VTI PM 2019-10-24 Diarienummer: 2018/0480-7.1
Behovsanalys för cykeltrafikmodeller
Johan Olstam
Chengxi Liu
Jones Karlström
Joakim Ekström
Fredrik Johansson
Förord
Detta PM är en delredovisning inom den förstudie som Statens väg- och transportforskningsinstitut (VTI) och Linköpings universitet (LiU) genomför inom cykeltrafikmodellering. Förstudien
samfinansierad av Trafikverket via Centre for Traffic Research (CTR) och Sveriges Kommuner och Landsting (SKL). Kontaktpersoner på SKL och Trafikverket har varit Ida Nelson respektive Daniel Sahlgren. Projektgruppen på VTI och LiU har bestått av Johan Olstam, Jones Karlström, Chengxi Liu, Fredrik Johansson och Joakim Ekström. Projektgruppen vill rikta ett varmt tack till de konsulter och kommuner, regioner och personer från Trafikverket som ställt upp på intervjuer och workshops. Linköping, oktober 2019
Innehållsförteckning
Sammanfattning ...7 1. Introduktion...9 1.1. Bakgrund ...9 1.2. Syfte ...9 1.3. Metod ...91.3.1. Upplägget för intervjuer med konsulter ...9
1.3.2. Upplägget för workshop med kommuner, regioner och Trafikverket ...10
2. Cykeltrafikmodeller ...12
2.1. Trafiktekniska effektsamband ...12
2.2. Makroskopiska cykeltrafikmodeller ...12
2.3. Mikroskopiska cykeltrafikmodeller ...13
3. Kommuners, regioners och Trafikverkets behov ...14
3.1. Målstyrning ...14
3.2. Framkomlighet ...15
3.3. Elcykel och lådcykel ...15
3.4. Diskussion och summering ...16
4. Hur cykeltrafikanalyser genomförs och vilka modeller som används ...17
4.1. Konsulternas synvinkel ...17
4.1.1. Hur genomförs cykeltrafikanalyser ...17
4.1.2. Modeller som används ...17
4.2. Kommuners, regioners och Trafikverkets synvinkel ...18
4.2.1. Hur genomförs cykeltrafikanalyser ...18
4.2.2. Modeller som används ...18
4.3. Diskussion och summering ...19
5. Behov av modeller ...21
5.1. Konsulternas synvinkel ...21
5.2. Kommuners, regioners och Trafikverkets synvinkel ...22
5.3. Diskussion och summering ...24
6. Behov av forskning ...26 6.1. Makroskopiska trafikmodeller ...26 6.1.1. Ruttvalsmodeller ...26 6.1.2. Färdmedelsvalsmodeller ...28 6.2. Mikroskopiska trafikmodeller ...30 6.2.1. Interaktionsmodeller ...30
6.2.2. Modeller för fria cyklister ...31
6.3. Samhällsekonomiska analyser ...33
7. Diskussion, slutsatser och fortsatt arbete ...34
Sammanfattning
Behovsanalys för cykeltrafikmodeller
av Johan Olstam (VTI), Chengxi Liu (VTI), Jones Karlström (VTI), Joakim Ekström (LiU) och Fredrik Johansson (VTI)
Trafikmodeller för (bil)trafikprocesser har varit och är ett viktigt stöd vid trafikplanering, oavsett om planeringen sker på kommunal, regional eller statlig nivå. Trafikmodeller av olika slag har bland annat gjort det möjligt att med hög kvalitet utvärdera effekter av förändringar i trafiksystemet, att ta fram underlag till effektsamband och att styra trafik. Denna typ av modellstöd stöd saknas till stor del vid planering av cykelinfrastruktur, vilket exempelvis medför svårigheter att utvärdera investeringar i cykelinfrastruktur i samhällsekonomiska kalkyler, ger bristande underlag för effektsamband, samt försvårar planering av effektiv, säker och attraktiv cykelinfrastruktur.
Syftet med denna förstudie är att identifiera behov av modellstöd vid analys av cykeltrafik, i samband med att åtgärder inom gång-, cykel- och bilinfrastruktur analyseras, samt att identifiera forsknings- och utvecklingsbehov i Sverige inom området cykeltrafikmodeller. Ett av målen är att tydliggöra
kommuner och regioners behov av modellstöd samt till att öka kommuners och regioners medvetenhet om vad cykeltrafikmodeller kan bidra med i arbetet för en ökad och säker cykling.
För att undersöka behoven av cykeltrafikmodeller har det inom projektet genomförts både intervjuer med konsulter och en workshop med kommuner, regioner och Trafikverket. Detta PM redovisar slutsatserna från dessa intervjuer och workshopen.
Slutsatserna från behovsinventeringen är att det krävs grundläggande forskningen för att kunna utveckla nya modeller som motsvarar det behov som finns hos kommuner, regioner och Trafikverket. Utifrån denna studie bedömer vi att ytterligare forskning kring ruttvals- och färdmedelsvalsmodeller är centralt för att kunna införliva cykel som färdmedel i makroskopiska trafikmodeller, och ytterligare forskning kring interaktionsmodeller för cyklister är nödvändigt för att kunna införliva cyklister i mikroskopiska trafikmodeller.
För framtida tillämpningar av makroskopiska trafikmodeller är det viktigt att olika typer av investeringar och åtgärder som kan leda till ökad cykling kan utvärderas. Detta kopplas till
kommuners och regioners önskemål om att kunna bedöma vilka typer av investeringar som är mest effektiva för att nå lokala, regionala och nationella mål för cykeltrafik. Detta betyder att
makroskopiska trafikmodeller kommer behöva beakta fler beteendeaspekter kring cyklister olika val, inte bara cykelinfrastruktur. För att klara detta behöver också nya typer av cyklar, exempelvis lådcyklar och elcyklar modelleras som separata färdmedel.
För mikroskopiska trafikmodeller, är det viktigt att modellerna kan hantera olika typer av trafikslag i täta trafikmiljöer. Framtidens forskning bör fokusera på matematisk beskrivning av cykel-cykel-interaktion, cykel-bil-interaktion samt cykel-gång-interaktion och implementering i mikroskopiska trafikmodeller. Cykling genom korsningar, speciellt signalerade korsningar är viktigt för analys av restidsfördröjning. Därför är analys av korsningar och utvärdering av ”alltgrönt” och ”grön våg” ett framtida forskningsområde. Mikroskopiska trafikmodeller borde också utvecklas så att de kan hantera detaljerade cyklistbeteenden och olika typer av cyklar för bättre representation av vekligheten.
1.
Introduktion
1.1. Bakgrund
Trafikmodeller för (bil)trafikprocesser har varit och är ett viktigt stöd vid trafikplanering, oavsett om planeringen sker på kommunal, regional eller statlig nivå. Trafikmodeller av olika slag har bland annat gjort det möjligt att med hög kvalitet utvärdera effekter av förändringar i trafiksystemet, att ta fram underlag till effektsamband och att styra trafik. Denna typ av modellstöd stöd saknas till stor del vid planering av cykelinfrastruktur, vilket exempelvis medför svårigheter att utvärdera investeringar i cykelinfrastruktur i samhällsekonomiska kalkyler, ger bristande underlag för effektsamband, samt försvårar planering av effektiv, säker och attraktiv cykelinfrastruktur. Statens väg- och
transportforskningsinstitut (VTI) och Linköpings universitet (LiU) genomför därför en förstudie som samfinansieras av Trafikverket via Centre for Traffic Research (CTR) och Sveriges Kommuner och Landsting (SKL).
1.2. Syfte
Syftet med denna förstudie är att identifiera behov av modellstöd vid analys av cykeltrafik, i samband med att åtgärder inom gång-, cykel- och bilinfrastruktur analyseras, samt att identifiera forsknings- och utvecklingsbehov i Sverige inom området cykeltrafikmodeller. Ett av målen är att tydliggöra
kommuner och regioners behov av modellstöd samt att öka kommuners och regioners medvetenhet om vad cykeltrafikmodeller kan bidra med i arbetet för en ökad och säker cykling. Övriga mål, vilka kommer dokumenteras i förstudiens slutrapport, är att sammanställa kunskapsläget kring
cykeltrafikmodeller samt sammanställa forskningsbehov.
1.3. Metod
För att undersöka behoven av cykeltrafikmodeller genomfördes dels intervjuer med konsulter och dels en workshop med kommuner, regioner och Trafikverket. Detta PM redovisar slutsatserna från dessa intervjuer och workshopen.
1.3.1. Upplägget för intervjuer med konsulter
Fem konsultföretag tillfrågades och intervjuer genomfördes med personer från två av dessa, nämligen Trivector och WSP. Intervjuerna började med en 5 minuters introduktion för att beskriva bakgrund och syfte med förstudien (se avsnitt 1.1 och 1.2).
Den första diskussionspunkten handlade om Hur cykeltrafik beaktas i dagens trafikanalyser. Deltagarna ombads berätta vilka efterfråge- och/eller framkomlighetsberäkningar samt
effektbedömningar som vanligen genomförs vid vägtrafikinfrastrukturåtgärder (t.ex. ombyggnad signalkorsning till cirkulationsplats) och cykelinfrastrukturåtgärder (breddning av cykelbana, byta från cykelfält till cykelbana, väntytor vid korsningar).
Nästa diskussionspunkt handlade om Vilka verktyg och modeller som de intervjuade konsultföretagen
använder idag. Fokus var på att få en nulägesbild av erfarenhet och avslutade/pågående projekt kring
cykelmodellering från de intervjuade konsultföretagen.
Den tredje fasen fokuserade på Hur cykeltrafik borde beaktas i trafikanalyser. Syftet var att utröna vilka brister och förbättringspotentialer i existerande cykeltrafikmodelleringsverktyg som de intervjuade konsultföretagen har upplevt. I denna fas kunde de intervjuade konsultföretagen också berätta om deras uppskattning av nyttor och potential för att förbättra existerande verktygen kontra att utveckla nya verktyg.
I den fjärde fasen, diskuterades Vilka behov av modellstöd de intervjuade konsultföretagen har
identifierat. I denna fas kunde de intervjuade konsultföretagen lämna förslag till utvecklingsriktningar
för cykeltrafikmodeller samt diskutera brister och utvecklingspunkter i existerande verktyg. Intervjun avslutades med en fem minuter öppen diskussion för eventuell komplettering.
1.3.2. Upplägget för workshop med kommuner, regioner och Trafikverket
Inbjudan till workshopen skickades ut till medlemmar i Svenska cykelstäder och spreds via cykelcentrum samt via regionala cykelsamordnare. 11 kommuner och 2 regioner svarade att de var intresserade av att delta och vid workshopen som genomfördes den 26/4, 2019 i Stockholm deltog personer från Trafikverket, SKL, Malmö stad, Göteborgs stad, Gävle kommun, Linköpings kommun, Norrköpings kommun, Örebro kommun, Järfälla kommun, Stockholms Stad, och Uppsala kommun. Representanter från Region Sörmland och region Skåne skulle också deltagit men var tyvärr tvungna att lämna återbud och bidrog istället med input skriftligen.Workshopen började med en introduktion av deltagarna. SKL presenterade SKLs tankar kring projektet och behovet kring trafikmodeller som beslutstöd i cykeltrafikanalyser. Forskningsgruppen berättade sedan om syftet med workshopen och de genomförda intervjuerna med konsultföretagen. Workshopen fortsatte sedan med en inledande presentation om trafikmodeller och hur modellerna
används idag. Syftet med denna inledande presentation var att säkerställa samsyn kring vad en
trafikmodell är inför de kommande diskussionspunkterna, samt att förklara hur trafikmodeller används för analyser av biltrafik idag (detta då inte alla deltagarna hade samma förkunskap kring
trafikmodeller). Under presentationen, förklarade forskningsgruppen hur de uppfattar att trafikmodeller används för cykeltrafikanalyser, vilket delvis baserades på konsultintervjuerna.
Forskningsgruppen presenterade sedan en sammanställning av de verktyg som används idag baserat på intervjuerna med konsulterna och frågade om det är något verktyg som deltagarna saknar i listan. Workshopen fortsatte med den andra fasen kring Vilka verktyg och modeller som används av
kommuner/regioner idag. Fokus var delvis att sammanfatta erfarenheter från
kommuner/regioner/Trafikverket från projekt inom infrastrukturplanering/trafikplanering för cykel, och delvis att förstå kommuners/regioners/Trafikverkets syn på behov av cykelmodeller som beställare/uppdragsgivare i kontrast mot konsulter som uppdragsutförare.
I den tredje fasen fokuserades diskussion kring Vilka problem, utmaningar och åtgärder kopplat till
cykeltrafik som kommuner, regioner och Trafikverket är intresserade av att studera.
Forskningsgruppen förväntade att deltagarna skulle diskutera eventuella angelägna problem och utmaningar som de stött på i deras planering av cykelinfrastruktur samt framkomlighetsanalyser av cykeltrafik. Deltagarna tillfrågades även om hur planeringsprocessen för cykeltrafik ser ut idag och bad dem jämföra med motsvarande processer för biltrafik, samt om det finns något
förbättringsutrymme.
I den fjärde fasen fokuserades diskussionen kring Hur cykeltrafik beaktas i dagens trafikanalyser. Diskussionen omfattade vilka efterfråge- och/eller framkomlighetsberäkningar samt
effektbedömningar som vanligen genomförs vid vägtrafikinfrastrukturåtgärder (t.ex. ombyggnad från signalreglerad korsning till cirkulationsplats) och cykelinfrastrukturåtgärder (breddning av cykelbana, byta från cykelfält till cykelbana, väntytor vid korsningar).
Workshopen fortsatte med frågan Hur borde cykeltrafik beaktas i trafikanalyser. Det vill säga motsvarande fråga som i intervjuerna med konsulterföretagen, dock från kommuner/regioners synvinkel.
I den sista fasen diskuterades Vilka behov av modellstöd som kommunerna/regionerna identifierat. Denna fas var också likadan som den motsvarande fasen i intervjuerna med konsulterföretagen. Dock låg fokus mer på kommuners, regioners och Trafikverkets behov av cykeltrafikanalyser snarare än
avsaknad av eller brister i befintliga verktyg och huruvida verktygen kan bidra med de beräkningar som kommuner, regioner och Trafikverket behöver.
Workshopen avslutades med en öppen diskussion kring kopplingar mellan problem, utmaningar, åtgärder och trafikmodellsmöjligheter och eventuell komplettering.
2.
Cykeltrafikmodeller
Som input till workshopen gav forskargruppen en presentation av olika typer av cykeltrafikmodeller. Vilken typ av cykelinfrastrukturåtgärd som behöver utvärderas avgör hur detaljerad trafikmodell som behövs tillämpas. Cykeltrafikmodeller kan grovt delas in i:
• Trafiktekniska effektsamband som till exempel beskriver cyklisters genomsnittliga restid och fördröjning som funktion av väg- och korsningsutformning samt trafikvolymer. Dessa används för överslagsberäkningar i tidiga skeden i planeringsprocessen.
• Makroskopiska cykeltrafikmodeller som beskriver cykelefterfrågan och cyklisters ruttval över ett större område, t.ex. en stad eller region. Dessa används för att utvärdera hur olika åtgärder påverkar hur många som väljer cykel som färdmedel och hur cykelflödet fördelas i nätverket. • Mikroskopiska cykeltrafikmodeller som beskriver cyklisters interaktion med andra cyklister,
gångtrafikanter och fordon, vilka kan användas för utvärdering av detaljutformningar av cykelinfrastruktur, framkomlighet av cykelvägar, samt för framtagande av trafiktekniska samband.
2.1. Trafiktekniska effektsamband
Då det idag saknas trafiktekniska samband som beskriver cyklisters restid och fördröjning som funktion av väg- och korsningsutformning och trafikvolymer behöver sådana samband utvecklas. Dessa samband används för överslagsberäkningar i tidiga skeden i planeringsprocessen. För att skatta trafiktekniska samband behövs omfattande empiriskt datamaterial och även om det pågår
datainsamlingar (t.ex. Eriksson et al., 2017 och Danial och Eriksson, 2017) så visar erfarenheterna från framtagningar av effektsamband för motortrafik på att data ofta behöver kompletteras med
simuleringsanalyser.
Effektsamband är inte bara viktiga underlag för att bedöma framkomligheten för cykelstråk men också en nyckelinput till makroskopiska cykeltrafikmodeller. Till exempel, trafiktekniska samband som beskriver restid som funktion av trafikflöde är en viktig input till makroskopiska modeller. Ett ökat cykelflöde kan leda till trängsel och fördröjning för cykeltrafiken vilket påverkar cyklisters ruttval. I denna förstudie exkluderas dock andra typer av effektsamband, framförallt bedömning av socio-ekonomiska effekter av cykling. Ett exempel är effektsamband av cykel och hälsonyttor. Anledning att exkludera dessa effektsamband i den här studien är att effektsambanden inte är direkt kopplade till utveckling av cykeltrafikmodeller som är huvudfokus i den här studien. Socio-ekonomiska
effektsamband är dock också viktiga för samhällsekonomiska analyser (CBA) av cykelinvesteringar vilka använder utdata från cykeltrafikmodeller alternativt trafiktekniska effektsamband.
2.2. Makroskopiska cykeltrafikmodeller
Makroskopiska cykeltrafikmodeller beskriver cyklisters resmönster i form av cykelflöden på stads- och regionnivå. Cykel modelleras som ett färdmedel i makroskopiska modeller och resenärer i makroskopiska modeller genomför olika ärenden på olika destinationer och använder olika färdmedel mellan destinationerna givet restider, resekostnader samt resenärers socio-ekonomiska bakgrund. Tillgång till makroskopiska modeller för cykeltrafik skulle t.ex. göra det möjligt att (1) beskriva nulägets cykelflöde på en stad/regionnivå, (2) analysera hur tillgängligheten för cykling ser ut i ett rumsligt perspektiv, (3) analysera eventuella överflyttingseffekter mellan olika färdmedel för en cykelinvestering, (4) ge underlag för samhällsekonomiska kalkyler av cykel investeringar. I ett internationellt perspektiv är modellering av cykelresor ett relativt nytt område jämfört med modellering av bil och kollektivtrafikresor. De flesta befintliga studier fokuserar på att modellera antal cykelresor (cykelresegenerering) och färdmedelsval (för en omfattande litteraturöversikt, se Muñoz m.fl. 2016). Det finns studier fokuserar på att modellera cykelruttval. Till exempel använder Broach (2012) GPS-enheter för att samla in data om 162 cyklisters ruttval i Portland och skattar en
ruttvalsmodell för cykelresor. Halldórsdóttir (2015) utvecklar på liknande sätt en cykelruttvalsmodell för cykelresor i Köpenhamn. Trots att en hel del av tidigare studier modellerat cykel i form av
resegenerering, färdmedelsval och ruttval, finns det bara ett fåtal studier som utvecklat makroskopiska modeller som inkluderar färdmedelsval, destinationsval och ruttval med fokus på cykel som en helhet i ett modellsystem, och i Sverige finns det bara en sådan modell för Stockholm (Liu., et al. 2019).
2.3. Mikroskopiska cykeltrafikmodeller
För studier av cyklisters framkomlighet på länk- och korsningsnivå behöver mikroskopiska trafikmodeller utvecklas. Mikroskopiska modeller beskriver enskilda cyklisters rörelser och interaktion med andra trafikanter. De ansatser som finns idag att modellera cyklar som långsamma motorfordon eller snabba gångtrafikanter visar på svårigheter att fånga upp cyklisters beteende och trafikföring på ett bra sätt. Tillgång till mikroskopiska modeller för cykeltrafik skulle t.ex. göra det möjligt att (1) inkludera cykeltrafik i trafiksimuleringsanalyser som ofta görs i samband med
ombyggnationer av korsningar, (2) dimensionera cykelinfrastruktur och utforma korsningar anpassade för den förväntade volymen av cykeltrafikanter, (3) utforma synkroniserade och trafikstyrda
signalsanläggningar, (4) ge stöd till utveckling av trafiktekniska effektsamband som kan användas i samhällsekonomiska kalkyler.
3.
Kommuners, regioners och Trafikverkets behov
På workshopen diskuterade kommuner, regioner och Trafikverket kring vilka problem, utmaningar och åtgärder kopplat till cykeltrafik som kommuner, regioner och Trafikverket är intresserade av att studera. Nedan sammanfattar vi de problem, utmaningar och åtgärder kopplat till cykeltrafik som identifierades.
3.1. Målstyrning
På workshopenen nämnde alla deltagande kommunerna att de har mål om att öka andelen cykling samtidigt som de är osäkra på hur målen kan uppnås. Flera kommuner påpekade att det är svårt att från nuvarande verktyg skatta hur många resenärer som väljer cykel som färdmedel och var de kommer att cykla, samt hur många fler som kommer att börja cykla och hur ruttvalet påverkas vid skapande av cykelstråk eller förbättring av cykelinfrastruktur. Nedan sammanfattar forskningsgruppen specifika problem och utmaningar som kommunerna och regionerna tog upp:
• Göteborgs stad har som mål att öka andelen cykling till 12% av alla resor, dock inte helt klart hur målet ska nås. Därför önskar de utveckla en målstyrd modell.
• Malmö stad pekar också på att det är viktigt att arbeta målstyrt mot cykelplanen. Malmö stad funderar även på hur de ska hantera den cykelmängd som målet innebär när cykelflödena ökar på cykelnätet.
• Örebro kommun genomför t.ex. investeringar för att sätta upp belysning vid cykelbanor samt att bredda cykelbanor och önskar veta hur stora ökning av cykeltrafik dessa typ av
investeringar innebär.
• Flera kommuner undrade vilka faktorer som mest påverkar val av cykel som färdmedel och cyklisters ruttval. De är t.ex. intresserade av faktorer som inte fångas in i dagens transport-modeller, som till exempel väder.
• Norrköpings kommun undrar om hur andelen cykel och cyklisters ruttval påverkas av att det saknas länkar i ett cykelstråk eller cykelnätverket som helhet.
• Kommunerna nämnde också att det är svårt att motivera cykelinvesteringar. En möjlig motivering är att en ökad cykelandel avlastar bilvägarna (minskning trängsel i biltrafiken), dock tycker kommunerna att det är svårt att använda denna motivering då underlagen som trafikmodellerna kan ge kring detta är så osäkra.
• Gävle kommun är intresserade av att kunna modellera cykelefterfrågan.
Forskningsgruppen uppfattar det som att flera kommuner och regioner har funderat på olika typer av investeringar för att uppnå målen kring ökad cykling men att de inte är säkra på vilka typer av investeringar som är mest effektiva för att nå en ökad cykling givet en begränsad budget för
investeringar. De flesta problem och utmaningar handlar om att veta vilken effekt som investeringar kan ge och hur cykelefterfrågan, på ett bättre sätt, kan beskrivas som en funktion av investeringar. Kommuner och regioner vet att det i de modeller som används saknas koppling mellan investeringar och cyklisters val av rutt och färdmedel. Detta gör det svårt att utvärdera investeringars potential för att öka andelen cykeltrafik. Om dessa samband tas fram, kan man med hjälp av transportmodeller ta fram effektsambanden för att bedöma hur stor ökning av cykelflöden/cykel-efterfrågan en viss investering i ett specifikt område kan ge. De typer av investeringar som nämndes på workshopen inkluderar: 1. Nybyggnation av cykelbana; 2. Breddning av cykelbana; 3. Cykelparkering; 4. Belysning; 5. Trafiksignal för cykel. Ett exempel på hur makroskopiska cykeltrafikmodeller kan användas för att utvärdera effekter på andelen cykling och cykelflöden av en nybyggd cykelbana för Stockholm finns i Liu et al. (2019).
3.2. Framkomlighet
På workshopen lyftes också frågor och problem kring att utvärdera hur framkomlighet för cykeltrafik påverkas av olika typer av åtgärder, samt vilka framkomlighetsproblem som kan uppstå om målen kring andelen cykling nås. Kommuner och regioner inser att cykelköer kan uppstå på vissa flaskhalsar och korsningar med framtidens ökade andel cykling. Nedan sammanfattas specifika problem och utmaningar som kommunerna och regionerna tog upp:
• Göteborgs stad är just nu i ett byggskede där tillfälliga lösningar för cykelframkomlighet vid vägarbeten behövs, till exempel används tillfälliga cykelbanor vid vägarbeten
.
• Malmö stad nämnde att så småningom kommer frågan om hur kommunen ska hantera cykelflöden och fördröjning i korsningspunkter att aktualiseras.
• På en dubbelriktad cykelbana kan köbildning skapas på båda sidor av korsningen i en
signalreglerad korsning. Detta kan leda till köande på hela cykelbanans bredd på båda sidor av korsningen.
• Kommuner och regioner undrar om allgrönt1 för cykel i trafiksignaler är en bra lösning? • Uppsala kommun tycker att det är viktigt att förstå hur heterogeniteten bland cyklister
påverkar framkomligheten samt hur de olika grupperna påverkar varandra? Snabba cyklister/barn, gamla/unga pendlingsstråk/lokala stråk. Behövs olika utformning för olika grupper av cyklister?
• Flera kommuner tycker det är viktig att dimensionera cykelbanor utifrån förväntad
framkomlighet och cykelmodeller kan vara viktiga verktyg för att uppskatta framkomligheten. Forskningsgruppen uppfattar det som att analys av framkomlighet för cykeltrafik är en utmaning som i nuläget uppmärksammats av flera kommuner och regioner, men som det inte arbetas med i någon större omfattning. Frågan kring kapacitet för dubbelriktade cykelbanor är ett område som det saknas forskning kring. Ett exempel på forskning kring framkomlighet på cykelbanor i Sverige är Johansson (2018) och Johansson och Pyddoke (2018) i vilka en metod för att skatta fördröjning utvecklats och tillämpats för att skatta fördröjning vid olika flödesnivåer på cykelbanor utifrån videobaserade
trafikmätningar. Signalprioritering för cykel kan potentiellt leda till förbättrad framkomlighet för cykel men det är just nu oklart till vilken grad och hur stor påverkan sådana åtgärder medför för andra trafikanter. Att ta hänsyn till olika typer av cyklister samt olika typer av infrastruktur vid analysen anses också vara viktigt.
3.3. Elcykel och lådcykel
Elcykel är en ny typ av cykel som ger större möjlighet för cyklisterna att cykla längre avstånd och får mer och mer uppmärksamhet. Kommunerna tror att andelen elcyklar och lådcyklar kommer att öka i framtiden. Därför är de intresserade av vilka effekter de nya typerna av cyklar kan få och de är således också intresserade av att kunna analyseras dessa effekter med hjälp av trafikmodeller. Nedan
sammanfattas specifika problem och utmaningar som kommunerna och regionerna tog upp:
• Kommuner och regioner uppfattar att elcyklar behöver beaktas som ett "separat" färdmedel, det vill säga ett annat färdmedel än cykel, både vid färdmedelsval och ruttval (mer eller mindre känsliga för uppförsbackar, korsningar), men även i mikrosimuleringar med olika beteende (t.ex. i uppförsbackar där vanliga cyklister ökar farter innan uppförsbacken medan elcyklisten kanske håller jämn hastighet hela vägen).
• Det är just nu en utmaning att mäta elcykel-andelen, dvs att skilja elcykel mot vanliga cyklar. • Hur ser elcyklisters beteende kontra cyklisters beteende ut?
• Vad innebär elcykel vid korsning? Upplever elcyklister stopp som mindre negativt än en vanlig cyklist?
• Hur påverkar lådcyklar magasineringsbehov vid trafiksignaler.
• Örebro undrar vilken effekt elcyklar och lådcyklar ger på flödena på cykelnätet? Forskningsgruppen uppfattar det som att det finns utmaningar kring att förstå skillnaden mellan elcykel och vanlig cykel. Det är i dagsläget svårt att mäta andelen elcyklar samt att skilja beteende hos elcyklister och vanliga cyklister. Kommuner och regioner är intresserade att veta vad en ökad andel elcyklar innebär för framkomlighet vid både korsning och på cykelbana. Vilka typer av åtgärder är bäst anpassade för elcykel respektive cykel?
3.4. Diskussion och summering
Kommuner och regioner anser att det finns stora utmaningar kring att planera cykelinfrastruktur idag. Det finns tydliga mål om att öka andelen cykling i nästa alla kommuner, dock saknas det verktyg för att analysera hur olika åtgärder kan bidra till att nå målen. Mer specifikt så önskar kommuner och regioner trafikmodeller som kan utvärdera effekter av åtgärder på andelen cykeltrafik, vilket skulle underlätta att gå över till målstyrda modeller. Kommuner och regioner önskar också trafikmodeller som bättre kan analysera framkomlighet för cykel. Heterogenitet bland cyklister och cykelinfrastruktur borde beaktas i trafikmodeller för framkomlighet. Cyklister framkomlighet vid korsningar och
framförallt signalreglerade korsningar är områden som lyfts fram som viktiga för en ökad prioritering av cykeltrafik. Kommuner och regioner tror att antalet elcyklar kommer att öka i framtiden, och trafikmodeller bör därför kunna hantera elcyklar som eget färdmedel och kunna beskriva elcyklisters beteende på ett realistiskt sätt. Kommuner och regioner anser också att det är en utmaning att utveckla sådana trafikmodeller.
4.
Hur cykeltrafikanalyser genomförs och vilka modeller som
används
4.1. Konsulternas synvinkel
En av de frågor som ställdes under intervjuerna med konsulterna gällde hur cykeltrafikanalyser görs idag och vilka modeller som används. Syftet med detta var att sammanställa konsulters erfarenhet och deras nulägesbild kring cykeltrafikmodeller och till vilken grad trafikmodellerna används i praktiken.
4.1.1. Hur genomförs cykeltrafikanalyser
Vad kommunerna beställer avgör vad konsulter genomför i ett projekt. Exempelvis har WSP tagit fram ett tiotal makroskopiska kommunmodeller. Även M4Traffic har tagit fram flera makroskopiska kommunmodeller och Ramboll har utvecklat en makroskopisk modell för Skåne. Modellerna är oftast framtagna för i huvudsak modellering av bil- och kollektivtrafik och bara en liten del av dessa
kommunmodeller inkluderad cykel. Hur detaljerad behandling av cykel som ingår i dessa modeller varierar. Vid bilinfrastrukturåtgärder är det sällan som cykeltrafik beaktas, men vid detaljplanarbete bär det vanligare. Trivector nämnde exempelvis att i Stockholm så inkluderas cykel som en del i trafikmodellen, men det är väldigt sällan cykelflöden beaktas i trafikanalyserna. Slussen i Stockholm är ett undantag där cykel analyseras i detalj.
Kommuner ber ofta konsulter om att ta fram en modell när det ska göras större förändringar, till exempel vid framtagning av kollektivtrafikplan eller planering för större infrastrukturförändringar. Men eftersom investeringskostnader för cykel är relativt låg jämfört med investeringar för bil och kollektivtrafik, är efterfrågan för modellering av cykel liten. Samtidigt upplever konsulterna att kommuner är relativt dåliga på att underhålla de framtagna trafikmodellerna. Konsulterna tror att detta beror på att kommunerna har begränsad budget för underhåll av trafikmodeller, vilket leder till att kommuner vill ha en enkel modell för cykel.
När det gäller hur cykel modelleras i dessa befintliga modeller, är nästa alla cykeltrafikmodeller baserade på bilmodeller som sedan anpassas för cykeltrafik. Samma metodik som används för att modellera ruttval för biltrafik används till exempel även för ruttval för cykel. WSP nämnde att en anledning till detta är att det inte finns så mycket data kring cykeltrafik. Data saknas både kring cyklisters beteende och kring befintlig cykelinfrastruktur. Kommuner har oftast begränsad budget för cykelmätning, vilket leder till att det inte samlas in beteendedata för cyklister i någon större
utsträckning. Grundläggande data kring det cykelbara nätverket är också begränsat. Bland annat påpekades det att inte finns någon hierarki när det gäller cykelvägar – det är samma krav på standard för regionala cykelstråk som för lokala cykelbanor. Det finns heller ofta inte information i den nationella vägdatabasen NVDB kring cykelbaneutformning och kommunerna har vanligen inte heller någon bättre beskrivning av cykelnätet.
4.1.2. Modeller som används
Konsulterna nämnde att följande modeller/programvaror används för olika typer av trafikanalyser: • Visum och Vissim
Visum och Vissim är de kommersiella makroskopiska och mikroskopiska trafikmodellerna som i dagsläget oftast används för analys av bil- och kollektivtrafik
(https://www.ptvgroup.com/se/loesningar/). Flera av de utvecklade makroskopiska kommunmodellerna är skapade med Visum, till exempel finns det en Visum-modell för
• TransCad och Transmodeller
TransCAD och Transmodeller är också vanligt förekommande använda kommersiella makroskopiska och mikroskopiska trafikmodeller som oftast används för analys av bil- och kollektivtrafik (https://www.caliper.com/). Det finns en studie som använder transmodeller för modellering av interaktion mellan olika trafikslag på Södermalm (Innerstadsmiljö och
signalreglerad miljö). Transmodeller har också använts för analys av Norra Djurgårdsstaden där cykeltrafik inkluderades men syftet var mest för att få med att cykeltrafiken påverkar
framkomligheten för biltrafiken. Det nämndes också att Transmodeller har en specifik cykelbeteendemodell.
• Capcal
Capcal är ett program för beräkning av kapacitet och framkomlighet i trafikkorsningar (https://www.trivector.se/it-system/programvaror/capcal/) som utvecklas av
Vägverket/Trafikverket och Trivector. Trivector har försökt anpassa
tidlucke-acceptansparametrarna för bil till cykel och undersökt om Capcal kan användas för beräkning av cykelkapacitet i olika typer av cykelkorsningar.
• GC-kalk
GC-kalk är Trafikverkets verktyg för att göra samhällsekonomiska lönsamhetsberäkningar av gång- och cykelinfrastrukturinvesteringar och andra gång- och cykelfrämjande åtgärder
(https://www.trafikverket.se/tjanster/system-och-verktyg/Prognos--och-analysverktyg/GC-kalk/). GC-kalk har till exempel använts i en stråkstudie mellan Åkersberga och Täby. Underlaget för GC-kalk anses vara för dåligt. I princip antar GC-kalk alltid en 20% ökning av cykelflöden oavsett åtgärd, vilket leder till att det är svårt att bedöma hur bra resultatet är.
• WHOs Heat-verktyg
WHOs Heat-verktyg är visserligen inte någon trafikmodell men används ganska ofta för att beräkna hälsoeffekter av cykling.
• Strava
Strava är inte någon trafikmodell men kan användas för att se hur cyklisterna fördelat sig i nätverket via Heat-maps. Det går att köpa data från Strava.
4.2. Kommuners, regioners och Trafikverkets synvinkel
4.2.1. Hur genomförs cykeltrafikanalyser
Kommuner och regioner samt Trafikverket anser att det är viktigt att kunna använda modeller för att beskriva cykeltrafik övergripande. De flesta kommuner anlitar konsulter för att ta fram trafikmodeller. Kommuner vill ha förmåga att ta ut resultat från modeller och testa olika åtgärder själva i modellen. Men om det krävs större ändringar i modellerna, t.ex. ändring av infrastruktur (att nybyggnation av cykelbana ska läggas till i modellen), så anlitar kommuner oftast konsulter för att genomföra ändringen.
4.2.2. Modeller som används
Kommuner, regioner och Trafikverket har nämnt att nedanstående modeller används för olika typer av analyser. Dock är det värt att notera att många modeller utvecklats av konsulter och att listan med modellerna som nämns här därför kan överlappa med listan med modeller som nämndes i avsitt 4.1.2.
Trafikverket använder ArcGIS att titta på närmaste vägen för barns cykelresor, dock är arbetet eftersatt. Cykeltrafiken är inte inventerad utan baserad på en bedömning. Trafikverket skulle vilja få bättre data vad gäller indata och vad behovet för cykling är. Det är önskvärt att kunna modellera hur nya cykelbanor ska dimensioneras.
Region Skåne har gjort en cykelbarhetsklassning via ArcGIS. Det finns också något liknande i
Göteborg där Spacesyntax används för att hitta starka stråk. Det är dock svårt att få tag på nödvändiga data för modellen. GIS-modeller har även använts för att bedöma cykelbara reserelationer baserat på avstånd.
Norrköping har arbetat mycket med ArcGIS för att analysera var skolbarn bor och till vilken skola de går/cyklar. Utifrån detta har Norrköping identifierat var det finns potentiellt farliga passager där många barn potentiellt borde passera. Detta är bara teoretiska analyser av gående och inte baserade på några mätningar över vilka vägar som barnen faktiskt går. De har även gjort mikrosimuleringar där de har förändrat signalregleringar för att främja cykling.
• GC-kalk
GC-kalk har bland annat använts i Stockholm där det byggs mycket cykelinfrastruktur.
Samhällsekonomiska bedömningar med hjälp av GC-kalk har dock gjorts i ganska liten utsträckning. Det finns även potentialstudier men bara i väldigt liten skala. Linköping har också använt GC-kalk för samhällsekonomiska bedömningar.
• Visum
Göteborg har en Visum-modell för ruttvalsanalyser för cykel. Det som brister i cykelmodellen är att Göteborg stad har för få cykelmätningar och saknar effektsamband.
Örebro har en ny Visum-modell vilket inkluderar alla färdmedel, men modellen fungerar inte så bra för cykel. Det är svårt att få in bra data till modellerna på grund av att flödesräkningarna för cykel har så stora mätfel. De skulle vilja ha en modell som har tar hänsyn till flera parametrar, olika hastigheter på olika typer av stråk, etc. Örebro har analyserat målstyrda scenarier.
Norrköping har också en Visum-modell för makroskopisk analys. • Vissim och Capcal
Grön våg för cyklister har till exempel studeras vid Götgatan med hjälp av simulering. Norrköping har trafiksignalprogrammering för cykel i Vissim och Capcal.
• Emme/Sampers
Malmö nämnde att de har en ruttvalsmodell för cykel vilket använder Sampers som grund. Kapacitet är modellerat för att få förståelse för hur Malmö ska dimensionera för de förväntade flödena enligt deras cykelplan. Malmö är oroliga för att det ska bli kapacitetsbrist.
4.3. Diskussion och summering
Utifrån diskussionerna på workshopen med kommuner, regioner, Trafikverket och SKL framkom att avsaknaden av indata i modeller samt brist av effektsamband som ger underlag till parametrar i modeller är ett centralt problem. Konsulter uppfattar att de flesta befintliga cykeltrafikmodeller utgår från biltrafikmodeller och har oftast en förenklande/icke-kalibrerad (potentiellt icke-realistisk) beskrivning av cykelbeteende. Kommuner och regioner upplever att de står inför problem och utmaningar som kopplar till cykeltrafik och ser ett stort behov av cykeltrafikmodeller.
användes för cykeltrafik användes för att modellera förväntade flöden och effekter av åtgärder på ökade flöden. De modellerade dock inte scenarier över hur de ska öka cykeltrafiken trots att alla kommuner som deltog i workshopen hade mål om ökad cykling i sina cykelplaner. Detta kan möjligen bero på avsaknaden av kunskap kring effektsamband för cykeltrafiken.
Under workshopen framkom även att kommunerna som deltog i workshopen och som har modeller som används för cykeltrafik ofta har utvecklat dem med hjälp av konsulter. Det är även konsulter som gör de stora arbetena med modeller, men det är kommunen som förvaltar modellen. Flera kommuner påpekade dock att de inte var beredda att lägga stora resurser på konsulter eftersom de var medvetna om att modellerna bygger på antaganden som inte alltid är väl underbyggda.
5.
Behov av modeller
5.1. Konsulternas synvinkel
En av de frågor som ställdes under intervjuer med konsulterna gällde vilka behov de såg för
cykeltrafikmodeller. I Tabell 1 redovisas de behov som konsulterna som intervjuades på Trivector och WSP angav.
Tabell 1 Behov av cykeltrafikmodeller identifierade utifrån intervjuer med konsulter.
Problem, utmaningar och åtgärder kopplat till
cykeltrafik: Interaktion Modellfunktion
Konfliktpunkter – modellering av platser där trafikanter
möts Förbättrade modeller för interaktion mellan cykel-cykel, cykel-bil och cykel-gående i korsningspunkter i mikroskopiska cykeltrafikmodeller.
Behov av modell för beräkningar av fördröjningar vid
korsningspunkter Förbättrade modeller för interaktion mellan cykel-cykel, cykel-bil och cykel-gående i korsningspunkter i mikroskopiska cykeltrafikmodeller. Förbättrade korsningsfördröjningsfunktioner i makroskopiska trafikmodeller.
Behov av modell som tar hänsyn till interaktion mellan trafikslag ex. gång och cykel som ofta delar samma infrastruktur. Hur påverkar biltrafik cykeltrafik och tvärt om?
Förbättrade modeller för interaktion cykel och cykel-gående på delad gång- och cykelinfrastruktur i
mikroskopiska trafikmodeller. Förbättrade modeller för interaktion cykel-bil och bil-cykel i blandtrafik (cykling i vägbanan) i mikroskopiska cykeltrafikmodeller. Modell som tar hänsyn till att cyklister vinglar Förbättrad kunskap om cyklisters utrymmesbehov och
laterala säkerhetsmarginaler till andra cyklister och andra trafikanter. Utveckling av underliggande
interaktionsmodeller i mikroskopiska cykeltrafikmodeller med avseende på lateralt utrymmesbehov.
Problem, utmaningar och åtgärder kopplat till
cykeltrafik: Ruttval Modellfunktion
Ruttval lokalt och övergripande. Vilka vägar väljer olika
cyklister och varför? Mätning och analys av cyklisters ruttval för att identifiera faktorer som bidrar till att cyklister väljer en vis rutt. Ny ”länktyp” i både i makroskopiska och mikroskopiska cykeltrafikmodeller och nya generaliserade
kostnader/attraktivitets formulering för cykelruttval i makroskopiska och mikroskopiska cykeltrafikmodeller. Modell som tar hänsyn till att snabba cyklister är benägna
att cykla längre Mätning och analys av destinations- och ruttval för cyklister för att identifiera faktorer som bidrar till att cyklister väljer en vis rutt. Faktorer inkluderar alla trafikslag samt
infrastruktur.
Problem, utmaningar och åtgärder kopplat till
cykeltrafik: Färdmedelsval Modellfunktion
Färdmedelsval. Varför cyklar vissa och inte andra? Vilka
vill cykla och vilka vill inte cykla och varför? Realistiska färdmedelsvalskomponenter i makroskopiska cykeltrafikmodeller baserade på mätning och analys av faktiska ruttval.
Årstidsvariationer med lite cykling på vintern och mycket
Cykelparkeringsmöjlighet vid hem och målpunkt,
exempelvis säker cykelparkering. Realistiska färdmedelsvalskomponenter i makroskopiska cykeltrafikmodeller som tar hänsyn till attraktion vid start- och målpunkt. Datainsamling av cykelparkeringsmöjlighet vid hem och målpunkt.
Modell som tar hänsyn till markanvändningsvariabler, bakgrundsfaktorer och socioekonomi som påverkar cykelanvändning.
Utveckling av färdmedelsvalsmodeller som tar hänsyn till olika faktorer, inkl. trafikutbud, socio-demografi, väder, markanvändning med mera.
Problem, utmaningar och åtgärder kopplat till
cykeltrafik: Nyttor från cykling Modellfunktion
Behov av modell för beräkningar av hälsoeffekter Makroskopiska och mikroskopiska trafikmodeller bör generera data som behövs i effektberäkningsmodeller. Ny effektmodell för bedömning av hälsoeffekter behöver tas fram.
I samhällsekonomiska modeller för kollektivtrafik beräknas minskning av biltrafik, men inte minskning av gång och cykel. Modeller borde ta hänsyn till detta.
Förbättrade kostnadsnytttomodeller (CBA) för bil och kollektivtrafik som tar hänsyn till överflyttningseffekter mellan gång och cykel och kollektivtrafik.
Nyttoberäkningsmodell Makroskopiska och mikroskopiska trafikmodeller bör generera data som behovs för effektberäkningar. Ny effektmodell för bedömning av hälsoeffekter,
säkerhetseffekter och restidsvinster som använder utdata från makroskopiska och mikroskopiska trafikmodeller behöver utvecklas.
Problem, utmaningar och åtgärder kopplat till
cykeltrafik: Övergripande Modellfunktion
Modell där det är tydligt vilka antaganden som bygger på vetenskapligt belagda effektsamband och vilka som inte är det.
Forskning och datainsamling för verifiering av effektsamband som används i trafikmodeller Behov av modell som kan ta hänsyn till olika cykeltyper,
t.ex. lastcyklar och el-cyklar, samt vilken dimensionering som krävs för dessa samt vad dessa cykeltyper får för effekter på cykeltrafiken.
Modellering av olika cykeltyper som olika färdmedel med realistiskt beteende som skiljer sig från vanlig cykel i makroskopiska cykeltrafikmodeller samt olika egenskaper och beteende i mikroskopiska cykeltrafikmodeller för t.ex. elcyklar och lådcyklar.
5.2. Kommuners, regioners och Trafikverkets synvinkel
Under workshopen fördes diskussioner kring vilka behov som fanns kring forskningsområden och modeller för cykeltrafik. Tabell 2 visar de forskningsområden och behov av cykeltrafikmodeller som en eller flera kommuner, regioner eller Trafikverket tog upp under workshopen. I tabellen finns ingen inbördes rangordning över vilka behov som anses viktigast.
Tabell 2 Kommuners, regioners och Trafikverkets behov av cykeltrafikmodeller utifrån diskussioner på workshopen.
Problem, utmaningar och åtgärder kopplat till
cykeltrafik: Interaktion Modellfunktion
Magasinering vid trafiksignaler (exempelvis
utrymmesbehov för lådcyklar) Mikroskopiska trafiksimuleringsmodeller som bättre beskriver olika cyklars utrymmesbehov och placering i samband vid köbildning vid korsningar. Viktigt att ta hänsyn till olika andelar av olika typer av cyklar med olika utrymmesbehov.
Hur påverkar lådcyklar framkomligheten på det
cykelbara vägnätet? Lådcyklar som separat cykeltyp i mikroskopiska trafikmodeller med större utrymmesbehov. Modellering av ökade flöden av cyklister i linje
med cykelplan. Hur ska de hanteras? Scenario analys med ökad cykelefterfrågan och flöden både i makroskopiska och mikroskopiska cykeltrafikmodeller.
Heterogenitet bland cyklister. Hur påverkar de olika grupperna varandra? Snabba cyklister, barn, gamla, unga, pendling, lokal cykling etc.
Att mäta och analysera heterogenitet i beteende bland cyklister. Utveckling av ”agentbaserade” modeller med individuella beteendesparametrar i både makroskopiska och mikroskopiska cykeltrafikmodeller.
Vilken effekt ger allgrönt i trafiksignaler? Trafiksignaloptimering samt vidareutvecklade
mikroskopiska simuleringsmodeller som tar hänsyn till interaktioner mellan olika trafikslag i
korsningspunkter. Cykeltrafikmodeller för hur vägarbetsplatser i
cykelinfrastrukturens påverkar cyklandet Förbättrade modeller för interaktion mellan cykel-cykel, cykel-bil och cykel-gående i
korsningspunkter i mikroskopiska cykeltrafikmodeller.
Problem, utmaningar och åtgärder kopplat till
cykeltrafik: Ruttval Modellfunktion
Vilka attribut påverkar cykellänkars attraktivitet? Mätning och analys av cyklisters ruttval för att
identifiera faktorer som bidrar till att cyklister väljer en viss rutt. Ny ”länktyp” i både i makroskopiska och mikroskopiska cykeltrafikmodeller och nya
generaliserade kostnader/attraktivitets formulering för cykelruttval i makroskopiska och mikroskopiska cykeltrafikmodeller.
Hur påverkar saknade länkar i cykelnätet
cyklandet? Scenarioanalys med och utan saknade länkar för att beräkna överflyttningseffekter och flödesändringar i både makroskopiska och mikroskopiska
cykeltrafikmodeller. Många cykelåtgärder ger nyttor åt redan befintliga
cyklister, men ger inte alltid en ökning av cyklister. En serie av scenario analyser med makroskopiska trafikmodeller för att beräkna överflyttningseffekter och rangordna olika åtgärder.
Problem, utmaningar och åtgärder kopplat till
cykeltrafik: Färdmedelsval Modellfunktion
Målstyrda modeller som utgår ifrån uppsatta mål i
t.ex. cykelplaner Realistiska färdmedelsvalskomponenter som är känsliga för alla typer av cykelinvesteringar i makroskopiska cykeltrafikmodeller.
Hur påverkar saknade länkar i cykelnätet
cyklandet? Scenarioanalys med och utan saknade länkar för att beräkna överflyttningseffekt mellan trafikslag och flödesändring i både makroskopiska och mikroskopiska cykeltrafikmodeller.
Så som upphöjda passager, belysning, tillräcklig bredd etc.
Modellering av efterfrågan av cykelvägar Realistiska ruttvals- och färdmedelsvalskomponenter som är känsliga för alla typer av cykelinvesteringar i makroskopiska cykeltrafikmodeller. Effektsamband mellan olika typer av cykelinfrastrukturinvesteringar och ruttval och färdmedelsval.
Potentialmodell över upptagningsområde för kollektivtrafik när resa till hållplats/station sker med cykel
Cykeltrafikmodeller bör kunna kopplas till existerande kollektivtrafikmodeller. Utveckla multimodal
trafikmodell att kunna analysera cykel-kollektivtrafik som ett färdmedel tillsammans med andra.
Problem, utmaningar och åtgärder kopplat till
cykeltrafik: Övrigt Modellfunktion
Vilken effekt ger elcyklar på trafiken i cykelnätet? Elcyklar som ett ”separat” färdmedel med realistiskt beteende som skiljer sig från vanlig cykel i
makroskopiska cykeltrafikmodeller. Olika
cykelbeteende i mikroskopiska cykeltrafikmodeller för elcyklar och vanliga cyklar.
Cykelbarhetsklassningsmodell för cykling på vägar i blandtrafik som utgår från bl.a. ÅDT, tillåten hastighet, topografi, cykeltyp, etc.
Mätning av flöden på olika typer av vägar och statistisk analys för att skapa effektsamband mellan cykelflöde, bilflöde och typ av cykelinfrastruktur. Både
makroskopiska och mikroskopiska cykeltrafikmodeller bör hantera olika ”länktyper” för cykel och tillåta olika cykelbeteende på olika länktyper.
Hur värderas tid för en cyklist som är i rörelse i förhållande till en cyklist som måste stå stilla. Vad är kostnaden för förlorad rörelseenergi?
Inte direkt kopplat till modellfunktion men används för analys av utdata från trafikmodeller för efterföljande CBA. Tidsvärdsstudier och energiförbrukning för cykel i rörelse, accelererande och stillastående cykel.
Är stoppet viktigare än tiden som cyklisten står stilla? Hur mycket energi krävs för acceleration? Och hur påverkar det cyklister regelefterlevnad i trafiksignaler?
Vissa kopplingar till modellering av regelefterlevnad i mikroskopiska modeller och korsningsfördröjning i makroskopiska modeller. Är OCKSÅ Kopplat till för analys av utdata från trafikmodeller för efterföljande CBA
5.3. Diskussion och summering
Det är tydligt att kommuner/regioner och konsulter oftast delar samma intresse och pekar på samma problem och utmaningar. Det finns behov att vidareutveckla makroskopiska trafikmodeller och starta utveckling av mikroskopiska trafikmodeller, särskilt bör makroskopiska trafikmodeller kunna beskriva cyklisters färdmedelsval och ruttval på ett realistiskt sätt. Kommuner och regioner fokuserar mer på att modeller kan analysera hur olika typer av åtgärder påverkar andelen cykling, t.ex. hur många fler börjar cykla om åtgärder som ny cykelbana, breddning av cykelbana, bättre belysning och
cykelparkering genomförs. Konsulterna nämnde även frågeställningar kopplat till hur färdmedelsval och ruttval påverkas av socio-ekonomi, markanvändning, cykelförvaringsmöjligheter vid hem och målpunkt, och väder. Datainsamling för att utveckla färdmedelsval och ruttvalsmodeller är därför i fokus. Nya metoder för att mäta flöden och ruttval för cyklister, samt destinationer för cyklister blir allt viktigare. Ny modelleringsmetodik för att bättre integrera de olika faktorerna och ta hänsyn till interaktion mellan olika faktorer är angeläget. Olika typer av cyklar borde kunna hanteras och
modelleras som olika ”färdmedel” för att tydligt modellera olika beteende hos olika typer av cyklar och cyklister.
Både kommuner/regioner och konsulter anser att mikroskopiska trafikmodeller behöver
vidareutvecklas. Fokus bör ligga på cykel-cykel-interaktion, cykel-gång-interaktion samt cykel-bil-interaktion i täta trafikmiljöer. Användning av mikroskopiska trafikmodeller för att analysera framkomlighet i korsningar, och speciellt signalerade korsningar identifieras som ett framtida utvecklingsområde. Till exempel finns önskemål om att kunna analysera åtgärder som allgrönt för cykel med hjälp av mikroskopiska trafikmodeller. Mikroskopiska trafikmodeller borde också ta hänsyn till heterogenitet bland cyklister så att planeringen kan ta hänsyn till att olika cyklister har olika beteende, samt att modellerna också ska kunna skilja på olika typer av cyklar, inkl. lådcyklar och elcyklar. Nya metoder för datainsamling är också angeläget att utveckla för att kunna utveckla de nödvändiga modellfunktionerna. De nya typer av videobaserade mättekniker som utvecklats bör kunna ge goda möjligheter att mäta cyklisters trajektorier 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 trajektorier och därmed utvinna viktig information om hastighetsanpassning, accelerations och
retardationsbeteende, acceptans av tidsluckor i överordnade trafikströmmar m.m.
Konsulterna poängterar också att modeller tydligt bör klargöra vilka antaganden som de bygger på, om de är vetenskapligt belagda och vilka antaganden som inte är det. Mer forskning kring validering av antagande i makroskopiska och mikroskopiska modeller är angeläget innan modellerna implementeras och används i faktisk planering. Att använda utdata från trafikmodeller för samhällsekonomiska bedömningar lyftes upp och trafikmodeller bör utformas så att det är lätt att ta ut nödvändigt resultat från trafikmodeller till effektmodeller. Det är också önskvärt att utvecklingen av trafikmodeller möjliggör mer detaljerade och omfattande samhällsekonomiska bedömningar.
6.
Behov av forskning
6.1. Makroskopiska trafikmodeller
6.1.1. Ruttvalsmodeller
Flera problem och utmaningar som identifieras av kommuner, regioner, Trafikverket och konsulter har kopplats till att utveckla ruttvalsmodeller för cykel, se Tabell 1 och Tabell 2. Konsulterna nämner att det finns brist på kunskap kring hur olika cyklister väljer rutt och varför. Vidare så vill kommunerna, regionerna och Trafikverket veta hur stor effekt cykelinvesteringar kan leda till. T.ex. vill
kommunerna, regionerna och Trafikverket veta vilka attribut som påverkar cykellänkars attraktivitet samt hur saknade länkar i cykelnätet påverkar cyklandet. En realistisk ruttvalsmodell kan svara på de frågorna genom att kvantifiera cyklisters preferenser för en viss typ av cykelinfrastruktur, vilket leder till att de väljer/inte väljer att använda cykelinfrastrukturen. Modellerna borde kunna reflektera vilken typ av infrastruktur eller vilken egenskap av cykelinfrastruktur, t.ex. cykelbanebredd eller cykelbox i korsningar, som cyklister värderar som viktig. Nedan beskrivs behov av forskning från tre olika dimensioner: data, modellansats och utdata.
6.1.1.1. Behov av grundläggande data och datainsamlingsmetoder
Att utveckla cykelruttvalsmodeller kräver indata för både cykelinfrastruktur samt cyklisters ruttvalpreferenser. Det är viktigt med en detaljerad beskrivning av existerande cykelinfrastruktur, inklusive gatu-utformning, korsningsutformning, cykelparkeringsplatser, cykelbana/cykelfält och bebyggelse. Gatu-utformningen, t.ex. antal körfält och körfältsbredd, och biltrafikvolymen kan påverka cyklisters upplevde säkerhet och bekvämlighet när de cyklar i blandtrafik (dvs cykling i vägbanan tillsammans med övrig fordonstrafik). Korsningsutformning, t.ex. cykelboxar och cykeltrafikljus är också viktig att beakta då de påverkar fördröjning och cykelruttval. Data kring existens av cykelbana/cykelfält samt bredd av cykelbana/cykelfält på nätverksnivå är avgörande för utveckling av ruttvalsmodeller för cykeltrafik. Insamling av data om existerande cykelinfrastruktur kräver datafusion från olika datakällor. Vägnätsbeskrivningen i NVDB innehåller information om existens av cykelbana/cykelfält men kan behöva kompletteras med bebyggelsesdata. Information om utformningen i korsningar, t.ex. cykelboxar, väntytor, trafiksignal, etc. 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 insamlas. Befintliga internationella studier (t.ex. Broach, et al., 2012 och Ton, et al., 2017) har oftast använt GPS spår som innehåller trajektorier från vilka rutter kan extraheras. Data från GPS spår med hög kvalitet innebär tillgång till detaljerad information med hög samplingsfrekvens i form av trajektorier. 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. Till exempel använde en trafikverksfinansierad studie en mobiltelefonapplikation för att samla in resvanedata för att demonstrera möjligheten att samla in GPS spår från cyklister med hjälp av mobiltelefoner (Erikson et al., 2018). Ett annat exempel är Ma och Luo (2016) där styrbara GPS enheter som installerades på cykeln användes för att samla in GPS spår och skatta cyklisters hastighet. Det finns också möjlighet att utnyttja GPS enheter som installeras på eller kopplas till cyklisters hjälmar. En annan möjlighet är att med hjälp av wifi- eller bluetoothdetektorer detektera passager av mobiltelefoner, vilka kan användas att estimera restider och ruttval i grova drag beroende på hur tätt detektorerna placeras. I Tabell 3 sammanfattas fördelar och nackdelar med de två datainsamlingsmetoderna.
Tabell 3. Jämförelse mellan datainsamling med styrbara GPS enheter, mobiltelefonapplikationer och wifi/bluetooth.
Styrbara GPS
enheter Mobilapplikation Wifi/Bluetooth
Täckning Fångar bara
cyklister Fångar trafikanter även när de inte är cyklister Fångar passager av trafikanter vid specifika platser
Design Inte behövs Behöver användargränssnitt som accepteras av
användaren
Val av lämpliga platser att placera detektorer för att möjliggöra skattning av ruttval Distribution Installera utrustning på cyklar Förmedling av app,
användaren installerar appen på sin mobiltelefon
Detektorer behöver placeras ut i infrastrukturen
Kostnader Dyrt att köpa enheter för många deltagare
Billig även för många
deltagare Billig även för många deltagare Datakvalitet för
ruttvalsskattning God kvalitet God kvalitet men litar på användares bekräftelse eller maskininlärningsalgoritmer
Beror på penetrationsgraden av telefoner som har wifi/bluetooth aktiverat.
Det finns också studier som använder Stated-preference-enkäter för att samla data (e.g. Sener, 2009). Utan att använda faktiska observerade ruttval frågas cyklister kring deras val mellan två eller flera hypotetiska cykelrutter. De hypotetiska cykelrutterna i Stated-preference-enkäten har olika attribut, t.ex. restid, möjlighet till cykling på cykelbana/cykelfält, etc. 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 viktigt datamaterial för att validera modellresultat men ger i sig ingen information om cyklisternas ruttval. Resultat från ruttvalsmodeller kan å sin sida guida planering av cykelmätningar genom att belysa vilka stråk som har högt estimerat cykelflöde enligt trafikmodellen.
6.1.1.2. Behov av modelleringsansats
Det finns flera typer av ruttvalsmodeller, men i princip alla metoder är baserade på teori för diskreta val. En ofta använd modelltyp är den s.k. Path-Size-Logit modellen. En Path-Size-Logit-modell är relativt enkel i jämförelse med andra ruttvalsmodeller, t.ex. recursive-Logit (Fosgerau, et al. 2013), men kan tillämpas för stora nätverk (Stockholmsnätverket består till exempel av mer än 200,000 länkar). För att utveckla en Path-Size-Logit modell från GPS data behöver följande steg genomföras:
• Kart-matchning av GPS-punkter till cykelnätverk • Generering av alternativa rutter
• Skattning av ruttvalsmodell
Kart-matchning av GPS-punkter till cykelnätverk handlar om att identifiera cyklisters faktiska rutt utifrån data från GPS spår. Om GPS-spåren har hög kvalitet blir mätfelen mindre i detta steg. På ett tätt urbant cykelnätverk finns det mer än ett hundratal möjliga rutter mellan två olika platser. Men en cyklist kanske bara överväger två eller tre rutter eftersom de flesta rutter inte är lika attraktiva.
baseras på Stated-preference data, används oftast Multinomial Logit modeller eller mixed-Logit modeller.
6.1.1.3. Behov av modellutdata
Utdata från ruttvalsmodeller för cykeltrafik är parametervärden för olika typer av cykelinfrastruktur som representerar attributens relativa betydelse för att välja en specifik rutt. Utifrån parametervärdena går det till exempel att beräkna hur många cyklister som attraheras från andra rutter till en nybyggd cykelbana. Vidare går det att beräkna besparing inte bara i form av restid men även i form av generaliserade kostnader, vilka kan inkludera även nyttor av säkrare och bekvämare cykling. Nyttofunktion och logsumma från en Path-Size-Logit modell kan även betraktas som ett
tillgänglighetsmått för cykling och kan därför användas i en CBA. Tillämpning av ruttvalsmodeller ger skattningar av cykelflöde på stads-/regionsnivå och kan användas som underlag till planering av cykelvägar.
Det finns ett behov av att utvecklade ruttvalsmodeller för cykeltrafik kan representera olika typer av cyklister och olika typer av cykelinfrastruktur. Det betyder att de skattade parametrarna måste vara associerade till olika socio-demografiska grupper, det vill säga olika parametrar för olika grupper av cyklister. Vidare bör parametervärdena skilja sig åt för olika reseärende. Enligt problem och
utmaningar som redovisas i Tabell 1 och Tabell 2, borde följande parametrars effekt på ruttval skattas: • cykelbana med olika bredd eller cykelbarhetsklassificering.
• cykelfält med olika bredd eller cykelbarhetsklassificering.
• cykling i blandtrafik vid olika biltrafiksvolymer, skyltad hastighet eller cykelbarhetsklassificering.
• svängmotstånd beroende av existens av cykelbox, trafiksignal, korsningstyp, skylten och biltrafiksvolymer på korsningen.
• bebyggelse bredvid vägar. • lutning.
• väder och vind
• vägbeläggning, t.ex. asfalt, kullersten eller grus.
6.1.2. Färdmedelsvalsmodeller
Flera problem och utmaningar som identifieras av kommuner, regioner, Trafikverket och konsulter har koppling till utveckling av färdmedelsvalsmodeller, se Tabell 1 och Tabell 2. Färdmedelsvalsmodeller spelar en central roll för att uppskatta överflyttningseffekter mellan färdmedel vid cykelinvesteringar samt för beräkning av samhällsekonomiska nyttorna. Konsulterna nämner tydligt behovet av bättre kunskap kring färdmedelsval. Varför cyklar vissa och inte andra? Vilka vill cykla och vilka vill inte cykla och varför. Ett antal variabler som påverkar färdmedelsvalet nämndes av konsulterna, bland annat väder, cykelparkeringsmöjlighet vid hem och målpunkt, markanvändning och cyklisters socio-demografi. Kommunerna, regionerna och Trafikverket önskar istället målstyrda modeller som utgår ifrån uppsatta mål i exempelvis cykelplaner. De undrar hur stora överflyttningseffekter som kan fås vid investering i cykelinfrastruktur. Investeringar som nämndes inkluderar utbyggnad av saknade länkar i det cykelbara vägnätet, upphöjda passager, belysning, tillräcklig cykelbane-/cykelfältsbredd, etc. Kommuner och regioner nämnde också att det är viktigt att kunna uppskatta efterfrågan för kollektivtrafik när resa till hållplats/station sker med cykel. Färdmedelsvalsmodeller tillsammans med ruttvalsmodell för cykel kan representera effekter av olika variabler på överflyttning från andra färdmedel till cykel, och kan därför svara på de frågor och utmaningar som nämndes av de
medverkande konsulterna, kommunerna, regionerna och Trafikverket. Nedan beskrivs behov av forskning från tre olika dimensioner: data, modellansats och utdata.
6.1.2.1. Behov av grundläggande data och datainsamlingsmetoder
Traditionellt används data från resvaneundersökningar för utveckling av färdmedelsvalsmodeller. Transportutbudsdata, t.ex. restid och reskostnad är också viktiga indata till färdmedelsvalsmodeller. En bra färdmedelsvalsmodell kräver cykelutbudsdata baserade på ett nätverk som innehåller omfattande information kring olika typer av cykelinfrastruktur. Data om väder och väglag vid
tidpunkten och platsen där en, i resvaneundersökning, registrerad cykelresa skedde behöver samlas in. Även data kring cykelparkeringsmöjlighet vid hem och målpunkt behöver inkluderas i framtidens resvaneundersökning. Markanvändningsdata och befolkningsstatistik vid hem och målpunkt behöver också tas fram.
Flera nyligen genomförda studier om färdmedelsvalsmodeller som inkluderar cykel har pekat ut ökande vikt av attityd- eller perceptuella indikatorer då detta verkar påverka färdmedelsval för cykel (för en omfattande litteraturgenomgång på det temat, se Muñoz, et al. 2016). Detta betyder att resvaneundersökningar som syftar till att bättre förstå varför människor cyklar/inte cyklar borde inkludera frågor kring attityd- eller perceptuella indikatorer. Design av sådana resvaneundersökningar bör involvera tvärvetenskaplig kunskap mellan transportmodellering, ekonomi och beteendevetenskap. 6.1.2.2. Behov av modelleringsansats
Modeller i form av Multinomial Logit, Nestlad Logit samt Mixed Logit modeller dominerar i litteratur av modellering av färdmedelsval för cykel. Den viktiga delen i dessa modeller är utformning av cykelrelaterade variabler i modellen. För transportutbud, använder de flesta studier cykelrestid som variabel i modellen. Ett fåtal studier använder cykelreseavstånd. Bara några studier använder utdata från ruttvalsmodell för cykel, generaliserad kostnad eller logsumma, som indata till
färdmedelsvalsmodeller. Cykelparkeringsmöjligheter inkluderas i flera studier. Dock har de flesta studierna bara använt en dummy variabel ”finns eller finns inte parkering” för parkering. Det vill säga cykelparkeringens ”kvalité” beaktas sällan i litteraturen. Markanvändning och befolkningsstatistik vid hem och målpunkt representeras oftast i form av variabler som befolkningstäthet, arbetsplatstäthet, täthet av bebyggelse i olika typer (boende, kommersiell, etc.) samt täthet av grönområde (skog, parkområde, etc.). Flera studier inkluderar även täthet av korsningar samt distans till
kollektivtrafikhållplats som markanvändningsvariabler. Den senare kan också betraktas som utbudsrelaterade. För socio-demografi tar nästan alla studier hänsyn till kön och ålder. Boendestyp (villa eller lägenhet) anses också vara en viktig variabel. Bilägande och gratis parkering är också viktiga attribut som kan påverka viljan att välja cykel. Väder relaterade variabler, temperatur, nederbörd, vind, etc. spelar en viktig roll.
Det finns nyligen genomförda studier som har inkluderat psykologiska indikatorer i
färdmedelsvalsmodeller. Det finns till exempel mer avancerade modeller som ”Multiple Indicator Multiple Causes (MIMIC) Modell” (Fernández-Heredia, et al. 2016) som används för att integrera indikatorerna i valmodeller. Jämfört med traditionella Logit modeller, försöker MIMIC modellen att identifiera orsakssamband, det vill säga att illustrera varför och hur en cyklist känner sig trygg när han/hon cyklar på cykelbana. Flera psykologiska indikatorer har testats inklusive: ”hur trevlig omgivningen upplevs”, ” Medvetenhet i samhället kring cykling” (på engelska: bike awareness in the community), ”social norm”, ”medvetenhet om hälsonyttor”, ”medvetenhet om miljökonsekvenser”, ”självkänsla av att vara cyklist” (på engelska: self-esteem). Dessa psykologiska indikatorer kan å ena sidan modelleras som beroende variabler kopplat till socio-demografi och utbud, och å andra sidan som förklaringsvariabler till färdmedelsval.