Recent Comments

    Posted in November 2016

    Het verbeteren van de last-mile in een OV reis met automatische voertuigen

    De last-mile in een openbaar vervoer (OV) reis is een van de meest hinderlijke gedeelten van een reis per OV. Hierdoor is het OV veelal niet in staat om te kunnen concurreren met de auto. De oorzaak kan deels worden gevonden in het gebrek aan flexibiliteit en de lage snelheden die de veelal conventionele vervoersmiddelen op de last-mile kenmerken. Recente technologische ontwikkelingen maken innovatieve vraaggestuurde vervoersconcepten met zelfrijdende voertuigen mogelijk. Deze zijn onafhankelijk van vaste infrastructuur en zouden ideaal op de last-mile ingezet kunnen worden, om zo het diffuse patroon en lage vervoersvolume efficiënt te bedienen.

    Om de vervoerwaarde en de prestatie van een vraaggestuurd vervoersysteem met zelfrijdende voertuigen op de last-mile te bepalen is als case: Station Delft-Zuid – TU Delft gekozen. Bij een vervoerwaarde studie met dergelijke innovatieve techniek wordt verwacht dat psychologische factoren, naast de puur instrumentele aspecten, expliciet een rol spelen in de vervoerwijzekeuze van reizigers. Het meenemen van deze preferenties is daarom van belang, teneinde de vervoerwaarde niet substantieel te over- of onderschatten. In dit paper zijn de uitkomsten van twee onderzoeken gecombineerd, een instrumenteel onderzoek (simulatiemodel + enquête) naar de vervoerwaarde van een systeem van zelfrijdende voertuigen en een stated preference (SP)-experiment om de invloed van diverse psychologische factoren op de vervoerwaarde te bepalen.
    De resultaten laten zien dat er een aanzienlijke vervoerwaarde bestaat voor zelfrijdende voertuigen op de last-mile, te weten 57% van de steekproefpopulatie. Met het simulatiemodel zijn diverse ITS maatregelen gesimuleerd, deze maatregelen omvatten wijzigingen in de netwerkstructuur, voertuiggedrag en het reizigersgedrag.
    De prestatie van het last-mile systeem, bleek veelal positief beïnvloedt te worden door bovenstaande maatregelen. Effecten werden gemeten in een vergroting van de systeemcapaciteit, een reductie van de gemiddelde wachttijd ofwel van de gemiddelde reistijd. Het parallel toepassen van deze maatregelen realiseert een aantrekkelijkere concurrentiepositie ten opzichte van de conventionele vervoerswijzen. De meest kenmerkende maatregel, het strategisch plaatsen van voertuigen, op locaties voorafgaand aan het ontstaan van vervoersvraag laat een reductie in de gemiddelde wachttijd van 40% zien.
    Uit het SP-experiment blijkt dat de attitudes ‘duurzaamheid’ en ‘vertrouwen’ de twee belangrijkste aspecten zijn in de vervoerwijzekeuze, terwijl de in-voertuigtijd niet minder negatief wordt ervaren dan in een door de reiziger gereden carsharing systeem. Dit suggereert dat de gebruikelijk genoemde voordelen van zelfrijdende voertuigen wellicht nog niet worden ervaren door de reiziger van vandaag, en illustreert het belang om hier aandacht aan te schenken voor een succesvolle implementatie van zelfrijdende voertuigen.

    Lees het CVS paper HIER

    Zie de CVS presentatie HIER

    Waar liggen kansen voor OV: datafusie GSM en chipkaart

    De grootste uitdaging van de openbaar vervoer sector is om tegemoet te komen aan de verscheidenheid aan reispatronen, en de bijbehorende behoeften en preferenties, van reizigers. Het beter matchen van vraag en aanbod levert zowel een kwaliteitssprong als kostenreductie op en heeft dus alle aandacht. Bestaande databronnen helpen, maar zijn nog niet afdoende. De combinatie van nieuwe bronnen biedt echter hoopgevende resultaten. Door een innovatieve methodiek kunnen GSM- en anonieme chipkaartdata gecombineerd worden om de OV potentie in kaart te brengen.

    Bestaande onderzoeken (zoals OViN) geven informatie over de totale reisbehoefte en de ruimtelijke spreiding hiervan. Deze huishoudsurveys bieden veelal echter geen inzicht in de spreiding van deze reisbehoefte over de tijd. Een nieuwe methodiek om GSM- met anonieme OV chipkaartdata te koppelen, geeft die inzichten wel. Door middel van deze datafusie kunnen zowel de ruimtelijke als temporele patronen van OV gebruik vergeleken worden met de totale ruimtelijke en temporele reispatronen. Dit geeft inzicht in de (mis)match van vraag en aanbod in ruimte én tijd. Ideaal dus als eerste stap voor het verbeteren van deze match: OV potentie kan zo worden opgespoord.
    Deze methode is toegepast in een case study in Rotterdam om te onderzoeken of het huidige OV bedieningsinterval voldoende aansluit bij de latente vraag. De resultaten demonstreren dat er potentie is om het OV bedieningsinterval zowel in de vroege ochtend als in de late avond uit te breiden. In de vroege ochtend, juist voordat het OV wordt opgestart, kan een uur-tot-uur toename in bezoekersaantallen van 33% tot zelfs 88% worden waargenomen in diverse delen van de Rotterdamse regio. Dit illustreert de potentiële vraag voor extra openbaar vervoer aanbod in de vroege ochtend. Op vergelijkbare wijze is deze analyse uitgevoerd voor het OV aanbod in de late avond.
    Deze innovatieve methode van datafusie is van grote toegevoegde waarde te zijn gebleken ter ondersteuning van OV planning. Deze datafusie methode kan ook eenvoudig worden toegepast op andere herkomst-bestemmingsdata.

    Lees het CVS paper HIER

    © 2011 TU Delft