INOM
EXAMENSARBETE SAMHÄLLSBYGGNAD,
AVANCERAD NIVÅ, 30 HP STOCKHOLM SVERIGE 2020,
Järnvägskapacitet och godslastvikt
Deras effekt på godstågs längd och fyllnadsgrad samt frekvens av godstågstransporter
RUBEN MODIG REISCH
Förkortningar och termer
ASEK Analysmetod och samhällsekonomiska kalkylvärden för transportsektorn Kombitåg Tåg med blandade vagnstyper
Linjedel Den del av en linje där trafikens blandning och/eller antalet tåg och
infrastrukturen inklusive signalsystem är oförändrad eller i stort sett oförändrad.
STAX Största Tillåtna AXellast [ton]
STVM Störst Tillåtna Vagnsvikt per Meter [ton/m] !"#$% =!"#$% '()%$*%$+ ,-+ .$/"∗12!3 4$/"5%ä"/7 ' Systemtåg Tåg specialanpassade till ett specifikt gods
Vagnslasttåg Tåg som körs åt flera kunder med blandade vagnstyper Transportarbete
(godstrafik)
Förflyttning av gods en viss sträcka [tonkilometer]
Sammanfattning
Under hösten 2019 utförde Trafikverket ett antal modellkörningar för att bedöma hur en kapacitets- och lastviktsökning skulle påverka framtida godstågstransporter. Modellerna visade på vad många ansåg var ett orimligt högt antal godstågstransporter. Därför uppkom frågan om hur ändringar i järnvägskapacitet och godslastvikt faktiskt påverkar godstågstransporters utformning och syftet med det här arbetet har varit att besvara den frågan. Framförallt har syftat varit att bedöma hur godslastvikt per tågtransport påverkar godstågens längd och fyllnadsgrad samt frekvens av tågtransporter. För att bedöma hur godslastvikt påverkar godstågstransporternas utformning utfördes ett antal
regressionsanalyser på data om tidigare utförda godstransporter på det svenska järnvägsnätet. Utöver dessa regressionsanalyser utfördes även en litteraturstudie samt ett antal intervjuer. Från
litteraturstudien kunde information om hur järnvägskapacitet påverkar godstågstransporters utformning sammanställs och presenteras. Intervjuer genomfördes med både representanter från Trafikverket och godstågsföretag. Utifrån dessa kunde information om godstågstrafikens
nulägessituation presenteras samt hur godstågsföretag tenderar att hantera ändringar i godslastvikt Utifrån intervjuerna gick det att bedöma att ökade godslastvikter hanteras olika för systemtåg än för kombi- och vagnslasttåg. Därför utfördes regressionsanalyserna på två sträckor som kunde tänkas representera dessa två tågtyper. Resultateten från regressionsanalyserna visade på att godslastvikt per tågtransport möjligen kan beskriva systemtågs längd och fyllnadsgrad medan det inte nödvändigtvis kan beskriva variablerna lika bra för kombi- och vagnslasttåg. För alla tågtyper kunde inga direkta slutsatser om hur godslastvikt per tåg påverkar frekvensen av tågtransporter dras.
Abstract
During the fall of 2019 Sweden’s Transport Administration, Trafikverket, ran a series of models to determine how an increase in capacity and freight would affect future freight train transportations. The models however predicted an increase in freight train transports which many determined as
unreasonably high. From the model runs, the question of how changes in railway capacity and freight actually affects freight train configuration arose and the purpose of this thesis has been to answer that question. First and foremost, the purpose has been to determine how freight effects the length and degree of filling of freight trains as well as the frequency of train transports. To determine this a series of regression analyses were performed on data from previously conducted freight train transports on the Swedish railway network. Apart from these regression analyses, a literature study and a series of interviews were carried out. The literature study was carried out in order to compile and present information on how railway capacity effects freight train transports. Interviews were conducted with both representatives from Trafikverket and freight train companies. From the interview’s information about the current state of freight train traffic in Sweden was collected as well as how freight train companies manage changes in freight.
From the interviews it was determined that changes in freight is managed differently for unite freight than for wagonload freight. Therefore, analyses were conducted on data from two different parts of the railway system that could represent both types of freight train respectively. The results from the data analyses showed that freight per train transport most likely can be used to explain the length and degree of filling of unit freight but not as well for wagonload freight. For both freight train types, no direct conclusions about how freight per train transport effects the frequency of train could be drawn.
Förord
Jag vill börja med att tacka Behzad Kornejad vid KTH för sitt engagemang som handledare för det här examensarbetet.
Jag vill även tacka Jonatan Gjerdrum vid Green Cargo och Anders Bellander vid Hector Rail för att ha ställt upp på intervjuer.
Extra stort tack till Peter Wikström och Joar Lind vid Trafikverket för sitt enorma engagemang och för att ha hjälpt och väglett mig genom hela projektets gång. Jag vill även tacka Anders Nilsson vid Trafikverket för att hjälp till med dataleveranser. Slutligen vill jag tacka alla vid Trafikverkets planeringsavdelning för att ha visat stöd och engagemang för mitt arbete.
Innehåll
Förkortningar och termer ... i
Sammanfattning ... ii
Abstract ... iii
Förord ... iv
1 Inledning ... 1
1.1 Syfte och frågeställningar ... 1
1.2 Metodbeskrivning ... 2
1.2.1 Litteraturstudie ... 2
1.2.2 Intervjuer ... 2
1.2.3 Dataanalys ... 2
1.3 Avgränsningar ... 3
1.4 Disposition ... 3
2 Litteraturstudie och intervjuer ... 4
2.1 Järnvägskapacitet ... 4
2.1.1 Infrastrukturens påverkan på järnvägskapacitet ... 4
2.1.1.1 Lastprofil ... 4
2.1.1.2 Största tillåtna axellast (STAX) ... 5
2.1.1.3 Tåglängd ... 5
2.1.2 Trafikens påverkan på järnvägskapacitet ... 6
2.1.2.1 Kapacitetsutnyttjande ... 6
2.2 Samgods och bangods ... 6
2.3 Godstågstrafiken i Sverige ... 7
2.3.1 Transportarbete på järnväg ... 7
2.3.2 Godstågsföretag på svenska järnvägsnätet ... 8
2.3.2.1 Utmaningar ... 8
2.3.2.2 Förbättringsförslag ... 9
2.3.2.3 Hantering av ökade godslastvikter ... 9
3 Dataanalys ... 10
3.1 Opera och LUPP ... 10
3.2 Beskrivning av analyserade sträckor ... 11
3.2.1 Luleå – Borlänge C ... 11
3.2.2 Skandiahamnen – Borlänge C ... 11
3.3 Variabelbeskrivning ... 12
3.3.1 Lastvikt ... 12
3.3.2 Tåglängd ... 12
3.3.3 Fyllnadsgrad ... 13
3.3.4 Frekvens ... 13
3.4 Dataanalysbeskrivning ... 13
3.5 Utförande och resultat ... 14
3.5.1 Luleå – Borlänge C ... 15
3.5.1.1 Regressionsanalys ... 18
3.5.1.2 Utvärdering av regressionsmodellerna ... 20
3.5.2 Skandiahamnen – Borlänge C ... 22
3.5.2.1 Regressionsanalys ... 25
3.5.2.2 Utvärdering av regressionsmodellerna ... 27
4 Diskussion ... 29
4.1 Tåglängd ... 29
4.2 Fyllnadsgrad ... 29
4.3 Frekvens ... 29
4.4 Järnvägskapacitetens påverkan på resultat från dataanalysen ... 30
4.5 Jämförelse mellan intervjuer och dataanalys ... 30
4.6 Felkällor ... 31
5 Slutsats ... 32
5.1 Fortsatta studier ... 32
6 Litteraturförteckning ... 33
7 Bilagor ... 36
1 Inledning
Den 23 augusti 2018 fick Trafikverket i uppdrag av regeringen att ” – Inventera vilka åtgärder som Trafikverket kan vita som skapar förutsättningar för fler godstransporter på järnväg och med fartyg /…/. – Utreda förutsättningar för och ta fram förslag till åtgärder för att öka godstransporternas nyttjande i järnvägssystemet, utan att det drabbar persontrafiken med tåg” (Bengtsson, Garberg, &
Martini, 2019). Denna utredning är en del av en större målsättning att flytta godstransporter från väg till järnväg och sjöfart som funnits i Sverige under en längre tid (Bengtsson, Garberg, & Martini, 2019). Vid sidan av målsättningen att öka mängden gods som transporteras via järnväg och sjöfart görs flera stora utredningar om möjligheten att bygga höghastighetsbanor i Sverige. Uppdraget att se över hur dessa höghastighetsbanor ska finansieras samt strategier för hur de ska byggas och trafikeras har getts till Sverigeförhandlingen, en grupp tillsatt av regeringen sommaren 2014. Parallellt med Sverigeförhandlingens arbete utförs den fysiska planeringsprocessen av Trafikverket. Det är Trafikverket som direkt ansvarar för planeringen, byggandet och underhåll av de nya tänkta höghastighetsbanorna (Sverigeförhandlingen, 2014). De tänkta höghastighetsbanor skulle frigöra kapacitet på det nuvarande järnvägsnätet vilket i sin tur möjliggör för ökat antal godstågstransporter, något som går hand i hand med det ovannämnda uppdraget Trafikverket fått av regeringen. Enligt Lena Wieweg, samhällsekonom vid Trafikverket, gjorde Trafikverket nya körningar i godsmodellerna Samgods och Bangods med den tänkta ökade kapaciteterna och godslastvikterna för att bedöma hur många godståg som kommer kunna köras på järnvägsnätet framöver (Wieweg, 2020). Enligt Wieweg ansåg dock flera att antalet godstågstransporter modellerna visade på var orimligt höga, vilket gjorde att metoden för att bedöma hur många nya tågtransporter som produceras vid en systemförändring ifrågasattes. Enligt Wieweg anser vissa att modellen inte på ett tillräckligt sätt tar i beaktning när godståg lastats till en högre grad eller blir längre respektive när frekvensen av godstågstransporter ökar. Dessa frågor har enligt henne uppkommit på grund av att vetskap om hur godstransporter faktiskt påverkas av ändrade godslastvikter och järnvägskapacitet saknas. Även Magnus Backman, järnvägskapacitetsexpert vid Trafikverket, menar att den nuvarande metoden för att bedöma hur godstågs fyllnadsgrad och längd påverkas av systemförändringar måste ses över (Backman, 2020).
1.1 Syfte och frågeställningar
Syftet med det här arbete har varit att genom regressionsanalyser se över hur godstågs fyllnadsgrad och längd samt frekvens av tågtransporter faktiskt påverkas av godslastvikter. Utöver dessa
regressionsanalyser har arbetet syftat till att sammanställa och utvärdera järnvägskapacitetens effekt på godstågstransporter och hur de kan påverka deras utformning. Slutligen har arbetet genom intervjuer och litteraturstudier syftat till att ge en förståelse för hur godstågsföretag hanterar ändringar i
godslastvikt. Framförallt ämnar denna del av arbetet att avgöra om godstågsföretagen anser att hög frekvens måste prioriteras eller om de föredrar att ha färre men större leveranser alternativt en kombination av dessa.
Frågeställningarna som arbetet har ämnat att besvara är följande:
• Hur påverkar godslastvikt per tågtransport godstågens längd och fyllnadsgrad samt frekvensen av tågtransporter?
• Vilken inverkan kan järnvägskapacitet ha på godslastvikter samt godstågstransporternas utformning?
1.2 Metodbeskrivning
Metodiken är uppdelad i litteraturstudie, intervjuer och dataanalys. Litteraturstudien och intervjuerna har genomförts parallellt och presenteras även så i arbetet. Dataanalysen genomfördes efter att information från litteraturstudien och intervjuerna sammanställts och presenteras separat i arbetet.
1.2.1 Litteraturstudie
Litteraturstudien har framförallt syftat till att få en helhetsbild över hur järnvägskapacitet påverkar godstågstransporters utformning samt hur godstågstrafikens har utvecklats i Sverige över tid. Utöver det har litteraturstudien syftat till att få en inblick i om det tidigare har genomförts studier inom ämnet.
Även en djupare förståelse och sammanfattning av befintliga modeller för att analysera godstågstransporter har önskats fås ut av denna litteraturstudie.
1.2.2 Intervjuer
Intervjuerna syftade till att få en ökad förståelse för vilka faktorer det är som påverkar
godstågstrafikens utformning och hur situationen ser ut i Sverige idag. Både representanter från Trafikverket och godstågsföretag har intervjuats. Intervjuerna med representanter från Trafikverket har framförallt syftat till att få en bättre förståelse för hur förutsättningarna för godstågstrafiken ser ut idag. Intervjuerna med godstågsföretagen har syftat till att få en förståelse för hur användarna av järnvägsnätet ser på nulägessituationen. Intervjuerna med godstågsföretagen har även syftat till att avgöra hur stor inverkan järnvägskapaciteten har på godstågstransporter samt hur de tenderar att hantera ändringar i godslastvikt tenders att hanteras
Intervjumetodiken som har används är så kallad semi-strukturerad. Semi-strukturerad intervju är enligt FAO, Food and Agriculture Organization, en mer öppen intervjuform som tillåter att förbestämda frågor kombineras med en mer öppen konversation. Enligt dem ska de förbestämda frågorna inte vara högt detaljerade utan syfta till att ta upp relevanta ämnen och ge möjlighet för mer öppna svar. Frågor som ställs under en semi-strukturerad intervju behöver inte vara förbestämda utan kan komma upp under intervjuns gång. Semi-strukturerade intervjuer kan vara fördelaktigt att använda i arbeten där endast ett fåtal intervjuer genomförs och syftet med intervjun inte bara är att få svar på frågor utan även förklaringarna bakom svaren (Food and Agriculture Organization, 2007).
1.2.3 Dataanalys
Dataanalysen har som tidigare nämnt syftat till att resultera i ett antal regressionsmodeller för att avgöra hur och till vilken grad godslastvikt per tågtransport påverkar godstågens längd och
fyllnadsgrad samt frekvens av tågtransporter. Dataanalysen är baserad på data från tidigare utförda godstågstransporter på delar av svenska järnvägsnätet. De sträckor som har valts att analyseras är sådana som kan tänkas ha trafikflöden som representerar trafik på andra delar av järnvägsnätet. Även en bedömning över infrastrukturen för de analyserade sträckorna har gjorts för att få en bättre bild över hur de kan ha kommit att påverkat dataanalysens resultat.
1.3 Avgränsningar
I arbetet har endast godslastvikt används som förklarade variabel i regressionsanalyserna. Godslastvikt har i arbetet hanterats som en oberoende variabel. Det är dock troligt att ekonomiska faktorer som transportkostnader och konjunkturcykler har en stor inverkan på de godslastvikter som transporteras och då även indirekt en inverkan på godstågstransporternas utformning. Dessa faktorer har dock inte medtagits i dataanalysen.
I dataanalysen har ingen direkt skillnad gjorts mellan olika varugrupper utan alla godslaster har hanterats på liknande sätt. Vilken tågtyp, det vill säga kombi-, lastvagn- eller systemtåg, som kan tänkas trafikera sträckan har beaktats och haft betydelse för val av analyserade sträckor men inte direkt påverkat regressionsanalysernas genomförande.
Dataanalysen innefattar endast två sträckor med antagandet att de kan representera andra dela av det svenska järnvägsnätet.
I arbete har, som tidigare nämnt, godstågsföretag intervjuats. Därför kan det vara viktigt att ha i åtanke är att det egentligen är godsägarna som använder godståg som transportmedel och deras intressen kommer direkt påverka godstågsföretagens sätt att planera godstågstransporterna.
1.4 Disposition
Avsnitt 2 innefattar litteraturstudie och intervjuer. Avsnittet innehåller en sammanställning och utvärdering av järnvägskapacitetens påverkan på godstågstransporter. I avsnittet upphittas även information om hur godstågsföretag ser på nulägessituationen samt hur de anpassar sina transporter vid ändringar i godslastvikt.
I avsnitt 3 beskrivs metodiken för utförandet av dataanalysen. I avsnittet presenteras de
järnvägssträckorna och variablerna som använts. Även resultaten från dataanalysen presenteras i det här avsnittet.
Avsnitt 4 innefattar diskussion där resultaten från dataanalysen utvärderas och jämförs med information presenterad i avsnitt 2.
Avslutningsvis i avsnitt 5 presenteras slutsatserna utifrån diskussionen samt förslag på framtida studier.
2 Litteraturstudie och intervjuer
I det här avsnittet presenteras en sammanställning över hur järnvägskapacitet påverkar
godstågstransporter samt information om hur godstransportarbetet i Sverige har utvecklats över tid. I avsnittet upphittas även information om hur godstågsföretag ser på det svenska järnvägsnätet samt hur de hanterar ändringar i godslastvikter.
2.1 Järnvägskapacitet
Termen järnvägskapacitet har ingen strikt definition. I rapporten Järnvägens kapacitet 2018, publicerad av Trafikverket 2019, definieras kapacitet som ”förmågan att transportera personer och gods med tåg på en vis bana” (Backman, Lundström, Mattisson, & Söderström, 2019). Enligt samma rapport är det övergripande två faktorer som har en inverkan på järnvägenskapaciteten; infrastrukturen och trafikeringen. Förbättrad och tillkommen infrastruktur ökar direkt järnvägens tillgängliga kapacitet medan trafikeringen direkt avgör hur kapaciteten utnyttjas (Backman, Lundström, Mattisson, &
Söderström, 2019).
2.1.1 Infrastrukturens påverkan på järnvägskapacitet
Infrastrukturen kan i princip påverka och ändra järnvägskapaciteten för godstågstrafik på fyra olika sätt; genom tillåten lastprofil, tåglängd, tågvikt och frekvens av tågtransporter. Även kombinationer av dessa fyra är möjliga. Banans tillåtna lastprofil, tågvikt, tåglängd samt högsta möjliga frekvens av tågtransporter kan ökas på flera olika sätt. Några av de kopplade till infrastrukturens utformning är följande (Lindfeldt, Lindfeldt, & Nelldal, 2009):
• Bygga för större och effektivare lastprofiler då det direkt möjliggör för större tillåtna lastvolymmängder samt att vagnarna används mer effektivt.
• Högre STAX och STVM då det direkt begränsar tågets tillåtna vikt.
• Bygga längre mötesplatser och förbigångsspår då det direkt begränsar tågets tillåtna längd.
• Bygg ut enkel spårigt till dubbel eller flerspårigt vilket ökar möjlig frekvensen av
tågtransporter samt gör det möjligt att i viss mån köra längre tåg då tåglängd inte längre är begränsat av mötesplatsers i samma utsträckning.
2.1.1.1 Lastprofil
Lastprofil är de utrymme i sid- och höjdled inom vilket det är tillåtet att lasta tåget. Det innebär att lastprofilen direkt begränsar godslasten som kan fraktas på ett godståg. I Sverige är nästan hela järnvägsnätet anpassat för att kunna köra lastprofil A, se Figur 1. Lastprofil A är inte helt rektangulär utan är något avsmalnande högst upp. Det beror på att äldre infrastruktur i Sverige som tunnlar ofta är runda i form, vilket inte gör det möjligt att köra helt rektangulära vagnar igenom dem. Nya
järnvägssträckor anpassas dock för lastprofil C vilket innebär att vagnarnas lastutrymme kan utnyttjas mer effektivt (Trafikverket, 2012).
Figur 1 Tillåtna lastprofiler i Sverige (Trafikverket, 2012)
2.1.1.2 Största tillåtna axellast (STAX)
STAX är en av de avgörande faktorerna vid design av järnväg. STAX är på svenska järnvägsnätet är som standard 22,5 ton men det har under längre tid succesivts dimensionerats om för en STAX på 25 ton. Även i Europa är största tillåtna axellast generellt 22,5 ton (Trafikverket, 2018a). I USA och Australien tillämpas mycket högre axellaster, 35 ton och upp till 40 ton respektive. Dessa axellaster är rimliga att dimensionera för där då det på stora delar av järnvägsnätet nästan uteslutande körs
godstågstrafik. I Sverige kan det vara svårt att motivera sådana höga STAX över hela järnvägsnätet då spåren ofta delas med persontrafik. Persontåg uppnår sällan samma axellaster som godståg vilket gör att höga STAX inte utnyttjas i samma utsträckning som i exempelvis USA (Lindfeldt, Lindfeldt, &
Nelldal, 2009).
2.1.1.3 Tåglängd
Godståglängden på svenska järnvägsnätet är generellt begränsat till 630 meter men sedan 90-talet har det successivts anpassats för en tåglängd på 750 meter. Även möjligheterna att öka den största tillåtna tåglängden till 1000 meter har under senare tid setts över (Fröidh, 2013). I länder som USA kan godståg vara upp till 2 – 3km långa. Situationen är liknande i bland annat Kina, Ryssland och
Australien. I ett land som Sverige skulle sådana tåglängder vara mycket svåra att tillämpa, än en gång på grund av att stora delar av järnvägsnätet är anpassat för en blandning av person- och godstågstrafik (Lindfeldt, Lindfeldt, & Nelldal, 2009).
Tabell 1 Standardparametrar för svenska järnvägsnätet
Parameter Vanligt förekommande Mål vid upprustning och nybyggnation
Lastprofil Lastprofil A Lastprofil C
STAX 22,5 ton 25,0 ton
Tåglängd 630 m 750m
2.1.2 Trafikens påverkan på järnvägskapacitet
Trafikens påverkan på kapacitet är i sin tur mycket beroende av infrastrukturen då trafikens inverkan skiljer sig mycket beroende på om banan är enkel- eller flerspårig. Om banan är enkelspårig och det inte finns mellanblocksignaler kan endast ett tåg befinna sig mellan två mötesplatser åt gången. Det innebär att tiden det tar för tågen att färdas mellan två mötesplatser är direkt avgörande för
kapaciteten. Även antalet mötesplatser påverkar kapaciteten då fler mötesplatser innebär att fler tåg kan köras på banan samtidigt. (Trafikverket, 2019a).
Kapaciteten för dubbel- och flerspåriga banor är mycket högre än enkelspåriga, då kapaciteten för sådana banor i princip endast begränsas av trafiken som går i samma riktning. Ett problem som fortfarande kan uppstå på flerspåriga banor är att inte alla tåg kör i samma hastighet. Det kan leda till kappkörningseffekter vilket innebär att snabbare tåg måste bromsa in för framförliggande
långsammare tåg. Problemet kan lösas med förbigångsspår där tågen kan köra in och låta bakomliggande tåg köra förbi. Omkörningar kan dock leda till längre gångtider för tågen (Trafikverket, 2019a).
2.1.2.1 Kapacitetsutnyttjande
En linjedels kapacitetsutnyttjande beräknas i Sverige enligt UIC-standard och mäts i hur stor del av linjens kapacitet som utnyttjas. Kapacitetsutnyttjandet beskriver indirekt trängseln på linjedelen (Trafikanalys, 2016). UIC metod för att beräkna kapacitetsutnyttjande beskrivs i UIC Leaflet 406 (International Union of Railways, 2013). Enligt UIC 406 bedöms en linjedels kapacitetsutnyttjande genom att först komprimera tidtabellen. Komprimera tidtabellen innebär att den minimala tiden för att alla planerade tågtransporter ska kunna passera linjedelen tas fram. Kapacitetsutnytjandet, !, beräknas sedan genom att dividera den komprimerade tidtabellens tid det tog för alla tåg att passera linjedelen,
", med den ursprungliga tiden det tog, # (! =!
"∗ 100 %) (notera att metoden kan ändras något baserat på linjedelens utformning). Desto närmare ! är 100 % desto högre är kapacitetsutnyttjandet vilket direkt innebär högre trängsel på linjedelen (Harrold, 2019).
I Sverige definieras linjedelskapacitetsutnyttjandet som högt om det ligger mellan 81 och 100 %, medelhögt om den ligger mellan 61 och 80 % och lågt om den ligger på 60 % eller lägre (Trafikanalys, 2016). Varje år görs en bedömning av järnvägskapaciteten på svenska järnvägsnätet utifrån den gällande tågplanen. Bedömningen görs av Trafikverket (Trafikverket, 2020a). Bilaga. 1 visar en karta över kapacitetsberäkningar utifrån tågplanen 2019.
2.2 Samgods och bangods
Samgods är Sveriges nationella godstransportmodell och omfattar transportmedelena väg, järnväg, sjöfart och luftfart. Samgods kan på en övergripande nivå ge trovärdiga resultat men behöver inte alltid för enskilda spåravsnitt återskapa resultat som överensstämmer med verkligheten. Därför används Bangods som en kompletterande modell för godstrafiken på järnväg. Det är i Bangods som bland annat godstågens lastvikter tas i beaktning för att avgöra antalet tågtransporter som produceras samt deras utformning. Idag avgörs lastvikten med hjälp schablontal baserade på data om tidigare medellastvikter och varugruppssammansättning som transporterats på banan. Schablontalen som används för nettolaster per tåg i Bangods är angivna i ASEK och kan avläsas från Figur 2 (Edwards &
Berglund, 2016) .
Figur 2 Schablontal för nettolaster per tåg (Trafikverket, 2018b)
Viktigt att ha i åtanke enligt Petter Wikström, trafikanalytiker vid Trafikverket, är att schablontalen från ASEK är baserade på statistik som idag inte längre används (Wikström, 2020).
2.3 Godstågstrafiken i Sverige 2.3.1 Transportarbete på järnväg
Ur Figur 3 kan det urskiljas att transportarbetet på svenskan järnvägsnätet från 1950 och framåt haft upp och nedgångar men trenden visar fortfarande på en stadig uppgång.
Figur 3 Transportarbete på svenska järnvägsnätet (Kordnejad, 2019)
Under de senaste årtiondena har dock transportarbetet legat på en relativt jämn nivå med undantag från finanskrisen 2008, vilket kan urskiljas ur Figur 4.Enligt Jonatan Gjerdrum, chef för
produktionsplanering på Green Cargo, känner godstågsföretagen fortfarande av effekterna från finanskrisen 2008 (Gjerdrum, 2020).
Figur 4 Transportarbete på svenskajärnvägen 2000 – 2018 i miljoner tonkilometer (Trafikanalys, 2019). Notera att data från 2018 inte är jämförbar med tidigare år då metod för insamling och bearbetning ändrades det året.
2.3.2 Godstågsföretag på svenska järnvägsnätet
Svenska godstransportmarknaden avreglerades 1996 och 2004 öppnades möjligheten för
internationella järnvägsföretag att utföra godstrafik på svenska järnvägsnätet (Vierth, 2012). Fram till avregleringen var SJ det enda bolaget att driva godstågstrafik i Sverige men i och med en
omstrukturering 2001 delades SJ in i flera statligt ägda aktiebolag, där inkluderat Green Cargo som då tog över SJs roll som det statliga godstågsföretaget (Nationalencyclopedia, 2020). Green Cargo är än idag Sveriges största godstågsbolag (med undantag från malmbanan) med 58 % av den totala
omsättningen på marknaden 2017. Sedan avregleringen har dock flera andra bolag etablerat sig på marknaden. 2017 bedrev tolv företag godstrafik på svenska järnvägsnätet. Det största privatägda av dessa bolag var 2017 Hector Rail som det året stod för 14 % av den totala omsättningen på marknaden (Hallenberg, Stridsberg, & Sundin, 2019).
Hur konkurrensen mellan godstågsföretagen i Sverige ser ut är inte helt uppenbart då många av företagen har valt att inrikta sig på speciella tjänster. Exempelvis erbjuder Hector Rail framförallt godstrafik mellan industrier och terminaler. När det kommer till vagnslasttrafik är konkurrensen mer eller mindre obefintlig då Green Cargo i princip är det enda bolaget som idag erbjuder det (Hallenberg, Stridsberg, & Sundin, 2019).
2.3.2.1 Utmaningar
Enligt broschyren BYGG FRAMTIDEN INFRASTRUKTURSATSNINGAR FÖR HÅLLBARA
GODSTRANSPORTER OCH STÄRKT KONKURRENSKRAFT FÖR NÄRINGSLIVET publicerad av Green Cargo 2016 är läget allvarligt för många godstågsföretag och det finns mycket som kan göras för att förbättra godstågstrafikens förutsättningar. Enligt ovannämnda broschyr och Gjerdrum är konkurrensen från vägtransporter och lastfartyg mycket hård. Även Bellander vid avdelningen
strategisk planering på Hector Rail delar denna åsikt (Bellander, 2020). Enligt Gjerdrum och Bellander är även konkurrensen med persontrafiken om spåren ett hinder för godstågstrafiken i Sverige. Under dagtid prioriteras ofta godståg ned för att ge persontåg möjligheten att komma fram, vilket leder till långa så kallade skogstider för godstågen. Skogstid är ett begrepp myntat av Green Cargo för att benämnda den tid ett tåg måste stå stilla för möte på enkelspårig bana (Carlsson & Nyström, 2016).
Enligt Trafikanalys rapport Tåglägen, gods och trängsel på spåren från 2016 stod godstrafiken 2016 för ungefär 80 % av den totala skogstiden. Dessa vanligt förekommande fördröjningar menar både Gjerdrum och Bellander har en påverkan på järnvägens konkurrenskraft då det leder till både längre och osäkrare transporttider.
Många andra utmaningar som godstågsbolagen står inför grundar sig i brist på homogenitet i det svenska järnvägsnätet. Det är en åsikt som delas av både Gjerdrum och Bellander. Som tidigare förklarat pågår just nu en ombyggnation av svenska järnvägsnätet för att det ska klara av effektivare lastprofiler, högre axellaster och längre tåg. Det innebär att förutsättningarna för godstågstrafiken inte är de samma över hela järnvägsnätet, vilket i sin tur försvårar godstågsföretagens planeringsprocess (Gjerdrum, 2020).
2.3.2.2 Förbättringsförslag
De finns flera förbättringsförslag i Green Cargos broschyr från 2016. Flera av dessa förslag handlar om förbättrade intermodalitet och transportsamverkan. Bland annat anser de att hamnar alltid ska ha god spåranslutning och att alla regioner ska ha tillgång till moderna terminaler med goda möjligheter att överföra gods från järnväg till lastbil. Broschyren föreslår även bättre infrastrukturplanering med grannländerna (Green Cargo, 2016). Gjerdrum lägger även till sidosystem ut till kunderna som en del av transportsamverkan som bör ses över och förbättras. En annan förbättringsåtgärd broschyren tar upp är ökat underhåll av det befintliga järnvägsnätet. Enligt Green Cargo tenderar större
järnvägsprojekt att ta medel från underhåll vilket försvårar godstågsbolagens möjlighet att ge sina kunder en tydlig bild över deras förutsättningar. Ett exempel på ett sådant större projekt är utbytet av de gamla ATC – systemet till det nya signalsystemet ERTMS. Green Cargo anser att deras vinning av ett nytt signalsystem är relativt liten medan ett ökat underhåll skulle leda till mycket säkrare
transporttider. Viktigt att ha i åtanke är att Green Cargo inte är emot att nuvarande signalsystem ses över och omprojekteras men de vill inte att de sker på bekostad av underhållet (Green Cargo, 2016).
2.3.2.3 Hantering av ökade godslastvikter
Green Cargo är som tidigare nämnt i princip det enda godstågsföretaget i Sverige som kör vagnslasttåg. På frågan om Green Cargo tenderar att hantera ökade godslastvikter genom ökad frekvens eller genom att göra de befintliga tågtransporterna längre och fyllnadsgraden högre svarade Gjerdrum att på grund av att de kör mycket vangslasttåg är de inte ett av företagen som har möjlighet att satsa på tyngre och längre tåg i större utsträckning. Med vagnslasttågtrafik går det enligt honom inte alltid att vänta in last då tågen måste ha en viss punktlighet. Det är därför vanligt att ökade godslastvikter hanteras med ökad frekvens eller genom att last fördelas över flera godstågtransporter.
Bellanders svar på samma fråga skiljer sig från Gjerdrums. Hector Rail, som mer eller mindre uteslutet bedriver systemtågstrafik, har enligt honom försökt utnyttja järnvägskapaciteten i så stor utsträckning som möjligt genom att göra de befintliga tågtransporterna längre och tyngre. Enligt Bellander finns det för systemtåg i större utsträckning möjlighet att vänta in last då det viktiga för godsägarna inte
nödvändigtvis är att ha hög frekvens utan snarare jämna och pålitliga transporter.
3 Dataanalys
Dataanalysen har syftat till att bedöma hur godslastvikt per tågtransport påverkar godstågens längd, fyllnadsgrad och frekvens av tågtransporter genom att analysera data från tidigare utförda
godstågstransporter på svenska järnvägsnät. Analysen har innefattat ett antal regressionsanalyser för att finna samband mellan godslastvikt och de tre ovannämnda variablerna. Dataanalysen genomfördes på sträckor som kunde tänkas representera trafikflöden på andra delar av järnvägsnätet.
3.1 Opera och LUPP
Data om godstågstransporter som använts i arbetet kommer ursprungligen från Opera, Trafikverkets system i vilket tågsammansättningar inrapporteras. Alla järnvägsbolag som verkar på svenska
järnvägsnätet är skyldiga att rapportera in tågsammansättningar i Opera innan tågens avgång från varje station (Trafikverket, 2019b).
Data har utvunnits ur LUPP. LUPP är ett system som används för att sammanställa trafik- och anläggningsinformation från olika källsystem, inkluderat Opera, i en gemensam databas från vilken data senare kan extraheras. Alla inrapporterade godståg i LUPP har en tidsstämpel och trafikplats kopplad till sig. Även första avgångsplats och slutdestination finns angivet. Som nämnt ska
tågsammansättningen rapporteras in i Opera innan avgång från varje station vilket gör det möjlighet att följa godstågens färdsträcka. Det är även möjligt då varje tåg tilldelas både ett tåguppdrag och
tågnummer. Tåguppdrag är ett nummer som ges till varje tågtransport och är det samma för tåget från första avgångsplats till slutdestination. Tågnummer är ett nummer som anges till varje tågtransport för varje delsträcka det färdats. Det innebär att ett tåg kan ha samma tåguppdrag men olika tågnummer under sin färd. Tåguppdrag och tågnummer används upprepande gånger men får endast användas en gång per dag. Utöver att ett specifikt tåguppdrag och tågnummer endast får användas en gång per dag tilldelas varje godstågsföretagen en grupp uppdrag och nummer som är unika för dem. (Trafikverket, 2019b).
Data i LUPP om godstågen är angiven per vagn men har i datauttag sammanställts per tåg. Data som kan utvinnas från LUPP och som varit relevant för det här arbetet upphittas i Tabell 2. Notera att data presenterad i tabellen på grund av sekretess inte är data om faktiskt utförda godstågstransporter.
Tabell 2 Exempel på datauttag från LUPP
Ett problem som kan uppstå i ett arbete där data från LUPP används är att inte alla godstågsföretag rapporterar in data i Opera på samma sätt. Exempelvis menar Bellander att Hector Rail rapporterar in godstågets totala längd, vikt och lastvikt för varje enskild vagn medan Green Cargo enligt Gjerdrum inte gör så. Eftersom data om utförande aktör går att hämta ur LUPP har denna skillnad i
inrapportering kunnat tas hänsyn till vid datauttaget.
Datum Tåguppdrag Utf Aktör Första platssignatur Sista platssignatur Rapporterad tågvikt Rapporterad tåglängd Lastvikt Antal rapporterade dragfordon Antal rapporterade vagnar
2020-01-01 9116 Green Cargo AB Ab Be 1000,416 247,86 483, 23 2 17
2020-01-01 9116 Green Cargo AB Ab Be 1000,416 247,86 483, 24 2 17
2020-01-01 9116 Green Cargo AB Ab Be 1000,416 247,86 483, 25 2 17
3.2 Beskrivning av analyserade sträckor
Baserat på svaren från Green Cargo och Hector Rail under intervjuerna kunde det ses som troligt att systemtågstransporter respektive kombi- och vagnslasttågstransporter inte påverkas av ändringar i godslastvikt på samma sätt. Därför valdes två sträckor av järnvägsnätet som kunde tänkas representera dessa två typer av tågtrafikflöden respektive.
Sträckan som valdes att analysera för att bedöma hur systemtåg påverkas av godslastvikt är Luleå – Borlänge C. Luleå – Borlänge C valdes då den så kallade stålpendeln går på sträckan, SSAB:s
tågtransport för att transportera stålämnen (SSAB, 2020). Data från sträckan som använts i analysen är från tidsperioderna 1/1 – 2016 till 31/12 – 2017 och
5/2 – 2019 till 5/2 – 2020. Dessa tidperioder har valts då de ligger relativt nära i tid till utförandet av analysen samt att de går över hela år vilket innebär att potentiell säsongsvariation kan fångas upp.
För att välja en sträcka som kan tänkas representera vagnslasttågs- och kombitågstrafik valdes Skandiahamnen i Göteborg som utgångspunkt. Skandiahamnen är en av Sveriges största hamnar med spåranslutning vilket gör det till en viktig nod i godstågstransportsystemet. (Järnväg.net, 2020a).
Under tidperioden 2018 – 2019 är den vanligaste angivna slutdestinationen för godståg med Skandiahamnen som första angivna avgångsplats Borlänge C. Därför valdes Skandiahamnen – Borlänge C som sträcka att analyseras i det här arbete. Data från sträckan som använts i analysen är från perioden 1/1 – 2018 till 31/1 – 2019.
Viktigt att notera är att endast data om godstågstransporter som har ovanstående stationer angivna som första avgångsplats respektive slutdestination ingår i dataanalysen. Det innebär att godståg som endast färdats över delar av sträckan inte medtas i dataextraheringen.
3.2.1 Luleå – Borlänge C
Som nämnt går den så kallade stålpendeln mellan dessa två trafikplatser. Inkluderad i sträckan är stambanan genom övre Norrland där även mycket annan godstrafik passerar. Majoriteten av sträckan är dimensionerad för STAX på 25 ton (Järnväg.net, 2020b). Sträckan är enkelspårig men för
stambanan genom övre Norrland fungerar Botniabanan som ett ”dubbelspår” som leder om persontrafiken (Järnväg.net, 2020c). Utifrån Bilaga 1 går det att bedöma att för året 2019 var linjekapacitetsutnyttjandet inte högt för någon del av sträckan.
3.2.2 Skandiahamnen – Borlänge C
Göteborgs Hamn har som tidigare nämnt en järnvägsanslutning, Hamnbanan. På banan måste godståg gå för att komma fram till Skandiahamnen. Hamnbanan är dock enkelspårig och bedöms av
Trafikverket ha kapacitet som kommer kunna hantera framtida efterfrågan (Trafikverket, 2019a).
Godstågstransporter från Skandiahamnen till Borlänge C måste också passera igenom delar av Västra stambanan. Västra stambanan är dubbelspårig och dimensionerad för STAX på 22,5 ton. Det är en intensivt trafikerad sträcka där godstrafik och persontrafik delar spår (Järnväg.net, 2020d). På grund av att Västra stambanan är så hårt trafikerad genomförs nu ett antal punktinsatser med syfte att
möjliggöra för mer trafik och minskat antalet störningar. Dessa projekt har dock ännu inte slutförts (Trafikverket, 2020b).
3.3 Variabelbeskrivning
Som tidigare nämnt är det tre variabler som analyserats för att bedöma hur de påverkas av lastvikt;
tåglängd, fyllnadsgrad och frekvens av tågtransporter. Viktigt att notera är att på grund av att frekvens i det här arbete definieras som godstågtransporter per tidsenhet har alla variabler som använts i analysen varit det genomsnittliga värden per dag.
3.3.1 Lastvikt
Lastvikt är vikten på den last som transporterats på godstågen. Lastvikt har i arbetet använts som oberoende variabel. Lastviktsdata finns inrapporterat i LUPP från flera år tillbaka. Enligt Anders Nilsson, statistikexpert vid Trafikverket, är dock lastviktsdata inrapporterad i LUPP innan 2019 inte helt pålitlig då det innan dess inte fanns ett direkt krav på att lastsvikt behövde inrapporteras (Nilsson, 2020). Därför har lastviktsdata från innan 2019 estimerats. Dessa estimeringar har gjorts genom att den totala vagns- och dragfordonsvikten för tågen subtraheras från den inrapporterade tågvikten enligt följande ekvation:
!"#$%&'( *'+",#-" = &'//0&"%&'( "å2,#-" − '4"'* (&'250&(04 ∗ (&'250&(04+ %2%4,#-" − '4"'* ,'24'& ∗ ,'24+ %2%4,#-"
För att kunna utföra ovanstående estimering behövde antaganden om vagnarnas och dragfordonens egenvikt göras. Det har gjorts genom att välja ut dragfordon och vagnar som kan tänkas representera vanligt förekommande fordon på sträckorna. I arbete har RC4 användas som standarddragfordon för båda sträckorna. Valet av dragfordon är baserat på det faktum att det är ett vanligt förekommande lok som används av alla stora godstågsföretag i Sverige. RC4 väger 78 ton (Järnväg.net, 2020e). Den godsvagn som valts för sträckan Luleå – Borlänge C är SMMNPS 960 då det är en vagn som ofta används vid frakt av stålämnen. SMMNOS 960 har en egenvikt på 18,5 ton (Green Cargo, 2014a). För sträckan Skandiahamnen – Borlänge C användes vagnen Hbins då det är en vanligt förekommande vagn som kan används för olika godstyper (Järnväg.net, 2020f). Hbins har en egenvikt på 15 ton (Green Cargo, 2014b).
För att avgöra om ovanstående metod var lämplig att använda utfördes den först på data från sträckan Luleå – Borlänge C under tidsperioden februari 2019 till februari 2020 där estimeringarna kunde jämföras med faktiska lastviktsdata. För att jämföra estimerad lastviktsdata med faktisk lastviktsdata togs korrelationskoefficienten mellan de två fram. Korrelationskoefficienten är en koefficient vars värde kan variera mellan 1 och -1. 1 innebär helt positiv linjär korrelation, -1 helt negativ linjär korrelation och 0 ingen korrelation (Karlaftis, Mannering, & Washington, 2011). Mellan faktisk lastviktsdata och estimerad var korrelationskoefficienten ungefär 0,998. Det visar på nästan perfekt positiv korrelation vilket stärker att metoden för att estimera lastviktsdata kan vara lämplig att använda.
3.3.2 Tåglängd
Tåglängd är en av de beroende variablerna i regressionsanalysen. Mer specifikt är det den totala vagnslängden som har analyserats. Eftersom dragfordonens längd inte direkt påverkar möjligheten att öka godslasten är variabeln som används i analysen egentligen den totala vagnslängden, men den kommer i arbetet kallas tåglängd. Tåglängd beräknas på följande sätt:
#å)*ä,)- = ./01.23./- 2å)*ä,)- − /,2/* -./)61.-1, ∗ -./)61.-1,8 *ä,)-
Precis som för lastvikt kräver metoden att längden för dragfordonen antas och precis som för lastviktsestimeringen har då RC4 valts. RC4 är 15,52 m lång (Järnväg.net, 2020e).
3.3.3 Fyllnadsgrad
Fyllnadsgrad är inte ett begrepp med en entydig eller gemensam definition. Beroende på sammanhang, då framförallt typ av gods, kan fyllnadsgrad ibland mätas i nyttjad flakyta och i andra fall i nyttjad volym. Även hur stor del av den totala vagnsvikten lastvikten motsvarar kan användas för att avgöra fyllnadsgrad (Trafikanalys, 2011). I det här arbetet är det den sistnämnda metoden som har använts för att avgöra fyllnadsgrad. Metoden har i förstahand valts på grund av att den är möjlig att beräkna med data från LUPP.
För att ta fram fyllnadsgraden enligt ovanstående metod måsta lastvikt förs estimera. Även den totala vagnsvikten måste tas fram, vilket har gjorts på följande sätt:
*+,-. /-012/3", = 4-55+4,64-7 ,å0/3", − -1,-. 74-0:+47+1 ∗ 74-0:+47+12 /3", Slutligen beräknas fyllnadsgrad enligt följande:
;<..1-7204-7 = =-2,/3",
*+,-. /-012/3",
Vikten för dragfordonen antas igen för båda sträckorna vara den för RC4.
3.3.4 Frekvens
Frekvens, som tidigare nämnt, definieras i det här arbetet som antalet godstågstransporter som färdats på en sträcka över en satt tidsperiod. I dataanalysen har tidsperioden satts till ett dygn.
;46"/612 = 0+72,å02,4-125+4,64/7-0
Till skillnad från resterande variabler är transportfrekvens en diskret variabel.
3.4 Dataanalysbeskrivning
Dataanalysen har som sagt innefattat ett antal regressionsanalyser med lastvikt som oberoende och tåglängd, fyllnadsgrad och frekvens som beroende variablar. Tre separata regressionsanalyser har genomförts då regressionsanalys med en oberoende variabel och tre beroende variabler kommer ge samma resultat som att utföra tre separata regressioner (Karlaftis, Mannering, & Washington, 2011).
För att utvärdera resultaten från regressionsanalyserna användes ?# respektive ?$%&'()*'# samt 5 − /ä476. ?# är ett statiskt mått som representerar förhållandet i varians mellan oberoende och beroende variabeln. ?# beräknas på följande sätt (Washington, Karlaftis och Mannering, 2011):
<+ = AB264/64-7 7-,-5C1", :+ = 62,3D64-, /ä476
<E = ,
-∑-./,<+ GG'0'= ∑ (<+ +− <E)# GG)(&= ∑ (<+ +− :+)#
?#= 1 −11!"#
11$%$
?# kan variera mellan 1 och 0 där 1 kan tolkas som att modellen beskriver all variation i observerad data medan 0 innebär att den inte beskriver variationen alls. ?# går dock endast att använda för att utvärdera simpla linjära regressioner. För regressionsmodeller som innehåller mer än en oberoende variabel bör ?$%&'()*'# användas för att utvärdera resultatet. J − /ä476 har använts för att utvärdera regressionsmodellernas koefficienter.
J − /ä476 är sannolikheten att en ny testuppsättning observationer skulle ge ett resultat minst lika extremt som resultatet från den faktiskt använda testuppsättningen. J − /ä476 används för att bedöma om modellernas koefficienter är signifikanta eller ej (Karlaftis, Mannering, & Washington, 2011).
Även korsvalidering har använts för att utvärdera modellerna. Korsvalidering innebär att
medelkvadratfelet (Mean Square Error, MSE) beräknas för observationerna modellen är byggd på samt för ett dataset modellen kan jämföras, i det här fallet data från tidsperioder utanför de modellerna är byggda på. MSE beräknas på följande sätt (Karlaftis, Mannering, & Washington, 2011):
KGL = M,-N ∗ ∑-+/,OP+− PQ+R# 1 = -1,-. 7-,-5C1",64 P+ = +B264/64-7 7-,- PQ+ = 62,3D64-76 /ä4761
MSE visar på hur spritt estimeringarna ligger i förhållande till observationerna. Ett lägre MSE innebär att modellen är bättre anpassade till observationerna. Därför kan det användas som ett verktyg för att avgöra vilken av ett flertal modeller som är mest lämpad att använda. Vid korsvalidering kan MSE användas för att bedöma huruvida modeller även kan ge pålitliga resultat på data utanför de
observationer modellerna är byggd på. Om MSE är högre för data modellerna inte är byggda på visar det att estimeringarna är mer spridda i förhållande till observationerna för data modellen är bygg på.
Det skulle kunna tolkas som att modellerna inte lika väl kan förklara observationer utanför data de är byggda på och därför inte är helt pålitlig (Karlaftis, Mannering, & Washington, 2011).
3.5 Utförande och resultat
Dataanalysen utfördes i Excel. I datauppsättningarna hade ett antal tåg utan vagnar rapporterats in som godståg men då dessa inte är av intresse för analysen togs de inte med. Efter att tåg utan vagnar sållats bort lades en ny variabel till där tåguppdrag och datum slogs samman. Godstågsdata angivs i LUPP som en ny rad varje gång ett tåg avgår från en station. Då analyserna utfördes på hela sträckor behövde data för varje godstågstransport sammanställas till en enskild rad. Det gjordes genom att ta bort alla dupletter baserat på variabeln där tåguppdrag och datum slagits samman. Variabeln användes för att utföra det här steg då ett tåguppdrag endast kan användas en gång per dag vilket innebär att variabeln kommer vara unik för varje enskild godstågtransport. Resultatet kontrollerades genom att beräkna antalet distinkta värden i kolumnen före och efter alla dubbletter tagits bort. Efter att datatvätten utförts sammanställdes data i enlighet med beskrivningarna i avsnitt 3.3.
3.5.1 Luleå – Borlänge C
Den tidsperiod som först analyserades var 5/2 – 2019 till 5/2 – 2020 då den innehåller pålitligt lastviktsdata samt går över ett helt år.
I Figur 5, Figur 6 och Figur 7 visas förhållandet mellan lastvikt och tåglängd, lastvikt och fyllnadsgrad och lastvikt och frekvens på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till
5/2 – 2020.
Figur 5 Förhållande mellan lastvikt och tåglängd på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 - 2020
Figur 6 Förhållande mellan lastvikt och fyllnadsgrad på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 – 2020
Figur 7 Förhållande mellan lastvikt och frekvens på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 – 2020
Utifrån dessa tre figurer kunde möjligtvis ett linjärt samband mellan lastvikt och tåglängd samt ett icke-linjärt samband mellan lastvikt och fyllnadsgrad urskiljas. Något tydligt samband gick däremot inte att urskilja mellan lastvikt och frekvens. Det skulle dock kunna bero på att variationen i frekvens är väldigt låg.
Den låga variationen i frekvens skapar även visa andra problem. Ett av antagandena som måste uppföljas vid utförande av en regressionsanalys är att observationerna ska vara oberoende
distribuerade (Karlaftis, Mannering, & Washington, 2011). Eftersom samma frekvens upprepas flera gånger för olika lastvikter kommer det antagande inte uppfyllas. För att kringgå problemet kan tidsserieanalysmetoder appliceras på data och i det här arbeta har därför glidande medelvärdet på frekvens och lastvikt valts att ta fram.
Glidande medelvärde innebär att givet en uppsättning observationer, exempelvis S,, S#, … , S', och ett satt intervall, V, tas ett medelvärde fram för varje observation enligt följande sekvens (Karlaftis, Mannering, & Washington, 2011):
S,+ S#+ ⋯ + S'
V ,S#+ S2+ ⋯ S'3,
V ,S2+ S4+ ⋯ S'3#
V …
För att pröva metoden och bedöma vilket intervall som borde användas i analysen togs glidande medelvärde på frekvens- och lastviktsdata med olika intervall fram. De intervall som visade på tydligast samband var 14-dagars intervall vilket presenteras i Figur 8.
Figur 8 Förhållande mellan lastvikt och frekvens med glidande medelvärde, 14-dagars intervall, på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 – 2020
Viktigt att uppmärksamma är att bredare intervall direkt kommer plana ut den glidande
medelvärdeskurvan vilket gör att det valda intervallet direkt kan påverka hur förhållandet mellan lastvikt och frekvens uppfattas. I försök där kortare intervall användes sågs en större spridning i observationerna medan försök där bredare intervall användes gav trendlinjer som mer eller mindre var helt utplanade.
För att kunna jämföra resultaten från dataanalysen bättre behövde även glidande medelvärde på tåglängd och fyllnadsgrad tas fram. Figur 9 och Figur 10 visar förhållandet mellan lastvikt och tåglängd och lastvikt och fyllnadsgrad med glidande medelvärde på 14-dagars intervall.
Figur 9 Förhållande mellan lastvikt och tåglängd med glidande medelvärde, 14-dagars intervall på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 – 2020
Figur 10 Förhållande mellan lastvikt och fyllnadsgrad med glidande medelvärde, 14-dagars intervall på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 – 2020
3.5.1.1 Regressionsanalys
Baserat på Figur 9 gjordes antagandet att förhållandet mellan lastvikt och tåglängd är linjärt. Därför genomfördes en linjär regression, vilket innebär att modellen anpassas till följande ekvation (Karlaftis, Mannering, & Washington, 2011):
< = "Y + D
Linjär regressionsanalys mellan de två variablerna lastvikt och tåglängd gav följande resultat:
Tabell 3 Resultat från linjär regressionsanalys mellan lastvikt och tåglängd på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 - 2020
Koefficient p-värde Konstant 112,9119123 7,20252E-73 Lastvikt 0,167715548 2,2385E-192
Figur 11 Förhållande mellan estimerad tåglängd och faktiskt tåglängd på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 - 2020
?# för modellen är ungefär 0,924. P < 0,01 för båda koefficienterna vilket innebär att de är statistiskt signifikanta på nivå 0,01 (Karlaftis, Mannering, & Washington, 2011). Eftersom konstanten inte satts till noll kommer modellen visa på att tåg utan lastvikt har en längd på ungefär 112,9 meter. Då ett godståg utan lastvikt troligtvis inte kommer köras kan det ses som orimligt. Att sätta konstanten till noll och tvinga modellen genom origo kan dock leda till att den sämre beskriver resterande
observationer. Därför valdes det inta att göras. Att sätta konstanten till noll kan även blåsa upp ?# utan att modellen blir bättre anpassad (Karlaftis, Mannering, & Washington, 2011).
Baserat på Figur 10 kunde inget direkt antagande om förhållandet mellan fyllnadsgrad och lastvikt ser ut göras. Därför genomfördes ett antal regressionsanalyser där den som gav bäst resultat var
kvadratisk regressionsanalys. Kvadratisk regressions innebär att modellen anpassas till följande ekvation (Karlaftis, Mannering, & Washington, 2011):
< = -Y#+ BY + Z
Kvadratisk regressionsanalys gav följande resultat:
Tabell 4 Resultat från kvadratisk regressionsanalys mellan lastvikt och fyllnadsgrad på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 – 2020
Koefficienter p-värde Konstant 0,203210063 1,8E-121 Lastvikt 0,000574855 1,9E-215 Lastvikt i
kvadrat -1,47649E-07 2,7E-174
Figur 12 Förhållande mellan estimerad fyllnadsgrad och faktiskt fyllnadsgrad på sträckan Luleå – Borlänge under tidsperioden 5/2 – 2019 till 5/2 – 2020
Eftersom regressionen är av ett högre polynom har ?$%&'()*'# används för att bedöma modellen.
?$%&'()*'# är ungefär 0,965. P < 0,01 för alla koefficienter vilket innebär att de är statistiskt signifikanta på nivån 0,01.
Som tidigare nämnt kam ett linjärt samband mellan lastvikt och frekvens urskiljas från Figur 8. Linjär regressionsanalys mellan de två variablerna gav följande resultat:
Tabell 5 Resultat från linjär regressionsanalys mellan lastvikt och frekvens på sträckan Luleå - Borlänge under tidsperioden 5/2 – 2019 till 5/2 – 2020
Koefficienter p-värde Konstant 1,290739959 1,51E-35 Lastvikt 0,000658235 1,75E-32
Figur 13 Förhållande estimerad frekvens och faktiskt frekvens på sträckan Luleå – Borlänge C under tidsperioden 5/2 – 2019 till 5/2 – 2020
?# är ungefär 0,34. P < 0,01 för alla koefficienter vilket gör de statistiskt signifikanta på nivå 0,01.
3.5.1.2 Utvärdering av regressionsmodellerna
För att utvärdera resultaten från regressionsanalyserna och avgöra hur väl modellerna kan användas på annan datat har korsvalideringar utförts. Korsvalideringarna utfördes mot godstransportdata från tidsperioden 1/1 – 2016 till 31/1 – 2017. MSE för båda dataseten presenteras i Tabell 6. Figur 14, Figur 15 och Figur 16 visar förhållandet mellan faktiska observationer och estimerade värden för tidsperioden 1/1 – 2016 till 31/1 – 2017.
Tabell 6 MSE för alla dataset Luleå - Borlänge C
5/2 – 2019 till 5/2 - 2020 1/1 – 2016 till 31/1 - 2017
Tåglängd 178,27 1250,213
Fyllnadsgrad 0,00098 0,00195
Frekvens 0,065 0,045
Figur 14 Förhållande mellan estimerad tåglängd och faktisk tåglängd på sträckan Luleå - Borlänge C under tidsperioden 1/1 - 2016 till 31/1 – 2017
Figur 15 Förhållande mellan estimerad fyllnadsgrad och faktiskt fyllnadsgrad på sträckan Luleå - Borlänge C under tidsperioden 1/1 - 2016 till 31/1 – 2017
Figur 16 Förhållande mellan estimerad frekvens och faktiskt frekvens på sträckan Luleå – Borlänge C under tidsperioden 1/1 - 2016 till 31/1 – 2017
3.5.2 Skandiahamnen – Borlänge C
Regressionsanalysen genomfördes på data från 1/1 – 2018 till 31/12 – 2018. Figur 17, Figur 18 och Figur 19 visar förhållandet mellan lastvikt och tåglängd, lastvikt och fyllnadsgrad och lastvikt och frekvens under den satta tidsperioden.
Figur 17 Förhållande mellan lastvikt och tåglängd, på sträckan Skandiahamnen – Borlänge C under tidsperioden 1/1 – 2018 till 31/12 - 2018
Figur 18 Förhållande mellan lastvikt och fyllnadsgrad, på sträckan Skandiahamnen – Borlänge C under tidsperioden 1/1 – 2018 till 31/12 - 2018
Figur 19 Förhållande mellan lastvikt och frekvens, på sträckan Skandiahamnen – Borlänge C under tidsperioden 1/1 – 2018 till 31/12 - 2018
På sträckan Skandiahamnen – Borlänge C finns det vissa dagar då inga tågtransporter har utförts. Då denna analys syftar till bedöma till hur godstågstransporter påverkas av lastvikt är dagar då ingen transport genomförts inte av intresse och de togs därför inte med i dataanalysen.
Figur 20, Figur 21 och Figur 22 visar förhållandet mellan variablerna med glidande medelvärde på 14-dagars intervall.
Figur 20 Förhållande mellan lastvikt och tåglängd med glidande medelvärde, 14-dagars intervaller, på sträckan Skandiahamnen – Borlänge C under tidsperioden 1/1 – 2018 till 31/12 – 2018
Figur 21 Förhållande mellan lastvikt och fyllnadsgrad med glidande medelvärde, 14-dagars intervaller, på sträckan Skandiahamnen – Borlänge C under tidsperioden 1/1 – 2018 till 31/12 – 2018
