Regressionsbaserade modeller för cykelefterfrågan kan endast svara på en del av de frågeställningar och behov som kommuner, regioner och Trafikverket har. Det finns visserligen ett intresse att snabbt och enkelt få en övergripande bild av cykeltrafikflöden på stads/regionnivå, men dessa typer av modeller täcker inte behoven kopplat till hur många som väljer cykel som färdmedel eller var cyklister väljer att cykla och varför. Forsknings- och utvecklingsbehoven är därför framförallt kopplade till cykling integrerad i fyrstegsmodeller eller aktivitetsbaserade modeller samt integrering av olika former av cyklar inklusive hyrcykel och elcykel. Vidare är behoven framförallt kopplade till ökad kunskap och modeller för hur många som väljer cykel som färdmedel och cyklisters ruttval.
5.1.1. Behov kopplat till cykelefterfrågan och färdmedelsval
Flera problem och utmaningar som identifieras av kommuner, regioner, Trafikverket och konsulter har koppling till utveckling av färdmedelsvalsmodeller:
• Varför cyklar vissa och inte andra? Vilka vill cykla och vilka vill inte cykla och varför? • Årstidsvariationer med lite cykling på vintern och mycket under vår och tidig höst. Hur kan
säsongen sträckas ut?
• Cykelparkeringsmöjlighet vid hem och målpunkt, exempelvis säker cykelparkering
• Hur påverkar markanvändningsvariabler, bakgrundsfaktorer och socioekonomi användningen av cykel som färdmedel?
• Hur påverkas cyklandet av att det separata cykelnätverket inte är heltäckande så att cyklister på vissa platser måste ge sig ut i blandtrafik?
• Vilka blir effekterna av att genomföra alla åtgärder som antas främja cykling på ett komplett cykelnätverk? Så som upphöjda passager, belysning, tillräcklig bredd etc.
Flera problem och utmaningar är relaterade till indata för färdmedelsvalsmodeller. Traditionellt används data från resvaneundersökningar för utveckling av färdmedelsvalsmodeller.
Transportutbudsdata, t.ex. restid och reskostnad, och cykelutbudsdata, t.ex. information om cykelinfrastruktur, samt data om väder och väglag vid tidpunkten och platsen där en, i resvaneundersökning, registrerad cykelresa skedde är också viktiga indata. Även data kring cykelparkeringsmöjlighet vid hem och målpunkt behöver inkluderas i framtidens
resvaneundersökning. Markanvändningsdata och befolkningsstatistik vid hem och målpunkt behöver också tas fram. Offentliga och även privata cykelparkeringar med information om kapacitet och säkerhet behöver samlas in. Flera nyligen genomförda studier om färdmedelsvalsmodeller som inkluderar cykel har pekat ut ökande vikt av attityd- eller perceptuella indikatorer (t.ex. hur tryggt, enkelt, smidigt, bekvämt cyklister upplever miljön) då detta verkar påverkar färdmedelsval för cykel. Det finns ett behov av insamling av beteendedata från cyklister som syftar till att bättre förstå varför människor cyklar/inte cyklar, och som inkluderar frågor kring attityd- eller perceptuella indikatorer. Sådana undersökningar behöver involvera tvärvetenskaplig kunskap mellan transportmodellering, ekonomi och beteendevetenskap.
När det gäller modellutveckling, så finns ett behov att utveckla färdmedelsvalsmodeller som kan hantera resekedjor med cykel som färdmedel för en delsträcka, till skillnad mot traditionell
användning av fyrstegsmodeller som framförallt fokuserar på val av ett färdmedel för en resenärs hela resa. För att kunna modellera resekedjor behöver ett multimodalt trafiknätverk som innehåller bil-, cykel-, och kollektivtrafik-nätverk utvecklas så att transportutbud t.ex. restid och reskostnad för en
32 VTI rapport 1064 av trafiksimuleringsverktyg, t.ex. MATSim (www.matsim.org). Ett exempel är en studie som
integrerar MATSims multimodala trafiksimulering med efterfrågmodellen CEMDAP (Comprehensive Econometric Microsimulator for Daily Activity-Travel Patterns) för trafiksimulering av Berlin
(Ziemke et al., 2019). Cykelnätverk fanns dock inte integrerat i nätverket i den studien utan representerades bara av en rak linje från start- till slutpunkt som användes för beräkning av cykelrestid.
Vidare så fokuserar de flesta av dagens modeller på färdmedelsval kopplat till privatägd cykel. Modellering av cykelägarskaps kopplat till färdmedelsval kan vara en relevant modellkomponent och behöver eventuellt utvecklas. På samma sätt som det finns ett behov av att explicit inkludera
resekedjor behöver modellerna även kompletteras med hyrcykel som ett färdmedelsalternativ och del i resekedjor. Andra typer av cyklar, t.ex. elcykel behöver inkluderas i färdmedelsvalsmodeller, speciellt om elcykelandelen fortsätter öka i framtiden. Inkluderandet av nya typer av cyklar med olika önskad hastighet och accelerationsmöjligheter i makroskopiska modeller behöver input från
mikrosimulerings- och dataanalys för att förstå skillnaden i beteende mellan vanlig cykel och elcykel.
5.1.2. Behov kopplat till cyklisters ruttval
Både behovsanalysen och litteraturinventeringen visar på att det finns en brist på kunskap kring hur olika cyklister väljer rutt och varför. Det finns också önskemål om att modellerna ska kunna reflektera vilken typ av infrastruktur eller egenskaperna hos cykelinfrastrukturen, t.ex. cykelbanebredd eller cykelbox i korsningar, som cyklister värderar som viktig. Utveckling av cykelruttvalsmodeller kräver indata både om cykelinfrastruktur och cyklisters ruttvalpreferenser. Flera problem och utmaningar som identifieras av kommuner, regioner, Trafikverket och konsulter har koppling till utveckling av
cykelruttval:
• Ruttval lokalt och övergripande. Vilka vägar väljer olika cyklister och varför? • Vilka attribut påverkar cykellänkars attraktivitet?
• Hur påverkas cyklandet av att det separata cykelnätverket inte är heltäckande så att cyklister på vissa platser måste ge sig ut i blandtrafik?
Det är viktigt med en detaljerad beskrivning av existerande cykelinfrastruktur, inklusive gatu- utformning, korsningsutformning, cykelparkeringsplatser, cykelbana/cykelfält och bebyggelse. Insamling av data om existerande cykelinfrastruktur kräver datafusion från olika datakällor.
Vägnätsbeskrivningen i den Nationella vägdatabasen (NVDB) innehåller information om existens av cykelbana/cykelfält i storstäder men information om mindre städer och landsbygd saknas idag. Bebyggelsesdata från Lantmäteriet (www.lantmateriet.se/) kan integreras med vägnätsbeskrivningen. Information om utformningen i korsningar, t.ex. cykelboxar, väntytor, trafiksignal, etc. samt
utformningen av cykelbana/cykelfält, t.ex. bredd, behöver integreras med data från NVDB så att olika typer av information kring infrastruktur som potentiellt kan påverka cyklisters ruttval samlas i en gemensam databas.
Data som belyser cyklisters ruttvalpreferenser behöver också samlas in. Befintliga internationella studier (t.ex. Broach et al., 2012; Ton et al., 2017) har oftast använt GPS-spår från vilka rutter kan extraheras. Eftersom olika cyklister kan ha olika preferenser behöver insamlade data komma från cyklister med olika socio-demografisk bakgrund samt från ett brett geografiskt område. Det finns olika datainsamlingsmetoder, t.ex. mobiltelefonapplikationer eller GPS-utrustade cyklar. Kart-matchning av GPS-punkter till cykelnätverk krävs för att identifiera cyklisters faktiska ruttval. En annan möjlighet är att med hjälp av Wi-Fi- eller Bluetooth-detektorer detektera passager av mobiltelefoner, vilka kan användas för att estimera restider och ruttval i grova drag beroende på hur tätt detektorerna placeras. Stated-preference-enkäter (frågor kring cyklisters val mellan två eller flera hypotetiska cykelrutter) är en annan vanligt förekommande metod för att samla data (se t.ex. Sener et al., 2009). Fördelen med Stated-preference enkäter är att det är relativt kostnadseffektivt. Nackdelen är att det är ifrågasätt om
cyklisters faktiska ruttval stämmer med deras val i hypotetiska situationer. Cykelmätningar från fasta mätstationer på befintliga cykelstråk är ett viktigt datamaterial för att validera modellresultat men ger i sig begränsad information om cyklisternas faktiska rutter. Resultat från ruttvalsmodeller kan å sin sida guida planering av cykelmätning genom att belysa vilka stråk som har högt estimerat cykelflöde enligt trafikmodellen. Det finns ingen enskild metod som är tillräcklig för att observera och förstå cyklisters ruttval utan datafusion som kombinerar olika utbudsdata, det vill säga vägbeskrivningsdata,
bebyggelsesdata och utformning av korsningar, m.m. och beteendesdata som hänvisar cyklisters faktiska rutter behöver utvecklas.
När det gäller modelleringsansatser är i princip alla metoder för ruttval baserade på teori för diskreta val. En gemensam förutsättning är att en cyklist väljer sin faktiska rutt utifrån flera möjliga rutter (valmängd) baserat på nyttan för varje rutt vilket är en funktion av cykelinfrastruktur och utformning av korsningar och länkar, m.m. Nyttofunktionen borde därför bero på cykelinfrastrukturattribut. Ett exempel är att cykelbanebredd borde inkluderas i nyttofunktionen dels då bredden kan antas påverka framkomlighet och upplevd nytta och dels då det finns behov av att utvärdera vilken effekt breddning av cykelbana har på val av cykel som färdmedel och cyklisters ruttval. Enligt litteratursökningen och kunskapsläget av ruttvalsmodeller är Path-Size-Logit (PSL) modellen den vanligaste modelltypen för tillämpning på stora nätverk. En PSL-modell är relativt enkel att tillämpa i jämförelse med andra ruttvalsmodeller, t.ex. Recursive-Logit (RL). Studien (Zimmermann et al., 2017) visar att
nyttofunktionen i RL motsvarar tillgänglighetsmåttet (logsum) av en PSL-modell, vilket innebär att i teorin borde RL ge liknande prediktion som PSL om valmängden i PSL inkluderar alla möjliga rutter. Nästan alla studier kring utveckling av ruttvalsmodeller för cykel tar hänsyn till cykelinfrastruktur- relaterade aspekter såsom länktyp, länklutning och korsningsfördröjning (svängstraff) i modellen, men när det gäller reseärende har fokus oftast varit på cykelruttvalspreferenser för pendling medan mindre fokus lagts på andra ärenden, som till exempel tjänsteresor och rekreation. Individers socio-
demografiska bakgrund är oftast inte speciellt väl representerad eller hanteras på ett förenklat sätt. För att möjliggöra integrering i storskaliga transportplaneringsmodeller så behöver
cykelruttvalsmodellerna beakta individers socio-demografiska bakgrund och använda ärende-specifika parametrar. Det finns således ett behov av mer data och kunskap kring hur individers socio-
demografiska bakgrund och ärende i kombination med karaktären på det cykelbara nätverket påverkar cyklisters ruttval.
De flesta befintliga studierna av cykelruttvalsmodeller ignorerar potentiell trängselseffekt och
restidsfördröjningar i cykeltrafik. I urbana miljöer kan fördröjning på huvudcykelstråk och korsningar spela stor roll för restid samt upplevd säkerhet och därför påverka ruttvalet. GPS-spår borde
kombineras med cykelmätningar eller videomätningar så förhållande mellan cykeltrafikvolymer och reshastighet/restid kan uppskattas både på länk och korsning. Dock är cykelvolymerna i Sverige på många platser så låga att andra cyklister endast bidrar marginellt till fördröjningen och den totala fördröjningen domineras med stor sannolikhet av fördröjningen som uppstår i korsningar där cyklister tvingas lämna företräde för annan trafik. Det förväntas därför vara viktigt för ruttvalsmodellen att inkludera korsningsfördröjning som beror på korsningens utformning och mängden övrig trafik.
5.2. Mikroskopiska trafikmodeller
Flera av de problem och utmaningar som identifierats av kommuner, regioner, Trafikverket och konsulter i behovsanalysen (Olstam et al., 2019) kan kopplas till behov av utveckling av cykelinteraktionsmodeller (som beskriver cyklisters interaktion med andra trafikanter), men
cykeltrafiksimulering kräver också modeller som beskriver cyklisters interaktion med infrastrukturen (modeller för fria cyklister). Exempel på frågeställningar är: analysering åtgärder för ökad
framkomlighet för cykel i signalreglerade korsningar som t.ex. allgrönt, hur påverkar heterogenitet bland cyklister framkomligheten och bör trafikplaneringen ta hänsyn till att olika cyklister har olika
34 VTI rapport 1064 beteende, hur bred ska en cykelbana vara för att kunna tillgodose framkomlighetskrav givet
cykelflöde, etc.
För utvecklingen av underliggande interaktionsmodeller i mikroskopiska cykeltrafikmodeller krävs mätningar av interaktioner mellan cyklister, andra trafikanter, samt väg- och stadsmiljö. Flera studier kring mikroskopiska trafikmodeller har använt data från GPS-utrustade cyklar för modellutveckling och kalibrering. Denna typ av datakälla kan ge detaljerad information om enskilda cyklars
rörelseförlopp men är svårare att använda för att studera interaktioner med andra trafikanter. De nya typer av videobaserade mättekniker som utvecklats bör kunna ge goda möjligheter att mäta cyklisters rörelseförlopp och interaktioner med övriga trafikanter. Hittills har denna typ av videomätningar i huvudsak använts för att mäta flöde och hastigheter vid specifika punkter. Det finns således behov av att utveckla analysmetoder för att analysera cyklisters rörelseförlopp och därmed utvinna viktig information om accelerations och retardationsbeteende, acceptans av tidsluckor i överordnade trafikströmmar m.m. vilket behövs för såväl utveckling som kalibrering av interaktionsmodeller i mikroskopiska trafiksimuleringsmodeller.
I dagsläget finns i huvudsak tre modelleringsansatser för mikrosimulering av cykeltrafik. Antingen modelleras enskilda cyklister som långsamma motorfordon (biltrafikinspirerade modeller), som snabba gångtrafikanter (kraftbaserade modeller) eller baserat på cellular automata. Cellular automata modeller har mycket begränsade möjligheter att beskriva cyklisternas laterala rörelser, vilket är av stor vikt för att kunna fånga cyklisters användning av infrastrukturens bredd, vilket gör att den bedöms som mindre intressant i dagsläget. De biltrafikinspirerade och kraftbaserade modellerna har olika fördelar och det finns indikationer på att olika typer av modelleringsansatser kan vara bäst för olika interaktionssituationer, t.ex. cykel-cykelinteraktion och cykel-bilinteraktion, samt vid olika
vägtrafikanläggningar, t.ex. korsning och cykelbana, eller vid olika trängselnivåer. Även om det är möjligt att använda olika modelleringsansatser för olika infrastrukturer och typer av interaktioner överskrids troligen värdet av att använda olika ansatser snabbt av problemen som uppstår när fler än en enskild vägtrafikanläggning ska studeras samtidigt. Det finns således ett behov av att antingen vidareutveckla de biltrafikinspirerade eller de kraftbaserade modelleringsansatserna så att de bättre beskriver cyklisters beteende. Alternativt kan nya modelleringsansatser för beskrivning och simulering av cykelbeteende behöva utvecklas.
Cyklisters framkomlighet beror inte enbart på interaktion med övriga trafikanter utan också på cyklisters interaktion med infrastrukturen. En cyklist som är ohindrad av övrig trafik måste ändå anpassa t.ex. hastighet och acceleration efter infrastrukturens utformning, trafikregler, reglering, väder- och väglag, etc. Till exempel behövs kunskap om cyklisters val av hastighet (så kallat
hastighetsanspråk eller önskad hastighet) och vilka faktorer som påverkar denna i vilken utsträckning. Accelerationsbeteende inför uppförslutningar eller inför stopplikt eller regelefterlevnad vid stopplikt eller rött ljus i trafiksignaler är andra exempel på viktiga aspekter kopplat modellering av fria cyklister och interaktionen med infrastrukturen som behöver studeras. Som konstaterats i avsnitt 4.4 finns det en del försök att skatta t.ex. cyklisters önskade hastighet, men litteratursammanställningen visar på ett stort behov av att studera och utveckla modelleringsansatser för hur cyklister anpassar sin hastighet till infrastruktur och geometri, dvs. kurvradier, lutning, hinder, siktförhållanden, kantsten och andra ojämnheter, etc.