De vergeten baten van light rail dr. ir. Niels van Oort Assistant professor openbaar vervoer Dag van de Light rail, Maart 2013 1
Inhoud Transport Institute Delft Light rail De vergeten baten van light rail Rail bonus Betrouwbaarheid Hebben we de juiste tools en methodes? Conclusies 2
Mobiliteits onderzoek en onderwijs TU Delft Civil Engineering and Geosciences Technology, Policy & Management Architecture Mechanical, Maritime and Materials Engineering Electrical Engineering, Mathematics and Computer Science Aerospace engineering Industrial Design Prof. dr.ir. Bart van Arem The TU Delft Transport Institute 3
Ambitie Wetenschappelijk top 5 wereldwijd Jaarlijks 200 Transport MSc engineers Integrale blik Toekomstgericht en onafhankelijk 4
De Transport Institute clusters Verkeersmanagement Beleid Logistiek Ruimtelijke planning Spoor Openbaar vervoer 5
Light rail Geen dogma Kies systeem dat best past Goede inzichten in alternatieven (ook buiten OV) Alle effecten eerlijk in kaart Kans Big Data TU Delft: ontwikkelen inzichten, methoden en technieken om alle effecten in kaart te brengen Netwerk- en dienstregelingoptimalisatie 6
Light rail en TU Delft Twee voorbeelden hoe wetenschappelijk werk inzichten voor de praktijk oplevert Deze effecten/baten worden nu vaak nog vergeten 1) Rail bonus 2) Betrouwbaar OV 7
Rail bonus Onderzoek Tim Bunschoten, TU Delft/Goudappel Coffeng 8
Introductie Introductie Rail bonus = De extra waarde voor rail (tram/light rail) in de nutsfunctie in vergelijking met de nutsfunctie van de bus, gecontroleerd voor ruimtelijke veranderingen en veranderingen in het serviceniveau 9
Methodologie Literatuur Bredere scope Voornamelijk preferentie tram Grote onzekerheid Onderzoek Stated preference Bron Scherer (2011) Scherer (2009) Cain (2009) Bovy en Hoogendoorn-Lanser (2005) Currie (2004) Ben Akiva (2002) Welschen (2002) Kasch en Vogts (2002) Megel (2001) Axhausen (2001) Berschin (1998) Arnold en Lohrmann (1997) Hüsler (1996) Uitkomst Lichte voorkeur rail Lichte voorkeur rail Lichte voorkeur rail Preferentie tram Lichte voorkeur rail Geen verschil 0-10% Preferentie rail Lichte voorkeur rail Lichte voorkeur rail 30% 15% 54% 10
Reizigerseffect +5% 11
Betrouwbaar openbaar vervoer 12
Aandacht voor betrouwbaarheid Meer aandacht voor kwaliteit Meer aandacht voor kostenbewustzijn Naast reistijd wordt betrouwbaarheid steeds belangrijker Meer kennis vanuit wetenschap en praktijk Meer data: GOVI, chipkaart, etc. Light rail projecten gaan vaak gepaard met sprong in betrouwbaarheid 13
Introductie: betrouwbaarheid Werkelijkheid = verwachting Onbetrouwbaarheid heeft invloed op: - Reistijd (met name wachten) - Spreiding aankomst - Comfort Reiziger waardeert betrouwbaarheid 40% hoger dan snelheid! Betrouwbaarheid is belangrijk voor reiziger, maar niet voldoende 14
Toegevoegde waarde betere doorstroming en betrouwbaarheid - Lagere exploitatiekosten - Betere concurrentiepositie OV, waardoor meer reizigers en dus meer inkomsten - Minder tijdverlies voor reizigers - Minder onzekerheid voor reizigers Kortom hogere kostendekkingsgraad en hogere modal share 15
Big Data: Van voertuig -> reiziger GOVI Chipkrt 16
Rendement maatregelen - Den Haag - 5-15% meer OV reizigers - 10-20 miljoen lagere (maatschappelijke) kosten per jaar - Reizigerswaardering van 6,5 naar 7,5 - Utrecht - Schatting: Ca 15 miljoen door stilstand OV - 20% van de tijd staan bussen en trams stil (excl halteren)! - Bezuinigen door verbeteringen: 30 s. tijdswinst: 100.000-400.000 besparing op exploitatiekosten per jaar - Uithoflijn: 65% van baten door verbeterde betrouwbaarheid Amstelveenlijn: > 10 Miljoen per jaar door onbetrouwbaarheid en matige doorstroming Maastricht: ca 4 miljoen baten door betrouwbaardere tram 17
To do Meenemen baten in besluitvorming Verbetering/uitbreiding tooling MKBA Verkeersmodellen 18
MKBA 19
Rol betrouwbaarheid in MKBA Berekend 0% Expertjudgement 13% Niet 60% Kwalitatief 27% 20
Resultaten MKBA Uithoflijn Extra reistijd /wachttijd door onregelmaat Spreiding in reistijd/wachttijd door onregelmaat Bijdrage onbetrouwbaarheid 201 mln = 60% van alle baten 21
Verkeersmodellen 22
Aanleiding OV maatregelen zijn vaak gericht op het verbeteren van de betrouwbaarheid: Ongelijkvloerse kruisingen, vrije banen Stiptheid afhankelijke prioriteitsregeling bij VRI s Systeemsprong bus->tram In modellen rijdt alles op tijd Zicht op effecten onbetrouwbaar OV (en verbetering daarvan) gewenst Gestart met pionieren betrouwbaarheid OV in verkeersmodellen 23
Waarom in verkeersmodel? Betere prognose Kwalitatief betere synthetische matrices Kwalitatief een betere toedeling (voor kalibratie) Minder correctie nodig door kalibreren Meer toepassingsmogelijkheden model Inzicht in effecten betere of slechtere betrouwbaarheid Basis voor MKBA 24
Case BRU: VRU model Wens: verbetering onbetrouwbaarheid meenemen in verkeersmodel om effecten kwantitatief te kunnen maken Effecten = reistijdwinst, meer reizigers Waarom in verkeersmodel: netwerkeffecten Door GOVI- data van alle lijnen gerealiseerde data beschikbaar GOVI-data: 20% van OV-budget gaat op aan ongepland stilstaan! (M)KBA s te maken voor doorstromingsmaatregelen 25
Conclusies Light rail: kansrijke oplossing Geen dogma, maar voor bepaalde problemen en omstandigheden geschikte oplossing Goede afweging alternatieven Dan wel alles goed in kaart De vergeten baten: Rail bonus Betrouwbaarheidseffecten To do: Tooling OV MKBA Verkeersmodellen 26
Vragen/discussie Niels van Oort Assistant professor OV N.vanOort@TUDelft.nl Stages/afstudeerplaatsen? Onderzoeksideeën? 7 faculties 60 staff 100+ MSc students 60+ PhD students 27