Nieuwe data voor (nieuwe) OV modellen Niels van Oort Ties Brands Erik de Romph
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
Data en modellen Evaluatie Analyse Verbeterplannen Prognose Beter en efficiënter OV
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 € 400.000 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
Twee dimensies Big Data Voertuigen - snelheid, stiptheid, vertragingen - > GOVI Reizigers - in- en uitstappers, overstappers, patronen - > Chipkaart Combinatie - Betrouwbaarheid OV vanuit reizigersperspectief
Gebruik Big Data Evaluatie (terugkijken) Prognose (vooruitkijken) Cijfermatig Spreadsheet, business intelligence Geografisch GIS Verkeersmodel Prognose (vooruitkijken) Whatif analyses OV Lite aanpak
Chipkaartdata (1/2) In potentie data over: Instappers Uitstappers Overstappers Elk moment van de dag, week, jaar Tariefsoort Anonimiteit garanderen Beschikbaarheid Welke partij? Keten
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
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Fictieve data
Alle stromen vanuit een specifieke halte Fictieve data
Indicatie kostendekkingsgraad Fictieve data
Reizigers over de dag Fictieve data
HB-patronen Fictieve data
What if?
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
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
Effectberekeningen (varianten) Frequentieverhoging / -verlaging Snelheidsverhoging / -verlaging Extra haltes / opheffen haltes Doorkoppelingen Verlengen / verkorten van lijnen Aantakken op stations Tariefaanpassingen
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
Whatif: Nieuwe route Fictieve data
Whatif: Verhoogde frequentie Fictieve data
Conclusies Grote uitdagingen in het OV - Data en modellen faciliteren verbeterproces - Nieuwe mogelijkheden door nieuwe databronnen - Nieuwe toepassingen verkeersmodellen Aandachtspunt: Beschikbaarheid data
Contact Artikelen: Niels van Oort NvOort@Goudappel.nl https://nielsvanoort.weblog.tudelft.nl/ http://www.goudappel.nl/adviseurs/niels-van-oort/