Utmaningen att konstruera en kvantitativ modell

Ett av detta examensarbetets ursprungliga mål var att konstruera en kvantitativ modell för att kunna beräkna utfall av ett projekt i sparsam körning på Transportföretagets Åkeri. Detta visade sig vara en större uppgift än både examensarbetaren själv och uppdragsgivaren (Transportföretaget) först trott, av flera olika skäl. Bland annat fick Transportföretaget under tiden som examensarbetet pågick hantera fackliga förhandlingar vilket sköt upp arbetet med kvantitativ data. Utan att en överenskommelse eller policy tagits fram tillsammans med fackförbund går det inte att få tillstånd att använda nödvändig data. I samband med detta drogs en första slutsats; alla aktörer måste vara med på banan för att data ska kunna användas, om data ens existerar. Examensarbetet bytte sedan riktning, men låt oss ändå titta på utmaningar i att bygga en kvantitativ modell.

Målet med en kvantitativ modell är att på ett rättvist sätt förklara skillnader (eller likheter) i bränsleförbrukning mellan två perioder. Antingen för samma förare eller för samma fordon.

Transportföretaget ville genom modellen kunna redovisa förändring i bränsleförbrukning, kostnad för bränsle och CO2-utsläpp. I förlängningen skulle detta resultat ställas i relation till

nedlagd tid och kostnad för bland annat förarutbildning, coachning och telematiksystem. Eftersom Transportföretagets Åkeri nästan uteslutande ägnar sig åt fjärrtrafik föll det sig naturligt när företaget antog att hög hastighet var den enskilt största bidragande faktorn till hög bränsleförbrukning. Det antogs också att det skulle vara relativt enkelt att både identifiera detta i en kvantitativ modell och att åtgärda problemet med små medel. Riktigt hur det skulle gå till var mindre klart. Som tidigare nämnt saknas det en gemensam/standardiserad modell för att beräkna bränsleförbrukning. I litteraturen fanns enstaka modeller, framför allt för lastbilars drivlinor, men alldeles för avancerade för att kunna appliceras i den miljö som examensarbetet genomfördes i. Dels saknades djupgående kunskaper i mekanik, och dels saknades den data som krävdes för att bygga en sådan modell. Alternativet blev att istället titta på om examensarbetet kunde hitta starka samband till bränsleförbrukning för de faktorer som antogs ge det största bidraget.

5.8.1. Antagande om vilka faktorer som påverkar bränsleförbrukningen

När antaganden kring vilka faktorer som bidrog mest till bränsleförbrukningen kom snabbt en naturlig fördelning fram. Det hela blev två kategorier, den ena tillhörande förare/fordon och den andra tillhörande omgivande faktorer. Senare skulle det också visa sig att det var lättare att kvantifiera faktorer som hörde till förare/fordon än de som hörde till omgivningen. I ett första steg valdes följande faktorer i Tabell 1 ut som de mest intressanta. Detta grundade sig i vad som framkommit i litteraturstudien där bland annat Trafikverket (2013), Beusen o.a. (2009), McKinnon o.a. (2010) samt Barkenbus (2010) listat eller skrivit om faktorer som påverkar bränsleförbrukningen.

Tabell 1. Första antagande om vilka faktorer som har en effekt på bränsleförbrukningen.

Förare/fordon Omgivning Körstil (acceleration, retardation, etc.)

Hastighet Antal start/stopp Lastad vikt Tomgångskörning Fordonets skick/utformning Service av fordon Topografi Trafikintensitet Trafiktyp (fjärr- / distributionstrafik) Temperatur

5.8.2. Nödvändiga data för en bränsleförbrukningsmodell

Beroende på vilken aggregeringsnivå data från ett telematiksystem har så ger det ett åkeri olika möjligheter att följa upp och mäta sparsam körning. En alldeles för hög aggregeringsnivå kan ge en bild av bränsleförbrukning på åkeriet som helhet, men gör det också svårt att rikta insatserna till där de behövs. Data som istället inte är aggregerad kan bli allt för stor och därmed inte hanterbart för ett åkeri.

Som ett exempel presenterade den telematikleverantör, tillika fordonsleverantör, som Transportföretagets Åkeri hade valt aggregerad och behandlad data. Det gick inte att från detta system som användare extrahera ut data ur gränssnittet som var mer detaljerad än ett dygn. En förare kunde alltså ha framfört ett fordon under en hel arbetsdag genom en mängd olika trafiktyper, trafikintensiteter samt vitt skiftande topografi och temperatur. Ett fordon med

samma förare kan till exempel ta sig från en mycket kall natt på lågtrafikerade landsvägar i Norrland till ett ljummet Stockholm med besvärlig stadstrafik.

Att hitta rätt nivå för aggregering av data är en svår uppgift. Rå data är förmodligen inte vad ett åkeri efterfrågar. En idé som formade sig under examensarbetet var att dela in data från ett fordon i tidsintervall. Exempelvis varje minut eller var tionde minut. Om data från telematiksystemet innehållande till exempel antal start/stopp, hastighet (medel), lastad vikt, etc. kombineras med geografisk data kan detta bli naturliga utgångspunkter för en dialog mellan coach och chaufför. En mer detaljerad data med geografiska positionsangivelser skulle också göra det enklare för själva konstruktionen av en kvantitativ bränsleförbrukningsmodell. På ett mycket mer precist sätt skulle faktorer kunna isoleras och beräkna hur mycket varje faktor påverkar bränsleförbrukningen. De tre telematikleverantörer som examensarbetet kom i kontakt med svarade på ungefär samma sätt. Att ta ut detaljerad data var inte möjligt. Alla tre telematikleverantörer hade istället sina egna skalor och kategorier för att mäta sparsam körning och hur väl en förare eller bil uppfyllde telematikleverantörernas egna kriterier.

Även om fordonsleverantören till Transportföretagets Åkeri inte kunde lämna ut större mängder data fanns det ett par olika dataset som exempel att arbeta med under examensarbetet. Dessa var presenterade på dagsnivå innehållande olika antal parametrar. Genom att analysera dessa dataset kunde sedan ett par slutsatser dras kring vad som påverkar bränsleförbrukningen. Dataseten innehöll däremot inte data som räckte till för att analysera sparsam körning. Behovet av att bryta ner data ytterligare blev snabbt uppenbart. Det stod också klart att fler data (till exempel ur ett geografiskt informationssystem) var absolut nödvändigt för att kunna räkna på Transportföretagets Åkeris bränsleförbrukning i praktiken. Förutsättningar som dessa ger en svår början på ett modellbygge, men dessa data är de som använts för att leta efter samband mellan faktorer och bränsleförbrukning.