Civiele Techniek en Geowetenschappen. Methodische Verkenning Zelfrijdende Auto s en Bereikbaarheid

Transcriptie

1 Civiele Techniek en Geowetenschappen Methodische Verkenning Zelfrijdende Auto s en Bereikbaarheid

2

3 Titel: Methodische Verkenning Zelfrijdende Auto s en Bereikbaarheid Auteurs: Dr. Maaike Snelder (TU Delft) Prof. Dr. Ir. Bart van Arem (TU Delft) Dr. Raymond Hoogendoorn (TU Delft) Dr. Ir. Rob van Nes (TU Delft) Bijlages: 3 Datum: iii

4 Document Afdeling Transport & Planning 1. Rapportnummer 2. ISSN-Nummer T&P Titel rapport Methodische Verkenning Zelfrijdende Auto s en Bereikbaarheid 3. Subtitel - 4. Auteurs Dr. Maaike Snelder Prof. Dr. Ir. Bart van Arem Dr. Raymond Hoogendoorn Dr. Ir. Rob van Nes 5. Onderzoeksproject C61H85 6. Uitvoerende instanties TU Delft, faculteit Civiele Techniek Significance 8. Opdrachtgever 7. Categorie rapport - 9. Datum publicatie RWS WVL, afdeling Modellen en Applicaties, domein Verkeer en Vervoer Samenvatting 12. Projectleiding Maaike Snelder 13. Bijbehorende rapporten aantal pagina s (excl. Omslag/voorloop pag.) 70 iv

5 Samenvatting De verwachting is dat de zelfrijdende auto op termijn gaat bijdragen aan het verbeteren van de doorstroming, de verkeersveiligheid en de leefbaarheid. Zodra de zelfrijdende auto een substantiële trend is, wordt deze meegenomen in de afwegingen voor nieuwe infrastructuur, onder andere via de Nationale Markt en Capaciteits-Analyse (NMCA). Om hier klaar voor te zijn is een verkenning uitgevoerd naar de manier waarop de bereikbaarheids- en doorstromingseffecten van zelfrijdende auto's met het LMS kunnen worden berekend en het soort effecten dat zich voor kan doen. Bij de verkenning is een literatuurstudie uitgevoerd, is een expertsessie georganiseerd en zijn vijf verkennende modelruns met het LMS uitgevoerd: Run 1: afname van de capaciteit van het hoofdwegennetwerk met 5% (als de volgtijden groter worden). Run 2: toename van de capaciteit van het hoofdwegennetwerk met 15% (als de volgtijden kleiner worden). Run 3: combinatie run 2 + afname van de ruimte die vrachtwagens innemen ten opzichte van personenauto s (pae-factor) als gevolg van pelotonvorming van het vrachtverkeer. Run 4: combinatie run 2 +toename van de capaciteit op het onderliggend wegennetwerk met 10%. Run 5: combinatie run 4 + afname van de tijdwaardering van woon-werk en zakelijk verkeer omdat de tijd in de auto alternatief kan worden besteed. Uit de literatuurstudie, de expertsessie en modelruns is gebleken dat de huidige versie van het LMS niet toereikend is om het effect van zelfrijdende auto s te bepalen. Om in 2016 het effect van zelfrijdende auto s op de doorstroming en bereikbaarheid in de NMCA wel te kunnen modelleren voor het zichtjaar 2040 is daarom een aanzet tot een onderzoeksagenda gemaakt. Hierbij is onderscheid gemaakt naar scenario s, de doorvertaling daarvan naar modelinvoer voor het LMS en de modellering in het LMS zelf. De uitvoer van de modelruns is gebruikt om te analyseren wat voor soort effecten kunnen optreden. De verkenning biedt dus nog geen betrouwbaar inzicht in de omvang van de effecten die kunnen optreden omdat daarvoor eerst de modelinvoer en de modellering moet worden verbeterd. Scenario s - Penetratiegraad - Autonoom versus coöperatief - Pelotonvorming van vrachtverkeer - Doelgroepstroken - Wegkantsystemen - Modelinvoer LMS - Tijdwaardering - Verkeersafwikkeling op microniveau Modellering LMS - Vraagmodellering - Verkeersmodellering Uitvoer Figuur 1: Systematiek van de aanbevelingen Deze samenvatting richt zich op de onderzoeksagenda waarbij de belangrijkste conclusies uit het literatuuronderzoek, de expertsessie en de modelruns als basis voor de agenda zijn samengevat. Uit het literatuuronderzoek en de expertsessie is gebleken dat de rijtaken op het hoofdwegennetwerk eerder geheel of partieel worden overgenomen dan op het onderliggend wegennetwerk en pelotonvorming van het vrachtverkeer zal zich op de snelwegen concentreren. Op basis van deze verwachting zijn de onderwerpen op de onderzoeksagenda geprioriteerd: P1: Hoge prioriteit omdat ook bij de lagere niveaus van automatisering effect wordt verwacht. P2: Lagere prioriteit omdat alleen bij de hogere niveaus van automatisering effect wordt verwacht. De aanbevelingen voor de onderzoeksagenda zijn opgesteld voor de situatie waarin zelfrijdende auto s een substantiële rol gaan spelen. Om het effect van zelfrijdende auto s goed te kunnen modelleren zijn aanzienlijke ingrepen in delen van het LMS nodig zoals aangegeven in enkele aanbevelingen. Mocht echter blijken dat de verwachte aandelen van zelfrijdende auto s beperkt zijn, dan kan in een aantal gevallen voor pragmatische oplossingen worden gekozen. v

6 Aanzet onderzoeksagenda 1. Scenario s (P1): a) Scenario s opstellen (P1). Om de effecten van zelfrijdende auto s op het aantal verplaatsingen, het aantal voertuigkilometers, de reistijden en de bereikbaarheid onder gemiddelde omstandigheden te kunnen bepalen zijn scenario s nodig. Uit de literatuur blijkt dat de ontwikkeling van zelfrijdende auto s langs twee assen plaatsvindt: de as van manueel naar automatisch en de as van autonoom naar coöperatief. Voor de as van manueel naar automatisch zijn zes internationaal gehanteerde niveaus gedefinieerd (sae-levels): non automated (niveau 0), assisted (niveau 1), partial automation (niveau 2), conditional automation (niveau 3), high automation (niveau 4), full automation (niveau 5). Metname de overgang van niveau 2 naar niveau 3 is een cruciale stap. Hoe snel deze ontwikkeling plaatsvindt en hoe het transitiepad (mix van voertuigen van verschillende niveaus van automatisch rijden en mate van coöperatie) er precies uit ziet is niet volledig uitgewerkt. Op de onderzoeksagenda staat daarom dat scenario s moeten worden opgesteld per zichtjaar (in ieder geval 2040) waarin is aangegeven welk deel van het wagenpark bestaat uit voertuigen van niveau 0 t/m 5 (SAE-levels), in welke mate coöperatief rijden (V2V voertuig-voertuig communicatie en V2I voertuig-infrastructuur communicatie) is ingevoerd en wordt ondersteund via wegkantsystemen, in hoeverre pelotonvorming van het vrachtverkeer en verschillende vormen automatisch rijden hun intrede doen op verschillende wegtypes, op welke locaties doelgroepstroken liggen voor vrachtpelotons of zelfrijdende auto s en op welke locaties andere infrastructurele ingrepen worden gedaan om automatisch rijden te faciliteren (o.a. via wegkantsystemen). 2. Vraagmodellering en invoer vraagmodellering: b) Autotypes toevoegen (P1): in 2040 zal het wagenpark bestaan uit een mix van voertuigen met een verschillend niveau van automatisering. Om hier in het LMS rekening mee te kunnen houden, moeten autotypes worden onderscheiden voor verschillende niveaus van automatisering. Deze zitten nu nog niet in het LMS. Invoer: de omvang van het wagenpark is invoer voor het LMS. Daarom is onderzoek nodig naar de aanschafbereidheid en samenstelling van het wagenpark in verschillende scenario s. Daarnaast is onderzoek nodig naar de mate waarin en de omstandigheden waaronder de verschillende systemen voor automatisch rijden naar verwachting worden gebruikt. Dit kan via stated preference (aanschafbereidheid en gebruik) en/of revealed preference (gebruik) onderzoek in combinatie met automarktmodel zoals Dynamo. c) Waardering van tijd aanpassen (P2). Uit de expertsessie en het literatuuronderzoek is gebleken dat zelfrijdende auto s de waardering van tijd kunnen beïnvloeden, omdat de tijd in de auto alternatief kan worden besteed. Naar verwachting zal de tijdwaardering het meest veranderen vanaf niveau 3 of zelfs niveau 4 van automatisch rijden (prioriteit 2). De mate waarin de waardering van tijd verandert, is grotendeels bepalend voor de effecten van zelfrijdende auto s op de vervoervraag (bestemmingskeuze, vervoerwijzekeuze, dagdeelkeuze). Aanpassingen aan het LMS zijn nodig om op consistente wijze veranderingen van de waardering van tijd in te kunnen voeren en door te laten werken in het hele LMS waarbij tevens onderscheid nodig is naar hoofdwegennetwerk en onderliggend wegennetwerk. Invoer: de literatuur geeft niet aan in hoeverre de tijdwaardering zal dalen. Ook is nog niet duidelijk in hoeverre er verschillen zijn in tijdwaardering tussen het hoofdwegennetwerk en het onderliggend wegennetwerk voor de verschillende niveaus van automatisering. Een onderzoek onder early adoptors (automobilisten met ACC etc.) en een verkennend stated preference onderzoek is nodig om hier verder inzicht in te krijgen. d) Vraageffecten voor het goederenvervoer (P1). Pelotonvorming van het vrachtverkeer zal naar verwachting voor 2040 zijn intrede doen (P1). Hier wordt nu al mee getest. Het effect van pelotonvorming van het vrachtverkeer op het aantal vrachtverplaatsingen, de bestemmingskeuze van vrachtverkeer en de wagenparksamenstelling (klein, middelgroot, grote vrachtwagens) kan niet met het LMS worden bepaald maar is wel nodig als invoer voor het LMS. Een data-analyse in combinatie met een verkenning via een goederenvervoermodel (BasGoed) kan hier inzicht in bieden. vi

7 e) Locatiekeuze (P2). De hogere niveaus van automatisch rijden kunnen de locatiekeuze van huishoudens, bedrijven en distributiecentra beïnvloeden omdat de reistijd alternatief kan worden besteed. Met een ruimtelijk evenwichtsmodel/land use model in combinatie met LMS kan inzicht worden verkregen in hoeverre dergelijke effecten naar verwachting optreden. f) Parkeren (P2). Bij volledig automatisch rijden is ook inzicht nodig in hoe het parkeerproces zal verlopen. De auto kan dan op een andere locatie dan op de bestemming worden geparkeerd. Hierbij is het wel de vraag in hoeverre dit relevant is voor de tijdshorizon van de NMCA (2040). 3. Verkeersmodellering (routekeuze en afwikkeling) g) Gebruikersklassen in de toedeling toevoegen (P1). In 2040 zal het wagenpark bestaan uit een mix van voertuigen met een verschillend niveau van automatisering. Om hier in het LMS rekening mee te kunnen houden moeten, net als bij de vraagmodelleringen in de toedeling gebruikersklassen worden onderscheiden (P1). h) Verkeersafwikkeling bij rechte snelwegen (P1), weefvakken, op- en afritten, samenvoegingen (P1), belangrijkste onderliggende wegen en kruisingen (P2). De literatuur richt zich op het effect van het automatiseren van de longitudinale rijtaak via Adaptive Cruise Control (ACC) en Coöperatieve Adaptive Cruise Control (CACC) op bijvoorbeeld volgtijden, de vrije snelheid, snelheid bij het wegrijden uit files, stabiliteit/schokgolven en de daaruit voortvloeiende vrije capaciteit en afrijdcapaciteit. Hieruit is gebleken dat ACC zowel een klein negatief als een klein positief effect kan hebben op de capaciteit (~ - 5% - +10%) afhankelijk van de volgtijd die wordt gehanteerd. Voor CACC rapporteren de meeste studies een kwadratische toename van de capaciteit als de penetratiegraad toeneemt. Ook hierbij is de mate van toename afhankelijk van de gehanteerde volgtijden. De meeste studies geven aan dat de toename van de capaciteit pas groot wordt (>10%) als de penetratiegraad hoger is dan 40%. Er is nog niet veel bekend over de verkeersafwikkeling bij in-en uitvoegstroken, weefvakken en samenvoegingen en geregelde en ongeregelde kruisingen op het onderliggend wegennetwerk. De verkennende modelanalyses hebben aangetoond dat met het LMS de netwerkeffecten die optreden als gevolg van een toe- of afname van de capaciteit door zelfrijdende auto s kunnen worden doorgerekend op voorwaarde dat de capaciteiten (invoer) realistisch zijn. Aangezien de capaciteit afhankelijk is van de mix van voertuigen is het nodig om na te gaan of de capaciteit als endogene variabele gemodelleerd kan worden in het LMS (is nu exogeen). Daarnaast is een verkenning nodig naar hoe de capaciteit bij in- en uitvoegstroken, samenvoegingen en de weefvakreductie eenvoudig kunnen worden aangepast, naar hoe de pae-factor (de ruimte die een vrachtwagen inneemt ten opzichte van een personenauto) voor het hoofd- en onderliggend wegennetwerk afzonderlijk kunnen worden aangepast, naar de mate waarin fileterugslag bij afritten realistisch wordt gemodelleerd en naar nut en noodzaak om de speed-flow curves en de wachttijd- en de fileduurtabellen aan te passen. Tevens kan een verkenning worden uitgevoerd naar de mogelijkheden van de inzet van andere toedelingsmodellen of opschalingstechnieken. Invoer: om een doorvertaling te maken van de scenario s naar het effect op de verkeersafwikkeling is in aanvulling op de resultaten van het literatuuronderzoek een microsimulatiestudie nodig waarbij voor verschillende voertuigmixen met verschillende longitudinale en laterale systemen en mate van coöperatief rijden het effect op de verkeerafwikkeling wordt bepaald voor rechte snelwegen (zonder discontinuïteiten) (P1), weefvakken, op- en afritten, samenvoegingen (P1), doelgroepstroken (P1) en de belangrijkste onderliggende wegen en kruisingen (P2). Bij de simulaties is het van belang om realistische volgtijden te gebruiken die bij voorkeur afkomstig zijn uit technische testen (veldtesten) in combinatie met realistische toekomstverwachtingen ten aan zien van de volgtijd. i) Routekeuze (P2). Mogelijk wijzigt de routekeuze van het vrachtverkeer als gevolg van pelotonvorming van vrachtverkeer en zelfrijdende auto s. Het is bijvoorbeeld mogelijk dat vrachtverkeer eerder snelwegen kiest waar veel ander vrachtverkeer rijdt, omdat ze dan meer voordelen hebben van pelotonvorming. Daarnaast is het mogelijk dat er wat meer spreiding in de routes optreedt als gevolg van informatievoorziening die meer richting een systeem optimum gaat. Een verkennende studie kan uitwijzen of het nodig en mogelijk is om het toedelingsmodel van het LMS hiervoor aan te passen. Dit is niet alleen relevant in het kader van zelfrijdende auto s, maar raakt in algemenere zin aan effecten van vii

8 informatievoorziening. 4. Het modelleren van overige effecten Met het LMS kunnen niet alle effecten van zelfrijdende auto s worden bepaald. Via de betrouwbaarheidsmodule van het LMS kan een eerste inzicht worden verkregen in het effect op reistijdbetrouwbaarheid (P1), een data-analyse kan aantonen welk deel van de incidenten (verkeersveiligheid) kan worden voorkomen en welk deel van het reistijdverlies als gevolg van incidenten kan worden voorkomen (P1). Daarnaast moet de vraag beantwoord worden of zelfrijdende auto s nieuwe risico s opleveren (incidenten, systeem failures, hacks,.). Het effect op energie-efficiëntie en de uitstoot (P1) kan worden bepaald door gebruik te maken van testresultaten, eerder uitgevoerde simulaties en nieuwe simulaties. Tot slot verdient het aanbeveling om na te gaan wat de economische voordelen van zelfrijdende auto s zijn. viii

9 Inhoud Samenvatting 1 Inleiding 1 2 Literatuuronderzoek Wat zijn de meest aannemelijke scenario s met betrekking tot zelfrijdende auto s? Wat is het effect van zelfrijdende auto s op de capaciteit? Wat is het effect van zelfrijdende auto s op de tijdwaardering? Welke factoren die relevant zijn voor de verkeersafwikkeling en het verplaatsingsgedrag (naast de capaciteit en de tijdwaardering) worden nog meer beïnvloed door zelfrijdende auto s? Wat zijn de effecten van zelfrijdende auto s op de doorstroming, de bereikbaarheid, het rijgedrag, het verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en het milieu? Conclusies literatuuronderzoek 17 3 Modelruns Invoermogelijkheden LMS Specificatie van de modelruns Analyse van de resultaten Conclusies modelruns 32 4 Onderzoeksagenda voor het modelleren van mobiliteitseffecten van zelfrijdende auto s Modelleren van doorstromings- en bereikbaarheidseffecten met het LMS Het modelleren van overige effecten 38 Dankwoord 39 Geciteerde werken 40 Bijlage A: Nadere toelichting simulatiestudies literatuur 43 Bijlage B: Figuren modelresultaten intensiteiten 50 Bijlage C: Figuren modelresultaten I/C-plots 59 v ix

10 1 Inleiding De Minister van Infrastructuur en Milieu heeft onlangs de Tweede Kamer een brief gestuurd over grootschalige testen met zelfrijdende auto s. De verwachting is dat de zelfrijdende auto op termijn gaat bijdragen aan het verbeteren van de doorstroming, de verkeersveiligheid en de leefbaarheid. Zodra de zelfrijdende auto een substantiële trend is, wordt deze meegenomen in de afwegingen voor nieuwe infrastructuur, onder andere via de Nationale Markt en Capaciteits-Analyse (NMCA). Om hier klaar voor te zijn is een verkenning nodig van de manier waarop de effecten van zelfrijdende auto's met het LMS kunnen worden berekend en het soort effecten dat zich voor kan doen. Het ministerie van Infrastructuur en Milieu (DGB) en Rijkswaterstaat hebben daarom aan de TU Delft en Significance gevraagd om: Een literatuuroverzicht te geven met scenario s/ontwikkelpaden en verwachte effecten van zelfrijdende auto s op de capaciteit, vraag naar mobiliteit (via de tijdwaardering) en andere factoren die relevant zijn voor de verkeersafwikkeling en het verplaatsingsgedrag. Een vijftal modelruns uit te voeren met het LMS om tot aanbevelingen te komen hoe modellen kunnen worden ingezet om het effect van zelfrijdende auto s te bepalen. Een overzicht te geven van onderzoeksvragen die beantwoord zouden moeten worden alvorens tot een reële inschatting te kunnen komen van de bereikbaarheidseffecten en een korte toelichting op hoe die vragen beantwoord zouden kunnen worden. Hiertoe is een literatuurstudie uitgevoerd, een expertsessie 1 georganiseerd en zijn vijf verkennende modelruns met het LMS uitgevoerd. De resultaten van de literatuurstudie zijn in hoofdstuk 2 beschreven. Hoofdstuk 3 geeft aan hoe op basis van de literatuurstudie en expertsessie is bepaald welke LMS-runs uitgevoerd zijn, welke invoer daarvoor gebruikt is en wat de resultaten zijn. Hoofdstuk 4 geeft tot slot een overzicht van de onderzoeksagenda die nodig is om in 2016 het effect van zelfrijdende auto s in de NMCA te kunnen modelleren voor het zichtjaar De agenda richt zich op scenario s, de doorvertaling daarvan naar effecten op verkeersafwikkeling op microniveau en de tijdwaardering, de manier waarop met het LMS netwerkeffecten kunnen worden bepaald onder reguliere omstandigheden en de bepaling van overige effecten. Afbakening Het onderzoek richt zich voornamelijk op de methodische vragen met betrekking tot het kunnen inschatten van effecten op genoemde deelaspecten, ten einde een aanzet voor een onderzoeksagenda voor de komende jaren te kunnen opleveren. Omdat bij de NMCA het LMS wordt ingezet, richt dit onderzoek zich op het LMS. Met het LMS kunnen echter niet alle effecten worden doorgerekend. In de onderzoeksagenda is daarom aangegeven welke effecten via andere methodes kunnen worden bepaald. Zelfrijdende auto s hebben verschillende technische, juridische, maatschappelijke, organisatorische en verkeerskundige implicaties. Dit onderzoek richt zich uitsluitend op de effecten die zelfrijdende auto s kunnen hebben op de verkeerskundige deelaspecten: verkeersafwikkeling en vraag naar mobiliteit. Mogelijke effecten op reistijdbetrouwbaarheid, verkeersveiligheid en milieu zijn wel in het literatuuronderzoek beschouwd, maar niet gemodelleerd. Bij de verkeersafwikkeling ligt de focus op de komst van zelfrijdende auto s op hoofdwegen. Het effect hiervan op de stedelijke netwerken (bijv. meer of minder voertuigkilometers over de stedelijke netwerken) wordt wel beschouwd. Bij de vraag naar mobiliteit ligt het accent op de waardering van reistijd bij autoverplaatsingen. Zelfrijdende auto s op specifieke doelgroepstroken maakten geen onderdeel uit van het onderzoek, maar komen in het literatuuronderzoek toch beperkt aan bod. De focus is bovendien op de weg en dus niet op andere vervoerwijzen. Voor vrachtverkeer is niet naar vraageffecten/vraagbeïnvloeding gekeken, maar wel naar capaciteitseffecten (bijv. als gevolg van pelotonvorming van vrachtwagens). 1 Aanwezig: Bart van Arem, Monique van den Berg, Hans Flikkema, Rik van Grol, Bastiaan Krosse, Henk van Mourik, Rob van Nes, Martijn van Noort, Henk Taale, Jelte Timmer, Jaap van Toorenburg, Erik Verroen, Jan van der Waard 1

11 2 Literatuuronderzoek Dit hoofdstuk beschrijft de resultaten van het literatuuronderzoek. In het literatuuronderzoek zijn de volgende vragen beschouwd: Wat zijn de meest aannemelijke scenario s met betrekking tot zelfrijdende auto s? (verschillende vormen van rijtaakondersteuning, systeemontwikkeling, penetratiegraad, etc.) Wat is het effect van zelfrijdende auto s op de capaciteit? Wat is het effect van zelfrijdende auto s op de tijdwaardering? Welke factoren die relevant zijn voor de verkeersafwikkeling en het verplaatsingsgedrag (naast de capaciteit en de tijdwaardering) worden nog meer beïnvloed door zelfrijdende auto s? Hierbij valt te denken aan de kans op incidenten en de snelheid waarmee files oplossen. Wat zijn de effecten van zelfrijdende auto s op de doorstroming, de bereikbaarheid, het rijgedrag, het verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en het milieu? In de volgende paragrafen is aangegeven wat vanuit de literatuur bekend is ten aanzien van deze vragen. In de laatste paragraaf zijn conclusie geformuleerd. 2.1 Wat zijn de meest aannemelijke scenario s met betrekking tot zelfrijdende auto s? TrafficQuest heeft recent een rapport gepubliceerd over de state of art rondom coöperatieve systemen en automatisch rijden (Wilmink et al., 2014). Hierin komen de volgende onderwerpen aan bod: Waar hebben we het over: definities, domeinen van beïnvloeding (netwerk, lokaal, autonoom), coöperatieve systemen en services, doelen van automatisch rijden, transitie en integratie wegkantvoertuig, autonoom versus coöperatie manueel versus automatisch, communicatietechnologieën, data-uitwisseling fusie en algoritmiek en mogelijkheden voor versnelde implementatie. Hoe ver zijn we in Nederland: beleidscontext, projecten in Nederland, demonstraties van coöperatieve systemen, testfaciliteiten en tools en samenwerkingsverbanden en netwerken. Hoe ver zijn ze elders: Europa, Verenigde Staten, Japan, andere landen en internationale samenwerking. Wat hebben we er aan? Verwachte impact coöperatieve systemen en automatisch rijden en effecten in cijfers. Waar gaan we naar toe. Het rapport van TrafficQuest geeft daarmee grotendeels antwoord op de vraag wat vanuit de literatuur bekend is ten aanzien van aannemelijke scenario s met betrekking tot zelfrijdende auto s. Deze paragraaf is deels op het rapport van TrafficQuest gebaseerd. Hier zijn enkele andere bronnen aan toegevoegd. Internationaal worden zes niveaus van automatisch rijden onderscheiden (SAE International, 2014). Deze zijn weergegeven in Figuur 2. Een aannemelijk scenario is dat steeds meer voertuigen op de weg komen waarbij een steeds groter deel van de rijtaken door het voertuig wordt overgenomen. 2

12 Figuur 2: Niveaus van automatisch rijden (SAE International, 2014) De vraag is in hoeverre de systemen die de rijtaak overnemen coöperatief zijn. Bhat (2014) beschrijft dat daarbij twee scenario s denkbaar zijn: een Capatalistic self driving -scenario en een Socialistic connected vehicle -scenario. De kenmerken van deze scenario s zijn weergegeven in Figuur 3. Figuur 3: Self driving en connected vehicle scenario (Bath, 2014) In (Timmer & Kool, 2014) worden twee vergelijkbare scenario s geschetst: de zelfstandige robotauto en het coöperatieve zelfsturende voertuig. Zij geven aan het Nederlandse beleid zich de afgelopen jaren op het verbeteren van verkeersmanagement en de ontwikkeling van coöperatieve systemen heeft gericht vanwege de gunstige bijdrage van deze systemen aan overheidsdoelen als minder files, veiliger, en duurzamer verkeer. Het ontwikkelingsspoor naar robotauto s (die niet communiceren) zien zij voor Nederland en Europa als een disruptieve innovatie. Omdat de robotauto niet in treintjes kan rijden, draagt ze minder bij aan filereductie en milieubesparing. Volgens (Timmer & Kool, 2014) groeit het besef dat de coöperatieve en zelfstandige systemen elkaar zullen moeten aanvullen om tot een levensvatbare - voldoende betrouwbare en kostenefficiënte - zelfsturende auto te komen. 3

13 Niveau In lijn hiermee geeft (Wilmink et al., 2014) aan dat de ontwikkelingen langs twee assen plaats kunnen vinden. Deze assen zijn weergegeven in Figuur 4. Hierbij onderscheiden ze twee game changers 2 : De eerste is de overgang van autonoom naar coöperatief rijden. In eerste instantie zal het vooral om adviserende systemen gaan, waarmee al veel winst te behalen is (denk aan geavanceerde informatie- en navigatiesystemen en communicerende eco-driving support systemen). Verregaande automatisering van de rijtaak (ook in autonome vorm) zal nog even op zich laten wachten. De human factor is hierbij erg belangrijk, vooral bij de stap van automation level 2 naar automation level 3 (game changer 2). De overgang van level 2 naar 3 kan echter voor nog grotere baten zorgen (er van uitgaande dat daarmee menselijke inefficiëntie wordt vermeden) Figuur 4: Game changers (Wilmink et al., 2014) Een vervolgvraag is hoe snel de verschillende niveaus van automatisch rijden bereikt worden. Tijdens het TRB-congres en het Automated Vehicles Symposium 2014 (AUVSI) is een enquête gehouden waarbij aan experts is gevraagd wanneer zij de introductie van niveau 3, 4 en 5 van automatisch rijden verwachten. De resultaten van deze enquête zijn samengevat in Figuur 5. Het begin- en eindpunt van de lijnen in de figuur geven de minimale en maximale verwachting weer. De bolletjes geven het verwachte (mediaan) jaartal van introductie weer. Figuur 5: Verwachte marktintroductie zelfrijdende auto s (TRB/AUVSI) Bovenstaande zegt nog niets over de penetratiegraden van de verschillende niveaus van automatisch rijden. In Figuur 6 is het verkooppercentage in 2012 van verschillende rijtaakondersteunende systemen in Nederland weergegeven volgens (van Calker & Flemming, 2013). Hierin is R1 de op basis van data berekende penetratiegraad, R2 de geschatte ondergrens, R4 geschatte de bovengrens en R3 een 2 Game changers: grote stappen in de ontwikkeling, die grote impact kunnen hebben op de verkeersafwikkeling en daarmee verkeersveiligheid en milieu. 4

14 aangepaste geschatte penetratiegraad. Rechts staat ter vergelijking het verkooppercentage (R3) van Figuur 6: Verkooppercentage van verschillende rijtaakondersteunende systemen in 2012 (links) en 2011 (rechts) (van Calker & Flemming, 2013) De snelheid waarmee de zelfrijdende auto zijn intrede doet hangt van veel verschillende factoren af, zoals de snelheid van technologische ontwikkelingen, de snelheid waarmee verschillende barrières worden weggenomen, stimuleringsmaatregelen van de overheid, de levensduur van de voertuigen, de aanschafkosten van de voertuigen, de abonnementskosten van benodigde diensten om in een zelfrijdende auto te kunnen rijden etc.. (Litman, 2014) heeft op basis van de snelheid waarmee de airbag, automatische transmissie, navigatiesystemen, GPS-diensten en hybride voertuigen hun intrede doen (zie Figuur 7) en op basis van aannames over de ontwikkeling van de aanschafprijs en het moment waarop de voertuigen standaard zelfrijdend worden ontwikkeld een inschatting gemaakt van de penetratiegraad van volledig zelfrijdende auto s. Hij concludeert dat in de Verenigde staten vanaf het moment van introductie het 10 tot 30 jaar kan duren voordat de zelfrijdende auto de verkoop van auto s domineert en dat het nog eens 10 tot 20 jaar kan duren voordat het merendeel van de verplaatsingen met zelfrijdende auto s wordt afgelegd (zie Figuur 8). Figuur 7: Implementatie cyclus voertuigtechnologie (Litman, 2014) 5

15 Figuur 8: Verkooppercentage en penetratiegraad van zelfrijdende auto s (Litman, 2014) 2.2 Wat is het effect van zelfrijdende auto s op de capaciteit? Figuur 9 geeft de relatie weer tussen ITS-systemen (automatisch en coöperatief) en de capaciteit volgens (Hoogendoorn, van Arem, & Hoogendoorn, 2014). In de figuur is te zien dat ITS-systemen een advies geven over de volgafstanden (of volgtijden) 3, de snelheidskeuze en/of de strookkeuze (inclusief strookwisselingen) of deze zelfs bepalen. Hiermee beïnvloeden ze de vrije capaciteit, de verdeling van voertuigen over rijstroken, de stabiliteit van de verkeersstroom en daarmee de capaciteitsval. De vrije capaciteit en de capaciteitsval bepalen de effectieve capaciteit. De effectieve capaciteit en de vraag zijn samen bepalend voor het totaal aantal voertuigverliesuren op een weg. De manier waarop de ITS-systemen de vraag beïnvloeden is niet in deze figuur weergegeven. In de literatuur zijn verschillende studies voor handen welke de invloed van automatisch rijden op bijvoorbeeld de vrije capaciteit, afrijcapaciteit, de capaciteitsval en de stabiliteit beschrijven. De studies richten zich voornamelijk op de invloed van Adaptive Cruise Control (ACC) en Coöperatieve Adaptive Cruise Control (CACC) op deze aspecten van de efficiëntie van de verkeersstroom. Veldproeven zijn beperkt uitgevoerd. De meeste studies baseren zich daarom op microsimulaties. De studies zijn soms lastig vergelijkbaar omdat verschillende aannames gedaan zijn over de volgafstand en volgtijd, de voertuigmix, de penetratiegraad. Daarnaast zijn verschillende netwerkconfiguraties gebruikt in de simulaties: aantal rijstroken, maximum snelheden, grote van de bottleneck etc. Hieronder worden enkele studies kort beschreven. Onder Figuur 9 worden de effecten op de verschillende aspecten van de capaciteit nader toegelicht. In bijlage A zijn voor een selectie van studies meer simulatiedetails en resultaten weergegeven. 3 Een volgafstand is de afstand tussen de achterkant van een auto en de voorkant van de achterligger. De volgtijd is de tijd die het kost om die afstand te overbruggen. 6

16 Figuur 9: Relatie tussen ITS-systemen (automatisch en coöperatie) en de capaciteit en doorstroming (Hoogendoorn, van Arem, & Hoogendoorn, 2014) Capaciteit Voor handmatig bestuurde voertuigen ligt de capaciteit van een snelweg afhankelijk van de omstandigheden en het percentage vrachtverkeer tussen 1800 en 2200 voertuigen per strook per uur. De capaciteit van een rijstrook is grotendeels afhankelijk van de volgtijd. Volgens (Calvert, van den Broek, & van Noort, 2012) is de minimale volgtijd in normaal verkeer ongeveer 1,5-2,0 seconde. Zij baseren zich daarbij op meerdere bronnen. De volgtijd kan variëren als gevolg van allerlei factoren zoals het weer en de kwaliteit van het asfalt. Met CACC kan de volgafstand omlaag naar 0,9 seconde 4. Als de volgtijd nog lager wordt dan wordt het verkeer instabiel. In stationair verkeer kan de capaciteit met de volgende formule worden berekend: 1 capaciteit = 1 n n (voertuiglengte i i=1 (1) snelheid i + volgtijd i ) Hierin is i een index voor voertuigen. Als met een gemiddelde voertuiglengte, snelheid en volgtijd voor alle voertuigen wordt gerekend, kan de capaciteit als volgt worden berekend: 1 = voertuiglengte capaciteit snelheid + volgtijd (2) 4 Dit geldt voor de door (Calvert, van den Broek, & van Noort, 2012) beschouwde CACC-controller. 7

17 Bij een gemiddelde voertuiglengte inclusief veiligheidsbuffer van 6,67 meter en een snelheid van 30 m/sec (=108 km/uur) is de theoretische capaciteit per rijstrook bij een volgtijd van respectievelijk 0,9 seconde, 1,5 seconde en 2,0 seconde gelijk aan 3208 voertuigen per uur, 2090 voertuigen per uur en 1620 voertuigen/uur. Dit betekent dat de rijstrookcapaciteit als gevolg van CACC met ongeveer 58% tot 98% zou kunnen toenemen. Als gevolg van strookwisselingen, in- en uitvoegen, samenvoegen en weven zal de theoretische toename echter niet worden gehaald. Bij ACC moeten grotere volgtijden gehanteerd worden dan 0,9 seconde, waardoor de capaciteit zelfs zou kunnen afnemen. Onderstaande simulatiestudies gaan hier nader op in. Zonder bottleneck In Karaaslan et al. (1991) werd al gesteld dat automatisch rijden geacht kan worden een substantiële invloed te hebben op de capaciteit van de weg. Hierbij werd aangenomen dat deze invloed zich met name laat gelden middels het vormen van pelotons van automatische voertuigen. Door middel van microscopische simulaties stelden zij vast dat, afhankelijk van de grootte van het peloton, dat automatisch rijden een substantiële invloed heeft op de vrije snelheid als ook de separatie tussen voertuigen. Te dien aanzien stelden zij dan ook dat op deze wijze de capaciteit aanzienlijk vergroot kan worden. Van Arem et al. (1996) vonden dat ACC weliswaar kan bijdragen aan de stabiliteit (standaarddeviatie) van het verkeer, maar dat het effect op de doorstroming negatief kan zijn. Zij beschouwde voor een rechte weg van 3 rijstroken in totaal vier combinaties van ACC waarbij de penetratiegraad 20% en 40% was en de volgtijd 1,0 seconde en 1,5 seconde. Als gevolg van ACC neemt de gemiddelde reistijd in alle vier de scenario s toe wat een afname van de vrije capaciteit impliceert. Bij drie scenario s is de toename van de reistijd klein (1% tot 4%). Bij het scenario met een penetratiegraad van 40% en een volgtijd van 1,5 seconde is de toename echter 17%. De standaarddeviatie van de reistijd nam bij 3 scenario s af. Alleen bij een penetratiegraad van 40% en een volgtijd van 1,5 seconde nam deze toe. In Ioannou (1997) is eveneens onderzoek gedaan naar de invloed van automatisch rijden op de capaciteit van de weg. In het bijzonder werd in dit onderzoek pelotonvorming met gecoördineerd remmen onderzocht. In zijn simulaties werd voor wat betreft de schatting van de capaciteit, de maximale deceleratie gebaseerd op testdata. Verder werd een onderscheid gemaakt tussen drie scenario s, te weten autonome pelotons, pelotons die worden ondersteund door de infrastructuur en pelotons die worden gemanaged door de infrastructuur. In hun simulaties werd daarnaast een onderscheid gemaakt tussen situaties met wel of geen verschillende voertuigklassen. Uit de resultaten kwam naar voren dat pelotonvorming een positieve invloed heeft op de capaciteit. Indien men bijvoorbeeld pelotons gebruikte van 10 voertuigen, was een capaciteit waar te nemen van 7489 vtg/uur (3 rijstroken). Echter kwam wel uit het onderzoek naar voren dat het toepassen van verschillende voertuigklassen een negatief effect had op de capaciteit. Van der Werf et. al. (2002) en Van der Werf et al. (2004) hebben onderzocht wat het effect is van verschillende penetratiegraden van ACC (volgtijd 1,4 en 1,55 seconde) en CACC (volgtijd 0,5 seconde). Zij concludeerden dat ACC met een volgtijd van 1,4 seconde een marginaal effect heeft op de capaciteit. Bij een penetratiegraad tussen de 0% en 20% is het effect het grootst. Tussen de 20% en de 40% is het effect kleiner (maximaal 7% capaciteitswinst), tussen de 40% en 60% is er nauwelijks effect. Boven de 60% neemt de capaciteit af als gevolg van de volgtijd van 1,4 seconde. Bij volgtijden van 1,55 seconde is dit al boven een penetratiegraad van 40%. Zij adviseren om voor ACC geen doelgroepstroken aan te leggen, omdat een spreiding van ACC-voertuigen over de verschillende stroken schokgolven vermindert. Voor CACC vonden zij een kwadratische toename van de capaciteit. Bij hoge penetratiegraden van CACC raden zij wel doelgroepstroken aan waarbij de capaciteit zou kunnen toenemen van 2200 pae/uur naar 4200 pae/uur per strook. Echter, in deze studie werd slechts gebruikt gemaakt van één voertuigklasse. Verder was geen rekening gehouden met strookwisselingen in deze studie. Arnaout en Bowling (2011) vonden voor een weg met 4 rijstroken in een scenario met en zonder oprit dat CACC een positief effect op de capaciteit heeft (tot +60% bij een penetratiegraad van 100%) als de penetratiegraad groter is dan 40% en de instroom hoog genoeg is. Bij lagere penetratiegraden was het positieve effect klein. Als de instroom laag is (vrije doorstroming), vonden ze geen effect op de capaciteit. Ze veronderstelden dat CACC voertuigen een volgtijd van 0,5 seconde aanhouden als ze achter een ander CACC-voertuig rijden en 0,8 tot 1,0 seconde (uniform verdeeld) als ze achter een ander voertuig rijden. Of men in praktijk deze korte volgtijden durft aan te houden is een grote uitdaging volgens hen. 8

18 Percentage of ACC vehicles Niet vermeld in artikel In (Shladover, Su, & Lu, 2012) is een vorm van CACC getest die alleen V2V-communicatie gebruikt met voertuigen in de buurt. De CACC-voertuigen kunnen hun voorliggers volgen zonder dat de bestuurder gas hoeft te geven of hoeft te remmen; de bestuurder moet wel het voertuig in de strook houden. Er werd een overbelaste snelweg in gemodelleerd, met een lengte van 6,5 km en een snelheidslimiet van 105 km/uur zonder bottleneck. In de simulaties waren vier voertuigtypen aanwezig: 1) niet-uitgeruste voertuigen, 2) voertuigen uitgerust met ACC; 3) voertuigen die alleen maar hun locatie en snelheid doorgeven - Here I am vehicles; 4) Voertuigen uitgerust met C-ACC. De volgtijden zijn gebaseerd op waarnemen bij veldtesten: Manueel: 1,5 seconde plus of min 10% (capaciteit ~2200 voertuigen/uur -> effectief 2018 voertuigen/uur). ACC: 31,1% met 2,2 seconde, 18,5% met 1,6 seconde, 50,4% met 1,1 seconde. CACC: 12% met 1,1 seconde, 7% met 0,9 seconde, 24% met 0,7 seconde, 57% met 0,6 seconde. Figuur 10a geeft de rijstrookcapaciteit weer als functie van de penetratiegraad van CACC-voertuigen (met 0% ACC). Figuur 10b geeft weer hoe de rijstrookcapaciteit afhangt van percentage ACC en CACC voertuigen. Hieruit blijkt dat de procentuele toename van de capaciteit varieert tussen de 0% en 64% afhankelijk van de penetratiegraad van ACC- en CACC-voertuigen. a b Percentage of CACC Vehicles 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 0% 2018 Niet vermeld in artikel (alleen grafisch) % % % % % % % % % % Figuur 10: a) Rijstrookcapaciteit als functie van het percentage voertuigen met CACC. b) Rijstrookcapaciteit en procentuele toename van de capaciteit als functie van het percentage ACC en CACC voertuigen Met bottleneck (van Arem, de Vos, & Vanderschuren, 1997) hebben voor een snelweg met 4 rijstroken en een wegversmalling naar 3 rijstroken onderzocht wat het effect is van ACC met en zonder doelgroepstrook. Zij vonden dat in de situatie zonder doelgroepstrook ACC bij een penetratiegraad van 50% een positief effect heeft op de capaciteit van ongeveer 4%. Met doelgroepstrook is dit 6%-8%. Deze grotere toename komt door de veronderstelling dat op een doelgroepstrook een kleinere volgtijd van 0,7 seconde kan worden aangehouden. In (van Arem, Driel, & Visser, 2006) is ook de invloed van verschillende percentages CACC-voertuigen op de efficiëntie van de verkeersstroom gesimuleerd voor een snelweg die van 4 naar 3 rijstroken gaat. De CACCvoertuigen hadden een volgtijd van 0,5 seconde als ze een ander CACC-voertuig volgen en 1,4 seconde als ze geen CACC-voertuig volgen. Daarnaast is het effect van een doelgroepstrook onderzocht. De studie liet zien dat CACC een potentieel positief effect heeft op de capaciteit. Bij een penetratiegraad boven de 40% 9

19 vonden zijn kleine positieve effecten van 3%-5%. De doelgroepstrook leidde niet tot een capaciteitsverbetering (zelfs een kleine afname). Zij vonden ook dat als de communicatie tussen de CACCvoertuigen beperkt bleef tot longitudinale communicatie, CACC een negatief effect kan hebben op de veiligheid omdat andere voertuigen dan niet meer kunnen invoegen in de CACC-pelotons. Laterale communicatie, het laten vallen van grotere gaten als een auto CACC wil invoegen en het beperken van de lengte van een peloton tot bijvoorbeeld maximaal 5 voertuigen kunnen hier oplossingen voor zijn. (Van Driel & van Arem, 2010) hebben op basis van simulaties voor de A12 het effect van een file-assistent (soort ACC: actief gaspedaal en stop-en-go) bepaald voor een samenvoeging van 4 naar 3 rijstroken. Hieruit is gebleken dat de file-assistent de gemiddelde reistijd significant kan reduceren. Bij een penetratiegraad van 10% en 50% is de reductie respectievelijk 30% en 60%. De reductie wordt grotendeels door stop-en-go bereikt. Het actieve pedaal heeft een beperkte bijdrage. De afrijcapaciteit nam bij een penetratiegraad van 10% en volgtijd van 1,0 seconde met 3% toe. Bij een penetratiegraad van 50% en een volgtijd van 0,8 seconde vonden zij een toename van de capaciteit van 7%. (Wang, 2014) heeft in zijn proefschrift simulaties uitgevoerd voor een snelweg van 14 kilometer met twee rijstroken. De vervoervraag was 1900 voertuigen per strook. De bottleneck bestond uit een verlaagde snelheidslimiet gedurende 2 minuten van 80 km/uur, 60 km/uur en 40 km/uur respectievelijk bij kilometer 11, 11,5 en 12. Dergelijke bottlenecks veroorzaken schokgolven. Bij penetratiegraden van 5%, 10%, 50% en 100% ACC vond hij respectievelijk een toename van de effectieve capaciteit bij de bottleneck van 10%, 13%, 12% en 13%. Bij penetratiegraden van 5%, 10%, 50% en 100% CACC vond hij respectievelijk een toename van de effectieve capaciteit bij de bottleneck van 9%, 14%, 13% en 13%. Overzicht CACC (Wilmink, Jonkers, Netten, & Ploeg, 2013) hebben op basis van een selectie van studies een overzicht gegeven van het effect van CACC op de capaciteit bij verschillende penetratiegraden. Dit overzicht is weergegeven in Figuur 11. De proef op de A270 5 valt buiten de range van de andere studies in de figuur omdat dat een informerend systeem betrof. Hierin verwijst Path simulaties naar (Shladover, Su, & Lu, 2012), Simulaties Amsterdam naar (Calvert, van den Broek, & van Noort, 2011)(zie ook paragraaf over schokgolven) en Simulaties Arnaout naar ( (Arnaout & Bowling, 2011). Figuur 11: Capaciteitseffecten van CACC bij verschillende penetratiegraden (Wilmink, Jonkers, Netten, & Ploeg, 2013) Capaciteitsval Naast een effect op de capaciteit heeft automatisch rijden ook een effect op de capaciteitsval. De capaciteitsval houdt in dat wanneer er sprake is van congestie, bestuurders een grotere volgtijd hanteren 5 In februari 2010 zijn een aantal grootschalige experimenten uitgevoerd op de A270 tussen Helmond en Eindhoven. Doel was om de potentie van coöperatieve systemen te demonstreren voor het dempen van filegolven. Het coöperatieve systeem geeft individueel advies aan de bestuurder in welke mate hij moet versnellen of vertragen. 10

20 dan voordat de congestie optrad. Dit leidt tot een afname in de capaciteit van de weg. Onderzoek heeft aangetoond dat met name hoge intensiteiten dit fenomeen in gang zet. Onderzoek naar de invloed van automatische voertuigen op de capaciteitsval is schaars. Echter, in Kesting et al. (2007) werd aangetoond dat een toename in de capaciteit niet lineair is, afhankelijk van de penetratiegraad. Boven ongeveer 50% CACC voertuigen nam de capaciteit sneller toe dan bij lagere penetratiegraden. Dit is bevestigd in Kesting et al. (2010). In deze studie werd wederom gebruik gemaakt van microsimulaties. Verder werden in hun studie vijf verschillende scenario s onderzocht, zoals vrij verkeer en bottlenecks. Uit deze studies kwam naar voren dat de waardes van de capaciteitsval liggen tussen 2 en 12%. Ook hier kwam naar voren dat de penetratiegraad een belangrijke factor is Stabiliteit en schokgolven Naast de capaciteitsval kan in theorie het automatiseren van voertuigen eveneens een positieve impact hebben op de stabiliteit van het verkeer (met name van belang voor schokgolven). In zijn algemeenheid geldt dat een systeem stabiel is wanneer na een verstoring het systeem weer terugkeert naar zijn evenwichtstoestand. Gebaseerd op een extensieve review, identificeerden Kesting en Treiber (2013) drie soorten stabiliteit: lokale stabiliteit, peloton stabiliteit en stabiliteit van de verkeersstroom. In Eyre et al. (1998) werd al de invloed van pelotons op peloton stabiliteit onderzocht. In hun onderzoek werd aangetoond dat een controller voor een vaste volgtijd een positieve invloed had op de stabiliteit. Hiernaast werd echter in Darbha en Rahjagopal (1999) aangetoond dat een constante volgtijdstrategie een negatieve invloed heeft op de stabiliteit. Volgtijden van 1 seconde leidde in hun onderzoek tot onwenselijke karakteristieken ten aanzien van de stabiliteit. Deze bevindingen werden weer tegengesproken in Li en Shrivastava (2002). Zij bestudeerden de stabiliteit van de verkeersstroom op een ringweg waarbij zij gebruik maakten van een Constant Time Headway 6. In deze studie toonden zij aan dat indien gebruik wordt gemaakt van deze strategie, er sprake is van stabiliteit. (van Arem, Driel, & Visser, 2006) 7 vonden dat het aantal schokgolven voor de bottleneck met ongeveer 30% tot 90% afnam bij een toenemende penetratiegraad van CACC-voertuigen. Ook de standaarddeviatie van de snelheid werd een stuk kleiner. In Schakel et al. (2010) werd de stabiliteit onderzocht indien er sprake is van verschillende voertuigklassen. In hun studie concludeerden zij dat de toename in de variabiliteit van de volgtijden door de aanwezigheid van de verschillende voertuigklassen maar een beperkte invloed had op stabiliteit. Wel bleek met name de penetratiegraad van CACC-voertuigen een substantiële invloed te hebben op het voorkomen van schokgolven. Bij hogere penetratiegraden bleek de duur van de schokgolven aanmerkelijk korter, maar de schokgolfsnelheid en de afstand waarover de schokgolf zicht verplaatst hoger. Uit een veldtest op A270 demo is gebleken dat AAC (accelaratie advies gerelateerd aan CACC) automobilisten help met anticiperen wat tot verbeterde accelaratie en deceleratie leidt. Hierdoor ontstaan minder variatie in volgtijden en snelheden, waardoor schokgolven gestabiliseerd worden. De variatie in dichtheid verbeterde met 13%. (Calvert, van den Broek, & van Noort, 2011) hebben het effect van verschillende penetratiegraden van CACC-voertuigen op schokgolven gesimuleerd voor een gekalibreerd deel van het snelwegennetwerk van Amsterdam (de A1 en de A10-zuid). Op de A1 was er een bottleneck vanwege een wegversmalling van 4 naar 3 rijstroken. Hierdoor ontstaan schokgolven die terugslaan naar de A10. Zij vonden dat CACC bij een penetratiegraad van respectievelijk 5%, 10% 25%, 50%, 75% en 100% een toename van het totaal aantal aankomsten (indicator voor doorstroming) van 0%, 3%, 10%, 22%, 39% en 68%. In ieder scenario ontstond file bij de bottleneck, maar boven een penetratiegraad van 25% wordt de ernst van de schokgolven een stuk kleiner. Boven een penetratiegraad van 50% slaan de schokgolven niet meer terug naar de A10 en bij een penetratiegraad van 100% ontstaan helemaal geen schokgolven meer. In een vervolgstudie (Calvert, van den Broek, & van Noort, 2012) hebben ze bepaald wat de optimale volgtijd is van CACC-voertuigen bij een mix van 50% ACC en 50% CACC-voertuigen. Zij concluderen dat het aantal aankomsten een piek heeft bij een volgtijd van 0,5 seconde en de gemiddelde snelheid in het netwerk een piek heeft bij 0,7 seconde. Echter in theorie leidt een volgtijd onder de 0,9 seconde voor de gekozen CACC- 6 Een headway is de afstand van de voorkant van een auto tot de voorkant van de volgende auto. Een volgafstand is de afstand tussen de achterkant van een auto en de voorkant van de achterligger. Hieruit volgt: headway = lengte voertuig/snelheid + volgafstand. 7 In de paragraaf over de vrije capaciteit staat een toelichting op deze studie 11

21 controller volgens hen tot instabiliteit (hoewel het praktisch wel mogelijk bleek). Een vergelijking tussen een volgtijd van 0,9 en 1,2 seconde liet zien dat bij penetratiegraden van 50% en 75% het totaal aantal aankomsten bij een volgtijd van 0,9 groter is dan bij een volgtijd van 1,2. Bij een penetratiegraad van 100% maakt het niet uit, omdat dan bij een volgtijd van 1,2 seconde alle congestie al verdwenen was. Bij lage penetratiegraden had de volgtijd van 0,9 seconde een negatief effect. Dit kan het gevolg zijn van stochasticiteit in de simulaties en modelaannames. Een andere mogelijke verklaring is dat bij een volgtijd van 1,2 seconde het verkeer homogener en dus stabieler is. Tot slot heeft (Wang, 2014) in zijn simulaties aangetoond dat de ACC-systemen de stabiliteit stroomopwaarts van de bottleneck verbeteren. De resulterende filegolf heeft geen constante snelheid stroomopwaarts, maar de snelheid hangt af van de verhouding tussen ACC voertuigen en andere voertuigen. De CACC systemen verbeteren de stabiliteit aan zowel het begin als het einde van een opstopping en verhogen de effectieve capaciteit van het knelpunt in vergelijking met menselijke bestuurders en ACC systemen. Een noemenswaardige eigenschap van CACC systemen is dat filegolven zich sneller stroomopwaarts verplaatsen als gevolg van de voertuig-voertuig communicatie Effect van pelotonvorming vrachtverkeer op de capaciteit en de PAE-factor De literatuur ten aanzien van de effecten van pelotonvorming van vrachtverkeer op de capaciteit en de paewaarde (personen-autoequivalenten) is beperkt. Naar verwachting neemt als gevolg van pelotonvorming van vrachtverkeer de capaciteit uitgedrukt in voertuigen per uur naar verwachting toe mits de colonnes niet te veel het weven en in- en uitvoegen bemoeilijken. De verklaring hiervoor is dat vrachtwagens dichter achter elkaar kunnen rijden. (Minderhoud & Hansen, 2002) hebben met behulp van een simulatiestudie laten zien wat het effect van pelotonvorming van vrachtverkeer kan zijn. Zij hebben een snelweg gesimuleerd met een op- en afrit waarbij de rechterrijstrook een doelgroepstrook is voor de vrachtpelotons. Om het overige verkeer veilig de doelgroepsstrook te kunnen laten passeren werkten zij met stopsignalen voor het vrachtverkeer die door wegkantsystemen worden afgegeven. In de simulatie was de maximale omvang van de pelotons 10 vrachtwagens. De afstand tussen de vrachtwagens in een peloton was 10 meter, de minimale afstand tussen twee pelotons was 150 meter en de wenssnelheid 85 kilometer/uur. In theorie (zonder op- en afritten) zou de capaciteit van de doelgroepstrook kunnen toenemen van 1400 vrachtwagens per uur naar 2180 vrachtwagens per uur. Uit de simulaties bleek echter dat de extra capaciteit niet gehaald kon worden, omdat de vrachtpelotons moesten stoppen voor de stopsignalen. De netwerkprestatie ging zelfs achteruit. De capaciteit uitgedrukt in pae zal naar verwachting ongeveer gelijk blijven. Immers, als gevolg van de korte volgtijden neemt de pae-factor naar verwachting af. We hebben geen literatuur kunnen vinden die hier verder op in gaat. Wel zijn de onderstaande verwante studies uitgevoerd die inzicht kunnen bieden. (Schermers & Malone, 2004) hebben een studie met een rijsimulator en simulatiemodel (MIXIC) uitgevoerd om naar het effect van pelotonvorming in het vrachtverkeer te kijken waarbij een het vrachtverkeer werd uitgerust met een chauffeur-assistent die het volggedrag en het in de strook blijven (lane keeping) regelt. Hierbij is gerekend met een volgtijd van 1,5 seconde tussen pelotons en 1 seconde binnen pelotons en met pelotons van maximaal 10 voertuigen. De simulatie is uitgevoerd voor een snelweg van 6 kilometer met 3 rijstroken zonder bottleneck met 10% vrachtverkeer en met 20% vrachtverkeer. Zij concludeerden dat de chauffeur-assistent geen negatief effect heeft op de doorstroming. Ze vonden geen significant effect op de reistijden, snelheden en dichtheden en veiligheidsindicatoren. Het aantal strookwisselingen nam wel af met minder schokgolven als gevolg. Daarnaast vonden zij dat de spreiding in volgtijden op de rechter rijstrook groter werd wat er op zou kunnen duiden dat personenauto s minder gebruik maken van de rechter rijstrook, of dat, als ze wel gebruik maken van de rechter rijstrook, ze aanpassingen van de volgtijden voor het vrachtverkeer veroorzaken. (Minderhoud, 2011) heeft een simulatiestudie 8 op een snelweg van 6 kilometer met 2 rijstroken uitgevoerd waarbij hij heeft geanalyseerd wat het effect is van een toenemend percentage vrachtverkeer (0% - 40%) bij toenemende intensiteiten (van 300 naar 4100 voertuigen/uur) op de gemiddelde snelheden en daarmee 8 Gehanteerde wenssnelheid personenauto s: 115 km/uur met een standaarddeviatie van 4 km/uur; wenssnelheid vrachtauto s: 88 km/uur met een standaarddeviatie van 4 km/uur. 12

22 de reistijden. Op basis van de simulaties kon niet bewezen worden dat de time to collision 9 invloed heeft op de reistijd voor personenauto s. Deze conclusie kan niet één op één vertaald worden naar uitvoegsituaties bij pelotonvorming omdat bij uitvoegen de noodzaak om naar rechts te gaan groter is en bij pelotonvorming de tijd die nodig is voordat je kan uitvoegen groter is (omdat er meer vrachtwagens achter elkaar rijden waar je niet tussendoor kan), maar het geeft wel een eerste indicatie dat pelotonvorming van vrachtwagens bij afritten beperkt invloed zou kunnen hebben op de doorstroming. Vervolgens is een bottleneck geïntroduceerd om naar de capaciteitswaarden en pae-factoren te kijken bij een toenemende intensiteit en toenemend percentage vracht. Als de capaciteit bereikt is ligt de pae-waarde tussen de 1,9 en de 2,1 afhankelijk van het percentage vracht met een elasticiteit van 0,01 (als het percentage vracht met 1% toeneemt, neemt de pae-waarde met 0,01 toe). Dit is alleen getest voor vrachtpercentages tussen de 0%-20%. De capaciteit in pae blijft ongeveer constant Efficiënter gebruik van de weg (Litman, 2014) geeft aan dat de weg mogelijk efficiënter gebruikt kan worden omdat rijstroken smaller kunnen worden en vluchtstroken gebruikt kunnen worden. Ook noemt hij dat op het onderliggend wegennetwerk bij kruisingen minder gestopt hoeft te worden. 2.3 Wat is het effect van zelfrijdende auto s op de tijdwaardering? (Gucwa, 2014) geeft aan dat zelfrijdende auto s van invloed kunnen zijn op de tijdwaardering van autobestuurders. Om een uitspraak te doen over hoeveel de tijdwaardering kan afnemen heeft hij een vergelijking gemaakt met hoogwaardig openbaar vervoer. Hij geeft aan dat het voordeel van reizen met de auto is dat de auto flexibel is, persoonlijke veiligheid en privacy biedt en relatief snel is vergeleken bij het openbaar vervoer. Als voordeel van het reizen met het openbaar vervoer noemt hij dat het openbaar vervoer al zelfrijdend is en de tijd in het voertuig dus nuttig(er) besteed kan worden. Daarnaast is er geen stress van het besturen van een voertuig, vinden er weinig ongelukken plaats, worden mensen minder snel reisziek en is er geen persoonlijke aansprakelijkheid. De zelfrijdende auto heeft volgens hem potentie om de voordelen van de beide voertuigen te combineren in één vervoerwijze. In hoeverre dat lukt, is echter maar de vraag. Om deze reden heeft hij vier scenario s gedefinieerd: 1) de tijdwaardering wijzigt niet, 2) de tijdwaardering is gelijk aan laagste tijdwaardering van auto of openbaar vervoer, 3) de tijdwaardering voor de auto wordt gehalveerd, 4) de tijdwaardering gaat terug naar 0 euro per persoon per uur. Naast de bovenstaande studie zijn er in de literatuur voor zover bekend geen andere studies beschikbaar over hoe zelfrijdende auto s de tijdwaardering beïnvloeden. Studies die de ontwikkeling van de tijdwaardering in de tijd weergegeven zijn wel (beperkt) beschikbaar. Uit KIM (2013) blijkt bijvoorbeeld dat de tijdwaardering tussen 1997 en 2010 voor het autoverkeer met 19% is gedaald voor het woon-werk en zakelijk verkeer. Voor de overige motieven is deze toegenomen met 39%. Hierbij is voor inflatie en methodebreuk gecorrigeerd. Tussen 1997 en 2010 is de reële loonvoet met 30% gestegen. Dit impliceert volgens de aanvulling voor de Directe Effecten op de Leidraad OEI dat we zouden mogen verwachten dat de reële reistijdwaardering met ongeveer +15% zou groeien (inkomenselasticiteit 0,5) als gevolg van de stijging van de reële loonvoet. Een mogelijke verklaring (hypothese) voor een groei die onder de +15% uitkomt, zou het gebruik van de mobiele telefoon tijdens de reis kunnen zijn (KiM, 2013). De reistijd kan hierdoor voor een deel nuttig worden besteed. Dit wordt ook wel reistijdverrijking genoemd. Dit fenomeen werd voor het eerst beschreven door Hugh Gunn (2001). Hij concludeert dat, ondanks een forse stijging van het inkomen, in de periode de reële waardering voor de verandering in reistijd in Nederland ruwweg constant bleef. Bij de trein was juist een toename van de tijdwaardering te zien van 17% voor het woon-werk verkeer, 28% voor het zakelijk verkeer en 27% voor het overig verkeer. De reistijdverrijking heeft bij de trein dus niet zo sterk doorgezet als bij de auto, terwijl de trein in potentie juist goede mogelijkheden biedt om te kunnen werken tijdens de reis. Misschien dat overvolle treinen waardoor het moeilijk is een zitplaats te vinden hierbij een rol hebben gespeeld. Wellicht ook bestaat zoiets als reistijdverrijking al veel langer in de trein. Denk aan het lezen van de krant of rapporten, waardoor de toegevoegde waarde van ICT-ontwikkelingen 9 De time to collision is het artikel van (Minderhoud, 2011) gedefinieerd als de minimale tijd dat automobilisten rechts willen kunnen rijden zonder gehinderd te worden door langzamer verkeer. 13

23 hier in vergelijking met de auto beperkt is gebleven. Misschien is er in de trein nog een kleine vooruitgang te verwachten door de introductie van WiFi. Bovenstaande leidt tot de vraag hoever de reistijdverrijking voor de auto nog door kan zetten als gevolg van de introductie van zelfrijdende auto s. Een indicatie kan zijn dat de tijdwaardering voor de autopassagier 80% is van de tijdwaardering voor de autobestuurder (OEI leidraad, 2000). Literatuur over de mate waarin vrachtpelotonvorming de tijdwaardering voor het vrachtverkeer beïnvloedt valt buiten de scope van deze literatuurstudie. 2.4 Welke factoren die relevant zijn voor de verkeersafwikkeling en het verplaatsingsgedrag (naast de capaciteit en de tijdwaardering) worden nog meer beïnvloed door zelfrijdende auto s? In de literatuur zijn de volgende aanvullende factoren te vinden die de verkeersafwikkeling en het verplaatsingsgedrag beïnvloeden: Minder stress bij het rijden (Litman, 2014) waardoor de tijd nuttiger kan worden gebruikt. Autogebruik: volgens (Brown, Gonder, & Repac, 2013) kunnen kinderen, ouderen en gehandicapten die nu niet zelfstandig kunnen rijden als gevolg van zelfrijdende auto s wel hun verplaatsingen met de auto maken. Ze geven niet aan met hoeveel procent het aantal autoverplaatsingen stijgt. Wel hebben zij het effect op het aantal voertuigkilometers ingeschat: + 40% (zie volgende paragraaf). Autobezit: volgens (Litman, 2014) kan het autobezit afnemen als gevolg van autodelen, maar zou het autobezit ook toe kunnen nemen indien auto s goedkoper worden. Autobezettingsgraad: (Brown, Gonder, & Repac, 2013) geven aan dat als gevolg van zelfrijdende auto s de bezetting van auto s omhoog kan gaan. Ze verwijzen hierbij naar autodeelsystemen. Autobezitkosten: de kosten van een auto (aanschaf, onderhoud en diensten) kunnen volgens (Litman, 2014) omhoog gaan. Brandstofkosten: de brandstofkosten kunnen volgens (Brown, Gonder, & Repac, 2013) omlaag gaan als gevolg van zuiniger rijden. Ze kunnen echter ook omhoog gaan als er meer voertuigkilometers worden afgelegd. Paragraaf 2.5 gaat hier nader op in. (Gucwa, 2014) geeft aan dat het brandstofverbruik kan afnemen met ongeveer 24% als gevolg van eco-driving, maar om hoge capaciteiten te realiseren is soms ook agressief rijden nodig. Hij veronderstelt in zijn simulaties daarom een afname van 15%. Lagere chauffeurskosten voor het vrachtverkeer en bij taxi s (Litman, 2014) Parkeren: Volgens (Brown, Gonder, & Repac, 2013) kunnen zelfrijdende auto s het aantal afgelegde kilometers als gevolg van het zoeken naar parkeerplaatsen reduceren omdat de auto op een andere locatie dan op de bestemming kan worden geparkeerd. Ook kunnen de parkeerkosten omlaag gaan. Autovormgeving en inrichting: (Gucwa, 2014) geeft aan dat de auto s groter zouden kunnen worden, om meer comfort te bieden. Zelfrijdende auto s verkleinen volgens hem bovendien de huidige problemen van grote auto s ten aanzien van parkeren en het rijden in congestie. Uiteindelijk kan de inrichting van auto s ook veranderingen als het niet meer vereist is om een stuur te hebben en door voorruit naar buiten te kunnen kijken. Veiligheid: in het project eimpact (Wilmink, et al., 2008) is uitgebreid gekeken naar de mogelijke effecten van automatisch rijden op de verkeersveiligheid. Als zich minder incidenten voordoen verbetert de verkeersafwikkeling onder deze omstandigheden. Paragraaf 2.5 gaat hier nader op in. (Litman, 2014) geeft echter ook aan dat zich nieuwe risico s kunnen voordoen zoals falende systemen. Daarnaast worden wellicht meer risico s genomen (offsetting behavior). Informatie: geavanceerde informatie- en navigatiesystemen. Volgens (Brown, Gonder, & Repac, 2013) kan als gevolg van coöperatieve systemen betere routeinformatie worden verschaft wat een positief effect op de verkeersafwikkeling kan hebben. Snelheid: volgens (Gucwa, 2014) bestaat er een mogelijkheid (afhankelijk van de regelgeving) dat als gevolg van zelfrijdende auto s de snelheidslimieten strikt gehanteerd worden. 2.5 Wat zijn de effecten van zelfrijdende auto s op de doorstroming, de bereikbaarheid, het rijgedrag, het verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en het milieu? 14

24 2.5.1 Aantal verplaatsingen, voertuigkilometers (Litman, 2014) geeft aan dat pas bij een hoge penetratiegraad (waarschijnlijk tussen 2040 en 2060) significante effecten verwacht mogen worden op de doorstroming, verkeersveiligheid, brandstofverbruik en milieu. Hij geeft aan dat het aantal afgelegde kilometers dan toe zou kunnen nemen. (Gucwa, 2014) heeft met het San Francisco s Metropolitan Commission s Travel Model One meerdere scenario s doorgerekend waarin de capaciteit (0%, +10% en +100%) en de tijdwaardering zijn gevarieerd (0%, min(auto, OV), -50%, -100%). Zijn modelruns geven aan dat het aantal voertuigkilometers naar verwachting 4%-8% toeneemt. In (Brown, Gonder, & Repac, 2013) is een overzicht gegeven van mogelijke effecten van automatisch rijden op het aantal voertuigkilometers (UI), de energy efficiency (EI) en fuel efficiency. Volgens hen kunnen automatisch voertuigen de CO 2 -uitstoot en het brandstofverbruik verminderen als gevolg van een hogere brandstofefficiency, betere routekeuze en minder congestie. Daar staat tegenover dat automatische voertuigen het brandstofverbruik ook zouden kunnen vergroten als gevolg van langere afstanden die worden afgelegd en hogere snelheden. De effecten zijn samengevat in Figuur 12. Figuur 12: overzicht effecten (Brown, Gonder, & Repac, 2013) 15

25 2.5.2 Voertuigverliesuren, Reistijden en Filegolven In (Wilmink, Jonkers, Netten, & Ploeg, 2013) is op basis van een literatuuronderzoek inzicht gegeven in de potentiële effecten van (snelheids)maatregelen op filegolven. Hierbij zijn de volgende (snelheids)maatregelen beschouwd: Wegkantoplossingen (met intelligente algoritmen zoals gebruikt in Dynamax A12 SPECIALIST en (deels) Dynamax In Car); Connected vehicles (gebruik navigatiesystemen om snelheidsadvies te geven, zonder communicatie met de wegkant); Coöperatieve systemen (snelheidsadvies op basis van voertuig-wegkant communicatie, zoals in de in-car varianten gesimuleerd in Dynamax In Car). Coöperatieve systemen (snelheidsadvies op basis van informatie van nabije (stroomafwaartse) voertuigen). In de diverse bronnen die zij bestudeerden zijn verschillende penetratiegraden en opvolgingspercentages van de verschillende systemen onderzocht. Figuur 13 geeft aan welke penetratiegraden per snelheidsmaatregel zijn beschouwd. In Tabel 12, Tabel 13 en Tabel 14 in Bijlage A is respectievelijk het effect van deze systemen op het aantal voertuigverliesuren, de reistijd en het aantal schokgolven weergegeven. Hieruit blijkt dat afhankelijk van het systeem, de locatie van toepassing, de penetratiegraad en de mate van opvolging het aantal voertuigverliesuren met 0%-60% afneemt, de reistijd met 0%-68% afneemt en het aantal filegolven met 8%-89% afneemt. Bekeken penetratiegraden (%) Maatregel/bron: Dynamax SPECIALIST wegkant x x Dynamax In Car x x x x x Connected Cruise Control (CCC) x x x x x x A270 proeven 2010 x x SPITS A x x x CACC simulaties PATH x x x x x x x x x x CACC - Freeway with a ramp x x x x x x CACC - dynamics of cooperative flow x x x x x x Fileassistent (CACC met V2I) x x x x x x x CACC simulaties Amsterdam x x x x x x Figuur 13: Penetratiegraden snelheidsmaatregelen Verkeersveiligheid In eimpact (Wilmink, et al., 2008) is voor 12 systemen het effect op de verkeersveiligheid bepaald. Dit betreft directe effecten in de vorm van veranderingen in volgtijden en indirect in de vorm van minder incidenten en minder congestieve als gevolg van incidenten. De volgende 12 systemen zijn beschouwd: 1. Electronic Stability Control (ESC) 2. Full Speed Range ACC (FSR) 3. Emergency Braking (EBR) 4. Pre-Crash Protection of Vulnerable Road Users (PCV) 5. Lane Change Assistant (Warning) (LCA) 6. Lane Keeping Support (LKS) 7. NightVisionWarn (NIW) 8. Driver Drowsiness Monitoring and Warning (DDM) 9. ecall (one-way communication) (ECA) 10. Intersection Safety (INS) 11. Wireless Local Danger Warning (WLD) 12. SpeedAlert (SPE) Van deze systemen wordt van Electronic Stability Control verwacht dat het de meeste doden en gewonden voorkomt: 14% minder doden en 5,7% minder gewonden in Van SpeedAlert (-5,2% doden), ecall (- 3,5% doden) and Lane Keeping Support (-3,3% doden) worden ook substantiële effecten verwacht. 16

26 Naar verwachting hebben de onderzochte systemen een gering, maar in ieder geval geen negatief, effect op de doorstroming. Wel reduceren alle systemen de congestie als gevolg van incidenten. Wat zijn de effecten van zelfrijdende auto s op de doorstroming, de bereikbaarheid, het rijgedrag, het verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en het milieu? 2.6 Conclusies literatuuronderzoek Scenario s Uit de literatuur blijkt dat de ontwikkeling van zelfrijdende auto s langs twee assen plaatsvindt: de as van manueel naar automatisch en de as van autonoom naar coöperatief. Voor de as van manueel naar automatisch zijn zes internationaal gehanteerde niveaus gedefinieerd (sae-levels). Hoe snel deze ontwikkeling plaatsvindt en hoe het transitiepad (mix van voertuigen van verschillende niveaus van automatisch rijden en mate van coöperatie) er precies uit ziet is niet volledig uitgewerkt. De overheid en de auto-industrie spelen hier een rol in. Zo blijkt uit de literatuur dat de volgende factoren bijvoorbeeld van invloed zijn: de snelheid van technologische ontwikkelingen, de snelheid waarmee verschillende barrières worden weggenomen, stimuleringsmaatregelen van de overheid, de economische levensduur van de voertuigen, de aanschafkosten van de voertuigen, de abonnementskosten van benodigde diensten om in een zelfrijdende auto te kunnen etc. Capaciteit De literatuur richt zich op het automatiseren van de longitudinale rijtaak met behulp van ACC en CACC. Vrijwel alle studies baseren zich op microsimulaties soms in combinatie met een veldtest. De studies zijn lastig vergelijkbaar omdat verschillende aannames gedaan zijn over de volgtijd, de voertuigmix en de penetratiegraad. Daarnaast zijn verschillende netwerkconfiguraties gebruikt in de simulaties: aantal rijstroken, maximum snelheden, het aanwezig zijn van een bottleneck, grote van de bottleneck, de mate waarin en de locatie waarvoor het model gekalibreerd is. Op basis van de beschikbare literatuur kunnen de volgende conclusies worden getrokken: ACC kan zowel een klein negatief als een klein positief effect hebben op de capaciteit (~ -5% - +10%). Dit hangt samen met de volgtijd die wordt gehanteerd. Als de volgtijd groter is dan de volgtijd die automobilisten zonder ACC hanteren, neemt de capaciteit af. Voor CACC rapporteren de meeste studies een kwadratische toename van de capaciteit als penetratiegraad toeneemt met een maximale theoretische toename van 100% (verdubbeling). Ook hierbij is de mate van toename afhankelijk van de gehanteerde volgtijden en het aanwezig zijn van bottlenecks. De meeste studies geven aan dat de toename van de capaciteit pas groot wordt (>10%) als de penetratiegraad hoger is dan 40%. Bij volgtijden van CACC onder de 0,9 seconde wordt volgens (Calvert, van den Broek, & van Noort, 2012) het verkeer instabiel. Dit geldt voor de door hen beschouwde CACC-controller. Bij andere controllers kan dit anders zijn. In simulatiestudies wordt echter vaak met veel lagere volgtijden tot 0,5 seconde gerekend waarvan het de vraag is of dat realistisch is. De studies waarbij naar het effect van CACC bij een bottleneck is gekeken richten zich meestal op wegversmallingen van 4 naar 3 rijstroken. De gevonden studies laten zien dat de capaciteitstoename bij de gesimuleerde bottlenecks meestal kleiner is dan 10%. Bij een enkele studie is ook naar een invoegstrook en een dynamische snelheidslimiet gekeken. Onderzoek naar de capaciteitsval is schaars. Uit onderzoek van Kesting et al. (2010) bleek dat bij hoge penetratiegraden van CACC de capaciteitsval kan afnemen van 12% naar 2%. ACC en CACC hebben een positief effect op de stabiliteit. Bij hogere penetratiegraden ontstaan minder schokgolven en is de duur van de schokgolven aanmerkelijk korter, maar verplaatsen schokgolven zich sneller stroomopwaarts. Bij hele hoge penetratiegraden van CACC ontstaan geen schokgolven meer. Het effect van ACC en CACC op doelgroepstroken is in de literatuur beperkt onderzocht. De beschikbare literatuur geeft aan dat doelgroepstroken voor personenauto s bij ACC en CACC zowel een negatief als een positief effect op de capaciteit kunnen hebben. Hierbij is de volgtijd, de penetratiegraad en de grootte van de pelotons van belang. Een simulatiestudie voor pelotonvorming van vrachtverkeer op een doelgroepstrook (rechter rijstrook) bleek eveneens dat capaciteit in theorie wel omhoog zou kunnen, maar dat door in- en uitvoegen van overig verkeer de netwerkprestatie toch kan verslechteren. 17

27 In de literatuur zijn, voor zover bekend, geen studies bekend over het effect van pelotonvorming van het vrachtverkeer op de PAE-factor. De PAE-factor zal naar verwachting afnemen met als gevolg dat de capaciteit uitgedrukt in personen-autoequivalenten (pae) naar verwachting ongeveer gelijk zal blijven. Over het automatiseren van de laterale rijtaak is in beperkte mate literatuur te vinden. Deze literatuur heeft betrekking op systemen die er voor zorgen dat je binnen je rijstrook blijft. Effecten van systemen die zich op strookwisselingen richten zijn niet beschreven. Tijdwaardering Het effect van zelfrijdende auto s op de tijdwaardering is niet onderzocht in de literatuur. Uit de literatuur blijkt wel dat de tijdwaardering voor het woon-werk zakelijk verkeer in Nederland de afgelopen twee decennia meer is gedaald dan op basis van de inkomensveranderingen verwacht zou worden. Een hypothese is dat dit komt door de invoering van de mobiele telefoon waardoor de tijd in de auto nuttiger gebruikt kan worden. Dit fenomeen van reistijdverrijking (Gunn, 2001) biedt wel aanknopingspunten, maar de vraag is hoever de reistijdverrijking nog door kan zetten als gevolg van de introductie van zelfrijdende auto s. Andere aangrijpingspunten dan capaciteit en tijdwaardering Mogelijk hebben zelfrijdende auto s een effect op de volgende factoren: stress tijdens het rijden, autogebruik, autobezit, bezettingsgraad auto s, kosten van autobezit, brandstofkosten, chauffeurskosten, parkeerlocaties, zoekgedrag parkeren, parkeerkosten, autovormgeving en inrichting, veiligheid, informatie, rijsnelheid. Over de manier waarop en de mate waarin de factoren beïnvloed worden zijn vrijwel alleen hypotheses beschikbaar. Het effect op verkeersveiligheid en brandstofkosten is wel verder gekwantificeerd (zie ook volgende hoofdstuk). Doorstroming, bereikbaarheid, rijgedrag, verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en milieu Het aantal studies dat het effect van zelfrijdende auto s op de doorstroming, de bereikbaarheid, het rijgedrag, het verplaatsingsgedrag, veiligheid, reistijdbetrouwbaarheid en het milieu op netwerkniveau kwantificeert is beperkt. De volgende effecten zijn genoemd: Pas bij en hoge penetratiegraad (>40%) wordt een significant effecten van zelfrijdende auto s op de doorstroming, verkeersveiligheid, brandstofverbruik en milieu verwacht. Voertuigkilometers: het aantal afgelegde kilometers neemt naar verwachting toe. De mate van toename is afhankelijk van het huidige niveau van congestie, de penetratiegraad, de structuur van het netwerk etc. Voor een studie in San Francisco werd een toename van 4%-8% gevonden. Brandstofverbruik: het brandstofverbruik (CO 2 -effect) kan verminderen als gevolg van een hogere brandstofefficiency, betere routekeuze en minder congestie. Daar staat tegenover dat automatische voertuigen het brandstofverbruik ook zouden kunnen vergroten als gevolg van langere afstanden die worden afgelegd en hogere snelheden. Voertuigverliesuren: afhankelijk van het systeem, de locatie van toepassing, de penetratiegraad en de mate van opvolging zijn afnames van voertuigverliesuren, de reistijd en het aantal filegolven van respectievelijk 0%-60%, 0%-68% en 8%-89% gevonden. De meeste systemen hebben naar verwachting een positief effect op de verkeersveiligheid en daarmee op de reistijdbetrouwbaarheid. 18

28 3 Modelruns In het voorgaande hoofdstuk is aangeven wat in de literatuur bekend is over hoe zelfrijdende auto s de capaciteit, vraag naar mobiliteit (via de tijdwaardering) en andere factoren die relevant zijn voor de verkeersafwikkeling en het verplaatsingsgedrag beïnvloeden. Paragraaf 3.1 van dit hoofdstuk beschrijft of en hoe de invloed van deze factoren op de bereikbaarheid en doorstroming kan worden gemodelleerd met het LMS 10. Hierbij is het van belang om onderscheid te maken te maken naar factoren die in- en uitvoer zijn van het LMS. De capaciteit is bijvoorbeeld een exogene factor die in de invoer van het model zal moeten worden aangepast. Het LMS bepaalt zelf de effecten op bestemmingskeuze, vervoerwijzekeuze, routekeuze, congestie en deels verschuivingen van en naar de spits. Deze effecten hoeven in dus niet in het LMS te worden ingevoerd. Paragraaf 3.2 geeft aan welke vijf modelruns zijn geselecteerd om de mogelijkheden van het doorrekenen van de effecten van zelfrijdende auto s met het LMS te bepalen. Paragraaf 3.3 geeft een overzicht van de modelresultaten. Paragraaf 3.4 beschrijft de conclusies. 3.1 Invoermogelijkheden LMS Algemeen Paragraaf 3.1 beschrijft de mogelijkheden om het effect van zelfrijdende auto s te modelleren. Hierbij kunnen standaardinstellingen worden onderscheiden die eenvoudig te wijzigen zijn om het effect van zelfrijdende auto s te modelleren: netwerk(eigenschappen), SEGS, variabele autokostenindex en de vaste autokostenindex. De generieke pae-factor voor vrachtverkeer en de VOT kunnen worden aangepast, maar hiervoor is wel een nieuwe compilatie van de code vereist. De overige systeemdata kan wel worden aangepast maar dit vraagt een grotere inspanning: diepgaander onderzoek, herschatting, herkalibratie en verificatie Tijdwaardering Groeimodel SES De bestemmingskeuze, vervoerwijzekeuze en dagdeelcombinatiekeuze vindt in het LMS plaats met een genest logitmodel, waarbij de nutsfunctie voor de auto de volgende variabelen bevat: Kosten van de reis (KOSTEN), Tijdsduur van de reis (REISTIJD), Afstand van de reis (AFSTAND), Persoonlijke kenmerken en autobezit (PERSOON) 11, Huishoudkenmerken (HUISHOUDEN), Zonale kenmerken (ZONAAL). De functionele vorm van de kostenfunctie is afhankelijk van het absolute niveau van de kosten. Als de reiskosten onder een bepaald niveau liggen is de kostenfunctie lineair. Bij overschrijding van een bepaald niveau wordt de kostenfunctie echter logaritmisch. Het omslagpunt voor de functionele vorm ligt bij het natuurlijke getal e (2,718 Euro). De tijdwaardering zit in SES impliciet in de parameters van de nutsfunctie en zou in principe via deze parameters kunnen worden aangepast, maar dit moet wel uitgebreid getest worden. Enerzijds omdat door de logaritmische vorm van de kostenfunctie en de andere componenten (naast tijd en kosten) van de nutsfunctie de aanpassing van de tijdparameter niet lineair doorwerkt en anderzijds omdat deze methode in het algemeen met het LMS/NRM niet eerder is toegepast en de gevoeligheden van de individuele parameters niet zijn getoetst. Bij de vervoerwijzekeuze voor voor- en natransport is de auto ook een optie. De gegeneraliseerde reistijd voor voor- en natransport met de auto wordt bepaald met een tijdwaardering die exogeen kan worden opgegeven. Dit is dezelfde tijdwaardering als in QBLOK wordt gebruikt. 10 Het gaat hier om het vigerende LMS, dat is de juli-2014-versie van het LMS 11 Geen auto beschikbaar, Geen auto en/of geen rijbewijs beschikbaar, Auto beschikbaar maar geen rijbewijs, Auto onder concurrentie, Auto vrij beschikbaar, Rijbewijs maar geen auto. 19

29 Toedeling: QBLOK De toedeling in QBLOK vindt plaats op basis van gegeneraliseerde reistijd. De totale reistijd op een link wordt bepaald door de som van de freeflow-tijd (linktype specifiek), de vertraagde afwikkeling onder de capaciteit op basis van de speed-flow curves en wachttijd als gevolg van congestie 12. Bij de reistijd worden kosten op basis van gereden afstand en eventuele additionele (tol)kosten opgeteld. De kosten worden op basis van een gebruikersgroep afhankelijke reistijdwaarderingen omgerekend naar tijden. De tijdwaardering is invoer voor QBLOK. Hierbij wordt onderscheid gemaakt naar vier gebruikersklassen: vracht, woon-werk, zakelijk en overig. Als de tijdwaardering voor de auto en het vrachtverkeer in het LMS wordt verlaagd, dan wordt niet alleen het rijden over het hoofdwegennetwerk aantrekkelijker, maar ook het rijden over het onderliggend wegennetwerk (terwijl sommige ITS-systemen met name effect zullen hebben op het hoofdwegennet) Volgtijd, snelheid, vrije capaciteit, afrijdcapaciteit, capaciteitsval, stabiliteit en schokgolven, weefbewegingen en pelotonvorming van het vrachtverkeer Het LMS is geen dynamisch microscopisch model waardoor effecten van zelfrijdende auto s op de volgtijd, snelheid, vrije capaciteit, afrijdcapaciteit, capaciteitsval, stabiliteit en schokgolven, weefbewegingen en pelotonvorming van het vrachtverkeer niet expliciet doorgerekend kunnen worden. Er zitten echter wel mechanismes is het toedelingsmodel van het LMS (QBLOK) die op een macroscopische niveau deze principes kunnen benaderen. In QBLOK zijn de capaciteit per linktype, de speed-flowcurves, de buffercapaciteit/congestiebuffers, de pae-factor, de weefvakreductie en de wachttijd- en de fileduurtabellen belangrijke variabelen die de verkeersafwikkeling bepalen. Deze worden hieronder toegelicht (bewerking van Haaijer et al. (2012) en gebaseerd op gm2011-d7-6.pdf (2011)). Invoer QBLOK Capaciteiten Voor alle links (wegvakken) in het netwerk is een capaciteit vastgesteld. De capaciteit van de links is gebaseerd op het aantal rijstroken en het wegtype. Voor knooppunten is er geen capaciteit vastgesteld. De capaciteit van knooppunten wordt dus bepaald door de capaciteit van de uitgaande links van het knooppunt. Bij weefvakken geldt een verlaagde capaciteit. Een automatisch detectiealgoritme bepaalt voor een selectie van wegvakken en wegtypes waar de weefvakken in het netwerk zitten. Een invoeglocatie wordt hierbij ook als weefvak aangemerkt. Voor de bepaling van de reductie van de capaciteit wordt gekeken naar de totale stroom, de I/C-ratio, de grootste inkomende stroom, de grootste uitgaande stroom en de lengte van het weefvak. De parameters voor het bepalen van de capaciteit zijn bepaald op basis van het handboek Capaciteitswaarden Infrastructuur Autosnelwegen en simulaties met Fosim. Voor een aantal voorbeeldsituaties zijn de parameters bepaald door te kijken naar de stromen (instromen en uitgaande stromen) en de bijbehorende congestie. Deze situaties zijn vervolgens geautomatiseerd overal toegepast. Om congestie goed te kunnen modelleren is de buffercapaciteit van wegvakken van belang. De buffercapaciteit bepaald hoeveel voertuigen er op een wegvak kunnen staan en is daarmee bepalend voor de lengte van files en dus hoever files terugslaan. In het netwerk zijn congestiebuffers op het knelpunt opgenomen en hebben de links zelf een bepaalde buffercapaciteit (pae/strookkm). Er bestaat een mogelijkheid om extra bufferstroken aan het netwerk toe te voegen, maar dat gebeurt in praktijk niet. In theorie zou de congestiebuffer (buffercapaciteit in het knelpunt) nul pae/km moeten zijn, omdat de file voor het knelpunt staat. Om te voorkomen dat er te gemakkelijk via een af- en oprit of parallelle routes wordt gereden als er file ontstaat, is een congestiebuffer gedefinieerd. De bufferruimte voor de congestiebuffer is onafhankelijk van de linklengte op 250 meter gesteld. In een aantal specifieke situaties zal de filestroom voor het knelpunt het overige verkeer niet zwaar vertragen. In die gevallen is er voor gekozen om de file voor een groter deel op het knelpunt zelf te modelleren, om te simuleren dat de file alleen op 12 Uit de wachttijd- en de fileduurtabellen wordt een wachtrij afgeleid. Deze werkt stroomopwaarts door in het QBLOK-algoritme wat uiteindelijk leidt tot wachttijden die bij het maximum van de freeflow-reistijd en de vertraagde reistijd wordt opgeteld. 20

30 afslaande rijstroken van het wegvak ervoor staat. Voor deze situaties wordt de congestiebuffer opgehoogd door meer bufferstroken te veronderstellen. Bij een iteratieve toedeling kan er in de eerste iteraties een extreem hoog congestieniveau optreden. De lange files die daarbij ontstaan kunnen leiden tot een onlogische routekeuze. Daarom wordt in de eerste iteraties de buffercapaciteit tijdelijk verhoogd. Afslagverboden In QBLOK is de mogelijkheid ingebouwd om afslagbewegingen te blokkeren. Dit kan nodig zijn om te voorkomen dat bij congestie de route op een snelweg via een afrit-oprit loopt in plaats van gewoon via de snelweg. Door de verbinding van de afrit-link naar de oprit-link niet toe te staan kan dit worden voorkomen. Afslagverboden moeten handmatig worden ingebracht. In praktijk blijkt het slechts nodig om enkele afslagverboden handmatig in te voeren. Toedelingsmatrix per gebruikersgroep per dagdeel De invoermatrices voor QBLOK bestaan uit een matrix voor de ochtendspits, avondspits en restdag. Daarnaast wordt onderscheid gemaakt naar motief: werk, zakelijk, overig, vracht. De spitsmatrices bevatten de wensvraag. Dit betekent dat deze matrices niet alleen het verkeer bevatten dat in de spits wordt afgewikkeld, maar ook het verkeer dat in de spits afgewikkeld had willen worden als er geen congestie was geweest. Speed-flow curves QBLOK maakt gebruik van speed-flow curves om de reistijd te bepalen bij vrije doorstroming (I/C < 1). Als er congestie optreedt wordt via wachttijden de extra vertraging bepaald die wordt opgeteld bij de vertraging die met behulp van de speed-flow curve wordt bepaald. In Figuur 14 zijn de speedflow-curves weergegeven. Deze curves zijn gekalibreerd op basis van data. De speed-flow curves kunnen worden aangepast als bekend is hoe zelfrijdende auto s deze curves beïnvloeden. Figuur 14: Speed-flowcurves (Bron: gm2011_d7-6.pdf) 21

31 Opzoektabel wachttijd en fileduur In QBLOK wordt gebruik gemaakt van uitgebreide tabellen met wachttijden en fileduur. Voor alle combinaties van I/C-ratio in de spits en de restdag is aan de hand van een wachtrijmodel bepaald wat de wachttijd is en wat de fileduur is. De fileduur is de periode dat de aanbodscurve uitkomt boven de capaciteit, plus vervolgens de tijd die het kost om de opgebouwde wachtrij weer weg te werken. De wachttijd is de tijd die gemiddeld in de spits door één voertuig gewacht moet worden als gevolg van een capaciteitsoverschrijding. In feite is het aantal onverwerkte voertuigen berekend als functie van de tijd, en dit wordt gedeeld door de capaciteit om de wachttijd te verkrijgen. Omdat er in praktijk wel verkeer in de schouders van de spits rijdt, zijn de wachttijden weergegeven voor verschillende combinaties van I/C-ratio s in de spits en restdag. Daarnaast ervaren niet alle voertuigen dezelfde wachttijd. Hiervoor is in de tabellen een correctie uitgevoerd. De wachttijden worden niet rechtstreeks bij de reistijden opgeteld, maar worden gebruikt bij het bepalen van de instroom en uitstroom op een link, waar vervolgens weer de reistijd uit wordt afgeleid. De opzoektabellen wachttijd en fileduur kunnen niet zonder uitgebreide analyse worden aangepast voor het modelleren van het effect van zelfrijdende auto s. Pae-factor De pae-factor werkt op twee manieren door in QBLOK. Voor de speed-flow krommen zijn aparte Paefactoren per linktype voor het vrachtverkeer gedefinieerd die de reistijd voor het vrachtverkeer en daarmee de aantrekkelijkheid van een route beïnvloeden. Het aanpassen van deze pae-factoren leidt niet tot een aanpassing van de capaciteit van de wegen uitgedrukt in pae/uur. De capaciteit in pae/uur wordt bepaald door een generieke pae-factor voor vrachtverkeer (1,9) die kan worden aangepast. Deze is echter niet wegtypespecifiek terwijl het wel denkbaar is dat pelotonvorming van het vrachtverkeer vooral op het hoofdwegennetwerk effect zal hebben. Opties In QBLOK kunnen tot slot nog meerdere opties worden aangepast. De opties voor de congestiemodellering zijn weergegeven in Tabel 1. Het merendeel is echter vast bepaald voor toepassing binnen het groeimodel aan de hand van experimenten en kan niet zonder uitgebreide analyse worden aangepast voor het modelleren van het effect van zelfrijdende auto s. Tabel 1: Opties congestiemodellering BUFPAE Par. voor congestiemodellering Opties congestiemodellering CAPFAC Par. voor congestiemodellering Opties congestiemodellering CLBUF Par. voor congestiemodellering Opties congestiemodellering GNO_QUE Gebieden congestiemodellering Opties congestiemodellering LEIDEND Methodiek congestiemodellering Opties congestiemodellering LNKBCK Reikwijdte congestiemodellering Opties congestiemodellering MAX_IC_OP Parameter voor congestiemodellering Opties congestiemodellering MAXLEID Methodiek congestiemodellering Opties congestiemodellering QBLOK QBLOK methode Opties congestiemodellering WEAVE Modellering van weefvakken Opties congestiemodellering WVTYP Begrenzing van weefvakmodellering Opties congestiemodellering WVVAL Par. voor weefvakmodellering Opties congestiemodellering Methode QBLOK Gebruikersklassen In QBLOK wordt een multi-user class toedeling uitgevoerd. Voor iedere gebruikersklasse (werk, zakelijk, overig, vracht) wordt de route met de laagste gegeneraliseerde reistijd gekozen, waarbij de berekening van de gegeneraliseerde reistijden per gebruikersklasse kan verschillen doordat de free-flow reistijden per gebruikersgroep kunnen verschillen (vracht en niet vracht) en door verschillende kosten per kilometer en andere reistijdwaarderingen. De speed-flow curves maken geen onderscheid naar gebruikersgroep. Voor vracht wordt dus slechts een andere free-flowsnelheid gehanteerd. 22

32 Routekeuze Voor de routekeuze wordt gebruik gemaakt van een kortste paden algoritme dat is gebaseerd op een methode die bekend staat als het algoritme van Moore-Dijkstra. In QBLOK worden de kortste paden bepaald op basis van gegeneraliseerde reistijden. Default houdt dat in een combinatie van reistijden en additionele (tol)kosten op basis van gebruikersgroep afhankelijke reistijdwaarderingen. Ook kunnen er kosten worden meegenomen op basis van de gereden afstand. Voor elke gebruikersgroep worden de bij deze gebruikersgroep behorende kortste paden bepaald. Hierbij wordt rekening gehouden met doelgroepstroken. Wanneer er echter geen verschillen zijn in de karakteristieken tussen gebruikersgroepen, dan worden de paden niet opnieuw bepaald. In iedere iteratie wordt opnieuw het verkeer toegedeeld op basis van de kortste paden (paden met laagste gegeneraliseerde reistijd) waarna de stromen gemixt worden met het verkeer uit de voorgaande iteraties. Op deze wijze wordt naar een deterministisch gebruikersevenwicht toegewerkt. Verkeersafwikkeling De bepaling van de verkeersafwikkeling vindt plaats in drie stappen: 1. Bepaal op basis van de capaciteit over het netwerk de maximale instroom van een link. 2. Bepaal de wachtrijen volgens het principe van vrije doorstroming op stroomopwaartse links. Er is een buffercapaciteit op de stroomopwaartse links, maar ook op de link zelf (cbuf) om onnodige terugslag te voorkomen. 3. Bepaal of er blokkades zijn die secundaire stromen blokkeren. De mogelijkheid bestaat om de blokkademodellering uit te zetten waardoor stromen vrij langs elkaar kunnen worden afgewikkeld. Als er een file staat voor rechts afslaand verkeer, wordt het doorgaande verkeer en het verkeer dat naar links gaat niet geblokkeerd. QBLOK houdt dus rekening met het feit dat de instroom op links wordt beperkt door knelpunten stroomopwaarts. Daarnaast wordt er een wachtrij gemodelleerd voor knelpunten die terugslaat naar voorgaande links (stroomopwaarts). Ook wordt rekening gehouden met blokkades (= fileterugslag). Deze beperken de maximale uitstroom van een link en de instroom op de filevrije uitgaande link. QBLOK houdt geen rekening met schokgolven. De congestiemodellering kan op lagere orde wegen of in bepaalde gebieden (bijvoorbeeld buitenland) worden afgezwakt of uitgeschakeld. Daarnaast worden blokkades meestal alleen op het hoofdwegennet gemodelleerd. QBLOK op het onderliggend wegennetwerk Op het onderliggend wegennetwerk hanteert QBLOK de speedflowcurves zoals weergegeven in Figuur 14. Er zijn vier mechanismen ingebouwd om de filemodellering op niet-auto(snel)wegen af te zwakken: De blokkademodellering kan worden uitgezet. Er is sprake van een blokkade wanneer verkeer wordt opgehouden als gevolg van een knelpunt stroomafwaarts dat zelf niet het knelpunt zal passeren. Voorwaarde hierbij is echter wel dat dit verkeer niet direct geconfronteerd wordt met een ander congestiepunt. Vanaf linktype 9 en lager is de blokkademodellering standaard uitgezet. Er is een mogelijkheid om de buffercapaciteit met een factor te verhogen. Dit wordt standaard niet gedaan. Er is een mogelijkheid om het aantal bufferstroken te verhogen ongeacht of de stroken in praktijk aanwezig zijn. Voor de lagere orde wegen (vanaf linktype 5) is deze verhoogd naar minimaal 2 rijstroken. Op éénstrookswegen binnen de bebouwde kom (NRM type 6) met een snelheid van minder dan 60 km/u en op alle wijkontsluitingswegen (NRM type 7) is het mogelijk om bij de congestiemodellering de capaciteit te verdubbelen. Dit in de veronderstelling dat deze wegen in het modelnetwerk meerdere wegen representeren. Voor de berekening van de vertraging op basis van de speedflow curves wordt uitgegaan van de oorspronkelijke capaciteiten. Tot slot is generiek gekozen voor het niet blokkeren van stromen als de blokkerende stroom minder dan 33% van het totale verkeersvolume op een link betreft. Een afrit van 1 strook zal zo niet een rijbaan van 3 stroken volledig blokkeren. 23

33 Convergentie QBLOK kan naar een gebruikersevenwicht op basis van gegeneraliseerde reistijden itereren, maar in praktijk wordt een maximaal aantal iteraties als stopcriterium gebruikt Autobezit en gebruik Het totale autobezit en de aandelen huishoudens met 0, 1, 2 of meer dan 2 auto's is afkomstig van het automarktmodel Dynamo en is invoer van de CARMOD-module van het LMS. CARMOD bepaalt, gegeven de huishoudverdeling, de autobezitcoëfficiënten per huishoudentype en het autobezit per zone zodanig dat de autobezittotalen consistent zijn met DYNAMO. CARMOD geeft voor iedere zone: Het aantal huishoudens zonder auto; Het aantal huishoudens met één auto; Het aantal huishoudens met twee auto s; Het aantal huishoudens met meer dan twee auto s; Het totaal aantal auto s. Op basis van sociaal-economische gegevens en de kosten van autobezit wordt er voor iedere zone binnen het groeimodel de kans (middels een logit model) op autobezit per huishoudentype geschat. De constanten in de nutsfunctie voor elk alternatief worden (iteratief) zo aangepast dat het totale autobezit consistent is met Dynamo, voor het desbetreffende zichtjaar en toekomstscenario (één van de vier zogenaamde WLO (Welvaart en Leefomgeving) scenario s) Reistijdbetrouwbaarheid en incidenten Aan het LMS is een module LMS-BT gekoppeld waarmee de reistijdbetrouwbaarheid kan worden berekend met behulp van relaties tussen deur-tot-deur betrouwbaarheid van reistijden en enkele kenmerken van een reis (gemiddelde snelheid, vertraging door files, afstand, hoeveelheid verkeer). Het effect van zelfrijdende auto s op de relaties die LMS-BT verondersteld, zal eerst moeten worden onderzocht alvorens LMS-BT inzicht kan bieden in het effect van zelfrijdende auto s op reistijdbetrouwbaarheid. De invloed van incidenten op reguliere onbetrouwbaarheid is onderdeel van LMS-BT. Kwetsbaarheid (de extremere reistijdverliezen die vaak door incidenten veroorzaakt worden) kan niet goed met LMS-BT worden gemodelleerd. Hiervoor is aanvullende robuustheidsmodelering of data-analyse vereist. 3.2 Specificatie van de modelruns Het doel van de modelruns is om te verkennen wat de mogelijkheden (invoer en mechanismes) zijn om het effect van zelfrijdende auto s met het LMS te modelleren en dus niet om een realistische omvang van de effecten te berekenen. Om deze reden is gekozen voor een gevoeligheidsanalyse die zoveel mogelijk inzichtelijk maakt hoe het model reageert op het aanpassen van één van de LMS-instellingen en is dus niet gekozen voor een scenarioaanpak waarbij eerst realistische scenario s worden opgesteld die meerdere LMSinstellingen gelijktijdig beïnvloeden. Tevens is om deze reden als referentierun het GE-scenario voor 2030 gekozen. In een scenario met veel congestie wordt het meest duidelijk wat voor soort effecten verwacht kunnen worden van verschillende aspecten van zelfrijdende auto s. Naast de referentierun was er in dit onderzoek de mogelijkheid om vijf modelruns uit te voerden. Deze zijn weergegeven in Tabel 2. Later in deze paragraaf is aangegeven waarom voor deze vijf modelruns is gekozen. Bij de keuze van modelruns is rekening gehouden met de eenvoud van invoeren in het LMS. Dit betekent dat alleen de instellingen zijn gewijzigd die eenvoudig te wijzigen zijn: de capaciteit hoofdwegennetwerk (HWN), capaciteit onderliggend wegennetwerk (OWN), de pae-factor en de value of time. De weefvakreductie, speedflowcurves en het autobezit zijn dus niet gewijzigd. De runs zijn zodanig gedefinieerd dat telkens één variabele veranderd ten opzicht van een andere run zodat naar het effect van de variabele gekeken kan worden, maar ook naar een totaal effect van een combinatie van variabelen. Als run 3 bijvoorbeeld met run 2 wordt vergeleken wordt het effect inzichtelijk gemaakt van een aanpassing van 24

34 de pae-factor. Hierbij gaat het met name het type effecten dat optreedt en niet zozeer om de omvang van het effect. Doordat de capaciteit van het hoofdweggennetwerk al verhoogd is, heeft het verlagen van de pae-factor slechts een klein additioneel effect omdat door het verhogen van de capaciteit op het HWN een deel van de files al wordt opgelost. Run 5 geeft naar verwachting het grootste effect omdat daar de capaciteit op het hoofdwegennetwerk, het onderliggend wegennetwerk en de tijdwaardering is aangepast. Tabel 2: Modelruns LMS. CAP-HWN -5% CAP-HWN +15% PAE -10% CAP-OWN +10% VOT woon-werk en zakelijk -10% Referentie GE Run Run Run Run Run Figuur 15: Het aangepaste hoofdwegennet (links) en het aangepaste onderliggend wegennet (rechts) Run 1 en 2: Capaciteit HWN (wegtype 1 t/m 8 geen afritten) Uit de literatuurstudie is gebleken dat er diverse simulatiestudies zijn uitgevoerd naar het effect van met name ACC en CACC op de capaciteit van een rijstrook. De meeste vonden positieve effecten en in enkele studies werden negatieve effecten van ACC gevonden als de volgtijd groter is dan 1,2 seconde. Negatief effect: om het effect van een situatie waarin de capaciteit verslechtert te simuleren is een modelrun uitgevoerd met een afname van de capaciteit op het hoofdwegennet (HWN) met 5% (run 1). De afname van 5% komt overeen met het meest negatieve effect dat in de literatuur voor ACC is gevonden op de capaciteit (~ -5% - +10%). 25

35 Positief effect: om het effect van een situatie waarin de capaciteit verbetert te simuleren is een modelrun uitgevoerd met een toename van de capaciteit op het hoofdwegennet (HWN) met 15% 13 (run 2). Hierbij is voor een relatief hoog percentage gekozen om zo goed mogelijk inzicht te krijgen in mogelijke effecten die zich kunnen voordoen. Deze capaciteitsverhoging is ook het uitgangspunt voor run 3, 4 en 5. De capaciteitsafname en -toename wordt op alle HWN-wegen met uitzondering van de afritten toegepast. Dit betekent dat geen onderscheid wordt gemaakt naar invoegstroken, weefvakken en versmallingen. De vraag is of bij dergelijke discontinuïteiten de capaciteit meer of minder dan evenredig stijgt (mede afhankelijk van de invoering van coöperatieve systemen die de rijstrookkeuze beïnvloeden). Vooralsnog wordt een evenredige capaciteitstoename aangenomen in de modelruns. Alleen bij de op- en afritten wordt bij run 1, 2 en 3 verondersteld dat de capaciteit niet toeneemt 14. Met een afname van de capaciteitsval en een toename van de stabiliteit wordt in de modelruns niet expliciet rekening gehouden. Impliciet zit dit wel in de toename van de capaciteit. Run 3: PAE-factor Als gevolg van pelotonvorming van vrachtverkeer kan de capaciteit uitgedrukt in voertuigen per uur toenemen omdat vrachtwagens dichter op elkaar kunnen rijden. De capaciteit uitgedrukt in personenautoequivalenten zal echter ongeveer gelijk blijven: immers als gevolg van de korte volgtijden neemt paefactor af 15. Het effect van pelotonvorming van vrachtverkeer wordt daarom in de runs bepaald door de paefactor af te laten nemen. Aandachtspunten: De pae-factor geeft de ruimte aan die vrachtwagens in nemen ten opzichte van personenauto s. Als deze ook dichter op elkaar gaan rijden, hoeft de pae-factor van het vrachtverkeer niet af te nemen. Pelotonvorming van vrachtverkeer kan strookwisselingen bemoeilijken wat een negatief effect op de capaciteit kan hebben. Dit effect wordt in de voorbeeldruns buiten beschouwing gelaten. Aanname pae-factor: afname van 10%. Run 4: Capaciteit OWN en afritten (wegtype 1 t/m 17 inclusief afritten) De capaciteit op het onderliggend wegennetwerk en bij de afritten wordt met name bepaald door de capaciteit van de kruispunten. Via slimme kruispuntregelingen of vanwege het feit dat bij automatisch rijden de reactietijd, de volgtijd en mogelijk de geeltijd omlaag zou kunnen, kan de capaciteit van kruispunten omhoog gaan. Het is echter ook mogelijk dat bij ongeregelde kruisingen de capaciteit omlaag gaat. Als er niet gecoördineerd wordt zijn wellicht grotere gaps nodig voor de veiligheid en tevens is het mogelijk dat automatisch voertuigen zich minder handig op de kruising opstellen waardoor stromen langer geblokkeerd worden. Hier wordt in run 4 en 5 aangenomen dat de capaciteit van het OWN omhoog gaat. Aanname capaciteit OWN: +10% (literatuur hierover ontbreekt/is niet gevonden). Run 5: Value of time Uit de literatuurstudie is gebleken dat het effect van zelfrijdende auto s op de tijdwaardering niet is onderzocht. Uit de literatuur blijkt wel dat de tijdwaardering voor het woon-werk zakelijk verkeer in Nederland de afgelopen twee decennia meer is gedaald dan op basis van de inkomensveranderingen verwacht zou worden. Een hypothese is dat dit komt door de invoering van de mobiele telefoon waardoor de tijd in de auto nuttiger gebruikt kan worden. Dit fenomeen van reistijdverrijking (Gunn, 2001) biedt wel 13 Uit de literatuurstudie is gebleken dat afhankelijk van het penetratiegraad van ACC- en CACC-voertuigen de capaciteit op een snelweg zonder discontinuïteiten (op-, afritten, weefvakken, samenvoegingen) tot 64% kan toenemen. Het percentage CACC moet boven de 40% uitkomen voordat het effect op de capaciteit meer is dan 10% en boven de 50% voordat het effect meer is dan 15%. Als gevolg van vele discontinuïteiten in HWN is de toename naar verwachting kleiner. 14 Bij deze runs is verondersteld dat automatisch rijden eerst op het HWN wordt ingevoerd en dus nog niet de verkeersafwikkeling op het OWN en de uitstroom van de afritten naar het OWN verbeterd. Omdat de op- en afritten hetzelfde type hebben, was het alleen eenvoudig mogelijk om de capaciteit van zowel de op- als afritten niet te verhogen. 15 Uit Minderhoud (2011) blijkt dat de capaciteit uitgedrukt in PAE/uur ongeveer gelijkt blijft bij een toenemend pae-waarde van vrachtverkeer. In zijn simulatiestudie is echter niet naar platooning gekeken, maar naar een toenemende pae-waarde als gevolg van een toenemend percentage vrachtverkeer. 26

36 aanknopingspunten, maar de vraag is hoever de reistijdverrijking nog door kan zetten als gevolg van de introductie van zelfrijdende auto s. Op basis van bovenstaande nemen we aan dat de reistijdwaardering voor het woon-werkverkeer en het zakelijke verkeer met 10% afneemt. Dit is alleen in de exogene tijdwaardering (VOT) die input is voor QBLOK doorgevoerd en dus niet in de parameters van het groeimodel. Voor het vrachtveerkeer moet dit nog nader worden uitgezocht. Voor deze modelruns voeren we geen aanpassingen in de tijdwaardering voor het vrachtverkeer door. De invloed hiervan is naar verwachting beperkt, omdat niet naar vraageffecten van het vrachtverkeer in het LMS wordt gekeken. In de toekomst verandert waarschijnlijk niet alleen de value of time voor de auto maar ook voor andere vervoerwijzen als gevolg van technologische ontwikkelingen. Het is dus niet realistisch om alleen de VoT voor de auto te verlagen, maar voor deze studie kan het wel om te verkennen wat er dan gebeurt. 3.3 Analyse van de resultaten Verwachting Voordat naar de resultaten wordt gekeken is het nuttig even stil te staan bij de runs en wat we verwachten als resultaat. Run 1: De capaciteit van het HWN gaat omlaag. Het HWN zit dus eerder vol. Dit heeft een aantal gevolgen: het aantal reizen zal afnemen (tourfrequentie effect), er zal meer op het OWN worden gereisd (toedeeleffect), er zal naar andere bestemmingen worden gereisd (bestemmingskeuze effect), en er zal meer met andere vervoerwijzen worden gereisd (vervoerwijzekeuze effect). De tijd in file per auto zal zeker toenemen, maar in totaal kan het mogelijk afnemen. Run 2: De capaciteit van het HWN gaat omhoog. Het HWN krijgt meer ruimte. Dit heeft een aantal gevolgen (feitelijk allen tegengesteld aan Run 1): het aantal reizen zal toenemen (tourfrequentie effect), er zal mogelijk minder op het OWN worden gereisd (toedeeleffect, maar het is de vraag of dit waarneembaar zal zijn), er zal naar andere verder weggelegen bestemmingen worden gereisd, dus meer kilometers (bestemmingskeuze effect), en er zal meer met de auto worden gereisd (vervoerwijzekeuze effect). De tijd in file per auto zal zeker afnemen, maar op het totaal kan het effect anders zijn. Doordat de capaciteit van het OWN (inclusief de op- en afritten van het HWN) niet omhoog gaat, zou er meer fileterugslag naar het hoofdwegennetwerk kunnen optreden. Run 3: Gelijk aan run 2 + de PAE-factor van vracht gaat 10% naar beneden. Doordat vrachtwagens dichter op elkaar kunnen rijden ontstaat er ruimte voor meer auto s. Het aantal vrachtwagenverplaatsingen verandert niet in deze run. De effecten van run 2 worden hier dus versterkt, met de kanttekening dat de PAE-factor voor het hele netwerk werkt en niet alleen het HWN. Run 4: Gelijk aan run 2 maar nu ook een capaciteitsverhoging op het OWN. Ten opzichte van Run 2 neemt de ruimte op het OWN toe, er zal dus verkeer van het HWN naar het OWN verschuiven. De capaciteitsverhoging op het OWN is 10% en die op het HWN 15%, dus het effect zal kleiner zijn. Run 5: Gelijk aan run 4 + VOT van woon-werk en zakelijk met 10% omlaag. Dat de VOT van woon-werk en zakelijk naar beneden gaat betekent dat kosten relatief belangrijker worden bij de routekeuze. Bij routealternatieven, zoals een snelle lange route versus een korte langzame route of een kostbare tolroute versus een langere gratis route zal er dus een verschuiving moeten worden gezien Resultaten in tabellen Tabel 3 tot Tabel 7 zijn gegevens uit SES en vormen de synthetische resultaten van het groeimodel. Op basis van de synthetische resultaten uit het basisjaar en het toekomstjaar wordt de groei berekend die wordt toegepast op de basismatrix om de toekomstmatrix te bepalen. De toekomstmatrix wordt in QBLOK toegedeeld op het netwerk wat resulteert in QBLOK tabellen 6 en 7. Tabel 3 toont de index van het aantal reizen per motief t.o.v. de referentie. De resultaten zijn logisch. Bij run 1 neem het aantal autoreizen af doordat de capaciteit is verlaagd. Bij run 2 neemt het aantal autoreizen 27

37 toe omdat de capaciteit op het HWN groter is, en als in run 4 de capaciteit op het OWN ook nog wordt vergroot dan neemt het aantal reizen verder toe. In run 3 wordt de PAE-factor vergroot, wat effectief ook voor een capaciteitsvergroting zorgt. Dit levert t.o.v. run 2 een kleinere bijdrage op dan de vergroting van de OWN-capaciteit. De verandering van de VOT in run 5 doet aan het aantal reizen weinig. De utility van autoreizen wordt iets lager, wat een verschuiving van andere vervoerswijzen naar auto zou moeten geven. Deze verschuiving is er wel, maar is niet zichtbaar in de indexen, zie Tabel 4. De verklaring hiervoor is dat de aanpassingen van de VOT niet direct doorwerken in de NUTS-functie. De VOT werkt alleen indirect, via de door de veranderde VOT aangepaste routekeuze (en daarmee de aangepaste reistijd en reiskosten), door in de utility van autoreizen. Tabel 3 : Index reizen per auto t.o.v. van de referentie, per motief, voor de verschillende runs Autobestuurder Run 1 Run 2 Run 3 Run 4 Run 5 Nederland Woon-Educatie Woon-Werk Woon-Zakelijk Woon-Winkel Woon-Overig Totaal Tabel 4 : Aantal reizen per auto t.o.v. van de referentie voor de verschillende runs Autobestuurder Referentie Run 1 Run 2 Run 3 Run 4 Run 5 Totaal 10,338,558 10,321,722 10,373,303 10,379,330 10,416,834 10,417,160 In Tabel 5 zijn de aantallen reizen opgenomen per trein en BTM. De reactie is precies tegengesteld aan die voor auto. Dit is conform de verwachtingen. Tabel 5 : Index reizen per trein en BTM t.o.v. van de referentie, per motief, voor de verschillende runs Trein Run 1 Run 2 Run 3 Run 4 Run 5 Nederland Woon-Educ Woon-Werk Woon-Zake Woon-Wink Woon-Over Totaal BTM Run 1 Run 2 Run 3 Run 4 Run 5 Nederland Woon-Educ Woon-Werk Woon-Zake Woon-Wink Woon-Over Totaal In Tabel 6 staat de reactie op de kilometers voor alle runs. Deze is in lijn met de aantallen reizen. Uitzondering hierop is run 5 waar de VOT is verlaagd voor woon-werk en zakelijk. Hier is te zien dat het aantal autokilometers voor woon-werk licht afneemt t.o.v. run 4. Dit is ook zo voor zakelijk, maar dit is niet terug te zien in de indexen. Voor de andere motieven is er in run 5 een geringe stijging. 28

38 Tabel 6: Index km per auto, trein en BTM t.o.v. van de referentie, per motief, voor de verschillende runs Autobestuurder Run 1 Run 2 Run 3 Run 4 Run 5 Nederland Woon-Educatie Woon-Werk Woon-Zakelijk Woon-Winkel Woon-Overig Totaal Trein Run 1 Run 2 Run 3 Run 4 Run 5 Nederland Woon-Educatie Woon-Werk Woon-Zakelijk Woon-Winkel Woon-Overig Totaal BTM Run 1 Run 2 Run 3 Run 4 Run 5 Nederland Woon-Educatie Woon-Werk Woon-Zakelijk Woon-Winkel Woon-Overig Totaal In Tabel 7 staan de indexen van het aantal reizen voor alle vervoerwijzen. Hierin is te zien dat de overige vervoerwijzen reageren zoels verwacht. Daarnaast is ook te zien dat het totaal aantal reizen naar verwachting verandert, d.w.z. dat bij run 1 het totaal aantal reizen licht daalt en bij alle andere runs licht stijgt. Dit is conform het tourfrequentie-effect. Tabel 7 : Index reizen voor alle vervoerwijzen t.o.v. van de referentie, voor de verschillende runs Nederland Run 1 Run 2 Run 3 Run 4 Run 5 Trein Autobestuurder Autopassagier BTM Fietsen Lopen Totaal In Tabel 8 worden de kilometers getoond als resultaat van de toedeling met QBLOK. Hierbij wordt onderscheid gemaakt tussen het HWN, het OWN en het totaal (de som van HWN en OWN). Daarnaast wordt ook onderscheid gemaakt naar perioden (AM is ochtendspits, PM is avondspits, OP is restdag, AMsh is de schouder van de ochtendspits, voor en na, en PMsh is de schouder van de avondspits, voor en na). Het gaat in dit gedeelte alleen nog maar om auto. Voor het totaal worden voor de drie hoofdperiodes (AM, PM en OP) en het totaal dezelfde resultaten getoond als in de SES-tabellen hiervoor. De schouders tonen tegengestelde cijfers, wat mogelijk tegen intuïtief is, maar wel klopt. In run 1 neem de capaciteit af, dus de drukte in de spits groeit. Hierdoor wordt verkeer uit de spits gedrukt richting de schouder. In de schouder nemen daardoor het aantal reizen toe, en daarmee dan ook de kilometers. Dit werk bij runs 2-5 precies omgekeerd. Het HWN-deel van de tabel toont hetzelfde als het totaal. Het OWN deel van de tabel toont wel iets anders maar is ook logisch. In run 1 wordt de capaciteit op het HWN verkleind, met het OWN gebeurt niets. Dit betekent dat het verkeer naar het OWN wordt gedrukt. In run 2 en 3 werkt dit precies omgekeerd. In run 4 en 5 wordt ook de capaciteit van het OWN vergroot. Er gaat weer meer verkeer over het OWN, waardoor het aantal kilometers groter wordt. In Tabel 9 wordt de tijd-in-file getoond. Dit komt goed overeen met de 29

39 resultaten in Tabel 8. Wat wel opvalt is dat het effect op de tijd-in-file behoorlijk groot is, maar dit is logisch omdat de tijd-in-file pas ontstaat als er een capaciteitstekort is. Een verruiming van de capaciteit heeft dan logischerwijs een groter effect op de tijd-in-file dan op de kilometers. Tabel 8: Index QBLOK km per periode voor het HWN, het OWN en het totale netwerk Nederland Run 1 Run 2 Run 3 Run 4 Run 5 HWN AM OP PM AMsh PMsh Totaal Nederland Run 1 Run 2 Run 3 Run 4 Run 5 OWN AM OP PM AMsh PMsh Totaal Nederland Run 1 Run 2 Run 3 Run 4 Run 5 Totaal AM OP PM AMsh PMsh Totaal Tabel 9: Index QBLOK tijd-in-file per periode voor het HWN, het OWN en het totale netwerk Nederland Run 1 Run 2 Run 3 Run 4 Run 5 HWN AM OP PM AMsh PMsh Totaal Nederland Run 1 Run 2 Run 3 Run 4 Run 5 OWN AM OP PM AMsh PMsh Totaal

40 Nederland Run 1 Run 2 Run 3 Run 4 Run 5 Totaal AM OP PM AMsh PMsh Totaal Resultaten geografisch In Bijlage B staat een aantal verschilplots van etmaalintensiteiten. In rood wordt een toename getoond, in groen een afname. Van iedere run is een verschilplot gemaakt tussen de betreffende run en de referentie. Daarnaast zijn verschilplots gemaakt tussen run 2 en 3, tussen run 2 en 4 en run 4 en 5 omdat daar steeds 1 aspect van de run verandert. Bijlage C laat tevens de I/C-plots van iedere run zien voor de ochtendspits. Plots run 1: voor de intensiteiten is het HWN groen gekleurd (afname), wat klopt met de afname van capaciteit van het HWN. Het OWN is rood gekleurd doordat het verkeer naar het OWN uitwijkt. Plots run 2: voor de intensiteiten is het HWN rood gekleurd (toename), wat klopt met de toename van capaciteit van het HWN. Het OWN is groen gekleurd doordat het verkeer van het OWN naar HWN verschuift. De I/C-plot voor de ochtendspits toont ondanks de afname van de tijd in file op het HWN van 35% slechts op enkele locaties verschil met de referentie. Uit de verschilplot met de referentie blijkt dat de I/C-ratio op de meeste wegen wel afneemt, maar blijkbaar is dat op de meeste locaties onvoldoende om van klasse te verspringen (om dit te kunnen zien zou een fijnere klassenverdeling nodig zijn). De verschilplot met de referentie laat bovendien zien dat de I/C-ratio op de meeste op- en afritten toeneemt, maar niet op de wegen stroomopwaarts. Blijkbaar is het effect van de verruiming van de capaciteit niet groot genoeg om een significante terugslag op het HWN te veroorzaken of is QBLOK niet in voldoende mate in staat om dit fenomeen volledig te modelleren (hoewel hier wel op gekalibreerd is). Plots run 3: de PAE factor is verlaagd, wat ruimte geeft op wegen waar veel vracht rijdt en waar het druk is. Het verschil tussen run 2 en run 3 is moeilijk te zien. Dit zal duidelijker zijn in de plot run 3 versus 2 Plots 3 versus 2: Vooral de snelwegen zijn rood gekleurd (toename intensiteit). Het aanwezige vrachtverkeer neemt nu minder ruimte in beslag, wat extra ruimte geeft voor autoverkeer. Het groen op het OWN komt vermoedelijk door verkeer dat naar het HWN verschuift omdat daar nu meer ruimte is. Plots run 4: Het OWN krijgt nu ook meer capaciteit. Vergeleken met run 2 is het OWN nu minder groen. Om het effect van de capaciteitsvergroting op het OWN goed te beoordelen kan aanvullend naar de plot run 4 versus 2 worden gekeken. Plots 4 versus 2: Het OWN krijgt nu ook meer capaciteit. In de Flevopolder is duidelijk te zien dat het OWN meer verkeer krijgt terwijl de hoofdweg A6 minder verkeer krijgt. Een eenvoudige verklaring voor de rode A4 en de rode A2 tussen Amsterdam en Utrecht is er niet. Plots run 5: De VOT van zakelijk en woon/werk is verlaagd. Ogenschijnlijk verschilt deze run niet met Run 4. Voor een duidelijker beeld wordt verwezen naar de plot run 5 versus 4. Plot 5 versus 4: De VOT van zakelijk en woon/werk is verlaagd. Dit betekent dat kosten een belangrijkere rol gaan spelen. Als alleen benzinekosten spelen, dan krijgt een korte langzame route de voorkeur boven een snelle lange route. Dit is te zien in de blauwe cirkels. Als er tol in het spel is, dan kan een langzame omweg de voorkeur krijgen boven een snelle tolweg. Dit effect is te zien in de groene cirkel (de Liefkenshoektunnel bij Antwerpen). Voor de A2 tussen Amsterdam en Utrecht is niet echt een alternatief. Omdat reistijd minder zwaar meetelt wordt extra drukte voor lief genomen en gaan er meer auto s over de A2. Ofschoon deze locaties goed te verklaren zijn is dat lastig voor veel anderen. Het beeld dat de verlaging van de VOT oproept is rommelig en lastig te duiden. 31

41 3.4 Conclusies modelruns Conclusies op basis van run 1, 2 en 4 De effecten van de vergroting/verkleining van de capaciteit van het HWN zijn duidelijk en logisch. Als de capaciteit afneemt neemt het aantal autoverplaatsingen en kilometers beperkt af. Er treedt een verschuiving op van het hoofdwegennetwerk naar het onderliggend wegennetwerk, naar de schouders van de spits en naar de trein en BTM omdat de congestie (tijd in file) toeneemt. Bij een toename van de capaciteit is dit effect omgekeerd. Bij een toename van de capaciteit op het OWN neemt aantal verplaatsingen en kilometers beperkt toe. Er treedt een kleine verschuiving van de schouders van de spits naar de spits op en de tijd in file op het OWN neemt af. Op basis hiervan kan geconcludeerd worden dat met het LMS de netwerkbrede effecten die optreden als gevolg van een toe- of afname van de capaciteit door zelfrijdende auto s kunnen worden doorgerekend. Wat hiervoor echter nodig is, is een goede inschatting van het capaciteitseffect van zelfrijdende auto s. Dat kan niet met het huidige LMS. Mogelijk is de afname van 34,8% van de tijd in file bij een toename van de capaciteit op het HWN overschat, als fileterugslag vanaf de afritten niet volledig is meegenomen. Nader onderzoek kan uitwijzen in hoeverre dit zo is. Bovendien is de capaciteitstoename generiek toegepast terwijl deze bij weefvakken en andere discontinuïteiten mogelijk kleiner is. Conclusies op basis van run 3 Tabel 10 vat de belangrijkste resultaten van run 3 samen. Deze resultaten zijn uitgedrukt in veranderingen in procentpunten ten opzichte van run 2. De effecten van de verlaging van de PAE-factor zijn goed te verklaren, maar relatief kleiner. Dat laatste is logisch omdat door de verhoging van de capaciteit op het hoofdwegennetwerk een deel van de congestie al was opgelost. Het voordeel van invoeren van het effect van pelotonvorming van het vrachtverkeer via de pae-factor is dat dat capaciteitstoenames oplevert op locaties waar het meeste vrachtverkeer rijdt (in plaats van generiek op alle wegen). Om het effect van pelotonvorming van het vrachtverkeer door te rekenen zou het wenselijk zijn dat er onderscheid gemaakt kan worden tussen een pae-factor voor het hoofdwegennetwerk en voor het onderliggend wegennetwerk. Doordat de PAE-factor in het huidige LMS alleen generiek kan worden aangepast treden er ook effecten op het onderliggend wegennetwerk op. Tabel 10: Belangrijkste resultaten Run 3 (pae-factor -10%) vergeleken bij run 2 in procentpunten Verplaatsingen GM KM QBLOK KM Tijd in file Auto HWN OWN Trein BTM Conclusies op basis van run 5 Run 5 is de run waarin het grootste effect van zelfrijdende auto s op de tijd in file verwacht wordt, omdat bij deze run een toename in de capaciteit van het HWN (+15%), het OWN (+10%), de pae-factor (-10%) en de VOT voor woon-werk en zakelijk verkeer (-10%) is verondersteld. De tijd in file neemt met iets meer dan 30% af in deze modelrun. Op basis van deze modelrun mag echt niet geconcludeerd worden dat zelfrijdende auto s de potentie hebben om de congestie met 30% te reduceren, o.a. omdat de effecten van zelfrijdende auto s op de tijdwaarderingen niet volledig zijn doorgerekend. Het toedelingseffect (routekeuze en file open afbouw) is wel doorgerekend, maar om het effect op vervoerwijzekeuze, dagdeelkeuze en bestemmingskeuze ook volledig door te rekenen moeten de parameters van de nutsfunctie worden aangepast. Nu zijn alleen indirecte effecten als gevolg van met de toedeling (QBLOK)-berekende veranderingen in reistijd, afstanden en kosten doorgerekend. Als alle effecten wel volledig meegenomen zouden worden zou naar verwachting het aantal autokilometers stijgen en de tijd in file dus minder afnemen. 32

42 4 Onderzoeksagenda voor het modelleren van mobiliteitseffecten van zelfrijdende auto s Uit de literatuurstudie, de expertsessie en modelruns is gebleken dat de huidige versie van het LMS niet toereikend is om het effect van zelfrijdende auto s te berekenen. De onderzoeksagenda in dit hoofdstuk geeft aan welke stappen nodig zijn om in 2016 de doorstromings- en bereikbaarheidseffecten van zelfrijdende auto s in de NMCA mee te kunnen nemen voor het zichtjaar Uit het literatuuronderzoek en de expertsessie is gebleken dat de rijtaken op het hoofdwegennetwerk eerder geheel of partieel worden overgenomen dan op het onderliggend wegennetwerk en pelotonvorming van het vrachtverkeer zal zich op de snelwegen concentreren. Op basis van deze verwachting zijn de onderwerpen op de onderzoeksagenda geprioriteerd: 1. Hoge prioriteit omdat ook bij de lagere niveaus van automatisering effect wordt verwacht (P1). 2. Lagere prioriteit omdat alleen bij de hogere niveaus van automatisering effect wordt verwacht (P2). Paragraaf 4.1 gaat over het modelleren van doorstromings- en bereikbaarheidseffecten met het LMS onder gemiddelde omstandigheden. Paragraaf 4.2 gaat over effecten op reistijdbetrouwbaarheid, robuustheid, verkeersveiligheid, milieu en economie. De aanbevelingen voor de onderzoeksagenda zijn opgesteld voor de situatie waarin zelfrijdende auto s een substantiële rol gaan spelen. Om het effect van zelfrijdende auto s goed te kunnen modelleren zijn aanzienlijke ingrepen in delen van het LMS nodig zoals aangegeven in enkele aanbevelingen. Mocht echter blijken dat de verwachte aandelen van zelfrijdende auto s beperkt zijn, dan kan in een aantal gevallen voor pragmatische oplossingen worden gekozen. 4.1 Modelleren van doorstromings- en bereikbaarheidseffecten met het LMS Om de effecten van zelfrijdende auto s op het aantal verplaatsingen, het aantal voertuigkilometers, de reistijden en de bereikbaarheid onder gemiddelde omstandigheden te kunnen bepalen zijn scenario s nodig, is het nodig om de vraagmodellering te verbeteren en de daarvoor benodigde input te genereren en is het nodig om de netwerkmodellering te verbeteren en de daarvoor benodigde input te genereren. Paragraaf 4.1.1, en gaan hier nader op in Scenario s (P1) In de toekomst zal de penetratiegraad van de hogere niveaus van zelfrijdende auto s steeds verder toenemen. Om het effect van zelfrijdende auto s te kunnen bepalen is het nodig per zichtjaar (in ieder geval 2040) meerdere scenario s op te stellen waarin is aangeven welk deel van het wagenpark bestaat uit voertuigen van niveau 0 t/m 5 (SAE-levels) zoals in Tabel 11 is weergegeven. De scenario s per zichtjaar onderscheiden zich in ieder geval in de mate van coöperatief rijden (V2V voertuig-voertuig communicatie en V2I voertuig-infrastructuur communicatie). Daarnaast kunnen de scenario s zich bijvoorbeeld onderscheiden in de mate waarin de overheid de invoering ondersteunt met regelgeving, stimuleringsmaatregelen, etc. en publieke acceptatie. Tabel 11: Voorbeeld penetratiegraden in een toekomstscenario Niveau %..%..%..%..%..%..%..%..%..%..%..%..%..%..%..%..%..% Om een stap naar modelinvoer voor het LMS te kunnen maken is het per scenario daarnaast nodig aan te geven in hoeverre pelotonvorming van het vrachtverkeer en verschillende vormen automatisch rijden hun intrede doen op verschillende wegtypes, op welke locaties doelgroepstroken liggen voor vrachtpelotons of 33

43 zelfrijdende auto s en op welke locaties andere infrastructurele ingrepen worden gedaan om automatisch rijden te faciliteren (o.a. via wegkantsystemen). Hoe: (Deels) via verkennende studie naar scenario s voor zelfrijdende auto s in het kader van de nieuwe WLO scenario s (PBL) Vraagmodellering (autobezit en gebruik, bestemmingskeuze, vervoerwijzekeuze en dagdeelkeuze) Uit het literatuuronderzoek en de verkennende modelanalyses is gebleken dat de volgende aspecten van de vraagmodellering en de invoer voor de vraagmodellering moeten worden verbeterd: a) Autotypes toevoegen voor verschillende niveaus van automatisering (P1). b) Waardering van tijd aanpassen (P2). c) Vraageffecten voor het goederenvervoer (P1). d) Locatiekeuze (P2) e) Parkeren (P2) Ad a) Autotypes toevoegen voor verschillende niveaus van automatisering (P1) In 2040 zal het wagenpark bestaan uit een mix van voertuigen met een verschillend niveau van automatisering. Om hier in het LMS rekening mee te kunnen houden moeten autotypes worden onderscheiden (P1). Modellering LMS In de huidige versie van het LMS wordt geen onderscheid gemaakt naar verschillende niveaus van automatische rijden. Om het effect van zelfrijdende auto s te kunnen modelleren is dit onderscheid wel nodig. Dit vraagt onder andere aanpassingen in de module die het autobezit per huishoudentype en zone bepaalt (CARMOD). In plaats van alleen onderscheid te maken naar huishoudens zonder auto, met één auto en met meerdere auto s, is het ook nodig om onderscheid te maken naar auto s van verschillende automatiseringsniveaus. Het aantal niveaus wat daarbij onderscheiden wordt kan daarbij nog nader worden bepaald (bijvoorbeeld alleen onderscheid naar wel of niet automatisch rijden of onderscheid naar de zes niveaus van automatisch rijden). Het onderscheiden van meerdere autotypes beïnvloedt ook de andere modules van het LMS. Invoer LMS Zelfrijdende auto s kunnen van invloed zijn het totale autobezit. Met een verkennend stated preference onderzoek naar de aanschafbereidheid onder verschillende gebruikersklassen (zoals in het ecodriver-project) en een automarktmodel zoals Dynamo kan worden bepaald hoe zelfrijdende auto s de omvang en samenstelling van het autopark beïnvloeden. Dit verschaft tevens inzicht in de vaste en variabele autokosten. Daarnaast kan literatuur over ride-sharing en car-sharing aanvullend inzicht bieden (bijvoorbeeld Simulatiestudie voor een fictieve stad (ITF, 2014)). Naast het bezit van zelfrijdende auto s is ook het gebruik van belang. Een stated en/of revealed preference onderzoek (bijv. rijsimulator, Prius) kan aangeven in hoeverre en onder welke omstandigheden de systemen voor automatisch rijden naar verwachting worden gebruikt. Ad b) Waardering van tijd aanpassen (P2) Uit de expertsessie en het literatuuronderzoek is gebleken dat zelfrijdende auto s de tijdwaardering kunnen beïnvloeden. Naar verwachting zal de tijdwaardering het meest veranderen vanaf niveau 3 of zelfs niveau 4 van automatisch rijden (prioriteit 2). Modellering LMS Effecten op de vervoervraag (bestemmingskeuze, vervoerwijzekeuze, dagdeelkeuze) kunnen naar verwachting grotendeels via een aanpassing van de tijdwaardering per motief worden doorgerekend. Uit de modelanalyses is echter gebleken dat het hierbij niet voldoende is om de exogene value of time (VOT)- 34

44 parameters aan te passen omdat die alleen de toedeling en het voor- en natransport voor de trein rechtstreeks beïnvloeden. Om deze reden is het nodig om te verkennen hoe de tijd- en eventueel kostenparameters van de nutsfunctie aangepast kunnen worden om het effect van zelfrijdende auto s op de vervoervraag goed te berekenen. Daarnaast zou net als bij de modellering van autobezit onderscheid gemaakt moeten worden naar verschillende autotypes en zou onderscheid gemaakt moeten worden naar reistijd op het hoofdwegennetwerk en onderliggend wegennetwerk omdat in sommige scenario s de tijdwaardering op het hoofdwegennetwerk anders is dan op het onderliggend wegennetwerk. Invoer LMS Verschillende niveaus van automatisering en connectiviteit maken het mogelijk om in steeds verdergaande vorm de tijd in de auto alternatief te besteden. Als gevolg daarvan zal de tijdwaardering voor (vracht)autobestuurders naar verwachting omlaag gaan. De literatuur geeft echter niet aan in hoeverre de tijdwaardering nog verder zal dalen voor verschillende doelgroepen (woon-werk verkeer, zakelijk verkeer, overig personenautoverkeer, vrachtverkeer). Ook is nog niet duidelijk in hoeverre er verschillen zijn in tijdwaardering tussen het hoofdwegennetwerk en het onderliggend wegennetwerk voor de verschillende niveaus van automatisering. Het is immers mogelijk dat op snelwegen eerder volledig automatisch kan worden gereden dan op overige wegen. Aanvullend onderzoek is nodig om hier inzicht in te krijgen. Hoe: een onderzoek onder early adoptors (automobilisten met ACC etc.) en een verkennend stated preference onderzoek. De opzet zal verschillen tussen vracht- en personenauto verkeer, omdat bij vrachtverkeer chauffeurskosten een belangrijke rol spelen. Het stated preference onderzoek kan wellicht worden gecombineerd met het voorgestelde onderzoek onder a) naar de aanschafbereidheid. Ad c) Vraageffecten voor het goederenvervoer (P1) Pelotonvorming van het vrachtverkeer zal naar verwachting voor 2040 zijn intrede doen (P1). Hier wordt nu al mee getest. Het effect van pelotonvorming van het vrachtverkeer op het aantal vrachtverplaatsingen, de bestemmingskeuze van vrachtverkeer en de wagenparksamenstelling (klein, middelgroot, grote vrachtwagens) kan niet met het LMS worden bepaald. Een data-analyse in combinatie met een verkenning via een goederenvervoermodel (BasGoed) kan hier inzicht in bieden. Ad d) Locatiekeuze (P2) De hogere niveaus van automatisch rijden kunnen de locatiekeuze van huishoudens, bedrijven en distributiecentra beïnvloeden omdat de reistijd alternatief kan worden besteed. Met een ruimtelijk evenwichtsmodel/land use model in combinatie met LMS kan inzicht worden verkregen in hoeverre dergelijke effecten naar verwachting optreden. Ad e) Parkeren (P2) Bij volledig automatisch rijden is ook inzicht nodig in hoe het parkeerproces zal verlopen. De auto kan dan op een andere locatie dan op de bestemming worden geparkeerd. Hierbij is het wel de vraag in hoeverre dit relevant is voor de tijdshorizon van de NMCA (2040) Verkeersmodellering (routekeuze en afwikkeling) Uit het literatuuronderzoek en de verkennende modelanalyses is gebleken dat de volgende aspecten van de netwerkmodellering en de invoer voor de netwerkmodellering moeten worden verbeterd: f) Onderscheid gebruikersklassen in de toedeling (P1). g) Verkeersafwikkeling bij rechte snelwegen (P1), weefvakken, op- en afritten, samenvoegingen (P1), belangrijkste onderliggende wegen en kruisingen (P2). h) Routekeuze (P2). 35

45 Ad f) Onderscheid gebruikersklassen in de toedeling (P1) In 2040 zal het wagenpark bestaan uit een mix van voertuigen met een verschillend niveau van automatisering. Om hier in het LMS rekening mee te kunnen houden moeten, net als bij de vraagmodelleringen gebruikersklassen worden onderscheiden (P1). Het aantal niveaus wat daarbij onderscheiden wordt kan daarbij nog nader worden bepaald. Modellering LMS Het toedelingsmodel van het LMS (QBLOK) heeft een multi-user class toedeling (werk, zakelijk, overig, vracht). Hier zouden gebruikersklassen voor verschillende niveaus van automatische rijden aan moeten worden toegevoegd omdat: de capaciteit van de weg afhangt van de mix van voertuigen van verschillende automatiseringsniveaus (P1 zie g); en de routekeuze afhangt van de tijdwaardering en deze kan verschillen voor verschillende niveaus van automatisch rijden (P2); de routekeuze kan verschillen per niveau van automatisering (P1-zie h). Ad g) Verkeersafwikkeling bij rechte snelwegen (P1), weefvakken, op- en afritten, samenvoegingen (P1), belangrijkste onderliggende wegen en kruisingen (P2) In 2040 zal het wagenpark bestaan uit een mix van voertuigen met een verschillend niveau van automatisering. Uit het literatuuronderzoek is gebleken dat dit invloed heeft op de verkeersafwikkeling op rechte snelwegen, weefvakken, op- en afritten en samenvoegingen op het hoofdwegennetwerk (P1). De verkeersafwikkeling wordt op het onderliggend wegennetwerk ook beïnvloed, maar naar verwachting zal dit nog minder vergaand zijn dan op het hoofdwegennetwerk (P2). Modellering LMS Zelfrijdende auto s hebben effect op de volgtijden, de vrije snelheid, snelheid bij het wegrijden uit files, stabiliteit/schokgolven en de daaruit voortvloeiende vrije capaciteit en afrijdcapaciteit. In macroscopische modellen komt dit tot uitdrukking in het fundamenteel diagram. In het huidige toedelingsmodel van het LMS (QBLOK) kan dit echter niet rechtstreeks ingevoerd worden en moeten aanpassingen via andere parameters worden doorgevoerd. Om het effect van zelfrijdende auto s binnen de huidige opzet van QBLOK te kunnen modelleren zijn de volgende aanpassingen/verkenningen nodig: Hoe kan de capaciteit afhankelijk worden gemaakt van de mix van voertuigen? Hoe kan de capaciteit bij in- en uitvoegstroken, samenvoegingen en de weefvakreductie eenvoudig worden aangepast? Dit vraagt naar verwachting geen grote ingrepen, omdat in principe de capaciteit van ieder wegvak al aangepast kan worden en weefvakken al automatisch gedetecteerd worden. De weefvakreductie is echter nog lastig aan te passen, en op- en afritten hebben hetzelfde wegtype in plaats van verschillende wegtypes. Hoe kan de pae-factor voor het hoofd- en onderliggen wegennetwerk afzonderlijk worden aangepast. In de huidige versie van het LMS beïnvloedt de pae-factor het HWN en OWN gelijktijdig. In hoeverre wordt de mate van fileterugslag bij afritten in het LMS realistisch gemodelleerd? Als de capaciteit en het gebruik van het HWN omhoog gaat en de uitstroom van het HWN naar het OWN niet verbetert, zou er veel file kunnen ontstaan bij de afritten. Dit effect was echter niet gevonden in de verkennende modelruns. Mogelijk zal dit in praktijk echt niet optreden, mogelijk was de capaciteitsverhoging niet groot genoeg om het verwachte effect te zien of mogelijk gaat het model hier niet goed genoeg mee om. Is het mogelijk en nodig om de speed-flow curves en de wachttijd- en de fileduurtabellen aan te passen of is modellering via aanpassingen van de capaciteit voldoende? Hoe kan een verbeterde afwikkeling op kruispunten op het onderliggend wegennetwerk worden gemodelleerd? 36

46 Hoe: nadere analyse van welke aanpassingen noodzakelijk zijn en binnen twee jaar operationeel kunnen zijn (inclusief ontwerpen en testen van de aanpassingen) en verkenning van de mogelijkheid van de inzet van een ander toedelingsmodel. Invoer LMS Om een doorvertaling te maken van de scenario s naar het effect op de verkeersafwikkeling is een systematische microsimulatiestudie nodig die verder gaat dan de simulatiestudies die in de literatuur zijn beschreven en zich voornamelijk richten longitudinale systemen (ACC en CACC) voor snelwegen zonder bottlenecks. De microsimulatiestudie moet leiden tot een relatie tussen het effect van verschillende longitudinale en laterale systemen en mate van coöperatief rijden bij verschillende voertuigmixen op de verkeersafwikkeling. De verkeersafwikkeling kan worden uitgedrukt in relevante indicatoren zoals: het effect op de vrije snelheid en speed-flow curves, snelheid bij het wegrijden uit files, stabiliteit/schokgolven, de pae-factor (de ruimte de vrachtwagens innemen ten opzicht van personenauto s) en de daaruit voortvloeiende vrije capaciteit en afrijdcapaciteit. De simulaties zijn nodig voor verschillende wegconfiguraties met een variërend aantal rijstroken, percentage vrachtverkeer en maximumsnelheden voor: Rechte snelwegen (zonder discontinuïteiten); (P1) Weefvakken, op- en afritten, samenvoegingen; (P1) Doelgroepstroken; (P1) Belangrijkste onderliggende wegen en kruisingen (P2). Een belangrijke vraag hierbij is hoe een representatieve set van wegconfiguraties kan worden afgeleid. Er zijn immers heel veel verschillende wegconfiguraties mogelijk. Bij de simulaties is het van belang om realistische volgtijden te gebruiken die bij voorkeur afkomstig zijn uit technische testen (veldtesten) in combinatie met realistische toekomstverwachtingen ten aan zien van de volgtijd. Indien geen informatie over volgtijden beschikbaar is, dienen deze gevarieerd te worden binnen een range van realistische waarden. Daarnaast dient rekening gehouden te worden met verschillende controllers van verschillende fabrikanten en de transition of control (onder welke omstandigheden wordt de controle weer terug gegeven aan de bestuurder). Hetzelfde geldt voor de lengte, ofwel het aantal voertuigen, van vracht- en personenwagen pelotons. Hoe: microsimulatie gebaseerd op volgtijden zoals gebruikt bij technische testen (veldtesten) en data van (inter)nationale trials zoals SARTRE, HAVE-IT, PATH, COMPANION, compass4d coöperatieve kruispunten. Bij nationale testen die in de komende twee jaar worden uitgevoerd is het wellicht mogelijk om, voor zover nog niet voorzien, aanvullende indicatoren in de evaluatie mee te nemen die relevant zijn om effect op macroscopisch niveau af te leiden. Ad h) Routekeuze (P2) Mogelijk wijzigt de routekeuze van het vrachtverkeer als gevolg van pelotonvorming van vrachtverkeer en zelfrijdende auto s. Het is bijvoorbeeld mogelijk dat vrachtverkeer eerder snelwegen kiest waar veel ander vrachtverkeer rijdt, omdat ze dan meer voordelen hebben van pelotonvorming. Daarnaast is het mogelijk dat er wat meer spreiding in de routes optreedt als gevolg van informatievoorziening die meer richting een systeem optimum gaat. Bij kleine verschillen in reistijden, maakt het de gebruiker niet uit welke route hij/zij kiest terwijl dat voor het systeem wel uitmaakt en daar dus op gestuurd kan worden. Evenzo kan gebruik gemaakt worden van persoonlijke voorkeuren ten aanzien van andere aspecten dan alleen de reistijd, zoals voorkeuren voor het gebruik van snelwegen, voorkeuren voor eerder gekozen wegen, voorkeuren voor het vermijden van files etc. en van informatie over de routes die andere voertuigen volgen. 37

47 Modellering LMS QBLOK berekent nu een deterministisch gebruikersevenwicht. Een verkennende studie kan uitwijzen of dit nodig en mogelijk is om dit aan te passen. Dit is niet alleen relevant in het kader van zelfrijdende auto s, maar raakt in algemenere zin aan effecten van informatievoorziening. Invoer LMS Een stated preference onderzoek en een onderzoek onder informatieproviders kan uitwijzen in hoeverre in de toekomst andere informatie aangeboden wordt en in hoeverre dit de routekeuze beïnvloedt/ 4.2 Het modelleren van overige effecten Met het LMS kunnen niet alle effecten van zelfrijdende auto s worden bepaald. Via onderstaande methodes kan aanvullend inzicht worden gekregen in het effect op reistijdbetrouwbaarheid, verkeersveiligheid, reistijdverlies als gevolg van incidenten (robuustheid), milieueffecten en economische effecten. Reistijdbetrouwbaarheid (P1) Aan het LMS is een module LMS-BT gekoppeld waarmee de reistijdbetrouwbaarheid kan worden berekend met behulp van relaties tussen deur-tot-deur betrouwbaarheid van reistijden en enkele kenmerken van een reis (gemiddelde snelheid, vertraging door files, afstand, hoeveelheid verkeer). Het effect van zelfrijdende auto s op de relaties die LMS-BT verondersteld, zal eerst moeten worden onderzocht alvorens LMS-BT inzicht kan bieden in het effect van zelfrijdende auto s op reistijdbetrouwbaarheid. Verkeersveiligheid en het effect van incidenten op het reistijdverlies (P1) De invloed van incidenten op reguliere onbetrouwbaarheid is onderdeel van LMS-BT. Kwetsbaarheid (de extremere reistijdverliezen die vaak door incidenten veroorzaakt worden) kan niet goed me LMS-BT worden gemodelleerd. Hiervoor is aanvullende robuustheidsmodelering of data-analyse vereist. Een data-analyse kan aantonen welk deel van de incidenten bij verschillende afwikkelingsniveaus kunnen worden voorkomen bij verschillende penetratie- en gebruikspercentages van verschillende automatiseringsen connectiviteitsniveaus. Op basis van data-analyse en/of robuustheidmodellering kan vervolgens een inschatting worden gemaakt van het reistijdverlies dat kan worden voorkomen als er zich minder incidenten voordoen.daarnaast moet de vraag beantwoord worden of zelfrijdende auto s nieuwe risico s opleveren (incidenten, systeem failures, hacks,.). Hoe: analyse van incidenten van een aantal jaren (bijv ) in combinatie met resultaten safetystudies. Dit geeft aan welke deel van de incidenten voorkomen kan worden. Op basis van een data-analyse van het reistijdverlies dat door dit type incidenten veroorzaakt wordt, kan aantonen welk deel van het reistijdverlies als gevolg van incidenten voorkomen kan worden. Op basis van kenmerken van de incidenten (afhankelijkheid van intensiteiten en wegkenmerken) en/of modelanalyses, kan tevens een inschatting gemaakt worden van het reistijdverlies als gevolg van incidenten dat in de toekomst voorkomen kan worden. Milieueffecten (P1) Zelfrijdende auto s beïnvloeden ook het milieu. Door gebruik te maken van data uit DAVI-testen, de proef A270 (niet getuned op energie-efficiëntie), ecomove simulaties en aanvullende simulaties kan het effect van verschillende automatiseringsniveaus op de energie-efficiëntie en de uitstoot worden bepaald. Economische effecten van zelfrijdende auto's (P2) Reistijd wordt in kosten-batenanalyses als kosten gezien. Bij vergaande vormen van automatisering hebben zelfrijdende auto s ook economische voordelen (tijd kan alternatief besteed worden, minder stress bij rijden etc. - zie discussie over comfortbaten OV). De vraag is of en, zo ja, hoe deze het best tot uitdrukking kunnen worden gebracht. 38

48 Dankwoord Wij willen graag Dr. Ir. Rik van Grol van Significance bedanken voor het uitvoeren van de modelruns en de analyse van de resultaten (paragraaf 3.2, paragraaf 3.3, bijlage B en bijlage C). Daarnaast willen we graag de deelnemers aan de expertsessie bedanken voor hun deelname aan de sessie en hun bijdrage aan dit rapport. 39

49 Geciteerde werken Arnaout, G., & Bowling, S. (2011). Towards reducing traffic congestion using cooperative adaptive cruise control on a freeway with a ramp. Journal of industrial engineering and management, 4(4), Bhat, C. (2014). Driverless Cars: Implication for Travel Behavior. University of Texas, Centre for transportation research, Brown, A., Gonder, J., & Repac, B. (2013). An Analysis of Possible Energy Impacts. In G. Meyer, & S. Beiker, Road Vehicle Automation (pp ). Berlin: Springer. Calvert, S., van den Broek, T., & van Noort, M. (2011). Modelling Cooperative Driving in Congestion Shockwaves on a Freeway Network th International IEEE Conference on Intelligent Transportation Systems. Washington, DC, USA. Calvert, S., van den Broek, T., & van Noort, M. (2012). Cooperative Driving in Mixed Traffic Networks Optimizing for Performance Intelligent Vehicles Symposium. Alcalá de Henares, Spain. Darbha, S., & Rajagopal, K. (1999). Intelligent cruise control systems and traffic flow stability. Transportation Research Part C: Emerging Technologies, Vol. 7, No. 6, Elsevier, pp Eyre, J., Yanakiev, D., & Kanellakopoulos, I. (1998). A Simplified Framework for String Stability Analysis of Automated Vehicles. Vehicle System Dynamics, Vol. 30, No. 5, Taylor & Francis, 1998, pp gm2011-d7-6.pdf (2011). Documentatie van GM 2011, Deel D7-6, Programma QBLOK. Gunn, H. (2001). Spatial and temporal transferability of relationships between travel demand, trip costs and travel time. Transportation Research Part E, 37, pp Gucwa, M. (2014). The mobility and energy impacts of automated cars. Haaijer, R., Meurs, H., Tavasszy, L., Snelder, M., Duijnisveld, M., van Nes, R., Verroen, E., van Schie, C., Bates, J., Jansen, B. (201). Audit LMS en NRM, Eindrapport stap 2, TNO-060-DTM C Hoogendoorn, R., & Harms, I. (2014). Rijtaak en doorstromingsproblematiek. Connecting Mobility. Hoogendoorn, R., van Arem, B., & Hoogendoorn, S. (2014). Automated Driving, Traffic Flow Efficiency And Human. TRB Annual Meeting Washington D.C. Ioannou, P. (1997). Automated Highway Systems. Springer. Karaaslan, U., Varaiya, P., & Walrand, J. (1991). Two proposals to improve freeway traffic flow. American Control Conference, IEEE, pp Kerner, B. S. (2004). Three-phase traffic theory and highway capacity. Physica A: Statistical Mechanics and its Applications, Vol. 333, pp Kesting, A., Treiber, M., Schönhof, M., Kranke, F., & Helbing, D. (2007). Jam-avoiding adaptive cruise control (ACC) and its impact on traffic dynamics. Traffic and Granular Flow 2005, Springer, 2007, pp Kesting, A., Treiber, M., & Helbing, D. (2010). Enhanced intelligent driver model to access the impact of driving strategies on traffic capacity. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, Vol. 368, No. 1928, pp

50 Kesting, A., & Treiber, M. (2013). Traffic Flow Dynamics. Springer. KiM (2013). De maatschappelijke waarde van kortere en betrouwbaardere reistijden. Li, P. Y., & Shrivastava, A. (2002). Traffic flow stability induced by constant time headway policy for adaptive cruise control vehicles. Transportation Research Part C: Emerging Technologies, Vol. 10, No. 4, Elsevier, pp Litman, T. (2014). Autonomous Vehicle Implementation Predictions Implications for Transport Planning. Victoria Transport Policy Institute. Minderhoud, M. M. (1999). Supported driving: Impacts on motorway traffic flow. T99/4, July 1999, TRAIL Thesis Series, Delft University. Minderhoud, M., & Hansen, I. (2002). Preliminary Assessment of Platoon-driving with Automated Trucks. International Congress on Freight Transport Automation and Multimodality. Delft. Minderhoud, M. (2011), Simulation study after the impact of trucks on passenger car travel time and motorway capacity, ICTTE2011. Ministeries van Verkeer en Waterstaat & Economische Zaken (2000). Evaluatie van infrastructuurprojecten, Leidraad voor Kosten-batenanalyse, Den Haag. Ngoduy, D., S.P. Hoogendoorn & R. Liu (2009), Continuum modeling of cooperative traffic flow dynamics, In: Physica A 388 (2009), pp SAE International. (2014). Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems. SAE International, rapport SAE J SARTRE. (2012). SARTRE SAfe Road TRains for the Environment Final report. Schakel, W., van Arem, B., & Netten, B. (2010). Effects of cooperative adaptive cruise control on traffic flow stability. IEEE 13th International IEEE Conference on Intelligent Transportation Systems (ITSC), (pp ). Schermers, G., & Malone, K. (2004). Dutch Evaluation of Chauffeur Assistant (DECA) Traffic flow effects of implementation in the Heavy Goods Vehicles sector. Rotterdam: Ministry of Transport, Public Works and Water Management and TNO. Shladover, S. E., Su, D., & Lu, Z.-Y. (2012). Impacts of Cooperative Adaptive Cruise Control on Freeway Traffic Flow. 91st TRB Annual Meeting. Washington, DC, USA. Timmer, J., & Kool, L. (2014). Tem de robotauto, De zelfsturende auto voor publieke doelen. Den Haag: Rathenau Instituut. Underwood, S. E. (2014). Automated Vehicles Forecast Vehicle Symposium Opinion Survey. Graham Institute for Sustainability. van Arem, B., de Vos, A., & Vanderschuren, M. (1997). The effect of a special lane for intelligent vehicles on traffic flows. Delft: TNO Inro 97/NV/060. van Arem, B., Driel, C. J., & Visser, R. (2006). The Impact of Cooperative Adaptive Cruise Control on Traffic- Flow Characteristics. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 7(4),

51 van Arem, B., Hogema, J., & Smulders, S. (1996). The impact of Autonomous Intelligent Cruise Control on traffic flow. 3rd World Congress on Intelligent Transport Systems. Orlando, Florida, USA. van Arem, B., Jansen, B., & van Noort, M. (2008). Slimmer en beter- de voordelen van intelligent verkeer. Delft: TNO 2008-D-R0996/A. van Calker, J., & Flemming, A. (2013). icar - implementation status survey by use of OEM data ICAR- Report. Van Driel, C., & van Arem, B. (2010). The Impact of a Congestion Assistant on Traffic Flow Efficiency and Safety in Congested Traffic Caused by a Lane Drop. Journal of Intelligent Transportation Systems, 14(4), VanderWerf, J, Shladover, S.E., Miller, M.A., & Kourjanskaia, N (2002). Evaluation of the effects of Adaptive Cruise Control systems on Highway traffic flow capacity and implications for deployment of future automated systems. Paper submitted for TRR publication review at the 81st Annual meeting of the TRB, Transportation Research Board, Washington DC. VanderWerf, J., Shladover, S., & Miller, M. A. (2004). Conceptual development and performance assessment for the deployment staging of advanced vehicle control and safety systems. Wang, M. (2014). Generic Model Predictive Control Framework for Advanced Driver Assistance Systems. Delft. Wilmink, I., Janssen, W., Jonkers, E., Malone, K., van Noort, M., Klunder, G., et al. (2008). eimpact Socioeconomic Impact Assessment of Stand-alone and Co-operative Intelligent Vehicle Safety Systems (IVSS) in Europe. D4. of Stand-alone and Co-operative Intelligent Vehicle Safety Systems (IVSS) in Europe. Wilmink, I., Jonkers, E., Netten, B., & Ploeg, J. (2013). Quick scan van de potentiële effecten van (snelheids)maatregelen op filegolven. TNO-rapport R Wilmink, I., Malone, K., Soekroella, A., Schuurman, H. (2014). Coöperatieve systemen& Automatisch rijden; State-of-the-Art achtergronddocument. TrafficQuest. 42

52 Bijlage A: Nadere toelichting simulatiestudies literatuur (van Arem, Hogema, & Smulders, The impact of Autonomous Intelligent Cruise Control on traffic flow, 1996) Systeem: ACC Situatie: 3 km snelweg met 3 rijstroken (A2 tussen Utrecht en Rotterdam), limiet 120 km/uur, geen bottleneck Intensiteit: 4 spitsperiodes: 4600 (86%), 3965 (92%), 5520 (91%), 5950 (95%) voertuigen per uur. Tussen haakjes staan de percentages vrachtverkeer. Gekalibreerd: ja Penetratiegraad Volgtijd (sec) Effect: gemiddelde reistijd (seconde) (spits 3) Effect: standaarddeviatie van de reistijd Effect: aantal schokgolven per 5 minuten Referentie 33,46 3,7 0,28 20% 1,0 +1% -2% -50% 20% 1,5 +3% -1% -61% 40% 1,0 +4% -3% -29% 40% 1,5 +17% 77% -79% (van Arem, de Vos, & Vanderschuren, The effect of a special lane for intelligent vehicles on traffic flows, 1997) Systeem: ACC Situatie: snelweg van 5 kilometer met 4 rijstroken en een wegversmalling naar 3 rijstroken (A4 in de buurt van Schiphol). Sommige scenario s: linker rijstrook doelgroepstrook Gekalibreerd: ja Volgtijd (sec) Penetratiegraad Doelgroepstrook Effect: gemiddelde intensiteit (voertuigen/uur) Effect: hoogste intensiteit na bottleneck (voertuigen/uur) Effect: gemiddelde reistijd (seconde) Effect: aantal schokgolven per 5 minuten Referentie Nee , % 1,0 Nee 0% +3% -1% -79% 50% 1,0 Ja 1% +4% 1% -72% 50% 0,7 op doelgr.str 60% 0,7 op doelgr.str Ja Ja 1% +8% 0% -71% 1% +6% -1% -84% 43

53 (van Arem, Driel, & Visser, The Impact of Cooperative Adaptive Cruise Control on Traffic-Flow Characteristics, 2006) Systeem: CACC Volgtijd: 0,5 seconde als ze een CACC-voertuig volgen en 1,4 seconde als ze ander voertuig volgen. Situatie: snelweg van 6 kilometer met 4 rijstroken en een wegversmalling naar 3 rijstroken (A4 in de buurt van Schiphol). Sommige scenario s: linker rijstrook doelgroepstrook Gekalibreerd: ja (Schakel, van Arem, & Netten, 2010) Systeem: CACC en AAC (Acceleration Advise Control) Volgtijd: 2 scenario s met gaussiaanse verdeling van volgtijden van 1,2±0,15 seconde en 1,2±0,3 seconde voor zowel de CACC voertuigen als de andere voertuigen. Het gemiddelde van 1,2 seconde geeft een capaciteit van 2400 voertuigen per uur bij een wenssnelheid van 90 km/uur. Reactietijd AAC HMI: gaussiaanse verdeling van 0,5s± 0,1 s. Situatie: 1 rijstrook van 4 kilometer. Het voorste voertuig rijdt de eerste 2 kilometer met 90 km/uur. Dan remt het voertuig af met 5 m/s 2 naar een snelheid van 36 kilometer/uur. Deze snelheid is 5 seconde aangehouden en daarna accelereert het voertuig weer met 1 m/s 2 naar een snelheid van 90 km/uur.. Instroom: 2000 voertuigen per uur. Gekalibreerd: Instellingen gebaseerd op een veldtest op de A270 met AAC. Scenario: referentie 0%; 100% AAC; 50% en 100% CACC voertuigen + 2 scenario s volgtijden. 44

54 (Arnaout & Bowling, 2011) Systeem: CACC Volgtijd: 0,5 seconde als ze een CACC-voertuig volgen en 0,8-1,0 seconde (uniform verdeeld) als ze ander voertuig volgen. Situatie: snelweg van 6 kilometer (U-shaped) met 4 rijstroken. Scenario met en zonder een oprit (instroom 500 voertuigen/uur). Aandeel vracht: 10% Gekalibreerd: nee, simulatiemodel wel gevalideerd aan de hand van de highway capacity manual. Scenario: 0%, 20%, 40%, 60%, 80%, 100% CACC en instroom: 4000, 5000, 6000, 7000, 8000 voertuigen/uur. 45

55 (Calvert, van den Broek, & van Noort, Modelling Cooperative Driving in Congestion Shockwaves on a Freeway Network, 2011) en (Calvert, van den Broek, & van Noort, Cooperative Driving in Mixed Traffic Networks Optimizing for Performance, 2012) Systeem: CACC Volgtijd: 0,5 seconde als ze een CACC-voertuig volgen en 0,8-1,0 seconde (uniform verdeeld) als ze ander voertuig volgen. Situatie: deel van het snelwegennetwerk van Amsterdam (de A1 en de A10-zuid). Op de A1 was er een bottleneck vanwege een wegversmalling van 4 naar 3 rijstroken. Hierdoor ontstaan schokgolven die terugslaan naar de A10. Gekalibreerd: ja. Scenario: 5%, 10% 25%, 50%, 75% en 100% CACC. Referentie: aantal aankomsten 3500 voertuigen. Resultaat: bij een penetratiegraad van respectievelijk 5%, 10% 25%, 50%, 75% en 100% een toename van het totaal aantal aankomsten (indicator voor doorstroming) van 0%, 3%, 10%, 22%, 39% en 68%. 46

56 (Shladover, Su, & Lu, 2012) Systeem: ACC en CACC Volgtijd: Manueel: 1,5 seconde plus of min 10% (capaciteit ~2200 voertuigen/uur -> effectief 2018 voertuigen/uur). ACC: 31,1% met 2.2 seconde, 18,5% met 1,6 seconde, 50,4% met 1,1 seconde. CACC: 12% met 1,1 seconde, 7% met 0,9 seconde, 24% met 0,7 seconde, 57% met 0,6 seconde. Situatie: 1 rijstrook met snelheidslimiet van 105 km/uur. Gekalibreerd: nee. 47

57 (Wilmink, Jonkers, Netten, & Ploeg, 2013) Effecten van snelheidsmaatregelen Tabel 12: Effecten op voertuigverliesuren (Wilmink, Jonkers, Netten, & Ploeg, 2013) Penetratiegraad (%) Opvolging (%) Vermindering VVU's Studie/bron % 1,5% Dynamax SPECIALIST % 4% Dynamax (simulatie) 1 54% 8% Dynamax + 1% FCD 5 57% 13% Dynamax + 5% FCD 25 76% 13% Dynamax + 25% FCD % 14% Dynamax + VBM % 14% Dynamax + VBM + 1% FCD % 14% Dynamax + VBM + 5% FCD % 16% Dynamax + VBM + 25% FCD 2 100% 5% CCC 2% 5 100% 15% CCC 5% % 39% CCC 10% % 60% CCC 20% % 67% CCC 40% % 30% Fileassistent % 60% Fileassistent Tabel 13: Effecten op reistijden (Wilmink, Jonkers, Netten, & Ploeg, 2013) Penetratiegraad (%) Opvolging (%) Verandering in reistijden (%) Studie/bron 2% 100% 0% CCC 2% 5% 100% 1% CCC 5% 10% 100% 2% CCC 10% 20% 100% 4% CCC 20% 40% 100% 4% CCC 40% 10% 100% 22% CACC 20% 100% 33% CACC 30% 100% 41% CACC 50% 100% 58% CACC 80% 100% 62% CACC 10% 100% 12% Fileassistent 50% 100% 25% Fileassistent 48

58 Tabel 14: Effect op het aantal schokgolven (Wilmink, Jonkers, Netten, & Ploeg, 2013) Penetratiegraad (%) Opvolging (%) Vermindering aantal schokgolven Studie/bron 100% 53% 8% Dynamax SPECIALIST 20% 100% 31% Fileassistent 40% 100% 61% Fileassistent 60% 100% 79% Fileassistent 80% 100% 83% Fileassistent 100% 100% 89% Fileassistent 49

59 Bijlage B: Figuren modelresultaten intensiteiten De figuren in deze bijlage tonen het verschil in intensiteiten tussen de run en de referentie. In rood zijn toenames en in groen afnames van de intensiteiten te zien. Achtereenvolgens worden getoond: Run 1 versus referentie. Run 2 versus referentie. Run 3 versus referentie. Run 3 versus run 2. Run 4 versus referentie. Run 4 versus run 2. Run 5 versus referentie. Run 5 versus run 4. 50

60 Verschilplot run 1 versus referentie. 51

61 Verschilplot run 2 versus referentie. 52

62 Verschilplot run 3 versus referentie. 53

63 Verschilplot run 3 versus run 2. 54

64 Verschilplot run 4 versus referentie. 55

65 Verschilplot run 4 versus run 2. 56

66 Verschilplot run 5 versus referentie. 57

67 Verschilplot run 5 versus run 4. 58

68 Bijlage C: Figuren modelresultaten I/C-plots De figuren in deze bijlage tonen de I/C-plot per run en een verschilplot tussen run 2 en de referentie voor de ochtendspits. Bij de verschilplots zijn in rood toenames en in groen afnames van de intensiteiten te zien. 59

69 Referentie ochtendspits Run 1 ochtendspits Run 2 ochtendspits Run 3 ochtendspits 60

70 Run 4 ochtendspits Run 5 ochtendspits Run 2 versus referentie Nederland Run 2 versus referentie uitsnede 61