Nationaal verkeerskundecongres 2016

Transcriptie

1 Nationaal verkeerskundecongres 2016 De kracht van het combineren De Fietsmonitor: schatten van stedelijke fietsstromen op basis van data uit verkeerslichten en het OViN Sander Veenstra MSc (Witteveen+Bos) Samenvatting In Nederland heeft de fiets een voorname plaats in het stedelijke verkeerssysteem. Maar hoeveel weten we er eigenlijk van? Hoewel er wel degelijk fietsdata wordt verzameld, wordt het nog onvoldoende benut. Wanneer we meer willen weten over fietsers zou het handig zijn eerst de bestaande bronnen te beschouwen op de specifieke beschikbaarheid, betrouwbaarheid en toepassingsgebied. Daarnaast biedt het koppelen van databronnen de mogelijkheid om het in kaart brengen van de fiets van verschillende kanten te benaderen en de specifieke kwaliteiten van databronnen ten volle te benutten. Witteveen+Bos werkt momenteel in samenwerking met de Universiteit Twente aan een tool die met behulp van data uit verkeerslichten en het Onderzoek Verplaatsingen in Nederland een inschatting geeft van fietsstromen. Voor de gemeente Enschede een applicatie ontwikkeld om op netwerkbrede schaal het fietsverkeer in kaart te brengen en te kunnen monitoren, ook op plaatsen waar niet direct gemeten wordt. De ontwikkeling van deze tool, genaamd: de Fietsmonitor, is de leidraad van dit artikel. Trefwoorden Fietsstromen, monitoring, databronnen

2 De kracht van het combineren De Fietsmonitor: schatten van stedelijke fietsstromen op basis van data uit verkeerslichten en het OViN Fietsen is belangrijk. In Nederland heeft de fiets een voorname plaats in het stedelijke verkeerssysteem. In nationale, regionale en gemeentelijke mobiliteitsplannen wordt vaak gerept over het stimuleren van het fietsgebruik om de bereikbaarheid te vergroten. Maar hoe bepalen we eigenlijk of dat beleid zinvol is geweest en hoe het beleid verder te sturen? Voor de auto zijn er verkeersmodellen en veel verkeersdata waarmee een inschatting gemaakt kan worden van verkeersstromen. Voor het fietsverkeer zijn dergelijke modellen nog niet op dat niveau. Toch liggen er mogelijkheden! Er wordt namelijk wel degelijk fietsdata verzameld, maar nog onvoldoende benut. Bovendien is de data gefragmenteerd en wordt het nog onvoldoende gekoppeld. Wanneer we meer willen weten over de fietsers ten behoeve van beleidsvorming, -uitvoering en -evaluatie zou het handig zijn de bestaande bronnen te beschouwen op de specifieke beschikbaarheid, betrouwbaarheid en toepassingsgebied. Daarnaast biedt het koppelen van databronnen de mogelijkheid om het in kaart brengen van de fiets van verschillende kanten te benaderen en de specifieke kwaliteiten van databronnen ten volle te benutten. Dit idee lag ook ten grondslag aan het onderzoek naar het schatten van fietsstromen in Enschede. Als startpunt was er data beschikbaar van verkeerslichten op enkele punten in het verkeersnetwerk. Deze databron biedt detecties van inductielussen nabij verkeerslichten van zowel auto s, als ook fietsers. Omdat detecties van fietsers niet één-op-één overeenkomen met fietsvolumes dient hiervoor eerst te worden gecorrigeerd, zodat er een continue bron van fietsintensiteiten nabij verkeerslichten ontstaat. Dit biedt echter geen netwerkbreed beeld van de fiets. Voor beleidontwikkeling en evaluaties geven aantallen fietsers misschien niet voldoende inzicht en is meer nodig, zoals herkomsten en bestemmingen. Zouden de fietsvolumes van verkeerslichten kunnen worden gekoppeld aan de data over verplaatsingsgedrag en herkomsten en bestemmingen van het MON en OViN om iets over fietsstromen (hoeveelheden fietsers van een bepaalde herkomst naar een bestemming) te kunnen zeggen en zo meer dan de som der delen? Witteveen+Bos werkt momenteel in samenwerking met de Universiteit Twente aan een tool die met behulp van data uit verkeerslichten (VRIs) en het Onderzoek Verplaatsingen in Nederland (OViN) een inschatting geeft van fietsstromen. In een eerder stadium is voor de gemeente Enschede een applicatie ontwikkeld voor het stedelijke netwerk van Enschede. De gemeente Enschede diende als case om op netwerkbrede schaal het fietsverkeer in kaart te brengen en te kunnen monitoren, ook op plaatsen waar niet direct gemeten wordt. De ontwikkeling van deze tool, genaamd: de Fietsmonitor, is de leidraad van dit artikel. Allereerst wordt in de inleiding de context geschetst: wat weten we over fietsen en welke ontwikkelingen zijn er? Het tweede hoofdstuk beschrijft de beschikbare databronnen. Vervolgens wordt in het derde hoofdstuk het onderzoek naar het schatten van fietsstromen gepresenteerd als voorbeeld van het verkrijgen van meer inzicht bij het combineren van verschillende databronnen en bieden hoofdstukken 4 en 5 een overzicht van de toepassingsmogelijkheden en verdere ontwikkelrichtingen. 1 INLEIDING Hoewel fietsen een belangrijk beleidsthema is en in de toekomst bij de verdere opkomst van de elektrische fiets wellicht alleen nog maar belangrijker wordt, wordt alom geroepen dat we nog maar zo weinig kwantitatieve informatie over fietsen hebben. 1.1 Aanleiding Daarbij wordt door gemeentelijke, regionale en provinciale overheden ingezet op het stimuleren van fietsgebruik (Borgman & Kamminga, 2010). Echter, investeringen in fietsbeleid vaak een kwantitatieve basis 2 16

3 waardoor het maken een gefundeerde keuzes voor beleidsmaatregelen moeilijk is en de evaluatie van de effectiviteit van de maatregel niet kwantificeerbaar is. Om deze leemte aan fietskennis op te vullen wordt er momenteel op verschillende fronten onderzoek gedaan naar het beter in beeld brengen van de fietser. Het magazine van CROW Fietsverkeer (2016) heeft de stand van zake benoemd met betrekking tot de fietsdata die verzameld wordt en de toepassingsmogelijkheden. Daarnaast wordt door verschillende partijen gewerkt aan het beter opnemen van de iets in verkeersmodellen 1. Er lijken derhalve verschillende bewegingen te zijn om de fietser beter in beeld te brengen. Onderbelicht is nog de vraag in hoeverre de verschillende bronnen en initiatieven elkaar kunnen aanvullen en versterken. In het geval van de gemeente Enschede, de case verderop in dit artikel, heeft de aanwezigheid van data van detectielussen nabij verkeerslichten een onderzoek ontketend naar de bruikbaarheid van die databron voor het bepalen van fietsintensiteiten en de mogelijkheid tot het schatten van fietsstromen. 1.2 Doel Het doel van het onderzoek voor de gemeente Enschede is het bieden van inzicht in fietsstromen gebruik makend van aanwezige databronnen: - Benutten van reeds aanwezige bronnen; - Zoeken naar mogelijkheden om bronnen te koppelen; - Verkrijgen van rijkere informatie. 1.3 Aanpak Bij het onderzoek naar fietsstromen in Enschede is een sterk aanbodsgedreven ontwikkeling gevolgd. Op basis van beschikbare databronnen zijn de mogelijkheden verkend om ten eerste de bronnen afzonderlijk te gebruiken en vervolgens de mogelijkheid tot het combineren te beschouwen om tot een schatting van fietsstromen te komen. Onder een fietsstroom wordt in dit geval een hoeveelheid fietsers op een bepaalde herkomst-bestemmingsrelatie verstaan. Voor de specifieke case van de gemeente Enschede was de data van de detectielussen bij verkeerslichten in de gemeente beschikbaar. Van de databron is in eerste instantie bepaald of deze gebruikt kan worden als bron voor informatie over de fiets. Na een conversieslag (zoals beschreven in paragraaf 3.2 van dit artikel) kan de data van detectielussen gebruikt worden voor het schatten van fietsvolumes op enkele punten in het fietsnetwerk. Om meer achtergronden bij deze aantallen te kunnen geven is vervolgens de combinatie gezocht met de data uit het MobiliteitsOnderzoek Nederland en het Onderzoek Verplaatsingen in Nederland. De karakteristieken van verplaatsingen bevatten onder andere herkomsten en bestemmingen en vervoersmiddel en biedt als afzonderlijke databron de mogelijkheid om gemiddeld verplaatsingsgedrag in Enschede (of elk ander gebied in Nederland) te bepalen en de fietsverplaatsingen en bijbehorende herkomst-bestemmingsrelaties inzichtelijk te maken inclusief het motief van de fietsverplaatsing. Door de combinatie van beide bronnen zijn fietsstromen geschat die de fietsrelaties uit het MON en OViN representeren en die de fietsvolumes, zoals die gemeten zijn nabij verkeerslichten, reflecteren. Deze aanpak is nader beschreven in Hoofdstuk 3, waarin voor de case Enschede de ontwikkeling van de Fietsmonitor is gepresenteerd. 2 CONCEPT Fietsstromen is een lastig te meten grootheid. Puntmetingen, zoals telpunten, geven voor de specifieke locatie het aantal passerende fietsers, maar biedt geen netwerkbreed beeld. Vlakmetingen, zoals het OViN en GPS-locaties, bieden meer ruimtelijke data, maar slechts van een (a-)selecte groep respondenten/deelnemers. Afzonderlijke databronnen kunnen het fenomeen als geheel niet vatten. In conceptuele zin kan het verkeerssysteem, waarin ook de fiets zijn plaats heeft, worden weergegeven zoals in Afbeelding 1. Fietsstromen zoals die zich in de tijd voordoen, komen voort uit het samenspel van 1 ( ) 3 16

4 ruimtelijke activiteiten, beschikbare infrastructuur en het individu dat zich wil verplaatsen om activiteiten te kunnen ontplooien (Geurs & Van Wee, 2004). Afbeelding 1 conceptuele weergave verkeerssysteem Ruimtelijke activiteiten Bereikbaarheid Dagelijks verkeer incl. fietsstromen Mobiliteitsvraag Infastructuur Individu Verkeersgedrag Dit betekent ook dat het bij monitoren van fietsstromen rekening gehouden zou moeten worden met het drietal pijlers van het verkeerssysteem bij het monitoren van fietsstromen. In termen van ruimtelijke activiteiten is het bijvoorbeeld van belang waar scholen en winkelcentra liggen en waar mensen wonen en werken. De infrastructuur bepaalt of een activiteit überhaupt bereikt kan worden en zo ja, met welke modaliteiten. Vervolgens kan het individu zijn/haar mobiliteitsvraag vervullen. Dit resulteert in het samenspel van mensen die zich voortbewegen in het verkeerssysteem en zich presenteert als verkeer dat verandert in de tijd bijvoorbeeld binnen een (werk)dag, over de dagen, weken en jaren. Focussend op fietsstromen als onderdeel van het verkeerssysteem geldt dezelfde samenhang. Het monitoren van fietsstromen vereist meer dan het meten van één aspect. Verschillende databronnen die allen (een deel van) het onderzochte fenomeen representeren bieden op hun eigen manier inzicht. Om een rijker beeld te krijgen van fietsstromen, zouden niet alleen de afzonderlijke bronnen gebruikt moeten worden, maar zou juist ook de combinatie van bronnen en de toegevoegde waarde ervan moeten worden onderzocht. Elke afzonderlijke bron heeft z n kracht en z n zwakheden en door te combineren kunnen de afzonderlijke bronnen elkaar versterken. Het benaderen van fietsstromen vanuit verschillende invalshoeken biedt een meer divers en genuanceerder beeld. Bovendien, door te focussen op de kracht van de individuele bronnen en deze kwaliteiten te combineren, kan naast de informatie die de afzonderlijke bronnen bieden ook de dieperliggende informatie getoond worden. Zoals al eerder genoemd, zijn er meerdere databronnen beschikbaar. De afzonderlijke databronnen hebben hun sterke en zwakke punten en het is noodzakelijk om die goed te kennen voordat met de data gewerkt kan worden. Een (niet uitputtend) aantal databronnen die informatie over de fietser kunnen bieden zijn getoond in Tabel 1 met hun karakteristieken, sterktes en zwaktes. Tabel 1 databronnen en bijbehorende kracht en zwaktes Databron Pijler Kracht Zwakte Postcodegebieden Ruimtelijke activiteiten - Algemeen bekende indeling - Meeteenheid ritten MON/OViN - Relatief grote gebieden - Weinig socio-economische data CBS wijken en buurten - Veel socio-economische data - Fijnmaziger zonering - Centroids Verkeersmodel - Zonering in lijn met netwerk verkeersmodel - Vereist updates NWB Infrastructuur - Alle wegen in Nederland - Niet specifiek voor de fiets Netwerk Verkeersmodel - Specifiek voor onderzoeksgebied - Wellicht niet fijnmazig genoeg voor fietsstromen Detectielussen bij Dagelijks - Detecteert totale verkeersomvang - Omzetting van fietsdetecties naar

5 Databron Pijler Kracht Zwakte verkeerslichten verkeer - Dynamiek in de tijd volumes benodigd - Weinig ruimtelijke context Visuele telling - Betrouwbare meting van volumes - Arbeidsintensief - Sterk afhankelijk van externe omstandigheden tijdens meting - Weinig ruimtelijke context MON/OViN Individu - Achtergronden bij verplaatsingsgedrag - Representatieve steekproef op landelijk niveau GPS-locaties - Geregistreerd gedrag - Routes - Zelfrapportage (foutgevoelig) - Onderregistratie korte ritten - Kleine steekproef met name op gemeentelijk niveau - A-selecte steekproef In dit artikel wordt de ontwikkeling van de Fietsmonitor beschreven als onderzoek in de gemeente Enschede waarbij het combineren van relevante databronnen over fietsen en gebruik te maken van de specifieke kwaliteiten van de betreffende bronnen leidt tot een beter inzicht in fietsstromen. Hiertoe zijn een drietal databronnen gebruikt: 1 Zonering en netwerk als ruimtelijke dragers van informatie 2 Fietsgeneratie en herkomst-bestemmingsrelaties (op basis van het MON en OViN als basis voor de schatting van fietsstromen 3 Schatting fietsstromen verbeteren aan de hand van aanwezige VRI-data om te kalibreren In het volgende hoofdstuk worden de verschillende onderdelen nader toegelicht. 3 CASE GEMEENTE ENSCHEDE 3.1 Ruimtelijke context Zoals eerder aangegeven is de gemeente Enschede als case gebruikt voor het onderzoek naar het schatten van fietsstromen. De specifieke ruimtelijke context is dan ook het uitgangspunt binnen het onderzoek. Naast het gegeven dat de lokaal aanwezige databronnen als startpunt hebben gediend, is ook de ruimtelijke context van belang in gedachten te houden. De locatie van ruimtelijke activiteiten als wonen, werken, winkelen, onderwijs en recreëren is van essentieel belang voor de resulterende (fiets)stromen. Daarbij is het (fiets)netwerk het middel dat de activiteiten verbindt en mobiliteit mogelijk maakt en dus bepalend voor het schatten van fietsstromen Productie en attractie Ruimtelijke activiteiten zorgen ervoor dat mensen verplaatsingen maken. De locatie van activiteiten als wonen, werken, winkelen, onderwijs en recreëren bepaalt in sterke mate hoeveel (fiets)verplaatsingen er verwacht kunnen worden. Binnen de Regio Twente was ten tijde van het onderzoek het Regionaal VerkeersModel Twente (RVM) beschikbaar, waarin een verkeersnetwerk aanwezig is en een zonering van productie- en attractielocaties in de vorm van centroids. Afbeelding 1 toont de centroids in vergelijking met de postcodegebieden. De zwartomlijnde gebieden representeren de postcodegebieden en de zwarte sterren zijn de centroids uit het verkeersmodel. De afbeelding toont dat de postcodegebieden veel groter zijn dan de gebieden die de centroids representeren. Er is derhalve gekozen om de centroids te gebruiken als herkomsten en bestemmingen, omdat fietsritten zodoende nauwkeuriger aan een gebied toe te kennen zijn. 5 16

6 Afbeelding 1 postcodegebieden vs centroids verkeersmodel Verkeersnetwerk Ook voor het verkeersnetwerk is het Regionaal VerkeersModel Twente gebruikt. Dit netwerk is in de basis bedoeld voor modelberekeningen van voertuigen in Twente. In het netwerk is daarnaast ook de fiets aanwezig. Met het toevoegen van enkele fietspaden is het netwerk geschikt gemaakt voor het schatten van fietsstromen en zijn de belangrijkste fietsverbindingen in Enschede in het netwerk vertegenwoordigd. Afbeelding 2 toont de fijnmazigheid van het verkeersnetwerk en toont de overlap tussen het netwerk in het Verkeersmodel (rood) en alle wegen uit het Nationale Wegenbestand (lichtblauw). Hieruit is op te maken dat het netwerk uit het verkeersmodel redelijk fijnmazig is. De gemeentelijke stroomwegen en gebiedsontsluitingswegen zijn in het model opgenomen. Voornamelijk de erftoegangswegen in de woonwijken zijn niet meegenomen in het model. Afbeelding 2 netwerk verkeersmodel vs NWB 3.2 VRI-data en volumes Detectielussen In Nederland reageren verkeerslichten (VRIs) op de aanwezigheid van verkeer. Dit betekent dat de VRI iets moet meten om de regeling aan te kunnen passen op het verkeersaanbod. Detectielussen en drukknoppen bij VRIs zorgen ervoor dat voertuigen, fietsers en voetgangers kunnen worden aangemeld in de regeling om 6 16

7 groen te krijgen. De lusdata zegt iets over de aanwezigheid van verkeer maar biedt nog niet direct betrouwbare fietsinformatie, omdat fietsers niet afzonderlijk gedetecteerd of geteld worden. Een voorbeeld van een geregeld kruispunt met bijbehorende detectielussen is getoond in Afbeelding 3. Afbeelding 3 detectielussen op een typisch kruispunt in Enschede Legend: Stop line loop Long loop Distant loop In Enschede liggen er veelal twee detectielussen op fietspaden/fietsstroken stroomopwaarts van de stopstreep. De detectielus nabij de stopstreep detecteert de aanwezigheid van wachtende fietsers bij de stopstreep. Een tweede lus ligt op enkele tientallen meters afstand van de stopstreep en detecteert aankomende fietsers. Het detectiepatroon van de detectielussen is weergegeven in Afbeelding 4. Afbeelding 4 detectiepatroon van lussen op een fietspad De afbeelding toont voor een tijdsperiode van ongeveer anderhalve minuut de status van de verkeerslantaarn ( 28 ) en de detectielussen ( 281, 282 ). Detectielus 282 laat zien dat vanaf 9:03:54 fietsers over de lus richting het verkeerslicht rijden. Om 9:03:57 komt de eerste fietser bij de detectielus bij de stopstreep aan en bezet deze voor enige tijd. Ondertussen toont lus 282 dat er meer fietsers arriveren. Vanaf 9:04:26 mogen de fietsers afrijden. Over de periode weergegeven in de afbeelding heeft lus 282 negen detecties gedaan. Lus 281 telt drie detecties. Beide lussen detecteren fietsers, maar het is evident dat een detectie niet één-op-één overeenkomt met één passerende fietser. De lus bij de stopstreep wordt tijdens het wachten zelfs door meerdere fietsers bezet. Op basis van de bovenstaande afbeelding is gekozen de lussen stroomopwaarts van de stopstreep te gebruiken, omdat hiervan de verwachting is dat het aantal detecties het aantal passerende fietsers het beste benadert Omzetten van detecties Om van het aantal detecties naar een schatting van het daadwerkelijke aantal passerende fietsers te komen, zijn visuele tellingen uitgevoerd bij enkele VRIs in Enschede. De hypothese is dat de lus stroomopwaarts niet alle fietsers telt op de drukkere fietspaden. Om de gehele bandbreedte van fietsintensiteiten te ondervangen, zijn visuele tellingen uitgevoerd op een viertal locaties variërend van rustig (tellocatie 3) tot zeer druk (tellocaties 2 en 4). Er zijn tellingen uitgevoerd (15 uur in totaal) in zowel de ochtend- als de avondspits. De resultaten van de tellingen zijn uitgezet tegen het bijbehorende aantal detecties in Afbeelding

8 Afbeelding 5 vergelijking tussen visuele tellingen, detectielustellingen en het model Bij volumes tot vijftig fietsers per kwartier kan worden gesteld dat het aantal detecties redelijk overeenkomt met het daadwerkelijke aantal passerende fietsers. Bij een hogere fietsintensiteit wordt het verschil tussen het aantal detecties en de daadwerkelijke fietsintensiteit groter en dient er gecorrigeerd te worden. De reden dat er een verschil is tussen het aantal detecties en het aantal fietsers is tweeledig. Enerzijds kunnen fietsers naast elkaar fietsen en zodoende als één detectie worden waargenomen. Het vermoeden bestaat dat deze bron van onderschatting proportioneel is met de fietsintensiteit. Omdat er ook wel eens fietsers langs de lus rijden in plaats van er overheen, gaan we ervan uit dat deze bron van onderschatting te verwaarlozen is. Anderzijds kunnen fietsers door dicht achter elkaar te fietsen niet worden onderscheiden door de detectielus. Voordat de voorste fietser de detectielus heeft verlaten, rijdt de volgende fietser al op de lus. Dit fenomeen vindt in toenemende mate plaats bij hogere fietsintensiteiten. Deze onderschatting is op te vatten als een vereiste minimale tussenafstand voordat een detectielus twee fietsers van elkaar kan onderscheiden, welke afhangt van de lengte van de detectielus en de lengte en snelheid (v bike) van fietsers. Daarbij is de kans dat twee fietsers dicht achter elkaar rijden groter naarmate de fietsintensiteit toeneemt. Uitgaande van een random aankomstproces heeft deze kans een negatief exponentiële verdeling volgens die in Afbeelding 5 is aangegeven door de onderbroken lijn. Volgens de afbeelding kan dit verschijnsel echter niet volledig de onderschatting van de lustellingen verklaren. Er speelt nog een ander fenomeen. Fietsers bewegen zich soms namelijk in groepen. Dit kan veroorzaakt worden door compressie van de fietsstroom bij verkeerslichten stroomopwaarts. Daarnaast is fietsen in de slipstream comfortabeler, waardoor eenmaal volgend een fietser eerder geneigd is te blijven volgen. Hiervoor wordt gecorrigeerd met een compressiefactor c (ten opzichte van een random aankomstproces). De schatting van het aantal fietsers gecorrigeerd voor de compressie wordt in Afbeelding 5 gerepresenteerd door de doorgetrokken lijn. De afbeelding laat zien dat met deze correctie de visuele tellingen goed overeenkomen met de lustellingen en veelal binnen de theoretische bandbreedte vallen Intensiteitsprofielen Het omzetten van de detecties bij verkeerslichten opent een grote en continue bron aan fietsdata. Op basis van de data kunnen intensiteitsprofielen gemaakt worden van de verschillende detectielocaties voor verschillende dagtypes. De onderstaande afbeeldingen illustreren dat de verkregen informatie inzicht biedt in de dynamiek in fietsintensiteiten voor een kruispunt op een gemiddelde werkdag en een weekenddag. Afbeelding 6 dagprofielen van een werkdag en weekenddag Werkdag Weekenddag 8 16

9 Het specifieke voorbeeld in de afbeeldingen toont een gemiddeld intensiteitsprofiel voor het kruispunt van de Hengelosestraat en de Tubantiasingel/Boddenkampsingel in Enschede (vanuit het centrum richting het Kennispark en de Universiteit Twente). Het profiel toont dat op werkdagen de ochtendspits dominant is (fietsers fietsen in de ochtend van centrum richting het Kennispark) en toont bovendien de college-uren van de Universiteit Twente (8:45, 10:45, 13:45 en 15:45 uur) in de vorm van extra pieken. Dergelijke profielen bieden naast een beeld van etmaalintensiteiten van verschillende dagtypes ook inzicht in piekintensiteiten en de dynamiek hierin (zoals de invloed van weersomstandigheden op fietsstromen (zie Veenstra e.a. (2013)). Dit is relevant voor het afstellen van de groentijden voor fietsers bij verkeerslichten maar ook voor het dimensioneren van fietspaden en -stroken. 3.3 MON/OViN en verplaatsingsgedrag Een tweede databron die gebruikt is, is het Onderzoek Verplaatsingen in Nederland (OViN, vroeger MobiliteitesOnderzoek Nederland (MON)) dat data over verplaatsingsgedrag in heel Nederland bevat en inzicht geeft in herkomsten en bestemmingen Fietsverplaatsingen Het MON/OViN is uitstekend geschikt om op geaggregeerd niveau een beeld te geven van verplaatsingsgedrag (zoals ritgeneratie en modal split), maar is vanwege de beperkte statistiek minder bruikbaar wanneer wordt ingezoomd op fietsstromen. Om hier toch een goed beeld van te krijgen, zijn opeenvolgende edities van het MON en OViN gestapeld (MON 2004 tot en met OViN 2014). Uit deze 11 jaargangen aan data is een set van 8216 fietsverplaatsingen in Enschede voortgekomen, waarmee geaggregeerde statistieken van de fietsverplaatsingen zijn bepaald. Een voorbeeld hiervan is het gemiddelde aantal fietsverplaatsingen per persoon. Deze waarde is van belang om de totale hoeveelheid fietsverplaatsingen te kunnen bepalen. Ter illustratie is hier het gemiddelde aantal fietsverplaatsingen per dag getoond voor verschillende leeftijdscategorieën uitgesplitst naar verplaatsingsmotief. Afbeelding 7 toont het gemiddeld aantal fietsverplaatsingen per dag voor heel Nederland en voor inwoners van Enschede. 9 16

10 0 t/m 5 jaar 6 t/m 11 jaar 12 t/m 14 jaar 15 t/m 17 jaar 18 t/m 19 jaar 20 t/m 24 jaar 25 t/m 29 jaar 30 t/m 34 jaar 35 t/m 39 jaar 40 t/m 44 jaar 45 t/m 49 jaar 50 t/m 54 jaar 55 t/m 59 jaar 60 t/m 64 jaar 65 t/m 69 jaar 70 t/m 74 jaar 75 t/m 79 jaar 80+ jaar gemiddelde 0 t/m 5 jaar 6 t/m 11 jaar 12 t/m 14 jaar 15 t/m 17 jaar 18 t/m 19 jaar 20 t/m 24 jaar 25 t/m 29 jaar 30 t/m 34 jaar 35 t/m 39 jaar 40 t/m 44 jaar 45 t/m 49 jaar 50 t/m 54 jaar 55 t/m 59 jaar 60 t/m 64 jaar 65 t/m 69 jaar 70 t/m 74 jaar 75 t/m 79 jaar 80+ jaar gemiddelde Afbeelding 7 aantal fietsverplaatsingen naar leeftijdsklassen 2 Dagelijks aantal fietsverplaatsingen (Nederland) 2 Dagelijks aantal fietsverplaatsingen (Enschede) Ander motief Toeren/wandelen Sociaal recreatief overig 1 Visite/logeren Onderwijs/cursus volgen Winkelen/boodschappen doen 0.5 Diensten/persoonlijke verzorging Zakelijk bezoek in de werksfeer Van en naar werk 0 Ander motief Toeren/wandelen Sociaal recreatief overig Visite/logeren Onderwijs/cursus volgen Winkelen/boodschappen doen Diensten/persoonlijke verzorging Zakelijk bezoek in de werksfeer Van en naar werk In Nederland maakt een persoon gemiddeld 0,8 fietsverplaatsingen per dag maar dit verschilt voor de diverse leeftijdscategorieën. Kinderen en jongeren in de schoolgaande leeftijd maken in Nederland een bovengemiddeld aantal fietsverplaatsingen. Vanaf een leeftijd van ongeveer 20 jaar tot 65 jaar ligt het aantal fietsverplaatsingen op 0,7 per dag. Voor hogere leeftijden neemt het aantal fietsverplaatsingen af. Kijkend naar Enschede verschijnt een vergelijkbare trend maar toont daarnaast dat door de kleine massa aan data van Enschede ten opzichte van heel Nederland het verloop van het gemiddelde aantal fietsverplaatsingen over de leeftijdscategorieën grillig is. Het gemiddelde aantal fietsverplaatsingen is met ongeveer 0,95 per dag hoger dan het landelijk gemiddelde (waarschijnlijk vanwege de stedelijke omgeving, fietsende studenten en de nabijheid van scholen, winkels en andere voorzieningen). Uit dergelijke afbeeldingen kan worden opgemaakt dat kinderen en jongeren meer dan gemiddeld fietsen met name door fietsverplaatsingen naar school. Bij het bepalen van het aantal fietsverplaatsingen moet dus rekening gehouden worden met de bevolkingsopbouw aan de productiekant en de locatie van scholen aan de attractiekant Herkomst-bestemmingsrelaties Een eerste stap naar het schatten van fietsstromen is het maken van een herkomst-bestemmingsmatrix (HBmatrix). Een HB-matrix verbindt de productie en -attractie en representeert fietsrelaties in het onderzoeksgebied. Er zijn verschillende manieren om een HB-matrix te construeren. Bovendien kunnen verschillende initiële matrices leiden tot verschillende schattingen van fietsstromen. In dit onderzoek is een drietal methoden getest en vergeleken om als startpunt te dienen voor het schatten van fietsstromen in het stedelijke fietsnetwerk: 1 op basis van het MON/OViN; 2 met behulp van het zwaartekrachtmodel; 3 een combinatie van de voorgaande twee. MON/OViN Een eerste methode is het direct gebruiken van het MON/OViN. De gegevens in deze databron bieden de mogelijkheid direct een HB-matrix te construeren. Deze databron bevat per geregistreerde fietsrit de herkomst- en de bestemmingspostcode. Het sommeren van alle HB-relaties levert een HB-matrix van fietsrelaties. Echter, wanneer wordt ingezoomd op Enschede wordt het aantal ritten waarop de HB-matrix is gebaseerd klein en is de betrouwbaarheid van de matrix een aandachtspunt. Door een elftal opeenvolgende edities te stapelen (MON2004 tot en met OViN2014) is geprobeerd een grotere steekproefgrootte te verkrijgen (8.216 fietsritten in totaal). Met deze fietsritten uit het MON/OVin waarvan de herkomsten en bestemmingen bekend zijn, is een HB-matrix gemaakt die vervolgens is opgehoogd om uit te komen op een gemiddeld aantal fietsritten van 0,95 per persoon per dag. Deze methode respecteert de geregistreerde fietsrelaties zoals deze in het MON en OViN zijn opgenomen. Omdat het aantal ritten per HB-relatie nog steeds beperkt is, blijft het gevaar van het versterken van toevallige variaties in de oorspronkelijke data. Zwaartekrachtmodel Een tweede HB-matrix is geschat door per postcodegebied een schatting te maken van het aantal fietsritten dat gegenereerd wordt en de herkomsten en bestemmingen met behulp van het zwaartekrachtmodel aan 10 16

11 elkaar te verbinden. Per postcodegebied is de fietsgeneratie bepaald aan de hand van het aantal inwoners (0,75 fietsritten per inwoner) en het aantal arbeidsplaatsen (0,5 fietsritten per arbeidsplaats). Deze indicatoren zijn gekozen vanwege hun beschikbaarheid in het Regionaal Verkeersmodel Twente. Idealiter zou de schatting van de fietsgeneratie van een gebied verder kunnen worden verbeterd door ook bijvoorbeeld leerlingplaatsen en winkeloppervlak mee te nemen. Deze informatie was niet beschikbaar. Bovendien dient de resulterende HB-matrix primair als initiële matrix die verder wordt nabewerkt aan de hand van fietsvolumes in het netwerk. Het aantal fietsritten per inwoner en arbeidsplaats is zo gekozen om een gemiddeld aantal fietsverplaatsingen per persoon per dag van 0,95 te bereiken. Vervolgens is aan de hand van de ritlengteverdelingen van fietsritten uit het MON en OViN distributiefunctie geschat. Deze distributiefunctie reproduceert de ritlengteverdeling echter niet volledig. Daarbij zijn discrete distributies geschat door afstanden te categoriseren in afstandsklassen en per afstandsklasse een distributiewaarde te schatten. Deze distributiewaarden zorgen ervoor dat de ritlengteverdeling na de distributie de gerapporteerde ritlengteverdeling uit het MON en OViN reproduceert. Combinatie zwaartekracht en MON/OViN Bij de derde methode is de ritgeneratie van het MON/OViN gebruikt om de randtotalen te bepalen en het zwaartekrachtmodel om de ritdistributie te doen. Deze combinatie is gekozen om een situatie te representeren waarbij meer socio-economische data beschikbaar is van de herkomsten en bestemmingen waarmee het aantal fietsritten beter te voorspellen is, en wordt het zwaartekrachtmodel gebruikt om de distributie uit te voeren Toedelen op het netwerk De drie HB-matrices zijn verder onderverdeeld onder de centroids per postcodegebied. De tweede stap is het toedelen van de drie HB-matrices aan het netwerk. Bij gebrek aan informatie over routekeuzegedrag onder fietsers is gekozen voor een Alles-Of-Niets -toedeling op de kortste route in het netwerk. Dit resulteert in een eerste schatting van fietsstromen in Enschede. In de toekomst is het goed mogelijk dat nieuwe inzichten en onderzoeken meer helderheid scheppen over routekeuzegedrag van fietsers en zal dit het toedelingsproces voor fietsritten kunnen verbeteren. Voor de hand liggende factoren als comfort en directheid van een fietsroute kunnen worden meegenomen. Er dient dan echter wel informatie te zijn over dergelijke factoren als karakteristieken van het fietsnetwerk Kalibratie De derde stap behelst het kalibreren van de toedelingen aan de hand van de fietsvolumes bij VRI s en het totaal aantal fietsritten op basis van de gestapelde OViN-data. De hoeveelheid toegedeeld fietsverkeer bij de telpunten is vergeleken met de etmaalgemiddelde fietsvolume bij dat betreffende telpunt. In Afbeelding 8 is het gemiddeld aantal fietsers per etmaal voor alle telpunten uitgezet tegen het toegedeelde aantal fietsers bij dezelfde telpunten na de toedeling van de drie verschillende HB-matrices

12 Afbeelding 8 vergelijking toegedeelde en gemeten fietsvolumes bij VRI-telpunten voor (links) en na (rechts) de kalibratie voor de verschillende initiële matrices: MON/OViN (rood), zwaartekracht (blauw) en gecombineerd (geel) De belangrijkste verschillen worden veroorzaakt door fietsers tussen Enschede, het Kennispark (oa de Universiteit Twente) en Hengelo. De toedelingsmethode deelt fietsers grotendeels toe aan de Hengelosestraat als kortste route waar de tellocaties langs de Hengelosestraat duidelijk lagere volumes aangeven. Parallelle routes die net iets langer zijn worden waarschijnlijk onderschat. Bij de telpunten is vervolgens in een iteratief proces geëvalueerd welke HB-relaties gebruik maken van de route via het telpunt en zijn de betreffende HB-relaties geschaald naar het telpunt. Er is op deze wijze een HB-matrix en een toedeling gecreëerd die enerzijds het gemiddeld aantal fietsritten die een Enschedeër maakt, respecteert en die anderzijds de fietsvolumes bij de detectielocaties in het netwerk reproduceert (zoals de rechterhelft van Afbeelding 8 toont). Op vergelijkbare wijze kunnen ook toedelingen gemaakt worden voor specifieke dagtypes en perioden (zoals een gemiddelde werkdag, een zaterdag en een spitsperiode). Van de drie initiële matrices is de MON/OViN-matrix gebruikt in het vervolg van het onderzoek, omdat van de data hierin vermoed wordt dat de HB-relaties de werkelijkheid beter representeren dan de andere matrices, omdat het gerapporteerd gedrag betreft in plaats van geschatte relaties. Het verschil tussen de toedeling van de initiële MON/OViN-matrix en de gekalibreerde toedeling is getoond in Afbeelding 9. De gele lijnen in de verschilplot geven aan dat de initiële matrix het aantal fietsers overschat in vergelijking met de telpunten. De rode lijnen tonen de situatie waarbij de initiële matrix het aantal fietsers onderschat. Afbeelding 9 verschil tussen initiële en gekalibreerde toedeling van de MON/OViN-matrix 12 16

13 Afbeelding 9 toont dat voornamelijk het aantal fietsers tussen het centrum van Enschede en de Universiteit Twente (in de noordwesthoek van Enschede) wordt overschat door de initiële matrix. Op de andere veelgebruikte fietsroutes lijkt de initiële matrix de telwaarden redelijk te representeren. De bovenstaande analyse illustreert dat het mogelijk is om op basis van een initiële HB-matrix een toedeling te kunnen maken van fietsverplaatsingen en dat de kalibratie aan de hand van de telpunten in het fietsnetwerk een schatting van fietsstromen kan produceren. Als bij de telpunten ook andere dan de gemiddelde etmaalvolumes worden gebruikt in het kalibratieproces zouden ook fietsstromen op andere momenten kunnen worden geschat, zoals ochtend- en avondspits, werkdagen en weekenddagen en door de jaren heen. Hiermee wordt aangetoond dat de combinatie van telpunten bij VRI s als continue databron met HB-relaties als ruimtelijke databron leidt tot een rijkere databron waarmee zowel de dynamiek (overgeërfd van de VRI-data) als het ruimtelijke verplaatsingsgedrag (overgeërfd van het MON en OViN) kan worden beschouwd. 3.4 Applicatie: de Fietsmonitor De informatie van de tellocaties, het MON/OViN en de fietsstromen zijn vervolgens ontsloten en gepresenteerd in een interactieve applicatie voor de gemeente Enschede, genaamd: de Fietsmonitor. Voor elke detectielocatie toont de Fietsmonitor het intensiteitsprofiel voor het geselecteerde dagtype (dag van de week, gemiddelde werkdag, feestdag) en biedt de mogelijkheid een vergelijking te maken van de profielen van verschillende tijdsintervallen (zoals opeenvolgende jaren), verschillende dagtypes en locaties. Afbeelding 10 locatie telpunten en intensiteitsprofielen Aan de hand van data uit het MON/OViN kan het verplaatsingsgedrag van een geselecteerd gebied in Enschede worden getoond. Dit geeft inzicht in de ritgeneratie (bijvoorbeeld het aantal ritten per persoon door de jaren heen) en modal split (bijvoorbeeld de verdeling onder de modaliteiten van ritten binnen en naar Enschede). Daarnaast laat de Fietsmonitor de HB-relaties op een kaart zien, waarmee de belangrijkste fietsrelaties getoond worden

14 Afbeelding 11 verplaatsingsgedrag en HB-relaties De geschatte fietsstromen kunnen worden getoond voor een reguliere werkdag, weekenddag, ochtendspits en avondspits. Deze functionaliteit biedt inzicht in de belangrijke fietsroutes. Afbeelding 12 fietsstromen in het fietsnetwerk 4 CONCLUSIE EN TOEPASSING Witteveen+Bos heeft in samenwerking met Universiteit Twente de Fietsmonitor ontwikkeld om het (toekomstige) fietsverkeer beter in beeld te brengen. De huidige Fietsmonitor is een flinke stap vooruit in bepalen en visualiseren van fietsstromen door gebruik te maken van meerdere databronnen. De Fietsmonitor gebruikt reeds aanwezige databronnen om meer waarde te halen uit de gedane inspanningen op het gebied van monitoring. Verkeerslichtendata zijn een belangrijke bron met een continue stroom aan data van detectielussen bij VRI s met name in de stedelijke omgeving. Daarnaast is het MON/OViN een 14 16

15 beproefde bron voor het verzamelen van verplaatsingsgedrag. Door de data zowel afzonderlijk als gecombineerd aan te bieden, wordt de kracht van de afzonderlijke databronnen optimaal gebruikt. Dit instrument biedt op basis van bestaande databronnen inzicht in: - fietsintensiteiten bij verkeerslichten; - belangrijke HB-relaties en verplaatsingsgedrag op basis van het MON/OViN; - een schatting van fietsstromen op het fietsnetwerk door de combinatie van beide. De Fietsmonitor als case van de gemeente Enschede toont ten eerste dat bestaande bronnen en met name de data uit verkeerslichten informatie bevatten over fietsintensiteiten. Deze continue databron is uitstekend geschikt om de dynamiek van fietsvolumes voor verschillende momenten op de dag, dagen in de week, maanden in het jaar en door de jaren heen te tonen. Ten tweede toont de Fietsmonitor dat het voor Enschede mogelijk is de combinatie te zoeken tussen de eerder genoemde data uit verkeerslichten en data uit het MON en OViN. De combinatie van beide bronnen opent een nieuwe bron van informatie over fietsstromen waarin de kwaliteiten van zowel de data van verkeerslichten als het verplaatsingsgedrag naar voren komen. Met efficiëntere en effectievere benutting van de bestaande monitoringssystemen is een betere kwantitatieve onderbouwing van (fiets)beleid mogelijk. De Fietsmonitor geeft tevens inzicht in de dynamiek van fietsintensiteiten voor verschillende type dagen en inzicht in (piek)intensiteiten voor het dimensioneren van fietspaden. Ook ontstaat er meer duidelijkheid over trends in het verplaatsingsgedrag en belangrijke HBrelaties voor de fiets. Dit kan het fietsbeleid ondersteunen en belangrijke intra- en interstedelijke fietsrelaties tonen om het fietsnetwerk te verbeteren. De Fietsmonitor geeft overzicht van fietsstromen op het fietsnetwerk voor verschillende perioden op de dag of door het jaar heen en laat zo de dynamiek van de stedelijke fietsstromen zien en geeft een beeld van het fietsverkeer ook op plaatsen waar niet direct wordt gemeten. De Fietsmonitor kan bij uitstek worden gebruikt als een ex post evaluatietool, maar ook als ex ante evaluatietool. Op basis van metingen voor en na specifieke maatregelen kan worden bepaald wat de effecten waren van die maatregel (ex post). De ambitie is om ook fietsverbindingen en/of maatregelen in het netwerk toe te kunnen voegen en aan de hand van verschilplaatjes vooraf te beschouwen wat de effecten van voorgenomen maatregelen zijn (a priori; ex ante). 5 ONTWIKKELINGEN EN AMBITIES Hoewel de Fietsmonitor is ontwikkeld aan de hand van de case in de gemeente Enschede, is het concept ook elders toepasbaar. Met fietstellingen (al dan niet met detectielussen), het OViN en een (fiets)netwerk zijn fietsstromen te schatten. Daarnaast wordt de Fietsmonitor in een samenwerking tussen Witteveen+Bos en de Universiteit Twente verder ontwikkeld om de toepassingsmogelijkheden verder te vergroten. De belangrijkste verbeterpunten: - Analysetools vergroten. Bijvoorbeeld het kunnen uitvoeren van selected link analyses. Deze analyse geeft inzicht in de herkomsten en bestemmingen van fietsers die gebruik maken van een wegvak (de selected link). Hiermee kan een inschatting worden gemaakt van het gebruik van een bepaald wegvak, zodat bijvoorbeeld verkeersveiligheids- of doorstromingsmaatregelen beter aansluiten op het daadwerkelijke gebruik van dat wegvak. - De Fietsmonitor is nu datagedreven en geeft inzicht in het verleden. Het biedt nog geen mogelijkheid om een toekomstige situatie of varianten door te rekenen (door wijzigingen in het netwerk of projecties van toekomstige verkeersgeneratie). Dit zou de ambtelijke toepassing sterk vergroten in zowel het onderzoeksproces als de bestuurlijke afweging om bijvoorbeeld het beleid om te zetten in concrete maatregelen. - Routekeuze is nog niet meegenomen in het proces. Routes worden bepaald op basis van een Alles-Of- Niets -toedeling op kortste route. Door de routekeuze meer te baseren op kenmerken als snelheid, comfort en veiligheid kan de modellering van de routekeuze sterk verbeteren. Hiervoor is wel nader onderzoek nodig naar hoe fietsers hun routes kiezen

16 - Stedelijke autostromen. Door ook de intensiteiten van het autoverkeer toe te voegen kan een betere vergelijking gemaakt worden tussen de ontwikkelingen (en eventueel uitwisseling) van fiets en auto. Dit biedt ook aanknopingspunten voor verkeersveiligheidsanalyses. 6 REFERENTIES Borgman, F., & Kamminga, J. (2010). Meer fietsen met minder risico: 10 jaar fietsbalans helpt gemeenten bij groei fietsgebruik. Verkeerskunde, 61(3), 40. CROW. (2016). Fietsdata: wat kun je er nu al mee? Fietsverkeer, (38), Geurs, K. T., & Van Wee, B. (2004). Accessibility evaluation of land-use and transport strategies: review and research directions. Journal of Transport geography, 12(2), Veenstra, S., Thomas, T., & Geurs, K. (2013). Meten en analyseren van fietsstromen. Gepresenteerd bij Colloquium Vervoersplanologisch Speurwerk, Rotterdam. Geraadpleegd van