Posts in category Nederlands
Verkeersmodellen verrijken met onbetrouwbaarheid OV vanuit een reizigersperspectief
In verkeersmodellen rijdt al het OV op tijd. Huidige, state of the art, verkeersmodellen houden namelijk geen expliciete rekening met de betrouwbaarheid van de dienstuitvoering van OV, terwijl het door reizigers als één van de belangrijkste aspecten wordt gezien. Om dit aspect mee te kunnen nemen in een verkeersmodel, wordt in dit paper een driestappenplan gepresenteerd, gebruik makend van data over de gerealiseerde dienstuitvoering uit GOVI (Grenzeloze OV Informatie). Deze drie stappen bestaan uit het bepalen van de rijtijdspreiding van de voertuigen, het bepalen van het effect op wacht- en in-voertuigtijd en uiteindelijk het bepalen van het verwachte effect van onbetrouwbaarheid op de gemiddelde reistijd per reiziger. Deze benadering is succesvol getest op het verkeersmodel van de regio Utrecht: door het toevoegen van OV onbetrouwbaarheid per lijn of traject in het model, is de verklarende waarde van het model toegenomen: het resultaat voor kalibratie komt 18% dichter bij de telcijfers. Doordat OV onbetrouwbaarheid expliciet wordt meegenomen, is het mogelijk om verbeteringen in de betrouwbaarheid expliciet mee te nemen als modelvariant. Dit biedt mogelijkheden voor het evalueren van maatregelen die niet zo zeer de snelheid van het OV beïnvloeden, maar wel de betrouwbaarheid. De modelresultaten kunnen bijvoorbeeld input zijn voor een maatschappelijke kosten-baten analyse. Verbeterde betrouwbaarheid kan immers substantiële maatschappelijke baten tot gevolg hebben. Het driestappenplan is een eerste aanpak én toepassing van het meenemen van onbetrouwbaarheid van OV in verkeersmodellen. De volgende stap is het verfijnen van deze methodiek door bijv. onbetrouwbaarheid als zelfstandig aspect in de nutsfunctie mee te nemen.
Lees meer: Tijdschrift vervoerwetenschappen 3, 2014
OV-chipdata als tool voor efficiënt OV
De kosten in het OV staan onder druk, maar tegelijkertijd eist de reiziger hogere
kwaliteit. Dat vraagt om een hogere kostendekkingsgraad en een hogere bezettingsgraad.
Hoe kan big data hier een rol in spelen? “Het draait vooral om een
combinatie van voertuig- en reizigersdata; een analyse van het verleden en een
voorspell¡ng van de toekomst”, stelt OV-adv¡seur Niels van Oort. “Analyse kan
leiden tot verbetervoorstellen en uiteindelijk optimalisatie van de OV-dienst.”
Lees hier het volledige interview: Verkeer in Beeld
Wie volgt @verkeerskunde?
@Niels_van_oort is het twitteraccount van Niels van Oort, Adviseur ov bij Goudappel Coffeng en assistant professor OV, TU Delft. Wat vindt hij van Twitter?
Lees meer: Verkeerskunde
OV data wereldwijd omarmd
Niels van Oort was begin juli bij de eerste ‘Workshop on Smart Card Data Analysis’ in
Japan. “Het feit dat wij één nationaal systeem hebben met de OV-chipkaart maakte
indruk op mijn collega’s. Toch kijk ik ondanks onze landelijke dekking met enige
jaloezie naar hoe andere landen data omarmen voor beter ov.”
Lees het artikel: OV-Magazine aug 2014
Betrouwbare modellen door onbetrouwbaar OV
Al het OV rijdt op tijd in verkeersmodellen. Huidige, state of the art, verkeersmodellen houden namelijk geen expliciete rekening met de betrouwbaarheid van de dienstuitvoering van OV, terwijl het door reizigers als één van de belangrijkste aspecten wordt gezien. Een onbetrouwbare dienstuitvoering leidt tot extra reistijd en een onzekere aankomsttijd. De verwachting is dan ook dat reizigers lagere kosten ervaren als zij gebruik maken van een meer betrouwbare reisoptie. Om dit aspect mee te kunnen nemen in een verkeersmodel, wordt in dit paper een driestappenplan gepresenteerd, gebruik makend van data over de gerealiseerde dienstuitvoering uit GOVI. Deze drie stappen bestaan uit het bepalen van de rijtijdspreiding van de voertuigen, het bepalen van het effect op wacht- en in-voertuigtijd en uiteindelijk het bepalen van het verwachte effect van onbetrouwbaarheid op de gemiddelde reistijd per reiziger. Deze benadering is succesvol getest op het verkeersmodel van de regio Utrecht: door het toevoegen van betrouwbaarheid als kenmerk van de OV lijnen in het model, is de verklarende waarde van het model toegenomen, doordat resultaat voor kalibratie 18% dichter bij de telcijfers komt. Doordat betrouwbaarheid nu als kenmerk van het OV netwerk wordt meegegeven, is het mogelijk om verbeteringen in de betrouwbaarheid expliciet mee te nemen als modelvariant. Dit biedt mogelijkheden voor het evalueren van maatregelen die niet zo zeer de snelheid van het OV beïnvloeden, maar wel de betrouwbaarheid. De modelresultaten kunnen bijvoorbeeld input zijn voor een maatschappelijke kosten-baten analyse. Verbeterde betrouwbaarheid heeft immers substantiële maatschappelijke baten tot gevolg. Het driestappenplan is de eerste aanpak én toepassing wereldwijd van het meenemen van onbetrouwbaarheid in verkeersmodellen. We verwachten dan ook het aantal toepassingen snel te kunnen uitbreiden de komende tijd.
Lees het hele CVS artikel hier
of
Kwaliteitssprong in OV modellering door gebruik anonieme chipkaartdata
Het wordt drukker in de steden. Om onze steden desondanks leefbaar, veilig en duurzaam te houden is de rol van OV in de totale mobiliteit van groot belang. Om het aangeboden OV attractief en concurrerend met andere modaliteiten te maken, zijn strategische verkeermodellen van grote waarde. Zij ondersteunen oa optimalisaties van netwerk- en dienstregelingontwerp. Traditioneel werken verkeersmodellen met synthetische vervoerstromen die gekalibreerd worden op OV tellingen. Veel tijd en geld ging voorheen gemoeid met deze stappen. Met de komst van de OV chipkaart breekt echter een nieuw tijdperk aan. Anonieme data van alle stromen door het netwerk op elk moment van de dag zijn beschikbaar. Deze ontwikkeling betekent een grote stap voor OV modellering. In deze presentatie laten we twee belangrijke ( real life) toepassingen zien als we deze data koppelen aan een verkeersmodel: enerzijds is het eenvoudig het verleden te visualiseren en te evalueren. Anderzijds kunnen op basis van deze data en elasticiteiten snel en eenvoudig whatif analyses gemaakt worden, om te komen tot een beter en efficiënter OV.
Bekijk hier de presentatie: Platos2014
Beter ov met chipkaartdata en verkeersmodel
Tariefacties, haltes samenvoegen, nieuwe routes, rijtijden optimaliseren. Overheden en vervoerders zijn continu op zoek naar slimme oplossingen voor beter en efficiënter ov. Verkeersmodellen gevoed door anonieme chipkaartdata blijken uitermate effectief.
Lees het hele artikel: OV Magazine 2014
Hoe Big Data leidt tot beter en goedkoper openbaar vervoer
Verschenen op verkeersnet.nl, 19-11-2013
De presentatie over de kansen van Big Data in OV van het Grote Big Data congres vind je HIER
Verplicht in- en uitchecken, ook voor abonnementshouders, kan niet rekenen op de populariteitsprijs van de reiziger. Dat is jammer, met alle begrip overigens voor de soms kafkaiaanse toestanden waarin een goedwillende reiziger in verzeild kan raken als hij een keertje het in- of uitchecken vergeet. Toch wil ik het wel van de daken schreeuwen: in- en uitchecken dient primair het reizigersbelang. Actuele feitelijke informatie over collectief reisgedrag helpt OV toe te snijden op de behoefte van haar klanten. Het OV kan nog zoveel beter.
Zo, dat is eruit. Nu het goede nieuws. We kunnen al heel veel met Big Data in OV-land, ook al is het in- en uitcheck-ritueel nog niet 100% sluitend. Voor de OV-onderzoeker zijn het gouden tijden, want naast de chipkaart hebben we nóg een bron met actuele gegevens over de ‘performance’ van het OV. Opgezet om de reiziger te informeren, wordt real time veel data verzameld opdat de reisinformatiepanelen de juiste informatie tonen (GOVI in jargon). In die data ligt het verbeterpotentieel van het OV verborgen. Want wie het verleden begrijpt kan een mooiere toekomst vormgeven. En dat het OV beter kan, lijkt voor velen niet eens een vraag. Kostendekkingsgraden zijn laag en hoewel de kwaliteit op internationale schaal bovengemiddeld is, zien bestaande en potentiële reizigers dat anders. Big Data faciliteert concrete verbeteringen.
Zo laten we in Nederland miljoenen Euro’s liggen door te vaak stilstaan en te lage betrouwbaarheid van het OV. Big Data-analyses laten dat zien. We zien dus meer kansen en dankzij die Big Data kunnen we ook steeds beter maatregelen optimaliseren voor wat betreft performance, reizigersstromen en dus exploitatie en reizigertevredenheid. Dat laatste gaat zelfs verder dan alleen het OV. In Utrecht wordt bijvoorbeeld het verkeersmodel al gevoed door GOVI data, zodat ook daar Big Data de weg wijst naar goede business cases om projecten te prioriteren en de beslissers te overtuigen ermee aan de slag te gaan.
Drie keer omdenken
Parallel moeten we stappen maken in ons denken. Omdenken noem ik dat. Allereerst moet de focus verschuiven van voertuig naar reiziger. OV draait niet om bussen of treinen die op tijd rijden. OV draait om mensen die snel en betrouwbaar van deur naar deur willen gaan. In die keten ligt de tweede ‘omdenker’. Vaak optimaliseren we nog ritten, terwijl de overstap juist het meest kwetsbaar is. De derde ‘omdenker’ is het denken in baten in plaats van kosten. Dat we dat laatste veel makkelijker goed kunnen uitrekenen wil niet zeggen dat we ons daarop moeten blindstaren.
De uitdaging van Big Data, zeker in het OV, is dus het verbinden van data-experts met duiding door toepassingsexperts. We moeten die miljarden enen en nullen omzetten in relevante informatie, liefst in een mooi kaartbeeld. Dat betekent weten waar je naar moet kijken en begrijpen wat je ziet. Pas dan kun je Big Data omzetten in concrete verbeteringen.
Is die Big Data ook allemaal Open Data? Is er chipkaartdata over vervoerders heen om reizigersketens te meten? Dat is gezien de huidige ontwikkelingen en perspectieven wat mij betreft een kwestie van tijd. En tijd is precies wat we gaan winnen, voor de reiziger!
En niet vergeten uit te checken, he!
Van voertuigpunctualiteit naar reizigersbetrouwbaarheid
Om een hoogwaardige OV exploitatie te bereiken, stellen overheden diverse eisen aan vervoerders met betrekking tot de exploitatie van het OV. Dat gebeurt zowel vooraf (bij aanbestedingen via bestekken) als tijdens de exploitatie (via concessie-eisen). Deze eisen zijn van grote invloed op het gedrag van de vervoerder voor wat betreft planning en bijsturing en daarmee op de kwaliteit op straat. Hoewel via de toolbox “Beter Bestek” van KpVV afgelopen jaren grote sprongen in kwaliteit en uniformiteit van OV-bestekken zijn gemaakt, geldt dit nog niet voor het aspect “op tijd rijden”. De aandacht is hiervoor weliswaar sterk toegenomen- de punctualiteit van NS is bijvoorbeeld een veelbesproken onderwerp- maar een uniforme aanpak en indicatoren ontbreken echter in Nederland.
In dit paper wordt onderzoek gepresenteerd dat inzicht biedt in de stand van zaken op dit moment voor wat betreft betrouwbaarheidseisen in bestekken (zowel in Nederland als in het buitenland). Hieruit blijkt dat er verschillende (suboptimale) aanpakken voorkomen. Op basis van de onderzoeken worden handvatten gepresenteerd om beter te kunnen sturen op een betrouwbaar OV, zowel bij aanbesteding als tijdens de exploitatie, met als resultaat beter OV op straat.
De belangrijkste aanbevelingen zijn om bij het vaststellen van eisen voor wat betreft het op tijd rijden een referentie- en gewenst kwaliteitsniveau vast te stellen, met daarbij een analyse wat haalbare verbeteringen zijn en wie daar invloed op heeft. Zo hebben OV autoriteit, gemeente en vervoerder elk hun rol en mogelijkheden. Opvallend is dat er momenteel weinig aandacht is voor de kwaliteit van de dienstregeling met betrekking tot punctualiteit, hoewel daar een sleutel voor succes ligt. Tot slot zijn de gebruikte indicatoren momenteel niet voldoende op de reiziger gericht, waardoor suboptimalisatie op de loer ligt. De veelgebruikte indicator punctualiteit houdt bijvoorbeeld niet direct rekening met fenomenen als te vroeg rijden, overstappen en regelmaat. In dit paper laten we rekenkundig zien wat de impact van verschillende, suboptimale indicatoren is.
Om tegemoet te komen aan beperkingen van huidige indicatoren wordt in dit paper een indicator gepresenteerd, extra reistijd per reiziger, die wel focus op de reizigerseffecten biedt en daarmee een beter ontwerp en uitvoering van OV faciliteert. Door in OV-bestekken te werken met goede indicatoren en ambitieuze, doch realistische eisen komt een beter OV snel dichter bij. Een beter OV begint immers met een beter bestek.