| 1. |
- Odolinski, Kristofer, 1984-, et al.
(author)
-
Modellering av järnvägstransporter : en översikt kring datakällor
- 2017
-
Reports (other academic/artistic)abstract
- Information om flöden av gods och passagerare är viktig för att utveckla kunskapsunderlaget om järnvägstransporter. Förutom att ge en nulägesbeskrivning kan informationen användas i transportmodeller för att genomföra prognoser av flöden, bland annat i syfte att planera och utvärdera åtgärder såsom infrastrukturinvesteringar, införande av olika begränsningar eller förändrade styrmedel. I Sverige består transportstatistiken främst av aggregerade data, vilket innebär att prognoser av transportflöden och andra typer av skattningar och analyser blir osäkrare. Det finns därför anledning att beskriva hur modelleringen av järnvägstransporter ser ut idag, samt dess utveckling och möjligheter att kombinera olika (och nya) datakällor för att ta fram den information om järnvägstransporter som efterfrågas.Sampers och Samgods är de svenska nationella trafikslagsövergripande modellerna för personrespektive godstransporter. Tre olika typer av indata används i Sampers: data som beskriver resebeteenden, data som beskriver trafiknätet och utbudet av kollektivtrafik samt data för hur attraktivt det är att resa till de områden (eller zoner) som finns i modellen. Resultatet från Sampers efterfrågemodell är passagerarflöden per färdmedel och destination. I fördelningen av tågpassagerare används nät- och linjekodning som motsvarar trafikeringen för nulägesåret (till prognoserna används prognostidtabeller). Detta ger exempelvis information om antalet resor per länk under ett år (det vill säga mellan stationer eller noder på linjer) samt antal på- och avstigande på de olika stationerna. Dessa resultat behöver valideras, vilket bland annat Trafikverkets regioner gör med hjälp av resandestatistik.Indata i Samgods är information om transportnätverket, kostnadsdata, regler, uppgifter om produktion och konsumtion samt varuflöden. Information om varuflöden kommer från utrikeshandelsstatistiken och varuflödesundersökningen. Uppgifterna om produktion och konsumtion används tillsammans med uppgifter om varuflöden för att ta fram en beräknad godsvolym för 34 varugrupper som ska transporteras mellan 464 zoner (varav 290 är kommuner i Sverige). För att ta fram transportdata för järnvägstrafiken i form av godsflöden och antal tåg fördelat på olika bandelar på järnvägsnätet, används modellverktyget Bangods. Detta sker bland annat via information om trafikering, som dock inte innehåller fullständig information om typ av godståg eller om typ av gods och godsmängd per tåg. I nuläget består utdata av godsflöden under ett helt år uppdelat på antal fjärr-, lokal-, system-, malm-, och kombitåg, 12 varugrupper och järnvägsnätets olika bandelar (cirka 300 stycken).Modelleringen av järnvägstransporter (som oftast ingår i trafikslagsövergripande modeller) går mot mer disaggregerade ansatser. På persontransportsidan går utvecklingen mot aktivitetsbaserade modeller, medan modellering av logistikbeslut på företagsnivå blir vanligare i godsmodeller. Denna utveckling innebär att det finns ett behov av dissaggregerade data, med en finare detaljnivå i både tid och rum. Samtidigt har den snabba teknikutvecklingen inneburit nya möjligheter för insamling av dissaggregerade data, framförallt genom låga priser och bättre funktion hos de tekniska enheter som behövs för att registrera och kommunicera information om positionering. Exempel på datakällor är satellitnavigationssystem (Global Positioning System, GPS), mobilnätsdata, Radio Frequency Identification (RFID) eller andra typer av sensorer (för exempelvis tågets vikt eller antal på- och avstigande).De olika datakällorna till transportmodelleringen har sina för- och nackdelar; en och samma datakälla kan inte täcka det behov av information som behövs. En kombination av de olika datakällorna kan därför vara en lösning. Exempelvis kan GPS-data och mobilnätsdata vara bra komplement då den förra har en hög detaljnivå, men större vita fläckar jämfört med den senare datakällan. Ett generellt problem med den automatiserade datainsamlingen är dock att den oftast fångar en del av resorna; även om den ger betydligt mer detaljerad information om resornas position och tid jämfört med traditionella undersökningar, så finns det ett snedvridet urval. Därutöver saknas det ofta socioekonomisk information samt information om syftet med resan, även om det via rörelsemönster från GPS- eller mobilnätsdata är möjligt att dra slutsatser om jobbets och hemmets position samt koppla denna information till (åtminstone övergripande) socioekonomiska data. Oavsett detta kan information om passagerarflöden och godsflöden vara användbara i kalibrering och validering av resultat. Detektorer för tågens vikt kan exempelvis användas för att ta fram information om antal passagerare på varje tåg (potentiellt mellan alla stationer om detektorn finns på tåget, eller om tillräckligt många stationära detektorer finns utplacerade). Även om godstågets vikt inte ger information om godstyp, så kan den informationen vara användbar i kalibreringen av Samgods och ge en tillförlitligare beskrivning av godsflöden fördelat på olika tåg och bandelar.Det finns med andra ord en stor potential att ta fram mer disaggregerade data över transportflöden med hjälp av ny teknik och datainsamlingsmetoder.
|
|
