modaliteiten Auto, OV, fiets OV Schaalniveau Nationaal, regionaal en lokaal Lijnsgewijs Tijdshorizon 10-20 jaar <10 jaar <5 jaar Type projecten Strategische projecten, combinatie ruimte en verkeer OV projecten in een netwerkcontext Kleine aanpassingen OV lijnen Pluspunten Inzicht in modal split, input voor MKBA Goed verklaarbare effecten op OV netwerk Snel maatwerk

30 OV lite Een unimodale modeltechniek Op basis van elasiticiteiten
Dus alleen OV wordt gemodelleerd Op basis van elasiticiteiten Dus lagere kosten / reistijd / wachttijd leveren extra reizigers op Netwerkcontext In OmniTRANS

31 Effectberekeningen (varianten)
Frequentieverhoging / -verlaging Snelheidsverhoging / -verlaging Extra haltes / opheffen haltes Doorkoppelingen Verlengen / verkorten van lijnen Aantakken op stations Tariefaanpassingen

32 Output Gebruik maken van de outputfunctionaliteiten in OmniTRANS
(Verschil)Plots Per regio of gebied: (Verandering in) reizigerskilometers (Verandering in) aantal reizigers (Verandering in) kostendekkingsgraad Grafieken/tabellen

33 Whatif: Nieuwe route Fictieve data

34 Whatif: Verhoogde frequentie
Fictieve data

35 Conclusies Grote uitdagingen in het OV - Data en modellen faciliteren verbeterproces - Nieuwe mogelijkheden door nieuwe databronnen - Nieuwe toepassingen verkeersmodellen Aandachtspunt: Beschikbaarheid data

36 Contact Artikelen: Niels van Oort NvOort@Goudappel.nl