PM Region Skåne
Validering Sampers Version 20–06
2020 - maj
Trafikverket E-post:
Telefon:
Dokumenttitel: Validering Basprognoser version 20–06 Författare: Johannes Östlund
Dokumentdatum: 2020-05-22 Version: 0.2
Kontaktperson: Christina Ripa, Niklas Alvaeus, Johan Irvenå
MALL 0004 Rapport generell v 2.0
Innehåll
SAMMANFATTNING ... 5
Indata ... 5
Resultat ... 6
Rekommenderade åtgärder på kort sikt ... 7
Rekommenderade åtgärder på längre sikt ... 7
BAKGRUND & SYFTE ... 8
ÖVERGRIPANDE FÖRUTSÄTTNINGAR ... 9
OMRÅDESINDELNING ... 9
MARKANVÄNDNING ... 10
Befolkning/Boende ... 11
Förvärvsarbetande ... 12
Arbetsplatser ... 14
Inkomster ... 15
Bilinnehav ... 16
Övriga indata avseende markanvändning ... 20
VÄGUTBUD/AVGIFTER ... 28
KOLLEKTIVTRAFIKUTBUD ... 29
Busskodning ... 29
Järnvägskodning ... 37
Turtäthet ... 38
Restider... 40
Sammankoppling av buss och järnvägsnät ... 42
AVGIFTER ÖRESUND ... 43
TAXEMATRISER ... 43
TILLÄGGSMATRISER ... 46
Resor till Danmark ... 46
Yrkesmatriser ... 48
BARRIÄRMATRISER ... 51
RESULTAT ... 51
Trafikarbete ... 52
Reslängder, Restider, Hastigheter ... 56
På- och avstigande Järnväg ... 56
Jämförelse mot trafikdata väg ... 59
REKOMMENDATION VID ANVÄNDNING AV MODELL I UTREDNINGAR ... 70
BILAGA 1 (TRAFIKARBETE PER KOMMUN) ... 71
BILAGA 2 (ANTAL RESOR, BASÅR OCH BASPROGNOS SAMT UTVECKLING) 72 BILAGA 3 (FÄRDMEDELSFÖRDELNING) ... 75
BILAGA 4 (PÅ- OCH AVSTIGANDE PÅ JÄRNVÄG) ... 76
Sammanfattning
Validering av Trafikverkets basår 2017 och basprognos för 2040, modellversion 20–06 har genomförts. Syftet med valideringen har varit att på en övergripande nivå bedöma kvalitet och modellens förmåga att generera resultat utifrån kunskap och uppmätt data, exempelvis trafikräkningar, RVU data och på-avstiganderäkningar för kollektivtrafik.
Nedan lisats övergripande slutsatser.
Indata
- Körkostnader i modellen har ökat jämfört tidigare modellversioner.
- Helsingborg har fått en helt ny, och mer omfattande områdesindelning.
- Markanvändning i modellen ser ut att ha implementerats på ett rimligt sätt.
- Indata påminner till stora delar om den indata som använts i tidigare basprognoser bortsett från fördelning av arbetsplatser som i vissa fall förändrats en del relativt.
- Nya definitioner av areabestämning avseende permanentboende och
fritidshusboende ger i indata en ologisk bild där ex. fritidshusarea överstiger kommuners totala area. Bedömningen är dock att resultaten inte påverkas i någon avgörande omfattning.
- Hantering av anställda inom handel och dess koppling till extra attraktion bör sannolikt ses över i framtiden då den ger en inkonsistent bild.
- Tester av hur andel periodkort inom kollektivtrafiken påverkar resultat bör genomföras. Indata i denna tabell är gammal och stämmer sannolikt mindre bra.
- Busskodning via GTFS har inte fallit ut på ett bra sätt avseende turutbud på
dygnsnivå. I de flesta fall kommer antalet avgångar per dygn överskattas i modellen med minst en faktor 2.
- Nya kollektivtrafiknät för Danmark har implementerats i modellen via GTFS. Dessa har inte validerats inom ramen för detta PM.
- Restider för järnvägstrafik stämmer relativt bra i många fall jämfört tidtabeller. I vissa stråk kommer dock restiderna överskattas en del vilket skulle kunna påverka ruttval och efterfrågan lokalt.
- Koppling mellan nya bussnät och järnvägsnät behöver ses över då denna saknas i vissa fall eller har kopplats på ett ologiskt sätt. Detta påverkar sannolikt ruttval mellan buss och tåg.
- Tilläggsmatriser för långväga resor över sundet förekommer både i den regionala
och nationella modellen. Detta har varit ett aktivt val av implementering men
kommer ställa krav på tillämpare av modellen att hantera vid varje enskild
analyssituation.
- Ny metod för uppräkning av yrkestrafik har införts innebärande lite svagare uppräkning av personbil i yrkestrafik jämfört tidigare prognoser.
- Uppräkning av personbilar i yrkestrafik har inte räknats upp mellan 2017 och 2040 i Danmark. Detta påverkar dock inte resandet i Sverige eller Skåne då de inte
trafikerar sundet.
- Den tunga trafiken som startar i Danmark har inte räknats upp mellan 2014 och 2017 och har således en lite svagare utveckling än den tunga trafiken som startar i Skåne.
- Barriärmatriser räknas upp mellan basår och basprognos med ca 19 %. I tidigare modellversioner har denna varit oförändrad mellan basår och basprognos.
- Resultat
- Personbilstrafiken förväntas utvecklas med ca 37 % mellan 2017 och 2040 innebärande ca 1,38 % per år för Skåne. Utvecklingen fördelar sig relativt jämnt över länet bortsett från den sydöstra delen som har en lägre utveckling.
- Kollektivtrafiken har en lite starkare utveckling med ca 42 % på total nivå innebärande ca 1,5 % per år. Det är framförallt järnvägstrafiken som driver på utvecklingen.
- Jämfört med RVU data ser modellen ut att överskatta antalet bilresor och gångresor som genereras medan antalet kollektivtrafikresor underskattas och cykelresor ligger på en bra nivå.
- Generering av resor slår även igenom vid jämförelse av färdmedelsfördelning där kollektivtrafikandelen underskattas en hel del generellt. Avseende bilresor ligger andel bra i alla delar bortsett från sydvästar delen som stora avvikelser förekommer.
- I prognosåret ökar reslängderna och restiderna, dock minskar de genomsnittliga hastigheterna i vägnätet till följd av ökad trängsel. De ökade reslängderna bedöms främst bero på ökade reala inkomster i prognosåret.
- Jämförelse med på- och avstiganderäkningar visar att modellen generellt verkar överskatta dessa i de norra delarna av länet medan de södra delarna underskattas.
- Jämförelse med påstiganderäkningar för regionala bussar i sydvästra Skåne visar på ganska stora överskattningar i modellen.
- På en övergripande nivå genererar modellen relativt bra överensstämmelse jämfört trafikdata för personbilstrafik, framförallt för Europa och riksvägar. Det sekundära vägnätet tenderar att överskattas i modellen samt Europavägarna mellan Malmö och Lund samt runt Lund.
- Motsvarande för lastbilstrafiken visar på relativt bra överensstämmelse generellt, dock med tendenser till underskattningar. Lastbilarna tenderar att delvis dra sig mot ”mindre” vägnät, exempelvis väg 108 istället för E6.
- Test av alternativ nätutläggningsmetod för lastbilstrafiken visar på små till
obefintliga förändringar jämfört standardmetod.
- Resandet över Öresund stämmer bra överens med de uppsatta målen för resande i basåret.
- Resandet på Öresundsbron har en större utveckling i modellen till prognosåret än projicerade trendlinjer baserat på flöden de senaste 5–10 åren.
Rekommenderade åtgärder på kort sikt
- Bussnäten bör justeras för att på ett bättre sätt matcha tidtabeller.
- Översyn av koppling mellan buss och järnvägsnät - Översyn av skaftning till järnvägsstationer.
- Hantering via riggning av långväga resor till/från Danmark (Nationell eller Regional modell).
- Implementering av uppdaterad nätutläggning för kollektivtrafik regionalt (långväga resor läggs ut även på snabbtåg).
- Eventuell implementering av svängfunktioner för bättre ruttval i Malmö kommun.
- Uppdatering av nätutläggningsmakro för lastbilstrafik så även svängstraff kommer med i utbudsmatriser till Samkalk.
Rekommenderade åtgärder på längre sikt - Uppdatering av extra attraktionstabeller
- Eventuell hantering av arbetsplatser inom handel
- Känslighetsanalys av tabellen regionalCardshare samt ev. uppdatering av denna.
- Känslighetsanalys av areatabellers påverkan på resultaten.
Bakgrund & Syfte
Sampers är ett nationellt modellsystem för trafikslagsövergripande analyser av persontransporter.
Sampers beräknar framtida trafikvolymer för olika scenarier, där det finns möjlighet att variera infrastruktur, BNP, bränslepris, sysselsättning, befolkningstillväxt med mera.
Scenarierna kan ställas mot varandra i en samhällsekonomisk kalkyl.
De främsta användningsområdena för Sampers är:
- prognoser för framtida trafikflöden
- konsekvensanalyser och investeringskalkyler, främst för stora och komplexa objekt med nygenererade flöden eller med trafikomfördelningar mellan trafikslag
- konsekvensanalyser för tänkbara transportpolitiska åtgärder
- tillgänglighetsanalyser och konsekvensanalyser av omfattande förändringar i markanvändning och transportsystem i städer och regioner
Modellen är indelad i en nationell modell för beräkning av långväga resor (> 10 mil) och fem regionala modeller för beräkning av resor <10 mil.
I juni 2020 planeras en ny basprognos för 2040 med tillhörande basårsanalys (2017) offentliggöras av Trafikverket. Detta innebär att den basprognos som benämns som version 18–04 kommer ersättas med denna version, benämnd 20–06.
Den nya versionen innebär en mängd större uppdateringar jämfört tidigare version.
- Uppdaterat basår till 2017 (tidigare 2014)
- Ny metod för framtagning av kollektivtrafiknät 2017 och 2040 - Ny metod för beräkning av bilinnehav, 2017 och 2040.
- Ny metod för justering av dagbefolkning i basåret, 2017.
- Uppdatering av taxematriser, 2017 och 2040
- Uppdatering av kör- och marginalkostnader för vägtrafik, 2017 och 2040.
- Uppdatering av befolkningsprognos för 2040.
- Uppdaterad områdesindelning, 2017 och 2040 Mindre uppdateringar innefattar:
- Uppdatering av vägnät från 2014 till 2017.
- Uppdatering av barriärmatriser utifrån nya målnivåer.
- Uppräkning av yrkesmatriser från 2014 till 2017.
- Justerade avgiftsnivåer för Öresund.
- Uppdaterad hantering av tilläggsmatriser i riggning.
- Hantering av GC avstånd i riggning.
- Felrättningar av några makron i riggningen.
Syftet med detta PM är att beskriva de förändringar som införts ny version av basprognosen
samt belysa de resultat som genereras av den uppdaterade modellen med fokus på den
regionala modellen för Skåneregionen.
Övergripande förutsättningar
I Sampersmodellen används en mängd övergripande förutsättningar, dvs. förutsättningar som är samma för alla resenärer. Nedan visas dessa dels för modellversion 18–04 dels för version 20–06
Tabell 1- Övergripande förutsättningar i olika modellversioner.
Förutsättning 2014 2017 2040 (1804) 2040 (2006) Enhet
Prognosår 2014 2017 2040 2040
Realinkomstutveckling (från -97) 1,45 1,54 2,13 2,17
Årtal för kostnader 2014 2017 2014 2017
KPI 313,49 322,11 313,49 322,11
Skatteavdrag- Marginaleffekt 0,4 0,4 0,4 0,4 andel
Skatteavdrag- Tidsvinst 30 30 30 30 minuter
Skatteavdrag- Avstånd 2 2 2 2 km
Skatteavdrag- Gräns 10 000 10 000 10 000 10 000 kr
Marginalkostnad 0,882 1,01 0,882 1,01 kr/km
Bränslekostnad 0,968 1,02 0,775 0,86 kr/km
Summa körkostnad 1,85 2,03 1,657 1,87 kr/km
De förutsättningar som förändrats mellan de båda modellversionerna är framförallt körkostnaden som ökar något i modellversion 20–06, både i basåret och prognosåret.
De reala inkomsterna räknas från 1997 och ser ut att ha i princip samma ökningstakt i de båda versionerna.
Områdesindelning
Den så kallade områdesindelningen i modellen är grunden för nivån på vilket en resa startar eller slutar. Den indata som hanteras i modellen är till mångt och mycket kopplat till denna indelning.
För Skånemodellen har det delvis genomförts relativt omfattande förändringar avseende områdesindelning.
I Trafikverkets version 18–04 fanns 2 072 områden i Skånemodellen I Trafikverkets version 20–06 finns 2 259 områden i Skånemodellen.
Den stora förändringen förekommer i Helsingborg där man i modellen gått från 74 områden
till 241 områden, dvs en ökning med 167 områden. För övriga Skåne avser justering i
Nedan visas bild över hur områdesindelningen har förändrats i Helsingborg mellan de båda modellversionerna.
Figur 1 - Områdesindelning i Helsingborg i version 18–04 och version 20–06
Noterat att i nya områdesindelningen har man infört så kallade enklaver (områden inne i andra områden). I detta fall handlar det om diverse tätorter (Påarp, Bårslöv, Mörarp). Det har tidigare eftersträvats att undvika sådana enklaver då ex. skaftning för det omslutande området inte blir helt självklart. I detta fall bedöms detta dock vara av mindre relevans då det handlar om ett fåtal områden.
Markanvändning
Markanvändning är kanske det mest relevanta indatat till modellen- Den beskriver hur många som bor- arbetar, inkomster, bilinnehav mm. för respektive geografiska område i modellen.
Merparten av detta indata hämtas från faktisk statistik via SCB, men i viss mån måste detta indata bearbetas då indata från SCB inte ger den bild som modellsystemet kräver.
För prognosåret baseras indata på befolkningsprognoser för 2040 från SCB/Trafikverket. I
detta steg har hänsyn till indata från de olika regionerna tagits hänsyn, åtminstone i
avseenden som rör fördelning av indata för olika områden. Precis som för basåret kommer
vissa indata bearbetas manuellt.
Befolkning/Boende
Nedan beskrivs befolkning för respektive kommun i Skåne. Befolkningen per område i basåret baseras på faktisk statistik 2016-12-31 från SCB medan prognosåret för 2040 baseras på SCB/Trafikverksprognos.
Tabell 2 - Befolkning i olika basår och prognoser
Kommun 2017 2040-ver. 2006
Andel av tillkommande befolkning 2017–2040
Utveckling 2017-> 2040
Förändring tidigare prognos
Svalöv 13 897 15 736 0,6% 13% 3%
Staffanstorp 23 564 29 443 2,0% 25% 2%
Burlöv 17 607 21 303 1,2% 21% 2%
Vellinge 35 229 43 936 2,9% 25% 2%
Östra Göinge 14 388 14 756 0,1% 3% 5%
Örkelljunga 9 947 11 142 0,4% 12% 2%
Bjuv 15 175 17 118 0,7% 13% 2%
Kävlinge 30 516 39 266 2,9% 29% 1%
Lomma 23 873 29 998 2,1% 26% 4%
Svedala 20 753 24 847 1,4% 20% 2%
Skurup 15 385 18 435 1,0% 20% 1%
Sjöbo 18 710 22 681 1,3% 21% 1%
Hörby 15 261 18 034 0,9% 18% 1%
Höör 16 168 20 462 1,4% 27% 2%
Tomelilla 13 313 14 909 0,5% 12% 2%
Bromölla 12 615 13 813 0,4% 9% 2%
Osby 13 126 13 706 0,2% 4% 3%
Perstorp 7 329 7 967 0,2% 9% 2%
Klippan 17 191 19 244 0,7% 12% 2%
Åstorp 15 505 18 583 1,0% 20% 3%
Båstad 14 594 17 074 0,8% 17% 1%
Malmö 327 174 420 060 31,2% 28% 3%
Lund 118 357 153 023 11,7% 29% 2%
Landskrona 44 492 54 312 3,3% 22% 2%
Helsingborg 140 212 172 195 10,7% 23% 4%
Höganäs 25 816 30 145 1,5% 17% 2%
Eslöv 32 832 39 998 2,4% 22% 2%
Ystad 29 409 35 209 1,9% 20% 2%
Trelleborg 43 837 54 104 3,5% 23% 1%
Kristianstad 83 045 99 023 5,4% 19% 1%
Simrishamn 19 457 20 518 0,4% 5% 2%
Ängelholm 41 302 50 631 3,1% 23% 2%
Hässleholm 51 581 57 549 2,0% 12% 2%
Det intressanta i tabellen ovan ur en valideringssynpunkt är kanske framförallt prognosårets befolkning. Det är framförallt kommuner i sydvästra delen av Skåne som växer mycket, exempelvis Malmö, Lund och Kävlinge. Även den nordvästra delen av Skåne har relativt stark tillväxt medan nordöstra och sydöstra Skåne har lite svagare, dock en positiv befolkningstillväxt.
Den tillkommande befolkningen mellan 2017 och 2040 kommer till ca 50 % att fördelas mellan de tre större städerna i Skåne, dvs. Malmö, Lund och Helsingborg.
Indata visar på små förändringar jämfört basprognosen i version 18–04 vilket verkar rimligt.
Förvärvsarbetande
I modellen anges hur många som förvärvsarbetar/bedöms förvärvsarbeta i framtiden.
Nedan visas tabell över antal samt utveckling av förvärvsarbetande mellan 2017 och 2040.
Detta kan ställas i förhållande till befolkningsutvecklingen under samma tidsperiod.
Antalet förvärvsarbetande kommer framförallt att påverka hur många arbetsresor som genereras i modellen och är därav en viktig parameter.
Tabell 3- Förvärvsarbetande i modellen version 20–06 samt utveckling av förvärvsarbetande och befolkning
Kommun 2017
2040-version.
2006
Utveckling 2017->2040
Befolkningsutveckling
2017->2040 0–16 år 16–65 år 65+ år
Svalöv 6 580 7 690 17% 13% -1% 18% 11%
Staffanstorp 11 246 13 900 24% 25% 23% 25% 28%
Burlöv 7 549 9 329 24% 21% 12% 19% 38%
Vellinge 16 261 18 509 14% 25% 57% 15% 20%
Östra Göinge 6 178 6 690 8% 3% 14% 6% -16%
Örkelljunga 4 457 4 650 4% 12% 7% 10% 21%
Bjuv 6 790 7 191 6% 13% -4% 4% 62%
Kävlinge 14 866 18 674 26% 29% 24% 22% 54%
Lomma 11 033 13 764 25% 26% 9% 23% 53%
Svedala 10 135 11 405 13% 20% 20% 12% 45%
Skurup 7 360 8 317 13% 20% 15% 9% 56%
Sjöbo 9 167 9 670 5% 21% 5% 9% 65%
Hörby 7 513 7 614 1% 18% -4% 5% 71%
Höör 7 894 9 099 15% 27% 34% 20% 38%
Tomelilla 6 223 6 061 -3% 12% 22% 8% 14%
Bromölla 5 637 6 151 9% 9% 11% 7% 15%
Osby 5 992 6 151 3% 4% 17% 6% -8%
Perstorp 3 012 3 043 1% 9% 47% 4% -12%
Klippan 7 758 7 704 -1% 12% 0% 1% 49%
Åstorp 6 805 8 819 30% 20% 8% 23% 25%
Båstad 6 699 7 314 9% 17% 16% 15% 22%
Malmö 142 332 190 100 34% 28% 13% 28% 51%
Lund 54 012 72 462 34% 29% 27% 28% 38%
Landskrona 18 738 22 664 21% 22% 20% 19% 32%
Helsingborg 64 149 81 319 27% 23% 25% 22% 24%
Höganäs 11 591 12 347 7% 17% -5% 5% 58%
Eslöv 15 634 18 742 20% 22% 13% 19% 41%
Ystad 13 983 15 099 8% 20% 9% 11% 45%
Trelleborg 20 257 24 319 20% 23% 2% 15% 65%
Kristianstad 38 119 46 321 22% 19% 16% 16% 30%
Simrishamn 8 335 7 765 -7% 5% -5% -3% 24%
Ängelholm 20 092 23 029 15% 23% 10% 17% 47%
Hässleholm 23 746 26 902 13% 12% 2% 10% 24%
Skåne 600 143 732 814 22% 22% 16% 20% 38%
På länsnivå är utvecklingen av förvärvsarbetande samma som utvecklingen av befolkningen vilket verkar logiskt. På kommunnivå kan man dock se vissa avvikande mönster. Det som framförallt sticker ut är kommuner där andelen förvärvsarbetande ökar i en betydligt långsammare takt än befolkningen.
Exempelvis sticker Örkelljunga, Bjuv, Sjöbo, Hörby, Tomelilla, Perstorp, Klippan, Höganäs, Ystad och Simrishamn ut med en utveckling av förvärvsarbetande som är mindre än hälften så snabb som befolkningsutvecklingen.
I andra delen av spannet sticker exempelvis Östra Göinge och Åstorp ut med en väldigt stark utveckling av förvärvsarbetande i förhållande till befolkningens utveckling.
Detta skulle kunna tyda på en föråldrad eller föryngrad befolkningsstruktur. För att bekräfta detta visas utveckling av befolkning i olika åldersintervall också i tabell ovan.
I tabellen ovan ser man exempelvis att Bjuv, Sjöbo, Hörby, Klippan och Höganäs har en
åldrande befolkning som hämmar utvecklingen av förvärvsarbetande. Samtidigt har
kommuner som Tomelilla och Perstorp en stark utveckling i unga åldrar där man inte
förvärvsarbetar.
Arbetsplatser
Var arbetsplatser finns styr framförallt målpunktsfördelning för arbetsresor. Antalet arbetsplatser hänger till viss del ihop med antalet förvärvsarbetande. På en aggregerad nivå bör dessa två indata inte avvika alltför mycket.
Tabell 4- Arbetsplatser i basår 2017 samt prognosår 2040
Kommun 2017
2040-ver.
20–06
Andel av tillkommande
arbetsplatser
2017–2040 Utveckling
Förändring tidigare prognos
Förvärvsarbetande/
Arbetsplatser Basår
Förvärvsarbetande/
Arbetsplatser Basprognos
Svalöv 4 000 4 675 0,5 % 17% 5% 1,65 1,64
Staffanstorp 6 692 8 042 1,0 % 20% 11% 1,68 1,73
Burlöv 8 198 10 138 1,5 % 24% 5% 0,92 0,92
Vellinge 9 143 11 390 1,7 % 25% 6% 1,78 1,63
Östra Göinge 4 731 5 163 0,3 % 9% -1% 1,31 1,30
Örkelljunga 3 941 4 247 0,2% 8% -5% 1,13 1,09
Bjuv 5 144 5 591 0,3% 9% 5% 1,32 1,29
Kävlinge 8 037 11 400 2,6% 42% 8% 1,85 1,64
Lomma 6 161 8 604 1,9% 40% 33% 1,79 1,60
Svedala 7 045 7 939 0,7% 13% 0% 1,44 1,44
Skurup 4 576 5 407 0,6% 18% 4% 1,61 1,54
Sjöbo 6 261 7 367 0,9% 18% 1% 1,46 1,31
Hörby 5 524 6 058 0,4% 10% 7% 1,36 1,26
Höör 5 300 6 926 1,3% 31% 11% 1,49 1,31
Tomelilla 5 216 5 855 0,5% 12% 9% 1,19 1,04
Bromölla 4 520 5 138 0,5% 14% 2% 1,25 1,20
Osby 4 689 4 948 0,2% 6% 2% 1,28 1,24
Perstorp 3 344 3 659 0,2% 9% 15% 0,90 0,83
Klippan 6 007 6 096 0,1% 1% -14% 1,29 1,26
Åstorp 6 115 7 233 0,9% 18% 12% 1,11 1,22
Båstad 6 735 7 909 0,9% 17% 0% 0,99 0,92
Malmö 176 023 221 339 35% 26% 6% 0,81 0,86
Lund 69 814 87 579 13,7% 25% -2% 0,77 0,83
Landskrona 16 538 19 350 2,2% 17% 0% 1,13 1,17
Helsingborg 70 915 87 480 12,8% 23% 2% 0,90 0,93
Höganäs 8 698 9 987 1,0% 15% 12% 1,33 1,24
Eslöv 11 344 14 345 2,3% 26% 5% 1,38 1,31
Ystad 13 413 15 597 1,7% 16% 10% 1,04 0,97
Trelleborg 13 817 18 442 3,6% 33% 4% 1,47 1,32
Kristianstad 38 997 47 597 6,7% 22% 2% 0,98 0,97
Simrishamn 7 685 8 296 0,5% 8% 7% 1,08 0,94
Ängelholm 18 193 21 094 2,2% 16% 0% 1,10 1,09
Hässleholm 21 966 25 204 2,5% 15% 0% 1,08 1,07
Skåne 590 799 720 095 100% 22% 4% 1,02 1,02
Antalet arbetsplatser ser ut att utvecklas förhållandevis på liknande sätt som befolkningen vilket verkar rimligt.
Några kommuner som sticker ut är dock Kävlinge och Lomma som har en stark ökning av arbetsplatser till 2040. Framförallt Lomma kommun sticker dessutom ut i jämförelse med tidigare basprognos. Dock kan man se att tillskottet av arbetsplatser mellan 2017 och 2040 främst kommer hamna i de större städerna där ca 60 % av tillskottet hamnar i Malmö, Lund och Helsingborg.
Genom att titta på förhållandet mellan förvärvsarbetande och arbetsplatser kan man få en känsla för vilka kommuner som kommer at ha ett inpendlings överskott/underskott. En kvot
<1 innebär att det finns fler arbetsplatser än förvärvsarbetande och en kvot> 1 att det finns fler förvärvsarbetande än arbetsplatser.
Genomgående är det de lite större kommunerna som har ett arbetsplatsöverskott.
Inkomster
I modellen anges inkomster för befolkning äldre än 16 år. Uppdelning sker via olika
inkomstintervall som anger hur många personer som finns inom varje intervall. Det översta intervallet avser inkomster på 400 000 + kronor per år.
Nedan visas genomsnittliga inkomster för boende inom olika kommuner i Skåne.
Genomsnittlig inkomst inom respektive intervall har tagits fram via statistik från SCB för år 2016.
Tabell 5- Medelinkomster per kommun för olika basår och prognosår (1000 tals kr per år)
Inkomster Kommun 2017
2040 version 18–04
2040 version 20–06
Utveckling 2017->2040
Förändring tidigare prognos
1214 Svalöv 209 303 285 36% -6%
1230 Staffanstorp 255 335 349 37% 4%
1231 Burlöv 205 285 292 42% 2%
1233 Vellinge 266 353 342 28% -3%
1256
Östra
Göinge 193 293 245 27% -17%
1257 Örkelljunga 195 289 275 41% -5%
1260 Bjuv 200 286 291 46% 2%
1261 Kävlinge 255 352 336 32% -4%
1262 Lomma 291 374 362 24% -3%
1263 Svedala 243 337 329 35% -2%
1264 Skurup 215 309 302 40% -2%
1265 Sjöbo 211 316 294 40% -7%
1266 Hörby 208 308 295 41% -4%
1267 Höör 225 320 306 36% -5%
1272 Bromölla 213 304 298 40% -2%
1273 Osby 205 300 279 36% -7%
1275 Perstorp 190 267 248 30% -7%
1276 Klippan 198 288 289 46% 0%
1277 Åstorp 199 301 276 38% -8%
1278 Båstad 224 324 298 33% -8%
1280 Malmö 198 295 294 49% 0%
1281 Lund 222 306 296 33% -3%
1282 Landskrona 200 290 283 42% -2%
1283 Helsingborg 220 310 297 35% -4%
1284 Höganäs 238 333 328 38% -2%
1285 Eslöv 217 310 298 37% -4%
1286 Ystad 225 326 302 34% -7%
1287 Trelleborg 216 319 307 42% -4%
1290 Kristianstad 213 311 294 38% -5%
1291 Simrishamn 202 295 279 38% -5%
1292 Ängelholm 232 333 318 37% -5%
1293 Hässleholm 206 295 291 42% -2%
Skåne 215 309 300 40% -3%
Den reala inkomstutvecklingen som generellt används i Sampers är ca 1,5 % per år innebärande ca 40 % mellan 2017 och 2040. Detta stämmer väl överens med inkomstutvecklingen på länsnivå i modellens indata.
Det finns till synes inga kommuner som utvecklingsmässigt sticker ut som avvikande. Dock förekommer någon/några kommuner där en relativt stor förändring skett jämfört tidigare basprognos, exempelvis Östra Göinge som har fått 17 % lägre medelinkomster 2040 i version 20–06.
Annars ser medelinkomster ut att fördela sig på ett rimligt sätt där kommuner som Lomma, Vellinge, Kävlinge har höga medelinkomster medan kommuner som Perstorp, Östra Göinge, Örkelljunga och Malmö har lite lägre medelinkomster.
Bilinnehav
Bilinnehavet i modellen beskriver hur många bilar, hur många disponerare av bilar samt antal personer som innehar körkort inom respektive område i modellen. Denna indata bedöms ha stor påverkan, framförallt på bilresandet som genereras.
Den parameter som har störst påverkan är tillgång till körkort (elasticitet 0.8), sedan disponerare (elasticitet 0.6) och sist antal bilar (elasticitet 0.3).
Detta innebär att om ex, körkortsinnehavet ökar med 10 % kommer antalet bilresor att öka med 8 % osv.
Vid framtagning av bilinnehav till modellen krävs att ett antal antaganden görs, detta då det
indata som levereras av SCB inte är komplett.
Indata som levereras avser privatägda bilar (inkl. leasing> 1 år) samt disponerare av privatägda bilar. Det som alltså saknas i underlagen är juridiskt ägda bilar som brukas av privata personer, dvs. tjänste/förmånsbilar.
En skillnad i underlag som levererats inför denna uppdatering av modellen är att antalet privatägda bilar levererats på modellens områdesindelning. I version 18–04 levererades ingen information om detta varpå detta indata hämtades på kommunnivå från Trafikanalys fordonsdatabas
1och fördelades sedan ner på modellens områdesnivå med stöd av
befolkningssammansättningen per område i respektive kommun.
Man bör alltså i grunden ha en bättre fördelning av antalet fordon per kommun i version 20–06.
För att få en komplett bild av bilinnehavet måste alltså levererade indata kompletteras med antal förmånsbilar samt antal personer som disponerar sådana bilar (eller mer korrekt antal personer som disponerar förmånsbilar som inte disponerar en privatägd bil).
Då information om antal förmånsbilar inte finns enkelt tillgängligt måste antaganden göras.
I modellversion 18–04 gjordes antagandet att antalet förmånsbilar korrelerade med antalet bilar som ägs av personliga företag på kommunnivå. I ett andra steg gjordes sedan ett antagande om att 50 % av brukare av förmånsbilar redan har en privatägd bil i hushållet (de disponerar alltså redan en bil), dvs. antalet tillkommande disponerare avser hälften av det tillskott som tillskottet av antal bilar innebär.
I modellversion 20–06 har man istället valt att utifrån nationella resvaneundersökningen som Trafikanalys genomför
2kalibrera bildisponerare på länsnivå utifrån andel per län som i RVU angett att de har en eller fler bilar i hushållet
3, dvs. om man i grundindata (exkl.
förmånsbilar) har en bildisponerarfrekvens på 60 % men RVU säger att 70 % av hushållen innehar en eller flera bilar justeras frekvensen upp med 10 %.
I ett andra steg justeras sedan antalet bilar med samma procentuella andel. Samtliga områden inom länet räknas upp med samma andelar för antal bilar och bildisponerare.
I modellen kommer områden där antalet disponerare överstiger befolkningen i ett område automatiskt justeras ner till 90 % av befolkningen, men om andelen disponerare är ex. 99 % av befolkningen kommer den andel stå sig vid modellering. Detta är en modellteknisk lite olycklig konsekvens. För att komma undan detta har man i version 20–06 i efterhand justerat områden där antal disponerare> antal boende så antal disponerare = antal boende, dvs. exakt 100 %.
1
https://www.trafa.se/vagtrafik/fordon/
2https://www.trafa.se/kommunikationsvanor/RVU-Sverige/
3 Då använd RVU bedöms som något osäker (bland annat låg svarsfrekvens, ca 600 svar för hela Skåne) har man som en
Nedan visas tabell över bilinnehavet, dels för tidigare basår, 2014 och dels för version 20–
06. För prognosåret är förutsättningen att bilinnehav per capita ska vara samma som i basåret, 2017.
Tabell 6 - Bilinnehav i olika modellversioner och år samt RVU 2018 (Andel med bil i hushåll).
Andel bilar i förhållande till befolkning
Andel disponerare i förhållande till befolkning
Andel körkort i förhållande till befolkning
Kommun 2014 2017 2040 2014 2017 2040
Bil i hushåll
RVU 2018
42014 2017 2040
Svalöv 53% 50% 50% 87% 94% 94% 95% 60% 59% 61%
Staffanstorp 48% 48% 48% 89% 97% 97% 95% 58% 57% 57%
Burlöv 42% 41% 40% 73% 86% 83% 86% 59% 59% 59%
Vellinge 53% 51% 51% 92% 98% 98% 96% 60% 60% 55%
Östra
Göinge 53% 49% 49% 86% 90% 90% 92% 62% 61% 58%
Örkelljunga 55% 51% 51% 89% 93% 93% 92% 63% 62% 62%
Bjuv 51% 52% 52% 82% 93% 93% 89% 60% 59% 62%
Kävlinge 51% 51% 51% 89% 96% 97% 94% 58% 58% 58%
Lomma 48% 48% 48% 91% 97% 96% 98% 58% 57% 59%
Svedala 51% 50% 50% 89% 97% 97% 92% 58% 57% 57%
Skurup 52% 51% 50% 88% 94% 94% 95% 60% 60% 61%
Sjöbo 57% 52% 52% 92% 96% 96% 96% 63% 62% 64%
Hörby 55% 48% 48% 91% 93% 93% 95% 62% 62% 65%
Höör 51% 48% 48% 90% 95% 95% 96% 60% 60% 59%
Tomelilla 55% 50% 50% 89% 92% 93% 92% 62% 62% 60%
Bromölla 51% 52% 52% 84% 94% 94% 92% 62% 61% 60%
Osby 51% 48% 48% 86% 91% 91% 92% 62% 61% 59%
Perstorp 46% 45% 45% 76% 84% 84% 85% 61% 60% 53%
Klippan 53% 52% 52% 84% 91% 91% 92% 62% 62% 63%
Åstorp 48% 49% 50% 81% 91% 92% 85% 59% 58% 60%
Båstad 56% 52% 52% 92% 96% 96% 96% 65% 65% 64%
Malmö 31% 31% 31% 56% 67% 68% 66% 60% 60% 61%
Lund 34% 33% 33% 66% 74% 75% 72% 60% 60% 60%
Landskrona 38% 40% 40% 68% 79% 81% 82% 60% 60% 60%
Helsingborg 39% 39% 39% 69% 79% 79% 82% 61% 60% 60%
Höganäs 49% 48% 48% 86% 93% 93% 92% 62% 62% 65%
Eslöv 48% 46% 47% 83% 89% 90% 88% 60% 59% 60%
Ystad 48% 46% 46% 82% 89% 89% 90% 64% 64% 65%
Trelleborg 49% 49% 50% 82% 89% 91% 89% 61% 61% 64%
Kristianstad 45% 46% 46% 79% 87% 87% 90% 61% 61% 61%
Simrishamn 53% 49% 49% 89% 91% 91% 91% 66% 66% 67%
Ängelholm 50% 49% 49% 84% 92% 92% 94% 62% 62% 63%
Hässleholm 49% 47% 47% 84% 90% 90% 91% 62% 61% 63%
Skåne 42% 41% 41% 74% 82% 82% 83% 61% 60% 61%
4 https://utveckling.skane.se/publikationer/rapporter-analyser-och-prognoser/resvaneundersokning-i-skane/
Resultaten ovan visar att med avseende på antal bilar kommer resultaten i de olika modellversionerna ge väldigt liknande värden på länsnivå. Även på kommunnivå är olikheter inte jättestora för merparten av kommunerna.
Tittar man dock på disponerare kommer skillnaderna vara större där vald metod i version 20–06 genomgående kommer generera en högre andel av befolkningen som disponerar bil.
För körkorten är andelarna också liknande varandra vilket är förväntat då samma metod för framtagning av körkortsinnehav har använts.
För prognosåret följer andelarna samma mönster som i basåret på ett relativt bra sätt. För körkort är dock avvikelserna något större.
Under 2018 genomfördes en RVU för Skåne där respondenterna bland annat fick svara på
frågan "Har du tillgång till bil i ditt hushåll?”. Utifrån svaren i RVU:n kommer bilinnehavet i
version 20–06 att avspegla bilinnehavet på ett bra sätt med något undantag.
Övriga indata avseende markanvändning
Ovan har validering av de viktigaste indatatabellerna i markanvändningsdatabasen genomförts. Det förekommer utöver dessa en mängd andra tabeller som också påverkar resultat.
Tabellen SAMSAr anger storleken på ett område samt hur stor del av området som är bebyggd. Variabeln kommer att påverka målpunktsvalet i modellen.
Avseende total area är de flesta kommuner mer eller mindre oförändrade mellan modellversion 18–04 och modellversion 20–06. Avseende bebyggd areal har dock vissa kommuner fått relativt stora förändringar.
- Burlöv: -8,1 % - Bjuv: + 11,9 % - Lund: + 10,8 % - Höganäs: +19,7 % - Malmö: -4,9 %
Tabellen SAMSTax anger bland annat yta för pemanentboende och fritidshusyta. Även denna variabel ingår i delmodeller som påverkar målpunktsval.
För permanentboende är förändringar i version 20–06 små jämfört version 18–04. För fritidshusytorna är dock förändringarna stora. På länsnivå har de ökat med 36 %. För många kommuner är dock förändringarna betydligt större än så. Exempelvis:
- Staffanstorp: ~ + 3000 % - Burlöv: ~+ 14 000 % - Svalöv: ~ + 100 % - Lomma ~+ 100 % - Bjuv: ~ + 600 %
Om man sätter värdena i tabellen i förhållande till kommunernas totala area verkar värdena även lite ologiska. Före permanenta bostäder ligger andelen av kommunernas totala area hyfsat generellt på ca 0,2 % - 1 %, fritidshusytorna ligger dock mer i härad mellan 10–40 %.
Vissa kommuner har mer fritidshusyta än det finns yta i kommunen totalt, exempelvis Vellinge och Båstad.
Tabell nedan visar sammanställning på kommunnivå över de två tabellerna SAMSAr och
SAMSTax.
Tabell 7- Angivna ytor i Markanvändningsdatavas samt dess förhållande till totala ytan
Kommun Area Totalt Bebyggd Permbo. yta Fritidshus yta Bebyggd andel
Andel perm.
boende av total area
Andel fritidshus av
total area
Svalöv 382 987 279 809 655 32 366 73% 0,2% 8%
Staffanstorp 104 373 66 632 1 081 13 202 64% 1,0% 13%
Burlöv 18 430 7 378 701 6 570 40% 3,8% 36%
Vellinge 159 679 81 714 1 900 197 287 51% 1,2% 124%
Östra 418 306 274 080 699 71 401 66% 0,2% 17%
Örkelljunga 313 057 181 563 499 96 228 58% 0,2% 31%
Bjuv 107 168 71 795 662 15 955 67% 0,6% 15%
Kävlinge 149 257 94 580 1 391 32 276 63% 0,9% 22%
Lomma 54 776 32 080 1 116 15 306 59% 2,0% 28%
Svedala 199 851 133 584 922 14 443 67% 0,5% 7%
Skurup 189 385 147 208 752 52 181 78% 0,4% 28%
Sjöbo 488 558 385 187 945 89 773 79% 0,2% 18%
Hörby 413 406 270 671 765 72 124 65% 0,2% 17%
Höör 288 021 185 756 788 82 051 64% 0,3% 28%
Tomelilla 387 595 269 077 678 108 776 69% 0,2% 28%
Bromölla 146 954 82 878 578 29 855 56% 0,4% 20%
Osby 540 990 314 482 665 81 714 58% 0,1% 15%
Perstorp 155 987 86 286 336 20 051 55% 0,2% 13%
Klippan 368 647 218 539 816 61 901 59% 0,2% 17%
Åstorp 89 521 59 249 662 16 953 66% 0,7% 19%
Båstad 209 023 142 794 846 469 353 68% 0,4% 225%
Malmö 154 318 74 065 12 445 109 008 48% 8,1% 71%
Lund 433 686 270 916 5 024 54 555 62% 1,2% 13%
Landskrona 136 038 77 536 1 860 67 646 57% 1,4% 50%
Helsingborg 340 214 237 476 5 911 81 291 70% 1,7% 24%
Höganäs 139 558 102 967 1 287 193 994 74% 0,9% 139%
Eslöv 413 220 308 917 1 451 33 454 75% 0,4% 8%
Ystad 347 480 227 045 1 488 167 951 65% 0,4% 48%
Trelleborg 333 947 239 154 2 039 140 605 72% 0,6% 42%
Kristianstad 1 192 162 722 397 3 839 384 095 61% 0,3% 32%
Simrishamn 385 766 255 763 1 073 417 346 66% 0,3% 108%
Ängelholm 402 634 259 891 1 998 128 028 65% 0,5% 32%
Hässleholm 1 233 847 781 342 2 473 196 571 63% 0,2% 16%
Skåne 10 698 841 6 942 811 58 345 3 554 310 65% 0,5% 33%
Tester av denna indata visar dock att resultaten inte påverkas i någon större omfattning av
dessa förändringar, dvs. känsligheten i dessa indata verkar inte vara stor.
Tabellen RegCardShare anger hur många kollektiva resor som sker med kort. Tabellen har inte uppdaterats på många år och andelarna i version 20–06 är samma som i version 18–04.
För Skåne verkar finnas två olika andelar, 0,134 och 0,074. Se nedan för specifika kommuner.
Uppdelningen ser ut att i princip följa den tidigare länsindelningen i Skåne (Malmöhus län och Kristianstads län).
Det är oklart hur detta påverkar resultaten men troligtvis har det en påverkan på generering av intäktsmatriser till Samkalk, men skulle även kunna påverka övrigtresandet.
Figur 2- Andel med periodkort för respektive kommun i Skåne
Tabellen Extra attraktion kan i modellen användas för att öka attraktionen till exempelvis handelsområden eller liknande.
Man anger först om ett område ska definieras som ett attraktionsområde, man kan sedan
koppla på en faktor på som kan variera mellan olika attraktionsområden. Tabellen används
sällan aktivt i modellen, dels då det är svårt att veta hur man ska ansätta den faktor som
tillhör respektive område dels då det är svårt att i prognosscenarier bedöma hur denna
faktor ska ansättas (ex. nybyggnad av handelsområden).
I Skånemodellen har ett antal områden dock ansatts som extra attraktionsområden, dock med samma faktor.
Figur 3- Extra attraktionsområden i Skåne i version 20–06
Till synes har i princip de flesta citykärnor ansatts som extra attraktionsområden, men även vissa andra målpunkter som kan anses attraktiva, ex. Kivik, Tomelilla (troligt Bo Ohlsson), Höör (Skåne Djurpark) samt diverse handelsområden (ex. Väla, Svågertorp, Hyllie, Jägersro, Hyllinge).
Som nämns tidigare i detta PM har stora förändringar av områdesindelning skett i
Helsingborg. Det verkar vid detta förfarande fallit bort en hel del extra attraktionsområden i
centrala Helsingborg (se figur nedan).
Figur 4- Extra attraktionsområden i Helsingborg i version 18–04 och version 20–06
Det som påverkar extra attraktion med avseende på handel är framförallt anställda inom handel (SNI50 i SAMSDag). Nedan visas bild över var de anställda inom handel
förekommer i modellen för 2017.
Figur 5- Arbetsplatser inom handel 2017, Extra attraktionsområden ”inramade”.
Bilden visar att angivna extra attraktionsområden i många fall ligger i områden med få
anställda inom handel. Det ser även ut som att anställda inom handel i många fall ligger i
områden utan kända handelsområden. Detta blir ännu tydligare om man zoomar in på
Helsingborg och Malmö/Lund.
Figur 6- Arbetsplatser inom handel 2017, Extra attraktionsområden ”inramade”. Helsingborg I Helsingborg har vi tidigare konstaterat att cityområdet (som i Skånemodellen generellt markerats som extra attraktionsområden) inte är heltäckande. Dock förekommer ett större handelsområde (Väla) strax utanför Helsingborg. Det markerade området för Väla verkar dock ha få anställda inom handel medan angränsande område har> 1000 anställda.
Sannolikt har indata hamnat på ”fel” område. Det förekommer i Helsingborg även att antal
områden till med högt antal arbetsplatser inom handel. I dessa områden förekommer dock
inga kända områden som skulle indikera detta.
Figur 7- Arbetsplatser inom handel 2017, Extra attraktionsområden ”inramade”, Malmö/Lund I Malmö/Lund området ser man samma fenomen. I Malmö verkar dock arbetsplatser inom handel hamnat ganska bra, exempelvis Hylle, Svågertorp, Stora Bernstorp, Jägersro. Burlöv Center, Mobilia och i Lund finns Nova Lund med många arbetsplatser. Dock förekommer flera områden med många arbetsplatser fast utan kända handelsområden.
Som man kan se verkar det i modellen finnas osäkerheter i fördelningen av arbetsplatser
inom handel. Det som man sannolikt bör se upp med är att områden som innehar många
arbetsplatser inom handel och som bedöms som orimliga inte är ansatta som extra
attraktionsområden.
Vägutbud/Avgifter
Vägnäten i modellen baseras på de nät som togs fram i arbetet med basår och basprognoser till version 16–04. Till modellversion 18–04 gjordes mindre uppdateringar men till
modellversion 20–06 har en något större uppdatering gjorts för att komma från basår 2014 till basår 2017.
Nedan visas de objekt som har kodats in i vägnätet för att komma från basår 2014 till basår 2017.
Tabell 8- Objekt mellan 2014 och 2017(väg)
Objekt Beskrivning Plan
Generella hastighetsjusteringar Förändringar jämna hastighetsgränser
Holmeja- Klågerup Mötesseparering
Östra Grevie Omlagda mindre vägar kring järnväg
Västra Ingelsta Omlagda mindre vägar kring järnväg
Stora Herrestad MLV delvis i ny sträckning
Inre Kustvägen 2kf i ny sträckning
Vanneberga-Önnestad Mötesseparering
För att vidare ta sig till prognosåret 2040 har följande objekt kodats in i modellen.
Tabell 9- Objekt 2017 till 2040 (väg)
Objekt Beskrivning Plan
Förbifart Linderöd MV i ny sträckning NAT-plan
Sätaröd - Vä MV i ny sträckning NAT-plan
Fjälkinge- Gualöv MV i befintlig korridor + lokalväg NAT-plan
Tpl Lund Södra ombyggd tpl, omläggning av sekundärvägar NAT-plan
Tpl Ideon Ny (halv) tpl NAT-plan
Svedala - Börringe MV ny sträckning NAT-plan
Flädie- Lund MLV 2+2 bef sträckning REG-plan
Bjärlöv- Broby MLV bef sträckning REG-plan
Assamåsa MLV bef sträckning? Alt valt? REG-plan
Staffanstorp-Lund MLV bef sträckning REG-plan
Anklam- Tomelilla MLV bef sträckning REG-plan
Ekeröd-Sandåkra MLV bef sträckning REG-plan
Höör- Hörby MLV delvis ny sträckning REG-plan
Genom Svedala MLV bef sträckning + omläggning av anslutande vägar REG-plan
Klippan-Hyllstofta MLV bef sträckning 2+1-satsning
Härlöv-Karpalund MLV bef sträckning 2+1-satsning
Malmö kommun Gottorpsvägen->Annetorpsvägen (Blåsebergavägen) Malmö kommun Lorensborgsgatans förlängning till Naffentorpsvägen.
Malmö kommun Diverse länkar i Hyllie.
Malmö kommun Sallerupsvägen->Södra Bulltoftavägen
Malmö kommun Bron över industrihamnen.
Malmö kommun
Neptunigatan öppnas för trafik medan Citadellsvägen
stängs för trafik.
Malmö kommun
Jörgen Kochsgatan stängs för trafik medan Hans
Michelsengatan öppnar för trafik i Nyhamnen.
Helsingborgs kommun Ny gata
Helsingborgs kommun Ny gata, Långebergav förlängning
Kollektivtrafikutbud
Nedan visas de objekt/förändringar som tillkommer mellan 2017 och 2040.
Tabell 10- Kollobjekt mellan 2017 och 2040 Objekt Beskrivning
Bussomläggning.
Malmö
Linje 1 - Förlängning från Elinelund till Elinelunds gård med tre tillkommande hållplatser
Bussomläggning.
Malmö Linje 2 - Ny sträckning till Nyhamnen istället för Västra hamnen Bussomläggning.
Malmö Linje 4-Kortas till Segevång i norra änden Bussomläggning.
Malmö
Linje 4-Linjen kortas från att ha gått till Bunkeflostrand till att stanna i Limhamn istället
Bussomläggning.
Malmö Linje 6 - Förläning från Toftanäs till Hemgården Bussomläggning.
Malmö
Linje 8 - Linjen delas i två, en linje 8 som går Kastanjegården – Fullriggaren och en ny Linje 10 som går Svågertorp – Malmö C via Kroksbäck.
Bussomläggning.
Malmö Linje 32-Förlängs mellan Östra hamnen och Norra hamnen Bussomläggning.
Malmö Linje 34-Linje 34 kortas av och går inte längre till Norra hamnen utan till Värnhem Bussomläggning.
Helsingborg
Regionbuss 220 och 222 som idag går Ängelholmsvägen och väg 111 norrut kommer istället passera Maria station via Bergavägen och Maria stationsgata
Hässleholm -
Lund Höghastighetsbana
Godsstråk genom
Skåne Åstorp- Teckomatorp Kontinentalbanan Persontrafik Skånebanan Kapacitetsåtgärder Södra Stambanan 4 spår Arlöv-Lund
Västkustbanan Maria- Helsingborg, dubbelspår Ystadsbanan Mötesstationer
Kollektivtrafiknäten/kodningen i Sampers kan delas in i två delar, busskodning och järnvägskodning. Nedan beskrivs busskodning för sig och järnvägskodning för sig.
Busskodning
I version 20–06 av modellen valde man att gå över till automatkodade bussnät via GTFS
(automatiskt) varje dag rapporterar in till en databas hur trafiken bedrivits med avseende på ruttval, restider och antal avgångar.
I version 20–06 av modellen har man valt att använda 12 september 2017 som dag för representation av bussnäten i modellen.
I version 20–06 har även ett GTFS nät genererats för Danmark, innebärande relativt stora förändringar på den sidan av Öresund avseende kollektivtrafikkodning
5.
De GTFS genererade bussnäten har både för och nackdelar.
Fördelen är främst att man får en bra representation av bussnäten, där de följer väglänkar på ett bra sätt. I tidigare nät representerades näten via raka länkar mellan busshållplatser viket gjorde att näten i princip var omöjliga att presentera på något vettigt sätt.
Nackdelen med näten är dock att man måste jobba med två olika scenarier, ett för
dygnstrafikering och ett för högtrafiktrafikering. Modellen kräver trafikering för dessa två tidsperioder och problemet uppstår i programvaran då linjer vid generering av de två tidsperioderna kan byta namn. Exempelvis om linje 1 finns på flera ställen i länet kan denna linje heta M1a i högtrafik men M1b för dygnet.
Detta skapar ganska stora problem om man vill göra editeringar av en linje i en analys då man måste göra samma editering två gånger och då hålla reda på vad linjen heter i dygnsscenariot och i högtrafikscenariot.
En annan liten nackdel är att programvaran som skapar näten inte klarar av att beskriva en linjes sträckning. Exempelvis linje 1 i Malmö går mellan Elinegård och Kristineberg. Denna information vore bra då det hade förenklat exempelvis vid editering av nät till följd av att linjer byter namn mellan scenarier.
För Skåne verkar det som GTFS har genererat en ganska överdriven trafikering, åtminstone på dygnsnivå för vissa linjer. Till följd av detta har samtliga linjer i modellen kontrollerats mot tidtabeller (dessa avser dock 2020 års trafikering, men borde ge en generell bild över avvikelser).
Nedan visas tabell med antal avgångar per dygn i modellen samt enligt tidtabell 2020.
Avseende högtrafik verkar GTFS verktyget lyckats bättre i sin generering av antal avgångar.
Även där finns en del avvikelser, dock inte i samma dignitet som dygnstrafiken. Därav redovisas enbart avgångar per dygn i tabeller nedan.
5Observera att kollektivtrafiknäten i Danmark inte har validerats inom ramen för detta PM