Perspektiv 14

Tidsskrift for Geografisk Information

September 2008

14

Perspektiv

GIS, transport og trafik

.dk

Geoforum

geoforum

Geoforum Perspektiv ISSN 1601-8796

Redaktion: Hans Skov-Petersen (ansvarshavende) Skov & Landskab, KU Rolighedsvej 23 1958 Frederiksberg C Tlf. 3533 1816 HSP@life.ku.dk Jan Juul Jensen Informi GIS janj@informi.dk Hans Rollf-Petersen Slagelse Kommune hans@slagelse.dk Hans Ravnkjær Larsen Geomatic, København hrl@geomatic.dk Ulla Kronborg Mazzoli Kort & Matrikelstyrelsen ukm@kms.dk Else Marie Ulvsgaard Selvstændig konsulent emu@ulvsgaard.dk Lasse Møller-Jensen Institut for Geografi og Geologi/KU lmj@geogr.ku.dk © Geoforum Danmark samt Forfatterne.

Ikke kommercielle udnyttelser er tilladt med tydelig kildeangivelse.

Leder - GIS, transport og trafik Hans Skov-Petersen

3

Brugerundersøgelser med GPS Eksempler fra parkundersøgelser i Aalborg Thomas Sick Nielsen, Henrik Harder, Peter Bro, AndersKvist Simonsen

5

Automatisk Passageropregning hos DSB S-Tog Rasmus Dyhr Frederiksen

11

Danskernes transport - hvor meget, hvordan, hvornår og hvor henne?

Carsten Jensen

20

Rejseplanen fra dør til dør Birgitte Lomholt Woolridge og Peter Lindahl

28

GIS og bustrafik Mette Haugsted Johansen

35

Anvendelse af GIS i Banedanmark Mogens Bredsgaard Andersen

45

AIS i Farvandsvæsenet - en hjælp til den maritime trafik Jakob Bang og Charlotte Bjerregaard

52

Kan GIS bruges til visualisering af konkurrence mellem transportmidler?

Jacob Kronbak

57

Forsideillustration: Lastbiltransport ned gennem Europa, Jacob Kronbak (se s. 57).

Pris, enkeltnummer: 100 kr.

Geoforum Perspektiv er tidsskrift for Geoforum Danmarks medlemmer

Geoforum Danmark Kalvebod Brygge 31, 1780 Kbh V Tlf. 3886 1075, Fax: 3886 0252, e-mail: geoforum@geoforum.dk, URL: www.geoforum.dk

.dk

Henvendelse om medlemskab mv. kan ske til:

geoforum

Perspektiv nr. 14, 2008 Leder – GIS, transport og trafik Hans Skov-Petersen, Skov & Landskab, Københavns Universitet.

Når vi taler om rumlig information – som vi jo for en væsentlig del gør i forbindelse med GIS – er det grundlæggende tre ting vi snakker om: ● Hvor objekter er ● hvilken form objekterne har og ● hvilke rumlige relationer der er imellem objekterne.

Så enkelt er det: Det er åbenlyst at vi vil vide hvor på planetens overflade ting befinder sig. Denne lokalisering tager udgangspunkt i sfæriske eller projicerede koordinatsystemer.

Tingenes form har meget at gøre med fænomenets types og skala: Vælger vi at repræsentere ting som punkter, linier, polygoner (flader) eller rasterceller? Nogle objekter er store, nogle er små. Nogle er langstrakte, andre er runde. Nogle objekter modellerer vi med faste afgræsninger (fx kommunegrænser eller vejmidter) mens andre typer af objekter varierer kontinuert over landskabet (fx terrænhøjde, afstand til kysten eller nedbør).

Tingenes rumlige relation – hvor de befinder sig i forhold til hinanden - er af speciel interesse i forbindelse med dette nummer af Perspektiv: Transport og trafik handler om at flytte ting og personer mellem steder. Data og analyser i den forbindelse vil derfor langt hen ad vejen tage udgangspunkt i hvor langt, hvor besværligt eller dyrt det er at transportere sig mellem steder. Der vil derfor være tre principielle typer (geo-)data der er nødvendige når man analyserer transport: ● Udgangspunktet - eller udgangspunkterne - for transporten. Det kan fx være en startadresse, en havn, et lager eller et indgangspunkt til en park. ● Destinationen for transporten. Det kan tilsvarende være en slutadresse eller et tilsvarende ’sted’ hvor en transport slutter. ● Den ’infrastruktur’ der knytter udgangspunkterne og målene sammen.

Infrastrukturen er naturligt nok særlig interessant. I sin simpleste form kan mulighed for transport mellem to punkter vurderes ved den direkte afstand imellem dem. Fx i en vurdering af det potentielle kundegrundlag ud fra en afstand på 1 km fra en butik.

Skal man inddrage hastigheder langs forskellige typer vej eller ’barriereeffekt’ hvor der mangler transport muligheder (fx på tværs af havneløb), er det nødvendigt at anvende infrastruktur-data i form af digitale netværk. Sådanne netværk kan indeholde information om hvor hurtigt man kan/må bevæge sig langs den enkelte strækning og evt. gennem det enkelte knudepunkt i nettet. Digitale netværk kan i mere avancerede tilfælde også indeholde topologiske informationer om ensretning, svingrestriktioner i kryds, mulighed for at foretage u-vendinger osv. Den mulige hastighed varierer i mange tilfælde over døgnet. Dette kan inddrages i netværket, enten som faste værdier for forskellige tidspunkter på døgnet og ugen eller ved dynamisk opdatering på baggrund af on-time trafiktællinger og hastighedsmål.

Endnu mere komplekst bliver det i multimodale situationer, hvor mere end én transporttype anvendes. I den sammenhæng er det nødvendigt at vurdere hvordan de enkelte transportmidler passer sammen. Brug af offentlige transportsystemer er et eksempel på sådan en kompleks situation, hvor det er nødvendigt at inddrage særdeles avancerede metoder, for at kunne vurdere mulige ruter til opfyldelse af transportbehov. Det er ikke nok at kende udgangs- og slutpunkt for rejsen og den eksisterende infrastruktur. Man skal også inddrage bl.a. køreplaner og tidsforbrug i forbindelse med skift mellem transportmidler.

In sin enkleste form går analyse af transport gennem et digitalt netværk ud på at finde den korteste, hurtigste eller på anden måde mest effektive rute fra et sted til et andet. Dette kan udvides til at optimere ruten rundt til en

3

Perspektiv nr. 14, 2008

række forskellige lokaliteter, ved løsning af det der ofte kaldes for ’the travelling salesman problem’. Når flåder af transportmidler – fx biler eller skibe – skal styres rundt, anvendes systemerne til fx at finde den vogn der er nærmest ved en aktuel kunde eller hvilket køretøj der har den nødvendige ledige kapacitet på ladet. Andre mere komplicerede metoder omfatter lokaliserings-/allokeringsanalyserne, der anvendes til dels at finde de optimale afgrænsninger, fx af skoledistrikter eller kommuner, omkring faciliteter og dels til at udpege den optimale placering af fremtidige faciliteter, fx børnehaver eller videobutikker.

Artiklerne i dette nummer er arrangeret efter faldende grad af detalje: Fra monitering af enkeltpersoners rumlige adfærd i Aalborgs parker, over trafikselskabernes brug af GIS i forbindelse med planlægning og information til præsentation af en model af godstransport ned gennem Europa.

I den første artikel gennemgår Thomas Sick Nielsen hvordan personbårne GPS-enheder anvendes til at monitere fodgængeres adfærd rundt i en række parker i Aalborg. Ved at analyser data fra GPS-enhederne sammen med indsamlede interviewdata undersøges det bl.a. hvor i parkerne besøgstrykket er størst, fordelt på brugergrupper. Derefter følger en artikel af Rasmus Dyhr Frederiksen om de store forbedringer brug af netværksanalyse, bidrager med i forbindelse med indsamling og opskalering af passagertællinger i de Københavnske S-tog. Carsten Jensen gennemgår i sin artikel hvordan data til Transportvaneundersøgelsen indsamles, behandles og distribueres. Han giver desuden en række eksem-

4

pler på, hvordan data kan anvendes i forbindelse med planlægning af trafik og infrastruktur.

Peter Lindal og Birgitte Lomholt Woolridge beskriver opbygningen af og strategien bag Rejseplanen.dk. Samtidigt giver forfatterne en oversigt over de særdeles komplicerede analyser, der er nødvendige, for analyse af ruter gennem det offentlige transportnet.

Mette Haugsted Johansen fortæller om hvordan rute- og oplandsanalyser og planlægning hos Movia trækker på GIS i nye (køre)baner.

Bane Danmark anvender GIS og geodata i forbindelse med forvaltning af spor, signaler m.m. Mogens Andersen beskriver hvordan det, der oprindeligt var ment som et snævert facility management system, nu er blevet et udbredt værktøj i Bane Danmark, ikke mindst på grund af udbredelsen af data via firmaets Intranet.

Det er ikke kun til lands, at GIS og geodata anvendes i forbindelse med trafik og transport. Bladets sidste to artikler beskæftiger sig med maritime applikationer. I den første af de to beretter Jakob Bang og Charlotte Bjerregaard om hvordan Farvandsvæsnet har opbygget AIS (Automatic Identification System), der er et civilt informationssystem for sejladsmønstre i de Danske farvande. Systemet muliggør både kommunikation skibene imellem og mellem skibe og landstationer. I bladets sidste artikel fortæller Jacob Kronbak hvordan netværksanalyser anvendes til undersøgelse af effekten på prisen på lastbilstransport, ved oprettelse af en ny færgerute mellem Esbjerg og Zeebrugge (Belgien).

Perspektiv nr. 14, 2008 Brugerundersøgelser med GPS Eksempler fra parkundersøgelser i Aalborg.

Thomas Sick Nielsen, Henrik Harder, Peter Bro, Anders Kvist Simonsen GPS baseret tracking giver nye muligheder for monitorering og analyse af mennerskers brug af byrum og landskaber. GPS-teknologien og udbuddet af produkter har udviklet sig i en retning hvor GPS-tracking kan benyttes som survey metode. Udviklingen i ”bærbare” GPS-applikationer har være fulgt og afprøvet i projekter på Aalborg Universitet siden 2002. Senest har teknologien været anvendet i stor skala til monitorering af park-brugere i Aalborg. Artiklen beretter om GPS-teknologien som survey instrument; resultaterne fra monitorering af park-brugere i Aalborg; samt perspektiver for anvendelse de nye informationer inden for planlægningen.

De nye muligheder By- og trafikplanlægning søger i de fleste tilfælde enten at forme eller at servicere en bestemt brug af det enkelte byrum, byen eller regionen. Forskellige former for registrering af rumlig adfærd indgår derfor ofte i grundlaget for planlægningen. Særligt veludviklet er det inden for trafikplanlægningen hvor der er tradition for såkaldte origin-destination surveys, hvor udgangspunkt og mål for turene registreres, som grundlag for analyse og modelbygning. Inden for byplanlægning og bydesign har den rumlige adfærd været analyseret i den lille skala ved hjælp af observation af et givent byrum, eller ved indtegning af ruter og brugsmønstre på kort. Registreringer af rumlig adfærd har imidlertid teknisk og ressourcemæssigt været ”tungt at danse med” hvorfor egentlige surveys af rutevalg til brug for trafikplanlægningen kun er blevet udført sjældent; og observation eller korttegning begrænset til få cases.

Siden midten af 1990erne har der imidlertid med afsæt i trafikplanlægningen været arbejdet med GPS-registrering som survey teknologi, dels for at forbedre de konventionalle surveys hvor respondenterne ofte har svært ved at genkalde sig deres transport og aktiviteter dagen før og dels for at lægge informationen om rutevalget til undersøgelsesresultatet. De første forsøg blev gennemført af Federal Highway Adminstration i USA og var baseret på GPS-enheder fast monteret i køretøjer. Vægten af udstyret og behovet for sikring af strømforsyningen gjorde at person-bårne GPS enheder på dette tidspunkt ikke var realistisk (Stopher et.al. 2008).

Køretøjsmonteret GPS var den dominerede anvendelse af GPS i survey sammenhæng frem til den anden side af årtusindeskiftet.

I Danmark er køretøjsmonteret GPS bl.a. blevet benyttet til registrering af trængsel i roadpricing eksperimentet AKTA 20012002 (Nielsen et.al. 2004). Herefter breder GPSen sig til flere og mindre applikationer og de første forsøg med brug af skræddersyede GPS-enheder som survey redskab gennemføres i USA bl.a. som en ”sub-survey” i forskningsprogrammet: SMARTRAQ, Strategies for Metropolitan Atlanta’s Regional Transportation and Air Quality (Georgia Tech Research Institute and University of British Columbia).

De mulige fordele ved denne udvikling synes åbenlyse. Fra en survey-teknisk synsvinkel opnåes større præcision og uafhængighed af om respondenterne kan huske hvor de har været. Fra en mere forsknings-og-udviklingsorienteret synsvinkel fåes en ny type relationelle data med en tids-rumlig dimension, der kan danne grundlag for helt nye typer af adfærdsanalyser. GPS-registrering åbner op for kombinerede analyser af opholdstid, sekvenser af lokaliteter der besøges, rutevalg, acceleration og hastighed. På den ”korte bane”, i umiddelbar forlængelse af etablerede analyseformer, gør GPSen det f.eks. muligt at sætte den lille skala sammen med den store og få viden om de enkelte byrums anvendelse hænger sammen med resten af byen; eller hvordan den fysiske aktivitet fordeles i byen rum som en konsekvens af bystruktur og faciliteter. På den ”lange bane” må man forestille sig at de komplekse tid-rumli-

5

Perspektiv nr. 14, 2008

Figur 1. Kortet viser en uges GPS tracks for 10 ansatte ved den daværende Kgl. Veterinær og Landbohøjskole i 2004.

Tracking var baseret på 2 stk Garmin GSM telefoner – der løbende blev ”recirkuleret” til nye forsøgsdeltagere på arbejdspladsen.

ge data giver mulighed for at drage nye erfaringer til brug for planlægning og byrumsudvikling baseret på data-mining teknikker eller lignende.

Med udgangspunkt i by- og trafikplan-problemstillinger, og i en ambition om at billiggøre og opskalere GPS-surveys har vi eksperimenteret med forskellige personbårne GPSenheder til brug i survey sammenhæng. På listen over afprøvede produkter er bl.a forskellige produkter fra Garmin (Garmin GSM telefon; Garmin Foretrex), PDAere med GPS (bl.a. Hewlet Packard) og senest Lommy fra danske Flextrack.

De forskellige produkter har været testet i pilot og case studier. Som et pilot studie blev f.eks.

10 ansatte ved den daværende landbohøjskoles Center for Skov, Landskab og Planlægning

6

GPS tracket i en uge hver (Figur 1). De forskellige pilot- og casestudier har peget på generelle problemer i GPS surveys og det anvendte udstyr. En række af disse problemer vil kunne ’klares’ ved den generelle udvikling (præcision, følsomhed), samt valg (tænd-sluk funktioner) og administration af udstyr (løbende defekter).

Andre problemer vil dog med stor sandsynlighed bestå lang tid endnu når GPS (og evt.

GSM) funktionalitet skal bygges ind i noget der er egnet til at blive båret af respondenter gennem længere tid. Her tænkes på batterilevetiden der ved passiv GPS-registrering kræver at GPS-enheden oplades af respondenten mindst en gang i døgnet.

For undersøgelsesdesign og praktisk gennemførelse gælder også en række særlige for-

Perspektiv nr. 14, 2008

hold. Da GPS-enheder fortsat er relativt dyre vil det realistiske i de fleste tilfælde være at gennemføre surveys ’rullende’, dvs. med løbende recirkulering af GPS-enhederne. En sådan rutine med udlevering og instruktion, indsamling, check af udstyr, udlevering igen osv. stiller store krav til logistikken og gør det endnu relativt vanskeligt at gennemføre større repræsentative undersøgelser.

En undtagelse er hvis surveyen har til formål at repræsentere et geografisk afgrænset rum hvor GPS kan udleveres ved ind- og udtræden af rummet. Repræsentative undersøgelser af brug af bymidter med GPS har bl.a. være gennemføret i Holland (Spatial Metro Project: fodgængere i bymidter: Spek, 2007) og Israel (turister i bymidter: Shoval og Isaacson, 2007). Senest har Aalborg Universitet gennemført surveys af parkbrug for Aalborg kommune efter samme princip: GPSudlevering ved indgangen; aflevering ved udgangen.

Undersøgelse af parkbrugere i Aalborg Som forsøg med GPS baseret dataindsamling i stor skala gennemførtes i august 2007 GPS baserede brugerundersøgelser i 3 parker i Aalborg. Det anvendte undersøgelses design blev udvilket i samarbejde med Aalborg Kommune.

Undersøgelsen blev gennemført i tidsrummet 07:00-19:00 en lørdag og en onsdag i parkerne Søheltens have (Aalborg vestby) og Skanseparken (Nørresundby). For den tredie park: Mølleparken (Aalborg-Hasseris) foregik undersøgelsen en lørdag og en torsdag i et udvidet tidsrum, 06:00-22:00. I alle tre parker var fremgangsmåden den at alle ind- og udgange ”mandsopdækkes” i hele undersøgelsens tidsrum. I dette tidsrum inviteredes alle der gik ind i parken til at deltage i undersøgelsen. Personer der ikke ønskede at deltage i undersøgelsen blev forsøgt stillet et mindre antal spørgsmål (refusal survey). Perso-

Figur 2. Kortet viser opholdsintensiteten for besøgende til Søheltens have i Aalborg vestby.

Intensiteten er opsummeret fra GPS tracks fra 99 besøgende (Rendtlew Horst et al. 2007a).

7

Perspektiv nr. 14, 2008

ner der sagde ”ja” til at være med i undersøgelsen fik om muligt udleveret en tændt GPSenhed med indstruks om at bære den til parkens udgang hvor assistenter stod klar til at tage imod dem. Ved udgangen blev respondenterne bedt om at svare på et kort spørgsskema med bl.a. vurdering og brug af parken, samt baggrundsoplysninger såsom alder og sidste opholdssted før besøget i parken. Eftersom GPS-enhederne cirkluerede mellem indog udgange (der blev anvendt 50 GPS-enheder i alt) var det ikke altid muligt at udlevere en GPS-enhed til alle respondenterne og disse måtte nøjes med at udfylde spørgeskemaet.

Den anvendte GPS-enhed var Lommy Phoenix, der løbende videresender resultaterne fra GPS-registreringen til en database gennem en GPRS forbindelse. Nøjagtigheden af GPS registreringen afhænger af de omgivelser som registreringen foregår i. Netop i relativt åbent terræn som f.eks. parker er præcisionen størst. For en lokalitet i Skanseparken i Aalborg er Lommyens nøjagtighed beregnet til +/- 7 meter (Simonsen et al. 2007).

Totalt, for de tre parker, deltog 49% af de 1415 personer der besøgte parkerne på undersøgelsesdagene, i undersøgelsen. Deltagelsen i GPS-delen af undersøgelsen var 38% eller 532 personer. Sammenlignes de tre parker lå deltagelsen på samme niveau: 44%-49% (eller for GPS-delen 34%-38%).

For Mølleparken og Søheltens have blev det omfattende datamateriale benyttet til at analysere og visualisere fordelingen af de besøgende inden for parken.

For Skanseparken har der imidlertid været arbejdet videre med at koble svarene på spørgeskemaet sammen med GPS data - og derpå nuancering af analyserne af brugsmønstre. I dialog med Aalborg Kommune udvikledes analyserne omkring tre fix punkter: tidsforbrug; områdebrug; og bevægelseshastighed. Der har været arbejdet med en åben tilgang hvor visualisering og kortlægningsmuligheder har været afprøvet og diskueret med Aalborg Kommune, med henblik på at komme

8

frem til en fremstillingsform, der dels gjorde brug af de nye data muligheder og dels var overskuelig og anvendelig med kommunens øjne (Harder et al. 2008; Rendtlew Horst et al. 2007b).

Foruden de mere generelle kort over brugsintensitet knytter den største success sig til kortlægningen af tidsforbruget, samt tidsforbrug efter aldersgruppe og område. Disse kort er velegnet til formidling og kan forståes efter en kort forklaring. Når det kommer til bevægelsesmønster, hastighed og formål bliver det mere vanskeligt anvende kortlægnings og visualiseringstilgangen. På grund af de mange faktorer bliver resultatet hurtigt uoverskueligt og det bliver svært at nå til en konklusion der umiddelbart kan finde anvendelse i en planlægningssammenhæng. Endvidere kan man angribe den rumligt eksplicitte visningsform for – potentielt – at udstille enkeltpersoners aktiviteter. Der er dog næppe nogen tvivl om at også GSP undersøgelsens oplysninger om ruter og hastigheder vil kunne udnyttes på en passende måde med en metodemæssig overbygning. Bl.a. vil bevægelses intensiteten – den fysiske aktivitet – kunne knyttes til parkens rum; og der vil kunne arbejdes med hvordan parkbesøget sammensættes som en sekvens af ophold eller delområder. Begge dele vil være af interesse inden for for byplanlægning og parkforvaltning hvor man kan forestille sig resultater af GPSanalyser anvendt til at optimere med hensyn til fysisk aktivitet og ophold, såvel som til at ”administrere” færdsel og anvendelse for brugergrupper med forskellige interesser.

Perspektiver for GPS-baserede adfærds surveys Undersøgelserne af park-brug i Aalborg blev gennemført i samarbejde med Aalborg Kommune. Set fra Aalborg Kommune er undersøgelsen med til at kvalificere forvaltningen af friarealerne med viden om parkernes brug og hvad borgerne efterspørger (pers. kom. m.

Kirsten Lund Andersen, Aalborg Kommune).

Resultaterne af undersøgelsen kan bl.a. bruges til at fokusere på brugsværdien pr are-

Perspektiv nr. 14, 2008

Figur 3. Kortet viser det akkumulerede tidsforbrug for besøgende i Skanseparken baseret på GPS tracks for 132 personer. Der er skelnet mellem 3 aldergrupper vha. farvekoder: grøn 7-10 år, rød 21-60 år, grøn 61-85.

alenhed og til at vurdere hvordan topografi, sol, læ, opholdsmuligheder mv. påvirker brugen af parkerne. En ansats til en helt konkret implikation af de aktuelle survey resultater er bl.a. mulighederne for at konstatere hvilke traceer der benyttes, hvilket igen kan benyttes til omprioritering af anlæg og vedligehold.

De data der er indhentet ved GPS registreringen rummer imidlertid langt flere muligheder for anlyser og input til planlægningen med henblik på f.eks. at stimulere fysisk akti-

vitet, eller med henblik på at indrette parkerne til forskellige gruppers delvist modstridende behov.

Den væsentligste barriere for at komme videre med de nye muligheder er at der ikke er nogen etablerede, ”readymade” tilgange til analyse og præsentation af resultater.

Der kan arbejdes med animering og visualisering, som det forsøgsvis er sket i Aalborg; med analyser af besøgs/brugssekvenser; eller med fremstilling af egentlige modeller, der søger at kondensere regler for adfærd i

9

Perspektiv nr. 14, 2008

parker ud fra de registrerede bevægelsesmønstre. Der tilbagestår dog endnu et arbejde med at etablere principper for datahåndtering og analyse; foruden produktion af ny viden og erkendelse; før end den fulde nytte af de nye typer af data og analyse kan drages inden for planlægningsområdet.

Flere har dog set perspektivet i tracking data – herunder ikke mindst tracking og realtimedata som kommunikationsmiddel, der kan være med til at skabe en interesse hos borgere m.fl. Københavns Kommune har koblet sig på MIT´s senseable cities lab med projektet ”Real Time Copenhagen”. Projektet sigter mod at monitorere brugsintensiteten af byrummet ved hjælp af aktiviteten på mobiltelefonnettet.

Københavns Kommune forventer en lang række anvendelser af de nye data, bl.a. undersøgelse af parker, men teknologien, trackingen og det visuelle output lader til at have været afgørende for at indgå i projektet.

Referencer Georgia Tech Research Institute og University of British Columbia. Smartraq http://www.act-trans.ubc.ca/smartraq/pages/ Harder, H.; Nielsen, T. A. S.; Bro, P.; Tradisauskas, N. 2008. Experiences from GPS tracking of visitors in Public Parks in Denmark based on GPS technologies. I: F.D. van der Hoeven ; J. van Schaick ; S.C. van der Spek (red.); Urbanism on Track : Application of Tracking Technologies in Urbanism; M.G.J. Smit. IOS Press BV, Amsterdam, The Netherlands, 2008 (under udgivelse) Nielsen, O.A., Overgård, C.H.,Landex, A., Würtz, C.J. 2004. Oversigt og vurdering af AKTA hastighedsmålinger, Centre for Traffic and Transport, Technical University of Denmark

Rendtlew Horst, N.; Knørr Lyseen, A.; Skov, H.; Harder, H.; Bro, P. 2007a. Borgerundersøgelse – Søheltens Have, august 2007 : Søheltens Have.

Aalborg Universitet, 2007. (HelPark - DUS; Skriftserie 12).

Rendtlew Horst, N.; Knørr Lyseen, A.; Skov, H.; Harder, H.; Bro, P. 2007b. Borgerundersøgelse – Skanseparken, august 2007 : Skanseparken. Aalborg Universitet, 2007. (HelPark - DUS; Skriftserie 13).

Shoval, N., Isaacson, M. 2007. Tracking tourists in the digital age. Annals of Tourism Research 34, s 141-159 Simonsen, A. K.; Bro, P.; Harder, H. 2007. The precision of the Lommy Phoenix : Tests in various urban environments. Department of Architecture and Design, Skriftserie: 16: Aalborg Universitet 2007.

Spek, S. C. v. d. 2007. Legible City – Walkable City – Liveable City: Observation of Walking Patterns in City Centres. In: Urbanism on Track : Expert meeting on the application in urban design and planning of GPS-based and other tracking based research, January 18th 2007, Delft University of Technology Stopher, P. FitzGerald, C., Zhang, J. 2008. Search for a global positioning system device to measure person travel. Transportation Research Part C 16, s 350-369 Produkt og producent referencer: Flextrack, Lommy: http://www.flextrack.dk Garmin, Foretrex: http://www.garmin.dk/ Hewlet Packard: http://www.hp.com/

Forfattere Thomas Sick Nielsen, Seniorforsker, Center for Skov, Landskab og Planlægning, Københavns Universitet, sick@life.ku.dk Henrik Harder, Lektor, Arkitektur og Design, Aalborg Universitet Peter Bro, Phd-studerende, Arkitektur og Design, Aalborg Universitet Anders Kvist Simonsen, Landinspektør-studerende, Aalborg Universitet

10

Perspektiv nr. 14, 2008 Automatisk Passageropregning hos DSB S-Tog Rasmus Dyhr Frederiksen, Rapidis ApS DSB S-Tog har brug for detaljerede informationer om deres passagerers rejsevaner (hvor mange der rejser, hvorfra og hvortil), både i forbindelse med fordeling af takstpenge men også i forbindelse med både kort- og langsigtet planlægning. Disse oplysninger er hidtil blev skaffet til veje vha. den årlige Østtælling, suppleret med månedlige tællinger på udvalgte banesnit.

Nye datakilder sammen med udviklingen af en række nye metoder på trafikmodel-området har gjort det muligt at afløse det hidtidige system med et nyt som muliggør et kæmpe spring i detaljeringsgrad, nøjagtighed og opdateringshastighed. Resultatet er meget detaljerede daglige beskrivelser af S-Tog passagerernes rejse-aktiviteter.

Dette nye system, S-Tog Automatisk Passager Opregning (APO) er blevet udviklet i et samarbejde mellem DTU Transport, DTU Informatik, Rapidis ApS samt DSB S-Tog. GIS spiller en central rolle i forbindelse med præsentation og analyse af resultater.

Indledning DSB S-Tog har brug for detaljerede informationer om deres passagerers rejsevaner, ikke blot hvor mange passagerer der rejser i alt, men også på hvilke tidspunkter de rejser, hvor de rejser fra og til, og hvor de evt. skifter undervejs.

Disse oplysninger bruges dels på det overordnede plan i forbindelse med fordeling af takstpenge i hovedstadsområdet, og dels i forbindelse med driftsplanlægning – hvornår er det bedst at lukke et spor for vedligeholdelse, hvor store togstammer skal der køres med, hvem vil blive påvirket af evt. køreplansændringer, osv.

Hidtil er disse oplysninger blevet skaffet til veje med en kombination af data fra en stor årlig stations-tælling (Østtællingen, hvor alle rejsende får udleveret papirlapper der skal afleveres ved rejsens afslutning), suppleret med jævnlige tællinger på udvalgt strækninger. Disse tællinger anvendes derefter til at foretage overordnede justeringer af stations-tællingen. Denne tilgang giver et rimeligt godt overordnet billede af de rejsendes antal og valg af ruter på et overordnet niveau, men mangler detaljer, samt er upræcis med hensyn til uge- og sæsonvariationer. Endelig opdateres data ikke dagligt.

I takt med at DSB S-Togs nye tog-materiel er blevet indført, har der åbnet sig nye mulig-

heder for at indsamle data. Alle de nye S-Tog foretager løbende og med god præcision vejninger af passagerne i hvert togsæt. Disse data anvendes umiddelbart til løbende at kalibrere bremsesystemerne i togsættene. Men ved at indsamle disse vejedata, samt kombinere dem med tælledata fra en mindre del af togsættene, åbner der sig en unik mulighed for at skaffe sig et detaljeret og løbende opdateret datasæt med et stort potentiale.

Med udgangspunkt i DSB S-Togs ønske om et nyt og bedre system til produktion af passager-tal og detaljerede rejse-opgørelser, er der blevet gennemført et projekt i to trin.

Første trin har været at undersøge kvaliteten af de tilgængelige data, samt mulighederne for at udnytte dem.

Dernæst er erfaringerne fra denne fase blevet udnyttet til at designe og udvikle et driftssystem der dels kan levere daglige detaljerede rejseopgørelse og dels kan bidrage til den overordnede statistik med hensyn til det samlede antal rejsende.

De gennemgående personer i projektet med hensyn til det faglige arbejde kan ses i listen efter artiklen.

Resten af denne artikel vil gå lidt mere i dybden med de forskellige aspekter af projektet:

11

Perspektiv nr. 14, 2008

•Datagrundlag – datakilder og den statistiske undersøgelse af disse.

•De anvendte metoder og test af disse •Opbygningen af driftssystemet og hvordan det teknisk hænger sammen •Hvordan GIS er blevet anvendt i projektet, samt hvordan det indgår i driftssystemet •Endelig samles der op i en konklusion.

Data-grundlag Med udskiftningen af DSB S-Togs rullende materiel er nye datakilder blevet tilgængelige.

Ved hjælp af det indbyggede ToDat-system er det muligt løbende at indsamle veje- og tælledata. Der indsamles veje-data fra alle tog-sæt, det vil sige en daglig stikprøve på 100%.

Tælle-data indsamles fra infra-røde tællebjælker, som er blevet monteret i 18% af togene. Da der altid vil være nogen togsæt der er ude af drift pga. almindelige vedligeholdelse, vil der nok typisk kunne indsamles tælle data fra ca. 15% af togsættene.

Alle ToDat-data logges med tognr, tidspunkt og lokation hvilket gør det muligt at knytte de indsamlede data til den afviklede køreplan for dagen.

A. Egenskaber ved datakilder De indsamlede data byder på meget forskellige egenskaber. Tælle-dataene er umiddelbart direkte anvendelige, da der er tale om direkte observationer af passagerer i form af antal af- og påstigere. I modsætning hertil er veje-dataene kun anvendelige hvis der kan foretages en omregning fra vægt til antal passagerer. Endelig kan man ud fra veje-data kun fastslå differensen mellem hvor mange der ankom til en station og hvor mange der kørte videre – det er ikke muligt direkte at registrere hvor mange der egentlig steg af og på.

Til gengæld har veje-dataene som beskrevet en meget stor dækningsgrad i forhold til tæl-

12

le-dataene. Endnu vigtigere, så er veje-data en direkte observation af hvor mange rejsende der sidder i et togsæt, når det kører fra en station til en anden.

Det er et problem ved tælle-data at idet der er tale om af- og på-stiger tællinger, har man kun et indirekte billede af hvor mange rejsende der er i toget mellem hver station (antal påstigere minus antal afstigere, akkumuleret langs et vognløb). Idet det ikke kan undgås at der er en vis usikkerhed forbundet mellem tællingerne, akkumuleres denne usikkerhed langs et vognløb. Derfor kan bud på antal rejsende mellem stationer være ret usikre i slutningen af et vognløb, hvis de baseret på tælle-data alene.

Det er således klart at veje- og tælle-data tilsammen danner et bedre analysegrundlag end hver datakilde for sig.

B. Indledende analyse af data-kvalitet Der har været udført et stort arbejde for at teste kvaliteten af henholdsvis veje- og tælledata. Dette er sket ved at indsamle veje og tælle-data fra den daglige drift, og sammenholde disse med omfattende manuelle kontrol-tællinger. Der er efterfølgende blevet udført en omfattende statistisk analyse af disse data. De overordnede konklusioner kan her opsummeres kort: •Veje-dataene har stort set samme usikkerhed som tælle-dataene •Den gennemsnitlige passager-vægt er overraskende stabil henover døgnet, samt henover ugen.

•Begge datakilder har en tilstrækkelig høj kvalitet til at de kan anvendes i praksis Begge datakilder bød på visse systematiske fejl – vejedataenes usikkerhed steg ved meget få passagerer, tælle-dataene havde en tendens til at undertælle når mange rejsende steg af på samme tid. Men i begge tilfælde viste det sig at være muligt systematisk at kompensere for disse.

Perspektiv nr. 14, 2008

På grund af det gode datagrundlag samt ønsket om mere detaljeret daglige opgørelser blev det i forbindelse med APO-projektet besluttet, at anvende en anden tilgang, baseret på matematiske værktøjer fra trafikmodel og simuleringsområdet.

I stedet for at opregne passager-tal mere eller mindre direkte fra tællinger, så foretages en justering af tur-mønster-data således at de simulerede passager-mængder passer med de observerede passager-mængder.

Dette gøres ved hjælp af en rutevalgsmodel og en tur-mønster justering, som beskrives nedenfor.

Figur 1. Eksempel data, omregnet vægt sammenholdt med tællinger for forskellige vognløb med samme togsæt

Metoder Når der skal beregnes passager-tal for kollektive transport-systemer anvendes typisk en af to tilgange: Justering af fast turmønster på basis af snittællinger Med udgangspunkt i snit-tællinger justeres forskellige dele af et fast tur-mønster (Østtællingen) op og ned, således at niveauet passer. Metoden giver et vist indblik i rejsendes tur-mønster og i det totale antal rejsende. Men kun indirekte indblik i kapacitetsudnyttelsen af de enkelte tog.

Opregning af antal ture ud fra antal påstigere samt omstigningsfaktor Antal påstigere tælles. Der justeres for den forventede andel af påstigere som foretager skift. Metoden giver et indblik i kapacitetsudnyttelsen af det rullende materiel, og det totale antal ture, men kun indirekte indblik i de rejsendes turmønster. Typisk indsamles data for en vis daglig stikprøve, hvorefter der laves en samlet opregning, når der er indsamlet data fra alle linier.

Begge metoder opregner det samlede antal ture direkte ud fra tællinger, og evt. manglende tællinger skal derfor kunne håndteres på en rimelig måde.

A. Rutevalgsmodel I forbindelse med trafikmodeller anvendes typisk rutevalgsmodeller, som er matematiske modeller for rejsendes valg af rute igennem et transport-system. Input til en rutevalgsmodel er overordnet set data der beskriver: •Et tur-mønster, en beskrivelse af hvor mange der rejser, hvornår, og hvor fra og hvor til.

•Et transport-netværk, i denne forbindelse S-Tog systemets køreplan •En model beskrivelse af de rejsendes præferencer – hvordan vægter de rejsende de forskellige oplevede omkostninger (ventetid, rejsetid, skift, penge-omkostninger).

Resultatet af en rutevalgsberegning er en simulering af hvilke ruter de rejsende (beskrevet i tur-mønsteret) vælger i transport-netværket, samt detaljerede oplysninger om de forventede rejsetider. Der kan læses mere om rutevalgsmodeller for kollektiv trafik i Nielsen & Frederiksen (2003).

I forbindelse med S-Tog APO projektet har det været en stor fordel at der tidligere er blevet opstillet en rutevalgsmodel baseret på et matematisk netværk (en graf) specielt for S-Togs nettet. En nærmere beskrivelse kan læses i Seest, Nielsen & Frederiksen (2005).

13

Perspektiv nr. 14, 2008

Udgangspunkt: •Start tur-matrix •Afviklet og planlagt køreplan •Observationer (af & på, mellem stationer)

Resultat: •Omregnet tur-matrix (komplet) •Beregnede trafikstrømme

Beregn Trafikstrømme

1 eller flere iterationer

Overfør justeringer til tur-matrix

Dan justeringer Trafikstrømme + observationer

Figur 2. Tur-mønsteret justeres iterativt indtil simulerede passager-strømme matcher observationer

B.Tur-mønster justering Med udgangspunkt i rutevalgsmodellen beskrevet ovenfor er det mulighed at opbygge et værktøj til Tur-mønster justering.

Fremgangsmåden kan kort beskrives således: Med udgangspunkt i et turmønster og en køreplan foretages justeringer i tur-mønsteret, således at trafikstrømmene der simuleres ved hjælp af rutevalgsmodellen afviger så lidt som muligt fra de observerede passagertal.

Den anvendte metode kaldes MPME-metoden (Multiple Path Matrix Estimation). En mere detaljeret beskrivelse kan findes i Nielsen (1998). Metoden vil ikke blive beskrevet nærmere her, da den er ret omfattende.

Det aspekt ved metoden der er relevant i denne forbindelse er, at hver enkelt turmønster-element (fra-station, til-station, antal rejsende, tidsinterval) justeres på basis af et stort antal observationer (tællinger og vejninger), og at denne justering ikke er følsom

14

Figur 3. Eksempel på beregningsoutput fra MPME-værktøj – antal rejsende fra station til station i et bestemt tidsinterval

Perspektiv nr. 14, 2008

overfor evt. manglende enkelt-observationer. I stedet gælder det overordnet at jo flere observationer justeringen baseres på, jo mere pålidelig er justeringen.

Gennemsnitlig afvigelse per dag 20000

1 iteration MUF 1,0 6 iterationer MUF 1,1

15000

6 iterationer MUF 1,1 WS 6 iterationer MUF 1,1 W+S S

Umiddelbart er resultatet et tur-mønster, hvor rejsende mellem alle stations-par er opgjort på 42 tids-intervaller.

10000

5000

0

Ved hjælp af den ovenfor beskrevne rutevalgsmodel kan dette tur-mønster omdannes til en komplet beskrivelse af S-Togs systemet – hvor mange rejsende der er i hvert togsæt, hvor mange der stiger af og på ved hver eneste afgang.

1

2

3

4

5

6

7

8

9

10

11

12

-5000

-10000

Figur 4. Afvigelse mellem estimerede og sande antal passagerer pr. dag, gennemsnit for hver måned

C. Test af metoder og data Der har været udført omfattende test af den foreslåede fremgangsmåde. Fremgangsmåden har helt overordnet været at opstille et test-eksempel: et eksisterende tur-mønster data-sæt (Øst-tællingen, opstillet ved hjælp af en stations-tælling) og en køreplan indsamlet for en typisk driftsdag blev ved hjælp af Rutevalgsmodellen for S-Togs rejsende omdannet til et sæt data for af- og påstigere, samt passagertal for togsættene.

•Hvilken nøjagtighed giver forskellige stikprøve-størrelser for hhv. vejninger og tællinger?

Dette sæt data er herefter blevet påtrykt ”støj”, dvs. simuleret variation svarende til de usikkerheder som det indledende statistiske data-arbejde viste, kunne forventes på indsamlede observationer. Dette simulerede sæt data svarer til et fuldt sæt observationer (tællinger og vejninger). Ved at anvende dette sæt data som observationer, svarende til de indsamlede veje- og tælle-data, var det muligt at afvikle beregninger med MPMEmetoden, og sammenholde resultatet af disse med det ”rigtige”, kendte resulter.

•H  vor godt håndteres metoden større usikkerheder på observationerne.

Ved hjælp af denne fremgangsmåde kunne forskellige test-scenarier afprøves, eksempelvis:

•påtrykning af støj på observationer for at simulere usikkerheden på de rigtige data

•Sammenligning af MPME-metoden i forhold til det eksisterende system?

•Hvad vil den forventede nøjagtighed være for en typisk driftsdag?

•Hvor godt håndteres den forventede ugeog sæson-variation i passager-tal? Eller f.eks. begivenheder såsom koncerter der giver atypiske rejsemønstre?

•H  vor meget falder nøjagtigheden hvis dele af data-indsamlingen falder ud?

I forbindelse med hvert scenarie er et helt driftsår blevet simuleret, hvor der for hver driftsdag i simulationen er udført: •opstilling af et ”sandt” tur-mønster for hvert driftsdag •dannelse af ”sande” observationer (på basis af rutevalgsberegning)

• MPME-beregning og opregning af overordnede resultater.

Generelt har simulationsberegningerne været udført med meget konservative estimater for usikkerheden af vejninger og tællinger. Disse

15

Perspektiv nr. 14, 2008

usikkerheder har siden hen vist sig at være mere nøjagtige.

Nedenfor vises et eksempler på et test-resultat. Figuren viser forskellen mellem det ”sande” antal passagerer pr. dag, og det antal passagerer som beregnes på basis af observationerne på trykt støj Det viste tal er det månedlige gennemsnit for den daglige afvigelse (Figur 4): På figuren vises oversigtsresultater for 4 forskellige simulationer, som har anvendt forskellige opsætninger af systemet, samt forskellige forudsætninger om data-kvalitet.

For at sætte tallene i perspektiv kan det nævnes at der på en typisk hverdag rejser ca.

320.000 – 330.000 passagerer med S-Togene.

APO – System, design og implementering Det samlede APO-system kan deles op i flere separate trin, skitseret nedenfor:

Input data

Basis Tur-Matrix

Tælle- & Vejedata

Datavask

Passager Observationer

•Endelig udføres en MPME-beregning, således at produceres et nyt tur-mønster, og dermed et bud på det samlede antal rejsende med S-Tog. Denne samlede proces udføres hver dag, når dagens driftsdata er indsamlet.

Datavask trinnet (se Figur 6) består i virkeligheden af en række mindre trin. Input til datavasken er •Køreplaner (planlagt og afviklet) •Veje og tælle-data Formålet med datavasken er: •Konvertering af vejedata til passagertal • Konvertering af tælledata til konsistente tællinger

16

Omregnet Tur-matrix

Samlet antal rejsende med S-Tog

Køreplaner

Figur 5. Overordnede opbygning af APO-system

• Overvågning af datakvalitet og indsamling • Overvågning af regularitet – er der tale om en driftsdag med mange aflysninger og store forsinkelser er beregningen ikke nødvendigvis brugbar

S-Tog Data

•De grundlæggende data hentes fra et S-Tog datawarehouse •Der udføres en ”datavask” som behandler de grundlæggende tælle- og veje-data (dette beskrives nedenfor). Det grundlæggende resultat er en omregning af vejninger til antal passsagerer

MPME

DataKvalitet

Vægt pr.

Passager

Vejninger Til Antal passagerer

Togsæt til Togstamme Figur 6. Overstruktur af Datavask

Perspektiv nr. 14, 2008

Eksempelvis justeres der for tilfælde hvor der kun er foretaget vejninger eller tællinger for nogen af togsættene i en togstamme. Der opsamles en detaljeret statistik over den gennemsnitlige passager-vægt fordelt på linie, gren, retning og tidspunkt (beregnet ved at sammenholde passager-tællinger og vejninger for togsættene med tælle-bjælker).

Der advares hvis der fx er tale om en driftsdag med så store irregulariteter at resultatet formodentligt vil være upålideligt.

Slutresultatet, om alt går vel, er at inputdata er konverteret til observationer i form af antal af- og påstigere, samt antal rejsende i togsæt, som kan anvendes direkte i MPMEberegningen.

F. Opbygning og teknik Rent teknisk er systemet opbygget som en række moduler, der udveksler data vha. nogen fælles database-formater. Modulerne er opbygget med udgangspunkt i eksisterende software udviklet af Rapidis, hvilket har nedbragt udviklingstiden betragteligt.

I sin grundlæggende form er APO-systemet et server-baseret system, som hver nat afvikler en samlet beregning. Men for at lette test af systemet, samt give mulighed for at lave forskellige scenarie beregninger, er alle moduler tilgængelige i to forskellige udgaver – en konsol udgave til server brug og som et beregningsmodul, der kan anvendes i ArcGIS, fra firmaet ESRI. ArcGIS understøtter ved hjælp af GeoProcessing muligheden for ved hjælp at diagrammer at sammenstykke og afvikle komplicerede beregnings processer. Dette beskrives mere detaljeret nedenfor.

De GIS-baserede udgaver kan således afvikles direkte fra ArcGIS. Desuden er brugeren heller ikke bundet til det overordnede datawarehouse, men kan f.eks. hente data ned til en lokal Access-database, og arbejde videre med dem der.

Brugen af GIS GIS har spillet en vigtig rolle i løbet af projektet. GIS har i hovedsagen været anvendt i forbindelse med:

Figur 7. Eksempel GeoProcessing model - Ellipser repræsenterer Data-tabeller, rektangler er processer, f.eks. SQL-forespørgsler eller tilknytning til GIS-lag

•Arbejdet med at undersøge og kvalitetssikre input-data •Afvikle test- og scenarie-beregninger vha.

GIS-udgaven af APO-komponenterne •Samt, ikke mindst, være platform for afvikling af databaseforespørgsler og visualiseringer af resultater GIS (i form af ArcGIS fra ESRI) vil fremover i den daglige drift især blive brugt til automatisk at generere oversigtsrapporter for dagens beregningsresultater. Dette er en vigtig funktionalitet da det grundlæggende beregningsoutput er meget detaljeret, og det typisk er ret tidskrævende manuelt at opstille visualiseringer og oversigts-forespørgsler.

Denne rapport-generering er opstillet ved hjælp af en kombination af ArcGIS GeoProcessing og database-forespørgsler. Dette betyder også at det er relativt simpelt for brugeren hen ad vejen at tilpasse og udvide funktionaliteten.

Et eksempel på et direkte output fra beregningsmodellen er en tabel over hver tog-bevægelse og de tilhørende passagertal, i form af: •TogNr • FraStation • TilStation •Start-Tidspunkt • Slut-Tidspunkt •Antal påstigere, fra-station •Antal afstigere, til-station

17

Perspektiv nr. 14, 2008

Figur 8. Oversigtsvisualisering, antal afstigere pr station pr døgnet

En sådan output-tabel indeholder typisk små 30.000 rækker data, hvilket umiddelbart kan være lidt svært at overskue. Ved at aggregere data og visualisere dem i GIS bliver det dels lettere at overskue resultaterne, men det bliver også lettere at formidle dem til andre brugere.

Eksempelvis vises i Figur 8 en opsummering af antal afstigere pr. station, dannet udfra den ovenfor beskrevne resultat-tabel.

Ved at knytte andre beskrivende tabeller til resultaterne er det også muligt at granske dele af resultatet mere detaljeret, for eksempel opdelt pr. gren, pr. tidsperiode eller pr. linje, eller kombinationer heraf. Eksempelvis vises i Figur 9 mængden af passager der rejser med Linje B i morgen-perioden (kl. 6.00 – 9.00).

Foruden visualiseringer kan det også være relevant med almindelige oversigtstabeller.

I Figur 10 vises et eksempel på en oversigt over selve tur-mønsteret (som i den grund-

18

læggende form er vist i Figur 3), summeret op på rejsende fra gren til gren i S-Togs nettet i morgen-periode.

Konklusion Udviklingsdelen af APO-projektet er nu afsluttet, og systemet sættes pr. 1. september 2008 i paralleldrift ved siden af det tidligere passager-opregningssystem. I takt med at der akkumuleres driftsdata og indsamles erfaringer vil systemet løbende blive justeret. Det forventes at opfølgning og justering afsluttes i løbet af det kommende år.

Med det udviklede APO system har DSB STog fået et system, der er i stand til at udnytte det gode data-grundlag, der er tilgængeligt. Ved at vælge en utraditionel tilgang er det blevet muligt ikke blot at beregne de overordnede passagertal, men også skabe en detaljeret indsigt i de rejsendes vaner og aktiviteter, som vil være overordentligt nyttig, både med hensyn til kort- og langsigtet planlægning.

Perspektiv nr. 14, 2008

Referencer Nielsen, Otto Anker & Frederiksen, Rasmus Dyhr.

Optimisation of timetable-based, stochastic transit assignment models based on MSA. Special Issue of Annals of Operations Research on Optimisation in Transportation. Elsevier. 2003-01-15 Seest, Elsebet; Nielsen, Otto Anker & Frederiksen, Rasmus Dyhr: Opgørelse af passagerregularitet i S-tog. Trafikdage på AUC (2005).

Figur 9. Visualisering af passager-strømme, Linie B i morgen-perioden (6.00 – 9.00)

Nielsen, Otto Anker (1998). Two new methods for estimating Trip Matrices from Traffic Counts. Chapter in Travel Behaviour Research: Updating the state of play. Edited by Ortúzar, H. D., Hensher, D & Jara-Díaz, D. Elsevier Science Ltd. Oxford, UK. 1998. pp. 221-250

Figur 10. Oversigtstabel, trafik fra gren til gren i morgen-perioden

Om forfatteren: Rasmus Dyhr Frederiksen, rdf@rapidis.com. Rapidis ApS De gennemgående personer i projektet med hensyn til det faglige arbejde: Elsebet Seest og Dorte Filges, DSB S-Tog , Metode-udvikling, integration med eksisterende systemer, formulering af S-Togs krav og behov, test og kvalitetssikring Professor Otto Anker Nielsen, DTU Transport – Datakvalitet, Metode-udvikling Lektor Bo Friis Nielsen, DTU Informatik – Datakvalitet, statistisk undersøgelse af data Bjarke Brun, Philip Bagger, Rasmus Dyhr Frederiksen, Jakob Skriver, Rapidis ApS – Metodeudvikling, GIS, Design og udvikling af driftssystem, test og kvalitetssikring

19

Perspektiv nr. 14, 2008

Danskernes transport – hvor meget, hvordan, hvornår og hvor henne?

Carsten Jensen Transportvaneundersøgelsen (TU) er en central kilde til beskrivelse af danskernes transportadfærd. Data fra undersøgelsen anvendes i en lang række sammenhænge, hvor der er behov for på et kvalificeret grundlag at analysere trafikale mønstre og skabe grundlag for beslutninger om nye projekter o.l. Beskrivelse af geografiske forhold er en central del af undersøgelsen, og i artiklen her fokuseres på hvordan dette er anvendt i nogle aktuelle analyser og projekter.

Introduktion Selv om det måske ikke altid virker sådan, når man følger trafikdebatten i medierne, er der en temmelig lang tradition i transportsektoren i Danmark for at indsamle og anvende statistiske data til at understøtte beslutningsprocesser – ikke dermed sagt, at der altid bliver truffet de beslutninger, analyserne peger på som de mest hensigtsmæssige.

Når det gælder persontransport, findes der en lang række datakilder til beskrivelse af delelementer af danskernes transportadfærd – tællinger af vejtrafik, tællinger af passagerer i busser, tog og færger, statistik over bilparkens gennemsnitlige årskørsel, pendlingsstatistik, enkeltstående specialanalyser og meget, meget mere. Men når det kommer til at forsøge at foretage en samlet beskrivelse af transportadfærden, findes der i dag reelt kun én kilde, nemlig den såkaldte Transportvaneundersøgelse (i daglig tale TU).

I artiklen beskrives Transportvaneundersøgelsens formål og metodik osv., med hovedfokus på de geografiske elementer i undersøgelsen og hvordan de i praksis er anvendt til en lang række analyser, med det fælles formål at skabe forøget viden om transportadfærd i specifikke geografiske sammenhænge.

Hvordan gennemføres Transportvaneundersøgelsen?

Transportvaneundersøgelsen er en interviewundersøgelse, hvis formål er at kortlægge danskernes samlede transportadfærd indenfor Danmarks grænser, fra den helt korte gåtur med hunden over den daglige trans-

20

port mellem hjem og arbejde til ferieturen med tog fra Gedser til Skagen.

Undersøgelsen gennemføres ved at et repræsentativt udsnit af danskere mellem 10 og 84 år hver dag året rundt udspørges om deres rejseaktivitet den nærmest foregående dag.

I de seneste år er undersøgelsen afviklet som en kombination af internetinterview og telefoninterview og der gennemføres i øjeblikket ca. 13.-14.000 interview/år.

Interviewet foregår med udgangspunkt i et ganske komplekst spørgeskema, hvor interviewpersonen bliver bedt om at redegøre detaljeret for hver enkelt tur i løbet af den udvalgte dag, i form af oplysninger om anvendt transportmiddel, formål med turen, start- og slutpunkt for turen, turlængde, tidsforbrug m.m. Desuden spørges om baggrundsoplysninger som alder, stilling, indkomst, bilrådighed m.m. for interviewpersonen og dennes husstand. Hovedvægten i spørgeskemaet ligger på de spørgsmål, der er en fast del af undersøgelsen, men der er også mulighed for i perioder at tilføje supplerende spørgsmål om aktuelle emner.

I sin oprindelse stammer Transportvaneundersøgelsen helt tilbage fra 1975, hvor den første, enkeltstående undersøgelse af danskernes transportvaner blev gennemført.

Herefter blev der også gennemført enkeltstående undersøgelser i 1981 og 1986.

Undersøgelsen er i nogenlunde sin nuværende form gennemført løbende siden 1992, hvilket er ret enestående, også i internatio-

Perspektiv nr. 14, 2008 nalt perspektiv. Dog er der ikke gennemført nogen undersøgelse i 2004 og 2005, hvorefter undersøgelsen blev genoptaget i maj 2006. Der er undervejs sket mange ændringer i og forbedringer af undersøgelsen, men på de fleste, centrale parametre er det muligt at anvende data for (stort set) hele perioden fra 1992 til i dag.

Hvem står bag?

Ansvaret for gennemførelsen af TU har tidligere ligget hos henholdsvis Vejdirektoratet og Danmarks Miljøundersøgelser, men siden 2001 har Danmarks TransportForskning (nu DTU Transport) haft ansvaret. Afviklingen af interviews varetages af analysefirmaet Synovate Vilstrup, mens spørgeskemaudvikling og dele af databehandlingen udføres af Tetraplan.

Den finansielle basis for gennemførelsen af undersøgelsen garanteres af en ret bred kreds af organisationer med behov for at kunne anvende TU-data. Kredsen består i øjeblikket af Transportministeriet, Trafikstyrelsen, Vejdirektoratet, DSB, Københavns Kommune, Aalborg Kommune og DTU Transport, men der arbejdes hele tiden på at tiltrække nye interessenter.

Centrale resultater i Transportvaneundersøgelsen Når de rå interviewdata fra TU er indsamlet for et kalenderår, gennemføres en omfattende bearbejdning af data. I denne proces foretages kvalitetssikring, beregning af en lang række afledte variable osv. En vigtig del af processen er at vægte data op fra stikprøve til resultater for hele befolkningen mellem 10 og 84 år.

Et hovedformål med gennemførelsen af TU er at kvantificere transportomfanget, repræsenteret ved tre centrale parametre: antal ture pr. person pr. dag, antal km. pr. person pr. dag og antal minutter pr. person pr. dag.

Ud fra disse størrelser kan en række afledte resultater beregnes, som f.eks. det årlige transportarbejde i mio. km. for hele ”TUbefolkningen”. Transportarbejdet er det samlede antal km. personer transporteres på per-

sonniveau. I modsætning hertil er trafikarbejdet udtrykt på køretøjsniveau det samlede antal km. køretøjerne har tilbagelagt. En bil med en chauffør og én passager, der tilbagelægger 1 km., genererer et transportarbejde på 1, medens trafikarbejdet er 1.

Centralt i undersøgelsen står også registreringen af med hvilket formål, den enkelte tur er foretaget og hvilket transportmiddel der er benyttet. For begge variable registreres på en lang række detaljerede kategorier, der så efterfølgende kan aggregeres til forskellige hovedkategorier – et eksempel kan være, at en række detailtransportmidler aggregeres til kategorierne gang, cykel, bilfører, bilpassager, kollektivrejsende og øvrige.

Væsentligt er også koblingen mellem transportadfærd og baggrundsvariable. TU giver mulighed for at krydse data med en række alment anvendte karakteristika, som f.eks. køn, alder, uddannelse, familietype, personlig henholdsvis husstandsindkomst, bilrådighed og om personen har kørekort.

Endelig indsamles også viden om hvornår interview er foretaget, så data kan sæsonfordeles og ugedagsfordeles. Desuden registreres start- og sluttidspunkt for de enkelte ture, så det er muligt f.eks. at beskrive tidsfordelingsprofiler for bestemte typer rejser eller bestemte grupper respondenter.

En vigtig del af dataindsamlingen er i øvrigt, at det er lige så vigtigt at få registreret de respondenter, der ikke har foretaget nogen ture på interviewdagen, som dem der har været transportaktive, da det også er med til at tegne det samlede billede af efterspørgslen efter transport. Det er den generelle vurdering, baseret på både danske og udenlandske erfaringer, at i gennemsnit godt 15% af respondenterne ikke har været ude på interviewdagen, pga. sygdom, alder, fridag eller andet.

Geografi i Transportvaneundersøgelsen Det er åbenlyst, at geografi (og tid) er væsentligt når man vil kunne beskrive trafikale forhold. Detaljeret beskrivelse af de indsamlede

21

Perspektiv nr. 14, 2008

tures geografi er derfor en helt essentiel del af opbygningen af TU. I spørgeskemaet: Respondentens bopælsadresse kendes normalt på forhånd, idet udtrækningen af respondenter sker på basis af et sample fra CPR, der inkluderer adressen. Hvis der er sket adresseændringer siden udtrækningen, bliver respondenten bedt om at angive anden adresse. I starten af interviewet bliver respondenten i øvrigt bedt om at angive adresse for evt. arbejdsplads eller skole. Efterfølgende, når respondenten skal beskrive de enkelte ture på interviewdagen, sker der ligeledes registrering af såvel startsom slutadresse for turen.

Dette sker alt sammen ud fra valgmenuer, hvor der kan laves fritekstsøgning på adressedata fra et samlet datasæt, baseret på tre kilder: • Adressedata fra det såkaldte OSAK-datasæt (Officielle standardadresser og koordinater) • Arbejdspladsadresser fra CVR-registret • Supplementsdata fra manuelt genererede adresser/stednavne, som ikke er med i de to andre datakilder. Dette er typisk navne på parker, skove, strande og andre rekreative mål, ligesom grænseovergange, havne og lufthavne er registreret for at kunne håndtere ture ind/ud af landet.

I nogle tilfælde kan respondenten ikke angive en præcis adresse ud fra valgmenuen – enten pga. manglende adressedata eller fordi en tur ikke har noget klart defineret mål, f.eks. ved løbeture eller gåture med hunden.

I disse tilfælde foretages geokodning så vidt muligt i forbindelse med efterbehandlingen af data.

Efterbehandling: Det er målsætningen, at ca. 95% af de indsamlede ture kan stedbestemmes præcist (på adresseniveau eller med en afvigelse på max. 100-200 m), enten ved direkte anvendelse af adresse-id’er i grunddata eller ved efterfølgende, manuel geokodning suppleret med en række checkprocedurer.

22

I efterbehandlingen tilføjes supplerende områdeinformation: For turenes vedkommende er det start- og slutpunktets tilhørsforhold til forskellige foruddefinerede zonestrukturer, kommune (gammel og ny kommunestruktur), amt og region. Desuden suppleres med respondentens bopælskommune og evt. arbejdskommune m.m.

For at kunne analysere forskelle i transportadfærd mellem by og land, kobles adresserne med grunddata om urbaniseringsgrad. Det sker på baggrund af en større gennemgang af kommuneplanområder og planlægningszoner, der blev gennemført for nogle år siden – det har den svaghed at definitionen af urbaniseringsgrad er statisk, men det har været vurderingen at der overordnet set stadig er tale om en retvisende fordeling på forskellige urbaniseringskategorier.

Endelig giver respondenternes svar mulighed for at opdele turene efter turlængde og varighed og ad den vej få beskrevet nogle væsentlige mekanismer i f.eks. fordelingen på transportmiddelvalg (modal split), afhængig af om rejser er korte eller lange. Turlængder og tidsforbrug er direkte baseret på respondenternes svar, hvilket medfører en vis usikkerhed på resultaterne. Det har hidtil været vurderingen, at unøjagtigheder på den enkelte tur udlignes hen over den samlede stikprøve, men for at afklare om denne tese er holdbar, arbejdes der på at evaluere svarene vha. forskellige, simple ”korteste rute”-beregninger i GIS. Hvad kan man med Transportvaneundersøgelsen – og hvad ikke?

I perioden siden 1992 er der i TU indsamlet viden om langt over 100 forskellige variable på ca. 550.000 enkeltture, foretaget af godt 175.000 interviewpersoner, så der er tale om et temmelig velvoksent datamateriale med mange anvendelsesmuligheder. Det ændrer dog ikke ved at der er tale om en stikprøveundersøgelse, hvor man skal tænke sig lidt om inden man bruger data på detaljeret niveau.

Perspektiv nr. 14, 2008

TU er rigtig stærk til at beskrive strukturelle sammenhænge, især hvis man benytter data fra flere års interview som grundlag. Derimod skal udvikling i resultater fra år til år behandles meget varsomt, specielt hvis man samtidig ønsker at bryde resultatet ned på 2-3 samtidige variable – med TUs stikprøve kommer man nemt ud på kanten af, hvad der er statistisk holdbart. Et typisk eksempel, som der er stor efterspørgsel efter, er udviklingen i transportomfanget i enkeltkommuner, fordelt på transportmidler. Den type analyser gennemføres jævnligt, men normalt kun for de største kommuner med en stor stikprøve, simpelthen fordi alternativet er overhovedet ikke at have nogen viden.

Den valgte interviewmetode, hvor vi spørger interviewpersonen om rejseadfærd på en enkelt dag, giver en god beskrivelse af den gennemsnitlige adfærd pr. person, men har den ulempe at spredningen omkring gennemsnittet ikke kan beskrives lige så præcist – det ville kræve at vi interviewede de samme personer om deres adfærd over en længere periode, hvilket økonomien ikke giver mulighed for.

Den relativt begrænsede stikprøve betyder, at selv om der gøres meget for at opnå præcis stedfæstelse af ture og andre data, er det ikke ensbetydende med at man uden videre kan bruge data på detaljeret geografisk niveau. Men den detaljerede tolkning af data er omvendt afgørende for, at de enkelte ture mv. henføres korrekt til de mere overordnede områdedefinitioner som gør det muligt at foretage analysen med en tilstrækkelig stikprøve.

En mangel i relation til geografi er, at mens tures start- og slutpunkt er præcist bestemt, ved vi ikke noget om valget af rute. Især for analyser af kollektiv trafik er det interessant at vide, om personen har valgt den ene eller anden af de forskellige kombinationer af buslinjer, tog osv. der er mulige. Men også for biltrafik kan det f.eks. være interessant at få afdækket, hvordan bilister reagerer på myldretidstrafik i form af at vælge alternative, lidt

langsommere ruter, hvor risikoen for kødannelser er mindre. Vi gennemfører dog i øjeblikket forsøg med at beskrive kollektivt rutevalg i interviewet.

Hvad bruges data så til i praksis?

Som det gerne skulle være fremgået nu, giver TU-data mulighed for at gennemføre mange og forskelligartede analyser vedrørende danskernes transportadfærd. Ofte er der i store dataprojekter lange perioder, hvor der er så stort fokus på dataindsamling, databearbejdning og kvalitetssikring, at udnyttelsen af data kommer lidt i anden række. Sådan har det også ind imellem været med TU, men ikke desto mindre er TU-data igennem årene anvendt som grundlag i en lang række udredningsopgaver, forskningsprojekter, trafikmodeludvikling osv. – enten som enkeltstående datakilde eller anvendt i kombination med data fra andre kilder.

En stor del af disse opgaver kunne simpelthen ikke være gennemført uden TU-data, eller i hvert fald kun ved meget tids- og omkostningskrævende indsamling af data til det specifikke projekt. Så idéen om at have en permanent datakilde, med årlig opdatering og tilføjelse af nye data, har dels vist sig med stor sandsynlighed at være billigere end indsamling af tilsvarende data til enkeltprojekter og dels har den medvirket til at fokusere ressourcer på løsning af den aktuelle opgave, frem for på at fremskaffe datagrundlag.

Endelig har den permanente adgang til TUdata betydet, at en lang række små og større forespørgsler fra forskellige interessenter har kunnet gennemføres ved forholdsvist simple udtræk fra det eksisterende datasæt.

I det følgende gennemgås nogle få, aktuelle eksempler på hvordan TU-data er indgået i løsningen af opgaver, hvor især den geografiske dimension har været vigtig: Standardnøgletal TU-data bruges i mange sammenhænge som kilde til at få overblik over, hvordan danskerne bevæger sig rundt. På TU-hjemmesiden (http://www.dtu.dk /centre/modelCenter/

23

Perspektiv nr. 14, 2008

TU.aspx) er der mulighed for at følge en række centrale parametre ved hjælp af et sæt af standardtabeller og derudover er der mulighed for at bestille mere specialiserede udtræk ved hjælp af et tabelværktøj.

Som eksempel på et par simple TU-nøgletal, ses i figur 1 og 2 hvordan henholdsvis det samlede transportarbejde i km pr. dag pr. person og den kollektive trafiks andel af transportarbejdet fordeler sig på amtsniveau.

portarbejde pr. person, især på grund af den store betydning som pendling til/fra Storkøbenhavn spiller i disse områder. I den modsatte ende af skalaen ses, at transportarbejdet på Bornholm og i København/Frederiksberg er lavt, fordi der er ret kort til de fleste dagligdags gøremål og fordi en stor del af beboerne pendler forholdsvis kort.

Som det ses af figur 1, har Roskilde, Vestsjællands og Storstrøms amter et højt trans-

I figur 2 fremgår det, at tilbøjeligheden til at anvende kollektiv trafik stiger dramatisk med nærheden til København, og dermed adgangen til et forholdsvis finmasket og højfrekvent kollektivt trafiksystem.

Figur 1. Transportarbejde pr. person på en gennemsnitsdag, fordelt efter bopælsamt (på basis af TUdata 1999-2006)

Figur 2. Kollektiv trafiks andel af trans-portarbejdet, fordelt efter bopælsamt (på basis af TU-data 19992006)

24

Perspektiv nr. 14, 2008

Figur 3. Trafikstrømme mellem kommuner i Hovedstadsområdet 2004, baseret på grunddata fra ØrestadsTrafikModellen (OTM)

Ørestadstrafikmodellen (OTM) En væsentlig del af planlægningsgrundlaget for den københavnske metro har været den såkaldte OTM-trafikmodel, der er anvendt til at prognosticere passagerpotentialer, vurdere linjeføringer og stationsplaceringer osv. I forbindelse med planlægningen af næste etape, Cityringen, er OTM blevet gennemgribende opgraderet til en ny version 5.0. En væsentlig del af opgraderingen har været dannelse af nye, såkaldte basismatricer, der beskriver trafikken i basisåret 2004 – ud fra disse basismatricer foretages alle fremskrivninger af trafikken til den situation, hvor den nye Cityring er i drift (forventes i år 2018).

De opstillede basismatricer beskriver trafikken i Hovedstadsområdet i et system med i alt godt 800 zoner, hvor imellem trafikken på en normal dag (et årsdøgn) er opgjort, fordelt på transportmidler, formål og tid på dagen.

TU-data er en væsentlig del af grundlaget for disse basismatricer, i samspil med særlige postkortanalyser og trafiktællinger i udvalgte snit for de forskellige transportmidler.

OTM-modellen med tilhørende data administreres af Modelcentret på DTU Transport, men kan under visse betingelser stilles til rådighed for andre interessenter, der ønsker at køre beregninger på modellen. Model-

25

Perspektiv nr. 14, 2008

lens matricer indeholder desuden så meget interessant information ”på tværs af transportmidler”, at det er valgt at gøre forskellige hovedresultater tilgængelige på Modelcenters hjemmeside. Det gøres i form af et antal ArcGIS Server-baserede præsentationer på siden http://www.dtu.dk/cent r e /m o d e l C e n t e r/ D a t a / D a t a b i b l i o t e k / Pr%C3%A6sentationer.aspx. Siden er under løbende opbygning og indeholder foreløbig 3 ret simple præsentationer. I figur 3 ses den ene, hvor de største trafikstrømme mellem kommuner vises, opgjort som det samlede antal ture på et årsdøgn i 2004 for alle transportmidler.

Potentiale for overflytning af trafik mellem transportmidler Stadigt stigende vejtrafik, især på motorveje og indfaldsvejene til de større byer, er et emne der indtager en fremtrædende plads i den trafikpolitiske debat. Dels fordi de trængselsproblemer, der er en konsekvens af den stigende trafik, fører til forsinkelser og usikkerhed om rejsetiden for bilisterne i myldretidstimerne. Dels fordi de miljømæssige konsekvenser i form af støj og forurening er i fokus, bl.a. i forbindelse med debatten om trafikkens andel af CO2-belastningen. Derfor er der i forskellige sammenhænge, bl.a. som udløbere af arbejdet i regeringens Infrastrukturkommission, igangsat analyser af mulighederne for at flytte trafik mellem transportformerne.

I samarbejde med Transportministeriet har DTU Transport for nylig anvendt TU-data til at analysere potentialet for omflytning af transportarbejde fra vej til bus og tog. Der er tale om grove overslag ud fra en kortlægning af, i hvilke segmenter (mht. kundekarakteristika, rejseformål, rejselængde og geografi) bus og tog er mest konkurrencedygtige.

Her har de geografiske elementer i TU været af væsentlig betydning, da et omdrejningspunkt for analysen har været at se på forskelle i rejsemønstre afhængig af urbaniseringsgrad og rejselængde, ligesom der er lavet specielle analyser på Hovedstadsområ-

26

Figur 4. Transportarbejde fordelt på hovedtransportmidler, opgjort efter urbaniseringsgrad (TU 1999-2006)

det og centralkommunerne (København/Frederiksberg), hvor TU tydeligt viser nogle segmenter hvor kollektiv trafik står stærkt.

I figur 4 ses et eksempel på en af de overordnede analyser fra dette arbejde, hvor det klart ses hvordan kollektiv trafik og øvrige (især cykel og gang) står stærkt i København, mens bilen er altdominerende i landområder og mindre byer.

Som en del af analysen er der foretaget beregninger på konkurrenceforholdet mht. samlet rejsetid (dvs. rejsetid fra dør til dør) mellem bil og kollektiv trafik i udvalgte kommunerelationer på hovedbanen KøbenhavnFrederikshavn. Idéen har været at forsøge at udlede en sammenhæng mellem et gunstigt rejsetidsforhold for kollektiv trafik og en høj andel af det samlede antal ture i relationen, for derved at kunne opstille antagelser om, hvordan forbedringer i rejsetidsforholdet kan påvirke andelen af kollektiv trafik.

Det er selvfølgelig for snævert alene at fokusere på rejsetid, da der i virkelighedens verden er mange andre forhold der påvirker transportmiddelvalget ved denne type rejser (frekvens, komfort, pris, generelle præferencer m.m.), men det kan medvirke til at afdække nogle centrale mekanismer. Som det ses i figur 5, er der en klar tendens til at kollektiv trafik er mest konkurrencedygtig i de relationer, hvor rejsetidsforholdet er gun-

Perspektiv nr. 14, 2008

muligheder der ligger i anvendelsen af TUdata er stigende i disse år, i takt med at data kommer i spil og bliver anvendt i nogle af transportsektorens centrale sammenhænge.

Derfor føler vi os også ret sikre på, at Transportvaneundersøgelsen vil blive videreført i de kommende år – med stadigt stigende behov for opbygning af modeller, analyse af sammenhænge osv. er TU simpelthen en uundværlig datakilde.

Figur 5. Sammenhæng mellem rejsetidsforhold kollektiv trafik kontra bil og kollektiv trafiks andel af transportarbejdet, for udvalgte kommunepar på banestrækningen København-Frederikshavn (TU 1999-2006). 2 betyder fx at rejsetiden er dobbelt så lang med kollektiv transport som med bil.

stigt. Helt som forventet er det store relationer som København-Odense og KøbenhavnÅrhus, der ligger stærkt, mens korte rejser som Korsør-Slagelse, hvor den kollektive trafik er hæmmet af at rejsetiden i toget kun udgør en lille del af den samlede rejsetid (resten er tilbringertid, skiftetid og ventetid), har en lav kollektiv markedsandel.

Tilsvarende analyser er lavet i samarbejde med Vejdirektoratet, i et projekt hvor fokus har været på de korte rejser (op til 10-15 km) og mulighederne for at flytte ture fra bil til især lette transportformer (primært cykle og gang).

Her viser TU, at selv ved ganske korte afstande (under 2 km) har bil en forbavsende høj andel af markedet (næsten 40% af de kørte km).

Afrunding Her er vist nogle få, men centrale anvendelser af TU-data. Mulighederne er dog langt flere end de viste – og opmærksomheden på de

Omvendt er det dyrt at gennemføre interviewundersøgelser af denne type, hvilket sætter begrænsninger på stikprøvens størrelse og på hvor mange vigtige emner vi har med i undersøgelsen. Der er derfor behov for hele tiden at tænke i nye baner mht. effektivisering af måden at indsamle data på – nogle oplagte muligheder i den forbindelse er: • Anvendelse af GPS-teknologi (via mobiltelefoner) til beskrivelse af ture mht. geografi og tid • Forbedret integration af GIS-teknologi i spørgeskemaet, i form af udpegning af punkter i kortet, automatisk turlængdeberegning m.m.

• Større andel af interview via Internet, så dyre telefoninterview kan reduceres Ved anvendelsen af data fra TU har vi foreløbig kun i mindre omfang udnyttet den geografiske information, der ligger i data. Der er naturligvis grænser for, hvor detaljeret der kan analyseres, både på grund af stikprøvens størrelse og på grund af at der er tale om personfølsomme oplysninger, men vi forventer fremover at kunne foretage mere sofistikerede, GIS-baserede analyser, hvor der f.eks. ses på ture i specifikke transportkorridorer med bestemte turformål.

Om forfatteren Carsten Jensen, projektleder i Modelcenter, DTU Transport, bl.a. med ansvar for gennemførelse af Transportvaneundersøgelsen. E-mail: caj@transport.dtu.dk

27

Perspektiv nr. 14, 2008

Rejseplanen fra dør til dør Birgitte Lomholt Woolridge og Peter Lindahl Rejseplanen er resultatet af et succesfuldt samarbejde mellem DSB og de offentlige trafikselskaber i Danmark. Ved at samle køreplansinformationer for tog, busser og færger fra hele landet giver Rejseplanen brugerne mulighed for at søge rejser på tværs af transportmidlerne. Denne service opfylder et vigtigt behov hos trafikselskabernes kundecentre såvel som hos de rejsende, og Rejseplanen er efterhånden blevet et af de mest besøgte Internet sites i Danmark. Denne artikel beskriver samarbejdet bag Rejseplanen og giver en introduktion til datamodellen bag Rejseplanen samt eksempler på, hvordan Rejseplanen anvender GIS til beregning og præsentation af rejseforslag for brugerne.

Rejseplanen – mere end en køreplan De fleste danskere kender Rejseplanen. Rigtig mange danskere bruger også Rejseplanen. Faktisk kan man opgøre det til, at 3 ud af 4 danskere søger rejser på Rejseplanen.

Og når man har søgt en rejse, så tager 9 ud af 10 også fysisk ud og gennemfører rejsen.

Med sine knap 300.000 daglige opslag på rejser er Rejseplanen dermed en af Danmarks største succeser for selvbetjening på nettet.

Det havde ingen formodentlig forestillet sig, da de amtslige busselskaber og DSB i midten af 1990erne satte sig sammen for at forbedre koordineringen mellem tog og busser.

Sammen satte man sig nogle mål for at gøre det nemmere for brugerne at bruge den kollektive trafik. En af visionerne i samarbejdet var: ”Ved hjælp af ny teknologi er det målet, at kunderne på større stationer og busterminaler skal kunne få en samlet rejseplan for både busser og tog. Rejsens udgangs- og slutpunkt tastes ind i en computer. Og resultatet er en rejseplan med præcise tidsangivelser for afgangs- og ankomsttidspunkter for hele rejsen”.

Man havde set rigtig i det med computeren!

Rejseplanen blev derfor faktisk først udviklet som internt arbejdsredskab, som de ansatte i DSBs og HTs kundecentre kunne bruge i kundebetjeningen. Men inden nogen vidste af det, var Internettet dukket op, og de visionære parter ændrede derfor kurs mod dette nye medie.

28

Rejseplanen startede på dsb.dk i oktober 1997, hvor man kunne søge på togafgange.

I oktober 1998 gik man live med domænet www.rejseplanen.dk, og søgningerne inkluderede DSBs tog samt HTs og BATs (Bornholm) busser.

Stadig udvidelse Siden lanceringen i 1997 er Rejseplanen blev udvidet med data fra bus- og togselskaber i hele Danmark, med adressedækning, så man kan søge hjemmefra og ikke kun fra stoppestedet eller station, og senest med telefonnumre, så man kun skal indtaste nummeret på den, man skal besøge, så klarer Rejseplanen resten.

I 2003 blev Rejseplanen etableret som et A/ S, hvor DSB ejer 50% af aktierne, Trafikselskabet Movia 22%. De resterende aktier ejes af Fynbus, Sydtrafik, Midttrafik, NT og BAT. Rejseplanen får i dag også data fra Metro, Arriva, Abildskou, Netbus og en række færger.

Leverandøren af systemet bag Rejseplanen er tyske HaCon (www.hacon.de), som leverer rejseplanlæggere til en lang række europæiske lande og trafikselskaberne.

Rejseplanens kernefunktionalitet I det følgende vil Rejseplanens funktionalitet blive beskrevet nærmere. Rejseplanen er i dag et komplekst system af datakilder, beregningsrutiner og grænseflader til andre IT-systemer. Systemet har imidlertid en kerne, som de øvrige funktionaliteter er bygget

Perspektiv nr. 14, 2008

Figur 1. Rejseforslag fra Skælskør til Rønne med brug af bus, tog og færge.

op omkring, og det er derfor lettest indledningsvis at beskrive denne kernefunktionalitet og derefter de udbygninger, der er blevet tilføjet igennem årene.

Rejseplanen kan i sin simpleste udformning betragtes som et netværk, hvis knudepunkter består af holdepladser. Holdepladser er i denne sammenhæng en samlebetegnelse for togstationer, busstoppesteder, færgelejer mm., hvortil der er knyttet trafikmidler. Alle holdepladser har en række attributter, hvoraf nogle er obligatoriske, mens andre er valgfri. De obligatoriske attributter indbefatter et holdepladsnummer og et navn for holdepladsen. Som eksempler på ikke-obligatoriske attributter kan nævnes geografisk placering, alias for holdepladsen samt zonetilhørsforhold til brug for prisberegning. At geografisk placering ikke er obligatorisk for alle holdepladser følger af, at rejseberegningen i Rejseplanen ikke i første omgang handler om den geografiske sammenhæng mellem holdepladserne, men derimod den temporale sammenhæng. Kanterne mellem de knu-

depunkter, som repræsenterer holdepladserne, består således af information om mulige tidspunkter at rejse fra et knudepunkt til et andet, dvs. hvornår der er knyttet trafik mellem holdepladserne. Rejseplanen kan således i sin enkleste udformning fungere helt uden kendskab til geografien i det system, den repræsenterer. Så længe brugeren kun søger efter rejser ud fra navne på holdepladser og med angivelse af ønsket rejsetidspunkt, kan Rejseplanen beregne og beskrive det eller de rejseforslag, der bedst muligt opfylder det efterspurgte rejseønske.

Tilføjelse af geografisk information Behovet for geografisk placering af holdepladserne viser sig dog snart. Dels kan det bruges til at optimere beregningsalgoritmen, som skal fungere hurtigt, selv med over 20.000 holdepladser og over 40.000 ture med kollektiv trafik i Rejseplanens database. Dels er geografisk placering nødvendig, så snart der skal indgå funktionaliteter som kortvisning og adressesøgning, der beskrives senere i denne artikel.

29

Perspektiv nr. 14, 2008

Figur 2. UdvĂŚlgelse af rejseforslag, der skal vises for brugeren.

30

Perspektiv nr. 14, 2008

Som beskrevet ovenfor er holdepladserne knyttet sammen i et netværk bestående af transportmidler, der er tilgængelige på bestemte tidspunkter. Det er imidlertid også nødvendigt at knytte visse holdepladser sammen for at sikre sammenhæng i netværket.

Det bedste eksempel er sammenknytningen mellem togstationer og busstoppesteder. Der er derfor defineret såkaldte gangveje mellem alle togstationer og nært beliggende busstoppesteder, ligesom det også er tilfældet ved færgehavnene. Dette sikrer, at det er muligt at beregne kombinerede rejser, f.eks. fra Skælskør til Rønne, hvilket typisk vil kræve brug af både bus, tog og færge, se figur 1. Gangveje er kendetegnet ved at de er tilgængelige på alle tidspunkter i modsætning til transportmidler, der kun er tilgængelige på fastsatte tidspunkter.

Dataleverancer fra trafikselskaberne Såvel holdepladsoplysninger som køreplansoplysninger udarbejdes decentralt hos trafikselskaberne og leveres til Rejseplanens dataadministration, der samler alle data i en fælles database. Køreplaner for enkelte, mindre trafikudbydere udarbejdes dog hos Rejseplanen, herunder visse færgeforbindelser. For at sikre entydighed i holdepladsnumre er der aftalt nummerintervaller for de forskellige operatører. Alle togstationer ligger således i en separat nummerserie, ligesom de enkelte trafikselskaber med bustrafik har tildelt et vist interval af holdepladsnumre til brug for deres område.

Udvælgelse af rejser Med kendskab til holdepladser og køreplaner er Rejseplanen i stand til at beregne og præsentere rejseforslag, der bedst muligt opfylder det rejseønske, brugeren efterspørger. Eftersom der kan være adskillige mulige rejsemønstre mellem to holdepladser på et givet tidspunkt, er det nødvendigt at udvælge en mindre mængde rejseforslag, der skønnes at være de bedste ud fra de tilgængelige transportmidler på det ønskede rejsetidspunkt. Den algoritme, der udvælger rejseforslag, er meget kompleks og tager hensyn en lang række parametre. De vigtigste parame-

Figur 3. Beregning af rute fra startadresse til nærliggende holdepladser.

tre er samlet rejsetid og antal skift på rejsen.

Prisen for rejsen er derimod ikke en parameter, der tages hensyn til ved udvælgelse af rejser.

Figur 2 angiver en række eksempler på rejseforslag og angiver, hvorledes Rejseplanen udvælger de rejseforslag, der skal vises.

I eksempel 1 er vist to rejseforslag, der tidsmæssigt lapper ind over hinanden. Rejseforslag 1 kræver en tidligere afgangstid, men har også en tidligere ankomsttid end rejseforslag 2. Begge rejseforslag er relevante at vise, så brugeren kan vælge efter afrejsetidspunkt. Rejseplanen foreslår almindeligvis tre forskudte rejsetidspunkter på denne måde.

I eksempel 2 er afgangstidspunkterne forskudt imellem rejseforslag 1 og 2, som det var tilfældet i det første eksempel. Men i dette eksempel er ankomsttidspunktet for rejsefor-

31

Perspektiv nr. 14, 2008

Foruden ovennævnte kriterier er det muligt at prioritere, hvilke holdepladser det er bedst at skifte transportmiddel på, ligesom skiftetiden på de enkelte stoppesteder indgår som parameter. Det er endvidere muligt for brugeren at fastsætte en række kriterier, herunder hvilke transportmidler, der må indgå i rejsen og det maksimale antal skift.

Det er næsten uundgåeligt, at der ind imellem foreslås rejser, som virker uhensigtsmæssige, pga. indholdet i algoritmen og datamateriale. Det kan f.eks. dreje sig om rejser, der fører langt fra de holdepladser, der udgør rejsens begyndelse og afslutning. Rejseplanen er i stadig dialog med HaCon om justeringer af algoritmen for at undgå sådanne rejseforslag. Imidlertid er det en kompliceret proces, idet ændringer, der løser én type problemer, kan medføre nye problemer andre steder i systemet.

Figur 4. Geodata til brug for beregning af vinkestrækninger

slag 1 senere end for rejseforslag 2, og dermed overlapper rejseforslag 1 fuldstændigt rejseforslag 2. Det er almindeligvis ikke hensigtsmæssigt at præsentere rejseforslag 1, idet der både er tidligere afgangstidspunkt og senere ankomsttidspunkt end for rejseforslag 2. Der er dog undtagelser, f.eks. tog mellem København og Århus, hvor det giver mening at vise også de lidt langsommere forbindelser.

I eksempel 3 er rejsetiderne som i eksempel 2, men med den undtagelse at den hurtigste rejse indeholder et skift undervejs. I dette tilfælde vil Rejseplanen typisk vise begge rejseforslag, idet visse brugere vil foretrække kortest mulig rejsetid, mens andre vil foretrække ikke at skulle skifte transportmiddel, selvom rejsetiden derved bliver længere.

32

Søgninger fra adresser, lokaliteter og telefonnumre.

Indtil nu er kun beskrevet rejser mellem holdepladser i Rejseplanens system. Imidlertid er det også muligt at søge rejser mellem adresser, lokaliteter og telefonnumre. Disse muligheder kan betragtes som udvidelser af kernefunktionaliteten i Rejseplanen. I det følgende beskrives søgninger af rejser mellem adresser. Søgninger mellem telefonnumre virker på tilsvarende vis, idet disse blot henleder til den adresse, de er knyttet til. Lokaliteter – også kaldet points of interest – indbefatter skoler, kirker, hospitaler mv. i hele landet. De fungerer på tilsvarende vis som adresser, idet der i begge tilfælde er tale om punkter uden for netværket af holdepladser, som der kan søges rejser imellem.

Adressesøgning kræver kendskab til holdepladsernes geografiske placering. Derfor har det kun været muligt at søge på adresser og lokaliteter i de områder, hvor trafikselskaberne har kunnet levere geografisk placering af holdepladser samt vinkestrækninger i landområder, som forklares senere. Arbejdet med at udbrede adressesøgning i hele landet blev afsluttet i september 2007.

Perspektiv nr. 14, 2008

Når en bruger søger en rejse fra en adresse, undersøger Rejseplanen hvilke stoppesteder der ligger inden for en bestemt søgeradius, se figur 3. Denne radius er almindeligvis 2 km, men kan ændres af brugeren. Dernæst beregnes vha. GIS gangtiden fra startadressen til de stoppesteder, der ligger inden for søgeradius, dvs. en 1:n beregning, hvor n er antallet af holdepladser inden for søgeradius. Hvis det antages, at brugeren også har udvalgt en adresse som ankomst for rejsen, foretages en tilsvarende udvælgelse af m antal holdepladser i den modsatte ende af rejsen, og der foretages en 1:m beregning af gangtider fra holdepladserne til slutadressen.

Herved er adresserne blevet knyttet til netværket af holdepladser og transportmidler.

Næste skridt er at foretage en n:m beregning af mulige rejseforslag mellem de holdepladser, der repræsenterer hhv. starten og slutningen af rejsen. Denne beregning foregår efter samme kriterier som er beskrevet tidligere, dog med den modifikation at der er tale om en mængde af mulige holdepladser i starten og slutningen af rejsen. De resulterende rejseforslag kan følgelig også gøre brug af forskellige holdepladser i hver ende af rejsen. En adressesøgning består derfor af tre delberegninger. De samlede rejseforslag præsenteres for brugeren, idet gangtiden fra adresse til holdeplads medregnes i den samlede rejsetid og præsenteres på et kort for brugeren.

Rejseplanen anvender OIS adresser til beregninger. Disse leveres sammen med lokaliteter, vejnet og baggrundskort af Kort og Matrikelstyrelsen. Søgninger med adresser udgør i foråret 2008 ca. 39 % af det samlede antal søgninger, mens søgninger med lokaliteter udgør 5 %.

Vinkestrækninger og teletaxi Ovenfor er udelukkende beskrevet transportmidler, der er kendetegnet ved at de standser ved bestemte, faste holdepladser, der kan betragtes som knudepunkter i et netværk. Imidlertid findes der også busser, hvor på- og afstigning er muligt på vejstrækninger mellem stoppestederne. Det er typisk til-

fældet i landområder samt for visse servicebusser i byområder. Rejseplanen har udvidet datamodellen til også at kunne håndtere sådanne busser. Det kræver en udvidelse af datamodellen og forudsætter, at trafikselskaberne leverer geodata, der definerer placeringen af disse vinkestrækninger. De nødvendige geodata indbefatter polylinjer med ruteangivelse samt vinkestrækninger, dvs. strækninger langs ruten, hvor på- og afstigning er mulig. Endvidere skal trafikselskaberne levere et polygondatasæt med takstzoner, således at der kan beregnes den korrekte pris for rejsen. Figur 4 viser et eksempel på inputdata til beregning af vinkestrækninger.

Teletaxi er en endnu mere kompleks trafikmiddeltype end busser med vinkestrækninger. I tyndt befolkede områder kan det være mere rentabelt for trafikselskaberne at have en taxi til at afhente og bringe folk direkte til deres hjemadresser efter behov, end at have busser til at køre halvtomme rundt efter en fast køreplan. Rejseplanen arbejder sammen med trafikselskaberne på at kunne levere information om teletaxi i fremtiden.

Der er tale om en stor udfordring i beregning såvel som præsentation af rejseforslag, idet det præcise afgangs- og ankomsttidspunkt ikke kan angives præcist på samme måde som det er tilfældet med de øvrige køreplaner.

Rejseplanen på flere medier Med årene har Rejseplanen spredt sig til en række medier. Nu kan man bruge Rejseplanen på sin mobiltelefon på mobil.rejseplanen.dk. Dér kan man finde de samme services som på PCen, men på mobilen kan man naturligvis bruge Rejseplanen, mens man er af sted. Man kan tale med Rejseplanen via den stemmestyrede taletjeneste (Frk. Rejseplanen), som p.t. kun kan bruges fra station til station, men som senere på året kommer til at tilbyde søgning fra adresse til adresse, som man kender det fra Rejseplanen.dk.

Nogle steder kan man også finde Rejseplanen på en touch screen, og DSB anvender Rejseplanen, dog med egne farver, på dsb.dk/

33

Perspektiv nr. 14, 2008

rejseplanen ligesom Rejseplanens funktionalitet ligger bag søgningerne på DSBs forside og DSB Orange. Og senest har Rejseplanen åbnet op for interne data, som interesserede kan downloade geodata med placeringen af alle Danmarks stoppesteder og stationer, som fx kortudbydere og Google kan integrere i egne kort.

Fremtidige muligheder og udfordringer På trods af fremskridtene over de snart 11 år er der masser af ting, som Rejseplanen endnu ikke har fået introduceret: Realtid, altså data om togenes og bussernes reelle placering, giver nye muligheder for at kunne tilbyde fx forsinkelses-abonnementer til kunden: Modtag en SMS om hvilken bus, du skal tage med i stedet for den, du lige har misset, fordi toget er forsinket.

GPS: Muligheden for at anvende GPS i forhold til mobiltelefonen. Ved at downloade en applikation til sin mobiltelefon kan man anvende GPSdata, også fra telefonen, og fx anvende en ”Tag mig hjem herfra” mulighed.

Bedre kort: I løbet af efteråret 2008 forventer Rejseplanen at få opdateret sine kort. Det giver mulighed for at klikke og søge kortbaseret samt for at vise bl.a. bussernes og toges bevægelser ”live” i kortet.

Rejseplanen med biler: Rejseplanen indgår i et pilotprojekt med Vejdirektoratet om at lave en fælles planlægger for bil, tog og bus, hvori også indgår GPS data, som danner baggrund for at beregne realistisk rejsetid for bilerne. Til efteråret besluttes, om projektet er bæredygtigt nok til at kunne gå live. De første tests tyder på det.

Om forfatterne Birgitte Lomholt Woolridge, Marketing manager på Rejseplanen, mail:blw@rejseplanen.dk Peter Lindahl, Landinspektør, Dataadministrator på Rejseplanen, mail:pli@rejseplanen.dk

34

Perspektiv nr. 14, 2008 GIS og bustrafik Mette Haugsted Johansen, Trafikanalytiker, Trafikselskabet Movia I en tid med øget velstand, stigende individualistiske præferencer og byspredning, har den kollektive trafik trange kår. Samtidigt opleves stigende trængsel i byer og på indfaldsveje.

Storkøbenhavn og købstæderne er oplagte områder at analysere for uudnyttet kundepotentiale, samt optimering af stoppesteder og linjeføring. Med forholdsvis simple GIS-analyser, kan de bedste oplande og potentialer udpeges til videre arbejde og dialog.

I mere tyndtbefolkede områder med spredte byer er busdrift sjældent rentabel, men der kan være potentiale for at tiltrække kunder til nye Direkte Busser for pendlere – hvis politikkerne og Vejdirektoratet altså siger ja til rutekørsel i motorvejenes nødspor, så bilkøerne kan overhales indenom.

Uanset hvilke handlinger der vælges for at sikre en attraktiv bustrafik, er GIS et stærkt værktøj til planlægning, analyse og præsentation.

Indledning Trafikselskabet Movia blev dannet i forbindelse med strukturreformen, hvor HUR, VT og STS blev fusioneret i ét samlet trafikselskab for hele Østdanmark, minus Bornholm. Movia servicerer ca. 2,4 mio. indbyggere og 1,2 mio. arbejdspladser med 9 lokalbanestrækninger og ca. 600 buslinjer i dækningsområdet, og er i øvrigt Danmarks største trafikselskab med omkring 220 mio. passagerer om året.

Med strukturreformen 1. januar 2007 fik kommunerne ansvaret for den lokale busdrift, og regionerne fik ansvaret for lokalbanerne og nogle udvalgte regionale buslinjer.

I Hovedstadsområdet, hvor kommunegrænserne mange steder gennemskærer byområder, er det en udfordring at fortsat sikre et sammenhængende busnet, især da kun seks buslinjer har opnået status som regionale. Til sammenligning er stort set alle buslinjer, som krydser en kommunegrænse, udpeget som værende regional i resten af landet.

I Movia benyttes GIS i en række daglige planlægnings- og trafikovervågningsopgaver. I stigende grad foretages der spatiale analyser, og flere sideløbende projekter skal sikre en fortsat udvikling inden for GIS. I Movia’s dækningsområde er der ca. 15.000 fysiske stoppesteder og 600 buslinjer, som alle er geokodet, og der indsamles dagligt en mængde passager- og køretidsdata som er

knyt tet til disse. Sammen med bl.a. demografiske data på kvadratnet, giver disse busdata mulighed for en række spændende spatiale analyser, data mining og modellering.

I det følgende præsenteres nuværende arbejdsmetoder, datagrundlag og udviklingsperspektiver for GIS i Movia Planlægning af kørsel Movia’s buslinjer tegnes i SODA (Spatial Online DataManagement Applikation), som er en GIS-applikation til ArcView 3.3. Applikationen er under opgradering til ArcGIS 9.2, med en lang række nye funktioner. En buslinje dannes ved at vælge den sekvens af stoppesteder som linjen skal betjene, og afstandene mellem stoppestederne beregnes automatisk ud fra vejnettet. Herefter overføres data til køreplansystemet HASTUS, hvor køreplanen finjusteres ud fra kendte køretider, bindinger, korrespondancer mv. Når køreplanen er færdig og godkendt, lægges den i en driftdatabase, PubTrans, der indeholder data for alle planlagte ture i de kommende tre måneder. Historik fra PubTrans overføres til et fælles Data Warehouse, ligesom data fra en lang række andre systemer.

På side 36 (fig.1.) ses den nuværende SODA applikation, zoomet ind på Herlev st. De enkelte stoppestedsstandere vises som små ”slikkepinde”, hvor køreretningen illustreres af pinden efter selve standeren. Det valgte unikke stoppested med nr. 22, ses marke-

35

Perspektiv nr. 14, 2008

tion målrettes, f.eks. ved en omlægning af ruten pga. et trafikuheld eller anden hændelse. Herunder ses to screen dumps fra den 21. februar 2008, hvor en påsat brand i et solcenter gav en række driftsforstyrrelser på Nørrebro (se figur 2. og 3.). Via et kort kan området udvælges, og alle busser i området kan kaldes op via TDR og informeres om situationen og evt. alternative ruter. En af de berørte buslinjer ved branden var linje 5A, og vha. farvede streger på en grafisk tidstabel kan trafikovervågningen se hvilke afgange der er rettidige, forsinkede og omlagte. Ruteomlægninger ses som afvigelser fra det grå turmønster.

Figur 1. Herlev St. med stoppesteder og forbindelseszoner.

ret med gult i kortet. De røde polygoner (StopAreas) omfatter en samling af stoppesteder, der indgår i en såkaldt stoppestedsgruppe, her busterminalen på Herlev St., samt de to stoppesteder for linje 300S på Ringvejsbroen. Den blå polygon (TrainStopAreas) er en lignende gruppe for S-togsstationen, der omfatter de spor og retninger der nu måtte være. Endelig er der en større grøn polygon (ConnectionZones), der omfatter de togstationer og busstoppesteder, der kan skiftes imellem med en rimelig gangafstand. Disse forbindelseszoner benyttes bl.a. ved tilpasning af korrespondancetider i køreplanlægningen, og ved eksport af data til den elektroniske rejseplanlægger www.rejseplanen.dk.

Trafikovervågning Movia har et kombineret sikkerheds- og dataindsamlingssystem, kaldet TDR (TaleDataRadio). TDR er installeret i alle busser i Hovedstadsområdet, og udbredes løbende til resten af dækningsområdet i forbindelse med nye udbud. Vha. GPS-positionering kan bussen altid følges, og sikre hurtig hjælp ved en evt. alarm. Chaufføren logger på den enkelte tur, hvorefter denne kan følges på kort og i tidsdiagrammer. Der kan foretages radioopkald til en eller flere chauffører i en gruppe, f.eks. alle chauffører på linje 5A, eller fra et bestemt garageanlæg. Således kan relevant informa-

36

Figur 2. Alle busser der befinder sig fysisk i et område udvælges vha. GIS, uanset pålogningsstatus.

Figur 3. Driftsforstyrrelser på buslinje 5A ved brand på Frederikssundsvej. Ruteomlægninger ses som afvigelser fra det grå turmønster.

Perspektiv nr. 14, 2008

Da TDR-systemet lagrer geokodede tidsstempler, kan data også bruges til køretidsanalyser og kontrol af rettidighed.

Trafikplanlægning I planlægningsfasen, internt eller i dialogen med kommunerne, kan et GIS-kort med relevante temaer være et stærkt værktøj, at ar bejde med og diskutere ud fra. En typisk opgave kan f.eks. være planlægning af en ny ser vicebuslinje, hvor kommunens ældre borgere er målgruppen. Et kommunekort der viser befolkningsdensitet og steder med høj koncentration af ældre borgere, kan hurtigt give et fingerpeg om hvorvidt en ruteføring når den ønskede målgruppe. Temalag leveret af kommune, med institutioner mv. kan også vises, ligesom den øvrige busbetjening.

Andre opgaver kan være at udpege de mest benyttede stoppesteder i en kommune eller, at vise antallet af planlagte ture på vejnettet.

Der produceres også en del kort til de kommunale handlingsplaner for bustrafikken.

Til ledelsesinformation, påvirkning af den trafikpolitiske dagsorden eller målrettet markedsføring, kan der produceres kort med f.eks. tidsserier, serviceniveau, potentialer eller hvorledes forskellige data fordeles på kommuneniveau.

Geoprocessering og spatiale analyser Med passagertal og køretidsdata som kan knyt tes til geokodede stoppesteder og buslinjer, samt en række demografiske data på kvadratnet, er der rige muligheder for at foretage en lang række spatiale analyser.

Busdata Movia har i mange år haft et takstfællesskab for bus, lokalbaner, P-tog, S-tog og siden metro i Hovedstadsområdet. Takstfællesskabet betyder at brugerne af den kollektive trafik kan rejse på tværs af kommunegrænser, og frit skifte mellem transporttyperne på samme kort og billet. Dette er en enorm fordel for brugerne, som mange andre storbyregioner ikke kan matche. Et takstfællesskab betyder

dog også indtægter, som skal fordeles mellem de involverede trafikselskaber. Til dokumentation af Movia’s passagerer, i det der kaldes Takstområde H, indsamles der daglig data for på- og afstigere i knapt 100 tællebusser udstyret med en BUS-PC. Tællebusserne fordeles efter en plan, således at alle planlagte driftsture bliver talt mindst en dag pr. måned (weekendture min. hvert kvartal).

På baggrund af disse stikprøver opregnes det samlede passagertal hver måned vha. metoder godkendt af de øvrige selskaber. Movia har derfor anseelige datamængder for takstområde H, også historisk.

Til alle de geokodede stoppesteder med unikke stoppestedsnumre kan der knyttes data for antallet af på- og afstigere, planlagt og målt opholdstid, samt antallet af planlagte afgange i et givet tidsrum. Køretidsdata mellem stoppestederne kan desuden knyttes til strækninger som rejsehastighed.

Demografiske data Movia har købt en række data til 100 x 100 meter kvadratnet. Kvadratnettet er defineret af Kort- og Matrikelstyrelsen for hele Danmark, og er uforanderligt år efter år. Det fintmaskede net giver en del diskretionsproblemer i celler med få adresser, hvilket løses ved hjælp af klyngedannelse. Ved klyngedannelse samles nærliggende og/eller datamæssigt beslægtede celler, hvorefter de enkelte celler kan tildeles en beregnet middelværdi af data i klyngen.

Movia har købt data for indbyggere, husstande, arbejdspladser og studerende, og abonnerer på Geomatic a/s’ mosaic™klassifikation, med de 32 mosaic-typer (forbruger- og livsstilssegmenter, se fig.4.). Movia har værdisat hver af de 32 mosaic-typer på en skala fra 1-100, alt efter hvor sandsynlig mosaic-typen er som buskunde, baseret på typebeskrivelsen og det kendskab Movia har om sine kunder.

Denne ”Buskundeværdi” er efterfølgende blevet vægtet med antallet af indbyggere i hver enkelt kvadratnetcelle, og udgør således et beregnet indbygger-buskundepotentiale. En

37

Perspektiv nr. 14, 2008

Software og værktøjer Movia benytter ESRI’s ArcGIS 9.2 Desktop til analyser, og har udover en antal faste ArcView-licenser også en flydende ArcInfo licens til de mere komplicerede analyser. Fra ArcToolbox benyttes hovedsagelig Analysis og Data management værktøjskasserne, til oplands- og overlayanalyser. Der bruges gerne lidt ekstra tid på at opbygge analysen i Model Builder, da den derved senere kan køres på andre data eller af andre brugere, og flowdiagrammet kan bruges som metodebeskrivelse og dokumentation.

Figur 4. Movias Buskundeværdi for de 32 mosaic-typer

lignende øvelse gøres med data for arbejdspladser og studerende, som vægtes med en procentsats alt efter deres kundepotentiale. Studiepladser vægtes erfaringsmæssigt væsentligt højere end arbejdspladser. Sammenlagt udgør disse bidrag et ”Samlet Buskundepoteniale”, som kan benyttes ved oplandsanalyser og planlægning af målrettede markedsføringskampagner. Kundefaktorer og procentsatser kan let ændres efterhånden, som der opnås større viden, eller hvis kundernes præferencer ændres f.eks. i takt med stigende benzinpriser. Det vil også være mulig at differentiere værdierne efter geografiske områder, f.eks. ved et scenarie med trængselsafgifter.

38

Oplandsanalyse Ved oplandsanalyser benytter Movia pt. cirkulære oplande, velvidende at oplandet derved overvurderes, da der ikke kan tages højde for evt. barrierer og omveje. Det mest nøjagtige opland dannes ved en digital søgning ad gangveje, hvorved der dannes ”amøbeformede” oplande. I Movias dækningsområde er der dog næsten 15.000 busstoppesteder. Til sammenligning er der kun 120 lokalbanestationer, 85 S-togsstationer, 57 regionaltogsstationer og 22 metrostationer i det samme geografiske område. Stationer og banestrækninger ligger rimeligt fast, og hverken lukkes eller opføres over natten. Busstoppesteder derimod flyttes, nedlægges og nyoprettes dagligt pga. midlertidige eller permanente ændringer i betjeningen. Man behøver ikke at være noget matematisk geni for at indse, at beregninger i et så omfattende og foranderligt net ikke er nogen lille opgave, og de cirkulære oplande er derfor en tilnærmelse som er beregningsteknisk mulig i dagligdagen.

Overlap De mange stoppesteder byder også på en anden udfordring, nemlig overlappende oplande. Stoppesteder optræder typisk i par, et i hver køreretning, eller i grupper i vejkryds og ved terminaler. Som tidligere vist, kan disse stoppesteder grupperes i en polygon. Denne polygon kan også repræsenteres af et centralt placeret punkt, en stoppestedsgruppe, hvortil summen af alle data i gruppen kan knyttes. Der er ca. 7.000 stoppestedsgrupper, og selvom disse benyttes ved bereg-

Perspektiv nr. 14, 2008

ninger, vil der stadig være utallige overlap af større eller mindre kompleksitet, som vist i næste spalte (figur 5.-8.).

Det er hyppigt forekommende at flere stoppestedsgrupper overlapper hinanden selv ved ganske små oplande med radius på få hundrede meter. Movia opererer typisk med en oplandsradius på 3-400 meter, evt. mere for S-buslinjer. Der kan også arbejdes med oplande med flere ringe, hvilket på ingen måde gør opgaven simplere. Det er ikke muligt at undgå overlap selv ved amøbeformede oplande, da disse jo følger vejnettet – ligesom bussen.

Der er undersøgelser, som peger på at buskunder er villige til at gå lidt længere fra deres bolig til stoppestedet, end fra stoppestedet til deres arbejdsplads. Derfor kan der være fornuft i at benytte forskellige oplande når henholdsvis et stoppesteds ”indbygger-buskundepotentiale” og ”arbejdsplads-buskundepotentiale” beregnes.

Figur 6. Figuren viser to overlappende stoppestedsgrupper på den samme buslinje. Det kan med stor rimelighed antages at en rejsende i punktet X, vil gå til det nærmeste stop, dvs. A.

Figur 7. I denne figur er betjeningen udvidet ved stop B, så hvis den rejsende kan benytte begge buslinjer til sin destination, vil stop B være mere attraktivt trods lidt længere gangafstand, pga. øget betjeningsfrekvens.

Men hvordan bør overlappende oplande så fordeles? Husk på at der er omkring 7.000 unikke beregningspunkter! Hvordan skal forskelle i betjeningen vægtes? Hvordan skal en nærliggende station vægtes, og hvor stort bør dennes opland være? Et stoppestedets attraktion øges med skiftemulighed til tog, og mindskes hvis stationens opland overlapper uden skiftemulighed – men hvor meget?

I øjeblikket benyttes en Thiessenfordeling til at opdele overlappende oplande ud fra ren geografi, men det overvejes stadig hvordan forskelle i betjeningen kan indgå, som variable i forhold til de data der knytes til oplandet. En mulighed er at vægte med antallet af afgange i det analyserede tidsrum, evt. med en tillægsfaktor for S- og E-buslinjer samt skiftemulighed til/fra tog.

Overlayanalyse Efter at oplandene er fordelt vha. en Thiessenfordeling, foretages der en overlayanalyse med et kvadratnet indeholdende data for indbyggere, husstande, arbejdspladser, studerende, mosaic-typer og Movias beregne-

Figur 8. I denne figur kompliceres situationen af en tværgående buslinje som også betjener stop B, som nu har helt nye destinationsmuligheder.

Figur 9. I denne figur er der tre stoppestedsgrupper som overlapper hinanden.

39

Perspektiv nr. 14, 2008

Figur 10. Fra stoppestedsgrupper til Buskundepotentiale. Her for linje 150S mellem Kokkedal og Nørreport st.

de Buskundepotentiale. Resultatet er f.eks. et samlet Buskundepotentiale knyttet til hver unikke stoppestedsgruppe og det geografiske opland. Busdata for passagerer og betjeningsfrekvens kan indgå i beregningen, og der kan f.eks. beregnes et ”Restbuskundepotentiale”, som kan bruges til at udpege mål for øget markedsføring eller forbedret busbetjening.

En styrke ved disse analyser er at de kan foretages på eksisterende data, så vel som på konstruerede scenarier. Det er muligt at skrue på flere faktorer og forudsætninger, uden at ændre metoden, så analysen kan forholdsvist simpelt tilpasses opgavestillerens specifikke ønsker. Desuden tager beregningerne kun ca. 15-30 minutter når punktdata ligger klar, selvfølgelig afhængigt af antallet af punkter.

Metoden er yderst velegnet til en hurtig overordnet vurdering af en større opgave,

40

og modellens mellemregninger kan bruges til nærstudier af de mere interessante steder. Når der zoomes ind på enkelte stoppesteder kan adgangsvejene med fordel vises og vurderes. Et stort uudnyttet potentiale kan jo desværre skyldes at beregningen er foretaget på cirkulære oplande, selv om dette opland i virkeligheden ikke har adgang til stoppestedet, pga. en fysisk barriere og manglende gangveje.

Der er planer om løbende udvikling af metoden, og gerne med en data mining analyse til identifikation af de mest potente faktorer i ligningen.

Case: S-busser Movias Salg og Marketingafdeling planlægger en kampagne på en eller flere af de otte Sbuslinjer. For at kunne målrette sin markedsføring, ønskes det at udpege de linjer hvor der er størst potentiale for at få flere kunder, samt på hvilke stoppesteder dette kun-

Perspektiv nr. 14, 2008

Figur 11. Restbuskundepotentiale p책 S-busser

41

Perspektiv nr. 14, 2008

ne være. Som støtte for projektet beregnes der i første runde et Restbuskundepotentiale for alle S-busstoppestederne vha. den ovennævnte model. Først findes Buskundepotentialet for alle stoppestederne, og derefter fratrækkes antallet af passagerer som benytter disse stoppesteder, uanset hvilken buslinje de benytter. Mange af S-busstoppestederne betjenes også af andre buslinjer, og ”konkurrerer” derfor om kunderne med de øvrige mulige destinationer. Hele S-buskonceptet lægger op til stoppesteder ved stationer, så der er også en del stoppesteder med skiftemuligheder til Regionaltog, S-tog, Lokalbane og Metro. Disse stations-stoppesteder resulterer typisk i et negativt Restbuskundepotentiale, hvor der altså er flere buspassagerer end det demografiske opland umiddelbart retfærdiggør, hvilket blot viser at der bør arbejdes videre med at få en stationsfaktor ind i analysemodellen. Andre stoppesteder med negativt Restpotentiale kan være busknudepunkter, som betjenes af mange buslinjer, med mange destinationer. Hvilket igen antyder, at også antallet af linjer og afgange bør indgå i den samlede ligning.

Case: Direkte Busser I øjeblikket arbejder Movia med at få tilladt buskørsel i motorvejenes nødspor, på indfaldsvejene til København. Idéen er at indsætte Direkte Busser fra de fjerntliggende pendleroplande som ikke har (tilstrækkelig) banebetjening, og nedsætte kundernes rejsetid betydeligt ved at køre i nødsporene på de trængselsramte strækninger.

Derved vil den kollektive trafik kunne tilbyde en konkurrencedygtig rejsetid, og udgøre et attraktivt alternativ til bilen. Nøgleordene er høj frekvens, garanteret siddeplads vha. reservation, komfort og mulighed for at arbejde undervejs. Stort set de samme faciliteter som findes i tog, kan altså tilbydes af de Direkte Busser i oplande uden nuværende banedækning, med kort etableringstid og lave anlægsomkostninger sammenlignet med eventuelle baneløsninger. Lignende buskoncepter findes allerede i andre storbyer, bl.a. i Oslo og Stockholm.

42

Når beslutningstagerne og den trafikpolitiske dagsorden skal påvirkes, er det vigtigt at have troværdige analyser der kan understøtte de fremlagte idéer. Alle der har arbejdet med GIS ved hvor stærk et præsentationsværktøj det kan være, og hvor let forskellige scenarier kan illustreres.

I projektarbejdet med de Direkte Busser er det i øvrigt blevet klarlagt, at de kollektive forbindelser fra Sydsjælland til de store erhvervsområder i Glostrup, Herlev og Ballerup er så dårlige i dag, at Movia overvejer en direkte forbindelse her, nødsporskørsel eller ej. En senere tilladelse til at køre i nødspor på strækningen vil blot afkorte rejsetiden, og dermed gøre buslinjen mere attraktiv.

De fleste principper fra metoden til at finde Buskundepotentiale kan genbruges ved en analyse af forslag til ruteføring og stoppestedsplaceringer for Direkte Busser. Blot er målgruppen nu begrænset til erhvervspendlere og studerende, hvorfor pendlingsdata bør være en vigtig del af ligningen. Da der arbejdes med pendling over store afstande er pendlingsdata på kommuneniveau tilstrækkeligt i de indledende runder, men skræddersyede pendlingsdata kan senere være med til at sikre den mest optimale linjeføring i Storkøbenhavn.

Med metodens resultater kan det vurderes om det kan betale sig at køre en omvej for at betjene et byområde, ved at holde Buskundepotentialet op mod de ekstra driftsomkostninger og den forlængede rejsetid for de passagerer der allerede sidder i bussen. Metoden kan også bruges til at sammenligne alternative ruteføringer, placeringer af nye stoppesteder, eller hvilke af de eksisterende stoppesteder der skal betjenes.

Perspektiver i Movia I øjeblikket arbejder Movia med tre GISudviklingsprojekter: Den tidligere omtalte opgradering af SODA til ArcGIS 9.2, VisFrem og WebGIS.

Perspektiv nr. 14, 2008

Figur 12. Konstrueret billede med Direkte Bus i nødsporet.

VisFrem VisFrem er en applikation til ArcGIS 9.2 der kan hente data direkte fra passagertalsdatabasen til geokodede punkter og strækninger, ud fra brugerens individuelle valg af periode, dagtype, tidsrum, administrative område og linje. Brugeren kan vælge at få vist detaljerede oplysninger, helt ned til det enkelte stoppested på den enkelte tur, eller mere overordnede data, f.eks. det gennemsnitlige hverdagspassagertal for en hel måned, for én eller for samtlige linjer. Data på punktniveau har været i brug nogen tid, og over sommeren 2008 skal data på strækninger, som er langt mere komplekst, gennemgå den forhåbentligt sidste test. Strækningsdata forventes brugt til analyser af bussens rejsehastighed i vejnettet, udpegning af kritisk trængsel, før- og efter-

scenarier ved fremkommelighedstiltag, passagerbelægninger over snit mv.

WebGIS WebGIS er, som navnet antyder, en webbaseret GIS-applikation, der gør det muligt for en lang række interne og eksterne brugere, at få nem adgang til data på kort.

Når WebGIS lanceres vil brugerne, i første fase, få adgang til en række temalag for bustrafikken, herunder data for passagertal hentet i VisFrem. Som baggrundslag vil der være vejnet, arealanvendelse og lignende, samt kvadratnetsdata. Alle lag vil kunne slås til og fra efter behov, således at brugerne kan nærstudere data og udskrive kort efter egne ønsker.

43

Perspektiv nr. 14, 2008

Enkelte superbrugere vil kunne publicere data og analyser til brugerne. F.eks. kan alle mellemregninger til en analyse af Restbuskundepotentiale publiceres, således at opgavestilleren selv kan zoome ind på de interessante steder og slå forskellige temalag til efter ønske.

Superbrugeren sparer tid ved ikke at skulle lave en lang række kort – tid der i stedet kan bruges på flere og forbedrede analyser.

I udviklingsprojektets anden fase skal brugerne kunne downloade Movias egne busdata, så som placering af stoppesteder, linjeføringer, passagertal og rejsehastigheder på strækninger. Der vil også løbende blive udviklet små analyseværktøjer, f.eks. til at lave en simpel oplandsanalyse på udvalgte stoppesteder.

Med tiden vil brugeren måske også kunne indtegne egne idéer til busdriften og efterfølgende analysere på disse, og en ”light-version” af VisFrem er en mulighed.

Med WebGIS vil Movias mange GIS-data og analyser blive langt mere tilgængelige - og forhåbentligt mere benyttet ved planlægning af busdriften. Alle ansatte i Movia vil få adgang til WebGIS. Eksterne brugere vil være f.eks. kommuner, regioner, entreprenører og studerende. Ny brugere kan hurtigt oprettes af en superbruger.

Når WebGIS er kommet godt fra start, forventes det at kunne udbygges til også at kunne klare forskellige indrapporteringsopgaver: F.eks. skulle kommunerne kunne registrere deres stoppestedsudstyr i den samme

database, hvor Trafiktjenesten vedligeholder oplysninger om standerudstyr på de unikke stoppesteder.

Konklusion GIS er en bærende del af Movia’s daglige arbejde med planlægning, dataindsamling og trafikovervågning. GIS benyttes også i stigende grad som analyseværktøj i Movia, og det arbejdes med flere sideløbende GISbaserede udviklingsprojekter.

At analysere bustrafik er, sammenlignet med f.eks. banetrafik, ganske komplekst pga. et foranderligt net, store betjeningsvariationer, overlappende oplande og stor influens fra de øvrige trafikmidler. Selv simple og forenklede GIS-analyser og kort kan dog bidrage til, at skabe overblik og være en hjælp til udpegning områder for indsats og yderligere analyse.

Med to overordnede datakilder, Movia’s egne indsamlede passagerdata på punkter, samt demografiske data på 100 x 100 meter kvadratnet, kan der foretages en lang række spatiale analyser til vurdering af kundepotentialer. Når køretidsdata snart kan hentes direkte til strækninger i GIS, vil analyser af rejsetider, fremkommelighed og trængsel blive langt simplere og mere tilgængeligt end i dag.

I en tid hvor den kollektive trafik har trange kår er det ekstra vigtigt at optimere og finde uudnyttede potentialer. Uanset hvilke udfordringer og muligheder bustrafikken står over for i fremtiden, er GIS et stærkt værktøj til planlægning, analyse og præsentation.

Om forfatteren Mette Haugsted Johansen, trafikanalytiker, mjo@moviatrafik.dk, Trafikselskabet Movia

44

Perspektiv nr. 14, 2008 Anvendelse af GIS i Banedanmark.

Mogens Bredsgaard Andersen Som stor landsdækkende infrastrukturejer har Banedanmark en nødvendig geografisk tilgang til varetagelsen af sine opgaver. Fra en begyndelse med digital kortproduktion beregnet primært til projekteringsformål, er fokus for Banedanmarks geografisk baserede systemer i de senere år gået i retning af at understøtte rollen som infrastrukturejer, dvs. i retning af at kunne besvare spørgsmål om hvad Banedanmark ejer og hvor det befinder sig. Det næste skridt, som er under opstart, er at indføre GIS som et værktøj til støtte for administration af fejlretnings-, vedligeholdelses og tilsynsaktiviteter.

Baggrund Banedanmark har en forholdsvis lang tradition for at tænke geografiske data i sammenhæng med IT. Fra 1987 blev der således internt i Banedanmark (dengang DSB) etableret en digital kortproduktion baseret på fotogrammetri. Da det omkring år 2000 blev besluttet at gå i gang med et egentligt GIS projekt, blev det faglige ansvar lagt i den organisatoriske enhed, der hidtil havde stået for produktionen af de digitale kort.

Dette første GIS projekt, som gik under navnet Oversigtskortprojektet, gik ud på landsdækkende at registrere Banedanmarks tilsynsobjekter som f.eks. signaler, overkørsler, sporskifter mv. samt adgangsveje fra offentlig vej til banen. Hovedformålet var at lette genfinding af disse i marken i forbindelse med vedligeholdelse og fejlretning. Som baggrundskort blev det besluttet at anvende Top10DK fra Kort- & Matrikelstyrelsen i kombination med Banedanmarks egne digitale kort.

Sidstnævnte var desuden også hovedkilden til tilsynsobjekternes geografiske placering.

Projektet startede på en MapInfo platform, men blev i den indledende fase flyttet til ArcGis. Baggrunden for dette skift var råd fra en ekstern rådgiver, der var bestilt til at sammenligne og vurdere forskellige GIS set i relation til Banedanmarks forventede fremtidige behov.

Input bestod primært af data udtrukket fra Banedanmarks digitale kort, suppleret med attributdata hentet i eksisterende databaser, lister og registre. Herudover var det, i et vist omfang, nødvendigt manuelt at placere objek-

terne i ArcMap ud fra tilgængelige oplysninger om de pågældende objekters stationering, i form af banestrækning, kilometerangivelse og sideafstand fra spormidten.

Et andet tidligt GIS projekt foregik som et samarbejde mellem Banedanmark og teleselskabet Orange, som på det tidspunkt havde lejet sig ind på Banedanmarks landsdækkende lysledernet. Projektet gik, for Banedanmarks vedkommende, ud på i GIS at registrere lysledernettets knudepunkter og tilslutningspunkter med henblik på at lette genfindingen af disse punkter i marken. Desuden var projektet et første skridt til en samlet registrering af Banedanmarks lysledernet og dets geografiske placering. Formålet, for Oranges vedkommende, var at foretage en geografisk analyse af kundegrundlaget for telefoni langs banen, på baggrund af nærhed til mulige tilslutningspunkter. I forhold til Orange fungerede Banedanmark udelukkende som dataleverandør.

Disse to projekter blev afsluttet i løbet af 2003.

Banegis Parallelt med det første af disse to projekter, blev det besluttet at gøre de registrerede data alment tilgængelige for en bredere kreds af medarbejdere i Banedanmark i form af en webapplikation, Banegis, baseret på ArcIMS. Datagrundlaget for Banegis var de data, der var indsamlet i løbet af det tidligere nævnte Oversigtskortprojekt.

Applikationen havde generelt en begrænset funktionalitet, ligesom vedligeholdelse af data

45

Perspektiv nr. 14, 2008

var besværlig. Derfor blev det i 2005 besluttet at opbygge en ny Banegis applikation med en udvidet funktionalitet og med en alternativ og mere smidig tilgang til datafangst og redigering. Det primære formål med det nye Banegis var at give bedre og mere brugervenlige søgefaciliteter samt at skabe en bedre integration mellem Banedanmarks eksisterende databasebaserede tekniske dokumentation og Banegis.

Denne applikation blev sat i drift omkring årsskiftet 2006/2007.

Den nye udgave af Banegis var tænkt som en overbygning på Banedanmarks Asset Management system, som var under udvikling i den samme periode. Asset Management systemet er en samlet ”paraply” for registrering af alle objekter, der indgår som del af Banedanmarks jernbaneinfrastruktur. Asset Management systemet skal give et overblik over hvad Banedanmark ejer, hvor det befinder sig og i hvilken tilstand det er.

I Asset Management systemet gemmes således stamdata for alle Banedanmarks infrastrukturelementer, f.eks. spor, sporskifter, sikringsanlæg og køreledningsanlæg.

Sammen med stamdata gemmes, for hvert objekt, en geografisk reference, der gør det muligt at placere objektet i en GIS visning.

Opdatering af data sker gennem alfanumerisk indtastning i en formular og en post kan ikke gemmes uden at objektet har fået tildelt en geografisk reference.

Når der i Asset Management systemet bliver oprettet et nyt infrastrukturelement eller et eksisterende element bliver flyttet eller fjernet, eller attributdata bliver ændret, vil det dagen efter slå igennem i Banegis. Hver nat kører et job, der genererer nye GIS lag på baggrund af de nyeste alfanumeriske data i databasen. Hvis f.eks. en overkørsel er nedlagt, et signal har fået en ny placering eller der er etableret et nyt sporskifte, vil disse ændringer indgå som del af næste dags visning. Der foregår dermed ikke nogen direkte redigering i GIS.

46

Når der er valgt denne tilgang, frem for en mere GIS orienteret tilgang til data, skyldes det, at Asset Management systemet i hele forløbet har haft en meget høj prioritet i forhold til Banegis, og derfor i første omgang har været styrende for den samlede strategi.

Som software platform er valgt en Flash viewer som brugergrænseflade, bygget ovenpå en ESRI-platform bestående af ArcIMS og en Oracledatabase med ArcSDE. Disse valg er truffet i samråd med eksterne rådgivere og ArcIMS og ArcSDE er desuden løsninger Banedanmark i forvejen havde erfaring med fra den tidligere version af Banegis. Det blev således vurderet, at Banedanmark ved at vælge denne løsning, kunne komme hurtigt i gang og samtidig mindske ressourceforbruget.

Banegis startes fra Banedanmarks intranetside og er derfor tilgængelig for samtlige Banedanmarks medarbejdere. Startbilledet er et danmarkskort, hvorfra det er muligt at zoome ind enten ved at markere et område eller ved at benytte de indbyggede søgefaciliteter til at vælge og zoome til udvalgte objekter. Et typisk skærmbillede for brugerne er vist i Figur 1. Udover søgefaciliteter rummer Banegis mulighed for, ved udpegning/markering på skærmen, at få oplistet informationer om de udvalgte objekter i datarammen for neden.

Banegis primære funktionalitet er tilrettelagt med henblik på at give brugeren mulighed for at finde den geografiske placering af Banedanmarks forskellige infrastrukturelementer, sammen med grundlæggende stamdata for de pågældende elementer, dvs. oplysninger om objektets navn/nummer, type, ibrugtagningsdato, placering stræknings- og kilometermæssigt. Der er således, endnu ikke, indbygget analysefunktioner i applikationen.

Banegis bruges fortrinsvis som en hurtig og nem adgang til de data, der ligger i Asset Management systemet, og som her kun kan tilgås som alfanumeriske data. Desuden er det velegnet til at danne sig et visuelt over-

Perspektiv nr. 14, 2008

Figur 1. Skærmbillede fra Banegis

blik over infrastrukturelementernes både absolutte og relative placering, Eksempler på anvendelsen af Banegis i dagligdagen kunne være:

- hvor ligger bygningen med nummeret Lk 053

- ligger sporskifte 85a på Roskilde station på Banedanmarks areal

Banegis har i øjeblikket mellem 150 og 200 unikke brugere hver måned.

- hvilke overkørsler findes på strækningen Væggerløse – Fiskebæk og hvor ligger de geografisk

Systemejerskabet af GIS applikationerne og Asset Management systemet ligger i afdelingen Teknisk Planlægning, mens det egentlige driftsansvar er placeret i en sektion under Teknisk Planlægning, Anlægsdokumentation.

- hvilke perronudkørselssignaler ligger på Fredericia station og hvilke spor hører de til - hvilke trafikale konsekvenser har det, hvis man aflåser sporskifte 434 i Århus

- hvilket spornummer har vigesporet på Kvissel station

Den daglige drift af Banegis varetages af 3 medarbejdere, der samtidig har den daglige drift af Asset Management systemet som

47

Perspektiv nr. 14, 2008

en del af deres arbejdsområde. Banegis er udviklet og videreudvikles med hjælp fra eksterne konsulenter. Dette gælder også den løbende udvidelse af applikationens funktionalitet. Dette udviklingsarbejde baserer sig på brugerønsker og en prioritering fastlagt af driftsmedarbejderne i Anlægsdokumentation. I øjeblikket er der tilknyttet en konsulent til at varetage disse udviklingsopgaver 3 dage om ugen, hver anden uge. Administration af data og opgaver i forbindelse med symbolisering, tilføjelse af nye temaer og lignende opgaver, der ikke kræver programmering, varetages af de 3 driftsmedarbejdere.

Knudepunktsmodellen Asset Management systemet har sammen med Banegis betydet, at der er etableret et datagrundlag, som har brede anvendelsesmuligheder og det er værd at fremhæve den geografiske ”rygrad”, der har fået navnet Knudepunktsmodellen.

Knudepunktsmodellen udgør et landsdækkende, sammenhængende, geografisk korrekt beliggende og opdateret digitalt netværk. I modellen indgår hele det danske spornet, dog uden private baner.

Knudepunktsmodellens grundelementer er sporsegmenter og knudepunkter. Hvert af de sammenhængende sporsegmenter, forbinder en startknude og en slutknude. Der sættes et knudepunkt hvor sporet deler sig eller slutter, eller der hvor sporet skifter strækning eller nummer, f.eks. ved stationsgrænser. Hvert sporsegment indeholder oplysninger om strækning, spornummer og fra-/tilkilometer i forhold til strækningens kilometrering.

Knudepunktsmodellen har været en afgørende forudsætning for geokodningen af Banedanmarks infrastrukturelementer. Informationer om strækning, spornummer, kilometrering og sideafstand fra spormidten eller blot en delmængde af disse - dog minimum strækning og kilometer – kan gennem denne model umiddelbart omsættes til geografiske koordinater. Da hovedparten af Bane-

48

danmarks tekniske dokumentation for infrastrukturelementernes geografiske reference, traditionelt er baseret på netop disse stationeringsparametre, har knudepunktmodellen givet et kraftigt løft til Banegis og til kvaliteten af det datagrundlag som Banedanmarks beslutninger træffes på.

Oversigtskort Knudepunktmodellen har dannet grundlag for en helt ny og meget efterspurgt produkttype, nemlig oversigtskort. Disse oversigtskort er baseret enten på direkte udtræk fra Banedanmarks Asset Management system eller data, som er fremkommet på et ad hoc grundlag f.eks. i sammenhæng med et projekt.

Som nævnt tidligere er minimumskravene til data at de indeholder geografiske informationer i form af strækning og kilometerangivelse eller fra-/tilkilometer, samt en eller flere parametre, som skal danne grundlag for symboliseringen af kortet. I forbindelse med f.eks. spor, kan der være tale om symbolisering ud fra alder, type, anvendelse, trafiktæthed mv.

Det er i de seneste 3 år blevet til flere hundrede danmarkskort, som har været anvendt som kortbilag til rapporter, arbejdsredskaber i projektsammenhæng, materiale til møder, information på Banedanmarks hjemmeside, materiale til pressen mm. Visse typer af kort er ugentligt eller månedligt tilbagevendende og i en periode leverede Banedanmark endog dagligt kort, der skulle illustrere udviklingstakten i udlæggelse af ekstra skærver (ballastsupplering).

Kortene har et fælles overordnet layout og leveres typisk som PDF-fil. Som eksempel er valgt et kort (Figur 2), der viser fordeling af svelletyper, baseret på udtræk af data fra Asset Management systemet.

Efterhånden er der udarbejdet en lang række skabeloner og standard databaseforespørgsler, som gør det muligt, med meget kort varsel, at fremstille et kort. Dog kan data, der er skabt til et helt andet formål, kræve en større

Perspektiv nr. 14, 2008

Figur 2. Danmarkskort med fordeling af svelletyper.

49

Perspektiv nr. 14, 2008

eller mindre efter bearbejdning, for at kunne passe ind i de eksisterende skabeloner.

HTML viewere i ArcIMS. Det er ikke alle behov, der kan tilgodeses i Banegis. Nogle projekter stiller meget specielle krav og det er ikke alle medarbejdere, der har erfaring med anvendelse af desktop GIS produkter som f.eks. ArcMap. Derfor tilbydes en standard HTML viewer tilpasset det enkelte projekts behov. Årsagen til, at der er valgt en HTML viewer frem for en Flash viewer, som i Banegis, er at den indgår som standardviewer i ArcIMS og derfor er lettere at implementere.

Datagrundlaget vil normalt være eksisterende GIS temaer suppleret med projektspecifikke data. Temaerne udvælges og symboliseres i samarbejde med det aktuelle projekt.

Banedanmark har i øjeblikket to sådanne viewere i drift. Den ene er udviklet i forbindelse med et projekt, der skal analysere det trafikale behov for sidespor, med henblik på lukning/fjernelse af disse. Den anden benyttes af et projekt, der forsøger at finde nedbørskritiske strækninger, dvs. strækninger, der kræver særligt tilsyn i forbindelse med varsling af kraftig regn.

Projektet anvender et geologisk tema kombineret med et dæmnings-/afgravningstema langs banen.

Nedenstående skærmbillede (Figur 3) er hentet fra denne sidstnævnte viewer, og viser et område med postglacialt ler (den grønne polygon) og stejl afgravning/banedæmning (de orange linjer) - en af de kombinationer, der kræver særligt tilsyn i forbindelse med kraftigt regnvejr.

Figur 3. Skærmbillede fra HTML viewer til projekt til registrering af nedbørskritiske områder.

50

Perspektiv nr. 14, 2008

Afslutning Den nuværende anvendelse af GIS i Banedanmark er resultatet af en proces, der har strakt sig over flere år og har været båret af projekter, hvis primære mål ikke har været etableringen af et egentligt integreret GIS. Således kan de seneste års udvikling, omkring Banegis, nærmest betragtes som et spin-off fra det før omtalte Asset Management systems udvikling.

Mange medarbejdere i Banedanmark har i løbet af denne udviklingsproces fået dét grundlæggende kendskab til GIS, der er nødvendig for, ikke blot, at kunne se de muligheder GIS rummer for deres respektive arbejdsområder, men også for at kunne specificere egentlige krav til GIS baserede løsninger.

Der er således ved at blive implementeret et system til geografisk registrering af objekter i marken, indenfor kørestrømsområdet.

Der er ligeledes begyndende overvejelser om anvendelse af GIS i forbindelse med Bane-

danmarks administration af ejendomme og arealer.

Som det er fremgået af artiklen, er det eksisterende Banegis et system, der er rettet mod at kunne besvare spørgsmål om hvilke objekter, der indgår i jernbaneinfrastrukturen, og hvor de er placeret. Banegis kan derimod ikke besvare spørgsmål i forbindelse med de pågældende objekters tilstand og de fejlretnings-, vedligeholdelses- og tilsynsaktiviteter, der er knyttet til disse.

På et mere overordnet niveau, vil sektionen Anlægsdokumentation, som har det faglige ansvar for Banedanmarks GIS anvendelse, i efteråret 2008, tage initiativ til iværksættelse af aktiviteter med henblik på såvel en softwaremæssig som en funktionsmæssig opgradering af Banegis. Der vil i denne forbindelse blive inddraget ekstern rådgivning samt GIS erfaringer fra udenlandske jernbaneselskaber, der er sammenlignelige med Banedanmark.

Om forfatteren Mogens Bredsgaard Andersen (MOBA@BANE.dk), Datakoordinator, Banedanmark, Teknisk Planlægning, Anlægsdokumentation.

51

Perspektiv nr. 14, 2008 AIS i Farvandsvæsenet – en hjælp til den maritime trafik Jakob Bang og Charlotte Bjerregaard AIS (Automatic Identification System) benyttes dagligt af Farvandsvæsenet til at forbedre sejladssikkerheden. AIS-data viser, hvordan sejladsmønstrene er i de danske farvande og man kan således se om de større skibe følger de fastlagte ruter, og om der er særlige, farlige eller vanskelige områder, som kræver, at ruterne eller afmærkningen ændres.

AIS (Automatic Identification System) er et civilt automatisk informationssystem, der gør det muligt at udveksle oplysninger mellem skibe indbyrdes og mellem skibe og landstationer. Et skib udstyret med AIS udsender hele tiden oplysninger om skibets navn, position, kurs, fart, dybgang, type, last med mere via en VHF-radioforbindelse til andre AIS-udstyrede skibe eller landbaserede AIS-stationer.

I Danmark er Farvandsvæsenet national kompetent myndighed med hensyn til AIS, og har således også ansvaret for det danske landbaserede AIS-system. Derudover driver Farvandsvæsenet en fælles server for Helcomlandene (lande omkring Østersøen som er medlemmer af Helsinki kommissionen). Denne server der har været operativ siden foråret 2005, indeholder bl.a. en central AISdatabase, hvortil landene omkring Østersøen leverer nationale AIS-data. Det er således muligt at indsamle, distribuerer, vise og gemme AIS-data, og dermed udarbejde detaljerede beskrivelser af trafikmønstrene i Østersøen. De maritime administrationer i de følgende lande har adgang til systemet: Tyskland, Danmark, Estland, Letland, Litauen, Finland, Polen, Sverige, Norge og Rusland.

AIS dækker danske farvande Ved udgangen af 2004 blev AIS obligatorisk udstyr på alle skibe over 300 bruttotons. Det danske landbaserede AIS-system, der opsamler AIS-data udsendt fra skibe i danske farvande, har været operativt siden maj 2005. Systemet består af 18 basestationer, se figur 1. Desuden har Farvandsvæsenet en modtagerstation placeret på et oliefelt i Nordsøen og planlægger stationer på flere oliefelter for at øge AIS-dækningen i Nordsøen. Afsendelsen af AIS-data om skibenes

52

Figur 1. Placeringen af de nuværende18 basestationer i det danske landbaserede AIS-system.

position er afhængig af det enkelte skibs fart og manøvre. Signalerne fra et skib der ligger stille kan f. eks. variere fra 2 sekunder til 3 minutter.

Anvendelse af AIS i Farvandsvæsenet At alle større skibe har AIS-udstyr om bord, har umiddelbart forbedret sejladssikkerheden i de danske farvande. De data og oplysninger, man kan indhente ved hjælp af AIS, gør Farvandsvæsenets stadig bedre til at udføre sin mission, nemlig at sikre sejladsen og gøre de danske farvande til de sikre-

Perspektiv nr. 14, 2008

Figur 2. Et skærmdump fra et AIS-display i Farvandsvæsenet viser skibstrafikken i de danske farvande på et tilfældigt tidspunkt.

ste farvande i verden. Den store mængde af AIS-data, som trafikken i de danske farvande genererer, giver endvidere helt nye muligheder for anvendelse af AIS. I dag anvender Farvandsvæsenet AIS til direkte overvågning af skibsfarten visning af sejladsmønstre statistik over skibenes sejlads opretning af virtuelle sømærker automatisk udsendelse af navigationsadvarsler

Direkte overvågning af skibstrafikken Med direkte overvågning præsenteres realtids-data, som viser skibsfarten her og nu, se figur 2. AIS-data kan filtreres, så kun for eksempel tankskibe eller skibe med en vis mindste dybgang vises på skærmen. Den direkte overvågning anvendes også aktivt i Farvandsvæsenet, således at inspektionsskibe og redningsfartøjer kan følges og disponeres hen, hvor behovet er størst. AIS anvendes ligeledes som et dagligt arbejdsredskab i VTS (Vessel Traffic Service) centrene, der overvåger farvandene i Storebælt og Øresund. Der-

53

Perspektiv nr. 14, 2008

Figur 3. Alle AIS-data samles i en database i Farvandsvæsenet. Derfor kan man hente gamle data frem og rekonstruere alvorlige hændelser til søs, for eksempel kollisioner og grundstødninger. Billedet viser en grundstødning ved Hatter øst for Samsø. Den tynde røde streg er det grundstødende skibs spor. Skibet kommer sydfra og drejer for tidligt mod styrbord - og går på grund.

udover anvendes funktionen hos andre maritime myndigheder, bl.a. Søfartsstyrelsen og SOK (Søværnets Operative Kommando), der har adgang til data fra det landbaserede AISsystem og anvender det som supplement til deres radarovervågning af farvandene.

Visning af sejladsmønstre På grundlag af gemte AIS-data kan skibes sejladsmønstre i en given periode præsenteres.

Ved opklaring af ulykker og ved rekonstruktion af hændelser i skibstrafikken er denne mulighed meget nyttig, som det eksempelvis fremgår af figur 3.

54

Statistik over skibenes sejlads Ved at analysere de indsamlede AIS-data kan Farvandsvæsenet lave en nøjagtig statistik over skibenes sejlads. Statistikken bruges til at vurdere for eksempel en farvandsafmærknings optimale placering ud fra skibenes sejladsmønstre samt hvor mange og hvilken type skibe, der sejler hvor. Figur 4 viser såkaldte ’Density-plot’, over statistik sporene. Disse kan via et regneark importeres i Farvandsvæsenets GIS som linie data, hvor en attribut knyttet til hvert enkelt linie stykke angiver, hvor mange skibe der har sejlet indenfor en given afstand og et givent tidsrum.

Perspektiv nr. 14, 2008

Opretning af virtuelle sømærker AIS-systemet udvikles løbende og Farvandsvæsenets nyeste tiltag er brugen af virtuelle sømærker. De oprettes i AIS-systemet i København og kan så vises om bord på skibenes AIS-display, men de virtuelle sømærker findes ikke rent fysisk på havet. Virtuelle sømærker er meget anvendelige til identifikation af eksisterende sømærker, der ved eksempelvis påsejling er forsvundet. De virtuelle sømærker kan også indikere nye vrag, som endnu ikke vises i søkortene eller markere isdannelser i farvandene.

Automatisk udsendelse af navigationsadvarsler Farvandsefterretninger og navigationsadvarsler har i mange år været udsendt til skibstrafikken fra kystradiostationer og via NAVTEX (Navigational Telex), som er et internationalt automatisk kommunikationssystem, der kan sende navigationsadvarsler per telex. AISsystemet kan blandt andet også anvendes til at udsende farvandsefterretninger og naviga-

Figur 4. Såkaldte ’Density-plot’ af trafiktætheden. Øverste billede viser trafiktætheden i Øresund omkring Hven.

Statistikværktøjerne i AIS kan dokumentere effekten af ændringer i farvandsafmærkningen. De nederste billeder viser, hvordan trafikmønstret mellem Bornholm og Sverige ændrede sig, efter en trafikseparation blev indført i området (billedet til højre).

55

Perspektiv nr. 14, 2008

AIS-brugere Farvandsvæsenet tilbyder ikke offentlig adgang til AIS-systemet af sikkerheds- og konkurrencemæssige grunde. Interesserede inden for den maritime sektor kan søge om at få adgang til udvalgte data fra systemet. Ansøgeren skal have et operativt begrundet behov for data, og alle ansøgninger om adgang til AIS-systemet bliver behandlet individuelt.

Havne kan for eksempel købe adgang til AIS-data fra skibe med den pågældende havn som destination og AIS-data fra havnens område og ud til en afstand på cirka 50 sømil.

Rederier vil for eksempel kunne købe adgang til AIS-data fra egne skibe.

Data fra Farvandsvæsenets landbaserede AIS-system anvendes i dag af mange, for eksempel maritime myndigheder, havne og mæglerfirmaer.

Nærmere oplysninger om adgang til AIS-systemet, pris, ansøgning med mere findes på Farvandsvæsenets hjemmeside: www.frv.dk

tionsadvarsler som supplement til de eksisterende tjenester, så når eksempelvis et virtuelt sømærke oprettes, kan skibenes AIS-display vise en navigationsadvarsel, der hører til det virtuelle sømærke både som et symbol på skærmen og som tekst.

for fremtidens skibstrafik. En prognose for udviklingen af skibstrafikken i forskellige dele af de danske farvande kan sammen med AISdata styrke Farvandsvæsenets planlægning af kommende indsatsområder for sejladssikkerheden.

AIS og skibstrafikkens udvikling de kommende år Farvandsvæsenet deltager i flere internationale projekter, der drejer sig om at anvende satellitter i AIS. Med en AIS-modtager på en satellit vil man kunne overvåge meget store havområder. Det vil give Farvandsvæsenet nye, bedre muligheder for at overvåge og sikre trafikken i de grønlandske farvande, hvor det på grund af de store afstande og infrastrukturen ikke er muligt at have et traditionelt landbaseret AIS-system.

Endelig forventer vi i Farvandsvæsenet en tættere forbindelse mellem AIS-data og det øvrige GIS arbejde, der udføres i dag. Som nævnt kan statistik sporene fra AIS-systemet fremvises i GIS, men en fremtidig tættere forbindelse mellem de to systemer vil også forøge analysemulighederne. Således kan AISdata integreres med Farvandsvæsenets øvrige maritime geodata som eksempelvis meget nøjagtige søopmålingsdata af vanddybderne og multidimensionelle (3 dimensioner og tid) målinger og prognosedata over strøm, vandstand, vind- og bølgeretninger i de enkelte farvandsafsnit.

AIS data kan også benyttes til at dokumentere mulige flaskehalse og indsatsområder

Om forfatterne Jakob Bang, (cbj@frv.dk) skibsinspektør, Farvandsvæsenet Charlotte Bjerregaard (cbg@frv.dk) GIS-medarbejder, Cand. Scient., Farvandsvæsenet

56

Perspektiv nr. 14, 2008 Kan GIS bruges til visualisering af konkurrence mellem transportmidler?

Jacob Kronbak Denne artikel præsenterer en model, der kan beregne konkurrenceforholdet mellem rene vejtransporter og multimodale transportkæder, der også benytter søtransport. Modellen er eksemplificeret ved en beregning af konkurrenceforholdet for en transport fra Billund i Danmark til en række europæiske lande. Eksemplet sammenligner en transportkæde der udelukkende anvender lastbil med brugen af en multimodal transportkæde via ro-ro forbindelsen Esbjerg-Zeebrugge. Resultaterne præsenteres grafisk som forskellige typer af kort, hvilket kan hjælper til en bedre forståelse af konkurrencesituationen.

Indledning De fleste kender geografiske informationssystemer (GIS) fra f.eks. KRAKs hjemmeside, hvor GIS anvendes til at holde styr på et digitalt vejnet og beregne ruter og rejsetider.

Men udover ruteberegning findes der, i geografiske informationssystemer, yderligere en lang række muligheder for transportanalyser.

Denne artikel beskriver dele af et forskningsprojekt, ved Syddansk Universitet i Esbjerg, hvor formålet bl.a. har været at beregne og vise konkurrenceforholdet mellem sø- og vejtransport.

udgangspunkt beregnes herefter 2 kort over transportomkostningerne henholdsvis ved vejtransport og intermodal transport (kombineret vej og sø transport). I det sidste step ”trækkes” de to kort fra hinanden, således at man får en tydelig visualisering af prisforskellen mellem de to transportformer.

For søtransport angives omkostningen oftest som en fast pris, mens for vejtransport, afhænger omkostningen dels af den afstand, der skal køres og dels af den tid, det tager at køre afstanden. Udover disse omkostninger kan der være andre typer af omkostninger forbundet med vejtransport såsom broafgifter og kørselsafgifter (f.eks. den km-afhængige tyske kørselsafgift Mauten). Den overordnede virkemåde for CostMap kan ses på Figur 1.

I CoatMap modellen kan man for hver eneste vejstrækning angive en afstandsafhængig, en tidsafhængig og en direkte omkostning.

Afstandsafhængige omkostninger kan f.eks. være omkostninger til brændstof, dæk og reparationer, mens tidsafhængige omkostninger f.eks. kan være chaufførløn, vægtafgift, afskrivning og renter. Da det geografiske informationssystem indeholder oplysninger om længde og gennemkørselstid for alle vejstrækninger, kan disse ganges med de afstands- og tidsafhængige omkostninger.

Derved har man et vejnet med en pris på at gennemkøre hver eneste vejstrækning. Enkelte vejstrækninger som f.eks. Storebæltsbroen får derefter lagt broafgiften til gennemkørselsprisen. Som en lille detalje regner modellen også med kørehviletid – således at turen bliver pålagt en ekstra omkostning, når lastbilen rammer en kørehviletidsgrænse. Det gøres i modellen ved hjælp af en lille algoritme der fra udgangspunktet søger ud i vejnettet indtil transporttiden er lig den maksimale køretid og i det punkt placeres så en pseduknude med en tidsomkostning svarende til hviletiden.

Som illustreret på Figur 1 er CostMap baseret på, at det digitale netværk kombineres med brugens egne omkostninger. Ud fra et valgt

Således kan man generere et digitalt netværk, hvor man i stedet for kun at finde den hurtigste eller korteste vej også kan finde den

CostMap er en rumlig model, der bl.a. kan generere kort der viser konkurrenceforholdet mellem vej- og søtransport under forskellige forudsætninger. I den nuværende form fokuseres kun på vej- og søtransport, men modellen kan i princippet også bruges til at vise konkurrenceforholdet til jernbane og luftfart.

57

Perspektiv nr. 14, 2008

Figur 1. Flowchart for virkemåde af CostMap

billigste vej – vel og mærket på baggrund af de omkostninger, man har valgt. Ud fra dette netværk kan CoatMap modellen beregne en lang række forskellige tematiske kort. Anvendeligheden af disse kort illustreres senere i artiklen ved et eksempel.

Baggrund for Casestudie Få dage efter at Tyskland introducerede Mauten startede en ro-ro rute mellem Esbjerg og Zeebrugge i Belgien. Sloganet for ruten er ”Sejl udenom Mauten” og med en hensigtenserklæring om at flytte gods fra vej- til søtransport. Spørgsmålet er så hvilke omkostninger der er forbundet med henholdsvis sø- og vejtransport og for hvilke ture det kan betale sig at bruge ro-ro forbindelsen. Det er netop det, som CoatMap kan regne på. I dette eksempel regnes på en trans-

58

port, der kommer fra en producent i Billund og skal sydpå i Europa (i dette tilfælde Tyskland, Frankrig, Holland, Belgien og Luxemburg). Som beregningsenhed er valgt en 40’’ container (2 TEU) da det passer med en lastbil. For at omregne transporttid og –længde til omkostninger er anvendt priser fra Vejdirektoratets nøgletalskatalog. Tidsomkostningen er sat til 41,30 EUR/time og kørselsomkostningen er sat til 0,41 EUR/km for alle lande undtagen Tyskland, hvor den er sat til 0,54 EUR/km pga. Mauten (der i beregningerne er sat til ca. 0,13 EUR/km på de tyske motorveje). Disse priser kan selvfølgelig afvige en del fra de omkostninger, de forskellige vognmænd har, men fokus for eksemplet er som sagt at vise de forskellige illustrationsmuligheder. Desuden er der lagt en omkostning på 145 EUR ind, hver gang lastbilen når en køre-

Perspektiv nr. 14, 2008

Figur 2. Isocost kort for en lastbiltransport af 2 TEU fra Billund til Tyskland, Belgien, Luxemburg, Frankrig og Holland.

hviletidsgrænse. Det er antaget, at omkostningen for at transportere de 2 TEU med roro fra Esbjerg til Zeebrugge er 340 EUR. Casestudie: Godstransport fra Billund i Europa Den første type kort kaldes isocost kort. Isocost kortet refererer til konstante omkostningskurver og viser dermed, hvor langt man kan transportere de 2 TEU for et givent beløb.

På Figur 2 er vist det beregnede isocost kort for transporten, der starter i Billund og kun benytter lastbil.

På kortet ses, hvordan de farvede bånd, der viser transportomkostningerne, tilsyne ladende spreder sig som ringe i van-

det. Der er dog variationer, som understreger, at det ikke koster det samme at bevæge sig i alle retninger. Hvis man f.eks. kigger på Danmark, kan man se, at det stort set koster det samme at komme fra Billund til Korsør, som det koster at komme fra Billund til Hamburg. Det skyldes først og fremmest broafgiften på Storebælt. En anden ting man kan se af kortet er, at isocost båndet bliver væsentligt smallere i det bånd (600-900 EUR), der ligger lige syd for Berlin. Det skyldes, at den første kørehviletidsgrænse nås i dette område. Lastbilen er derfor nødt til at holde stille indtil hviletiden er overstået. Den omtrentlige beliggenhed af kørehviletidsgrænserne er vist med en stiplet rød linie på kortet.

59

Perspektiv nr. 14, 2008

Figur 3. Isocost kort med ro-ro ruten mellem Esbjerg og Zeebrugge inkluderet i beregningerne.

Kortet på Figur 3 viser den samme beregning, denne gang bare efter at ro-ro ruten mellem Esbjerg og Zeebrugge er taget med i beregningerne.

Effekten af Esbjerg-Zeebrugge ruten kan tydelig ses på Figur 3 idet den skaber et omkostnings “brohoved” (300-600 EUR) omkring Zeebrugge. Placeringen af kørehviletidsgrænserne på Figur 3 er lidt sværere at se. Deres placering afhænger først og fremmest af, om den billigste rute udelukkende bruger lastvogn eller om Esbjerg-Zeebrugge anvendes som en del af en multimodal transportkæde. Også på Figur 3 er de omtrentlige beliggenheder af kørehviletidsgrænserne indtegnet med en rød stiplet linie. Med lidt god vilje kan det ses, at isocost båndene

60

på Figur 2 og Figur 3 er stort set identiske i den nordlige og østlige del af Tyskland, mens der sker en del ændringer i de øvrige områder. Det er dog ikke særlige nemt at se præcis, hvor og hvor store ændringerne er, men det kan gøres tydeligere ved, så at sige, at ”trække” de 2 kort fra hinanden, så der bliver dannet et såkaldt differenskort.

Figur 4 er et differenskort der viser det relative fald i transportomkostningerne (i %) som følge af Esbjerg-Zeebrugge ruten.

Den linie på Figur 4, der er mellem det grå område og det første grønne bånd, angiver konkurrencelinien mellem en ”ren” lastbiltransport og en multimodal transportkæde, hvor søtransport i form af ro-ro ruten

Perspektiv nr. 14, 2008

Figur 4. Differenskort, der viser det relative fald i transportomkostningerne som følge af introduktionen af EsbjergZeebrugge ro-ro ruten.

Esbjerg-Zeebrugge indgår. I det grå område kan det bedst betale sig at sende transporten direkte med lastbil fra Billund, mens det i det farvede område er billigst at benytte EsbjergZeebrugge ruten.

Man kan måske undre sig over, at besparelserne i transportomkostningerne trækker en ”fane” fra Zeebrugge mod sydvest i retning af Le Havre. Grunden til dette skal søges i kørehviletidsgrænserne. Hvis man ser på Figur 2 kan man se, at området omkring Le Havre ligger lige udenfor den anden kørehviletidsgrænse, hvis man benytter lastbilen hele vejen fra Billund. På Figur 3 kan man se, at området omkring Le Havre ligger lige inden for den første kørehviletidsgræn-

se fra Zeebrugge. Det er denne kombination af kørehviletidsgrænser, der skaber fanen mod Le Havre.

Figur 4 viser også, at for transporter, fra Billund til visse dele af Belgien, falder transportomkostningerne med helt op til 70%. Denne besparelse afhænger i høj grad af de kørsels- og tidsomkostninger, som er anvendt til beregningerne. Det er i den forbindelse værd at ligge mærke til, at modellen er bygget således op, at det er brugen selv, der angiver hvilke omkostninger, der er forbundet med de forskellige transportformer. De omkostninger der er brugt i artiklen stammer fra Trafikministeriet, men modellen er efterfølgende afprøvet i samarbejde med Blue Water Shipping. Med Blue Waters egne omkostningstal

61

Perspektiv nr. 14, 2008

gav modellen resultater, der var helt i overensstemmelse med Blue Waters opfattelse af markedssituationen og samtidig fik de en endnu bedre forståelse af, hvordan omkostningsstrukturen påvirker markedssituation.

Modellens resultater underbygges også af, at godsmængden på Esbjerg-Zeebrugge er steget støt siden ruten startede.

Afsluttende kommentarer og konklusion Udover de i artiklen viste illustrationsmuligheder kan CoatMap beregne en lang række andre tematiske kort. Som eksempel kan nævnes f.eks. scenariokort (hvordan ændrer konkurrencelinien sig ved forskellige scenarier) og havneoplande (hvad er det naturlige opland for de forskellige havne og hvor stabile er deres konkurrencelinier). Andre anvendelser af modellen kunne f.eks. være i forbindelse med evaluering af sømotorveje (MoS), hvor modellen kan beregne og vise opland og konkurrencelinier for sømotorveje.

Har man spørgsmål, ideer eller kommentarer, er man meget velkommen til at henvende sig til forfatteren (jkr@sam.sdu.dk / 6550 1533), Institut for Maritim Forskning og Innovation – MFI, Syddansk Universitet – Esbjerg.

system: the virtual network of freight transportation in Europe. Transportation Research C 4 6, pp.

359–371 Jourquin B. and Limbourg S. (2003); Assignment techniques on Virtual Networks: Performance considerations on large multi-modal networks, paper presented at the NECTAR conference, Umea, Sweden, June 13-15 2003 Kronbak, J. and Riff-Brems, C. (1996); Modellering af Multi-modale transportnet i GIS, Notat 1996-4, Institut for Planlægning, Danmarks Tekniske Universitet.

Kronbak, J. (2005); The SUC Model - A spatial GIS-based tool for visualisation and assessment of cost and competition within freight transport, Final Report, Department of Environmental and Business Economics, University of Southern Denmark – Esbjerg 2005.

Kronbak, J. (2006); The use of GIS for Modelling and Visualisation of Cost-Competition Between Land and Sea Transport, Peer-reviewed conference paper presented at the 2006 IAME conference, Melbourne Australia, 2006

Yderligere læsning om emnet: Trafikministeriet (2003); Nøgletalskatalog - til brug for samfundsøkonomiske analyser på transportområdet. ISBN 87-91013-36-4.

Luo, M. and Grigalunas, TA. (2003), A Spatial-Economic Multimodal Transportation Simulation Model For US Coastal Container Ports, Maritime Economics & Logistics 5: 158–178.

Jourquin, B. and Beuthe, M. (1996); Transportation policy analysis with a geographic information

Om forfatteren Jacob Kronbak, jkr@sam.sdu.dk Institut for Maritim Forsking og Innovation Syddansk Universitet, Esbjerg

62

Perspektiv nr. 14, 2008

Kære medlem, Ved du at stillingsopslag, der bringes på www.geoforum.dk rent faktisk bliver set?

En god grund er, at Geoforums side ofte bliver opdateret hos: Google, MSN, Yahoo og Jubii Derfor når din annonce på www.geoforum.dk hurtigt den interesserede jobsøgende

GRATIS markedsføring!

Fortæl om: dit nye produkt din nye service din nye nøglemedarbejder i geoforum.dk anvend Nyheds-formularen på www.geoforum.dk

Geoforum - et godt sted at blive set

63