Nieuwe data voor (nieuwe) OV modellen Beeld plaatsen ter grootte van dit kader Niels van Oort Ties Brands Erik de Romph
2 Uitdagingen in het OV Kosten staan onder druk: lijnen schrappen, frequenties verlagen? Reiziger eist hogere kwaliteit Doelen: Hogere kostendekkingsgraad Hogere bezettingsgraad Modellen en data helpen het OV verbeteren
3 Data en modellen Evaluatie Analyse Verbeterplannen Prognose Beter en efficiënter OV
Inzicht in kansen Data en modellen helpen te illustreren Functioneren huidige netwerk en dienstregeling Voorspellen toekomstige effecten Financiële en maatschappelijke effecten van: Lage snelheid en doorstroming Suboptimaal netwerk Suboptimale dienstregeling Potentie van verbeteringen Inschatting > 10-50 miljoen te besparen op OV in Nederland met hogere kwaliteit Voorbeelden Utrecht: 30 s. sneller op corridor: tot 400.000 minder kosten per jaar Den Haag: 5-15% meer reizigers door hogere betrouwbaarheid Tram Maastricht:> 4 Miljoen /jaar aan maatschappelijke baten door hogere snelheid en betrouwbaarheid Tram Utrecht: :ca. 200 Miljoen aan maatschappelijke baten door hogere snelheid en betrouwbaarheid 4
Twee dimensies Big Data 5 Voertuigen - snelheid, stiptheid, vertragingen - > GOVI Reizigers - in- en uitstappers, overstappers, patronen - > Chipkaart Combinatie - Betrouwbaarheid OV vanuit reizigersperspectief
6 Gebruik Big Data Evaluatie (terugkijken) Cijfermatig Spreadsheet, business intelligence Geografisch - GIS - Verkeersmodel - Prognose (vooruitkijken) - Whatif analyses - OV Lite aanpak
7 Chipkaartdata (1/2) In potentie data over: Instappers Uitstappers Overstappers Elk moment van de dag, week, jaar Tariefsoort Anonimiteit garanderen Beschikbaarheid Welke partij? Keten
8 Chipkaartdata (2/2) Koppelen aan verkeersmodel: Zicht op verleden Grip op de toekomst Elasticiteitenmethode (unimodaal, snel en goedkoop) Whatif scenario s Halte erbij of samenvoegen Sneller of frequenter Ander tarief Snel inzicht in veranderingen: Reizigers Kostendekkingsgraad Bezettingsgraad
9 Fictieve data
10 Fictieve data
Alle stromen vanuit een specifieke halte 11 Fictieve data
Indicatie kostendekkingsgraad 12 Fictieve data
13 Reizigers over de dag 18% 16% 17% 14% 12% 10% 8% 6% 4% 4% 10% 6% 4% 4% 5% 6% 8% 10% 10% 8% 3% 2% 0% 2% 1% 1% 1% 1% 06-07 07-08 08-09 09-10 10-11 11-12 12-13 13-14 14-15 15-16 16-17 17-18 18-19 19-20 20-21 21-22 22-23 23-24 Fictieve data
14 HB-patronen Fictieve data
What if? 15
16 Overzicht modeltechnieken Multimodaal model OV-lite Quick scan Modaliteiten Auto, OV, fiets OV OV Schaalniveau Nationaal, regionaal en lokaal Nationaal, regionaal en lokaal Lijnsgewijs Tijdshorizon 10-20 jaar <10 jaar <5 jaar Type projecten Pluspunten Strategische projecten, combinatie ruimte en verkeer Inzicht in modal split, input voor MKBA OV projecten in een netwerkcontext Goed verklaarbare effecten op OV netwerk Kleine aanpassingen OV lijnen Snel maatwerk
17 OV lite Een unimodale modeltechniek Dus alleen OV wordt gemodelleerd Op basis van elasiticiteiten Dus lagere kosten / reistijd / wachttijd leveren extra reizigers op Netwerkcontext In OmniTRANS
Effectberekeningen (varianten) Frequentieverhoging / -verlaging Snelheidsverhoging / -verlaging Extra haltes / opheffen haltes Doorkoppelingen Verlengen / verkorten van lijnen Aantakken op stations Tariefaanpassingen 18
19 Output Gebruik maken van de outputfunctionaliteiten in OmniTRANS (Verschil)Plots Per regio of gebied: (Verandering in) reizigerskilometers (Verandering in) aantal reizigers (Verandering in) kostendekkingsgraad Grafieken/tabellen
20 Whatif: Nieuwe route Fictieve data
21 Whatif: Verhoogde frequentie Fictieve data
22 Conclusies - Grote uitdagingen in het OV - Data en modellen faciliteren verbeterproces - Nieuwe mogelijkheden door nieuwe databronnen - Nieuwe toepassingen verkeersmodellen Aandachstpunt: Beschikbaarheid data
23 Contact Niels van Oort NvOort@Goudappel.nl Artikelen: https://nielsvanoort.weblog.tudelft.nl/ http://www.goudappel.nl/adviseurs/niels-van-oort/