Av CHRISTOFFER VIENA JØRGENSEN,TRUDE TØRSET OG TOMAS LEVIN
Viena Jørgensen er student og Tørset er førsteamanuensis ved NTNU Institutt for bygg, anlegg og transport. Levin er forsker ved SINTEF Transportforskning. Tørset og Levin var veiledere for Jørgensen på masteroppgaven.
chrijorg@stud.ntnu.no - trude.torset@ntnu.no - tomas.levin@sintef.no

Foto: F. Dahl

Metoden som er testet i en masteroppgave ved NTNU, viser nye, kostnadseffektive muligheter som byplanleggerne vil kunne ha stor nytte av, spesielt innenfor planlegging og effektvurderinger av sykkeltiltak som følger opp bymiljøavtalene.

Noen av de viktigste dataene vi trenger for å forklare hvor og hvorfor folk sykler, eller ikke sykler, kan ganske enkelt hentes fra ivrige syklisters treningsloggere, slike som i stor grad er i bruk i dag. Dessuten vil nye, digitale vegnett med funksjonalitet utviklet for den regionale transportmodellen (TNExt, som allerede brukes av planleggerne) gi informasjon om hvor de bratte veglenkene er (Kroksæter, 2014).

Dette er data som kan hjelpe planleggerne å nå målene som er definert i NTP og klimameldingen: Sykkelandelen av personreisene skal kraftig opp over hele landet. For å nå målsettingen må det tilrettelegges for sykkel. Vi må både gjøre det sikrere, enklere og raskere å sykle – samtidig som det legges flere restriksjoner på bruk av privatbil.

Byplanleggerne må nå finne ut hvilke tiltak som må iverksettes. De må prioritere tiltak som gir stor effekt i forhold til kostnadene. De må derfor kunne dokumentere hvordan totalpakken vil virke på trafikantenes destinasjons- og reisemiddelvalg, og de må siden kunne dokumentere at tiltakene hadde den ønskede effekten.

Vi har ikke tid til å bygge først for så å vente og se på effektene. Da kan vi ende opp med å prioritere tiltak med lav virkningsgrad per investeringskrone først, vi kan bomme på tiltakenes retning og styrke. Å pøse på med alle mulige tiltak vil innebære fare for at det investeres i virkningsløse prestisjeprosjekter.

Derfor sykler de …

Dagens prognose- og analyseverktøy er foreløpig til liten hjelp i arbeidet, fordi beregningene som gir andel sykkelturer mangler mange av de viktigste forklaringsfaktorene for hvorfor folk velger å parkere bilen og sykle i stedet (Malmin, 2013).

Bruk av treningsloggedata er testet i en masteroppgave som ble gjennomført denne våren ved NTNU Institutt for bygg, anlegg og transport. Oppgaven dokumenterer at resirkulering av data fra treningsloggerne gir store mengder informasjon om syklistenes ruter mellom A og B.

Målet med oppgaven har vært å finne lett tilgjengelige datakilder for sykkelfart og stigninger, ettersom bakker er noe som påvirker sykkel-iveren og styrer rutevalget. Dette er en type data som mosjonister og andre samler inn gjennom GPS-registreringer, uten at det er del av noen styrt undersøkelse, gjennom for eksempel treningsloggere. Disse brukes ikke bare til trening, noen logger alle egne bevegelser.

 Kostnadseffektivt og raskt

Med en fartsmodell har vi plutselig et grunnlag for å skille mellom attraktive og mindre attraktive sykkelrelasjoner og sykkelruter. Nå vil selvsagt selve datagrunnlaget være skjevt med tanke på bruk i en fartsmodell som skal representere den gjennomsnittlige transportsyklisten. Innsamlingsmetoden er imidlertid svært effektiv, så med en ny, kontrollert studie med et representativt utvalg, kan man kostnadseffektivt og ganske raskt utvikle mer presise etterspørselsmodeller for sykling.

Det ble identifisert flere potensielle nettsteder med data, og noen av dem hadde nok informasjon til å kunne benyttes i en fartsmodell. Vi trenger posisjonsbestemmelsen i tre dimensjoner og eksakt tidspunkt for registreringen. Vi valgte å utelukke turer som tydelig var treningsturer eller på andre måter ikke var representative for en typisk transportsyklist. Datasettet måtte også vaskes for feil og urimelige verdier. Men fordi det finnes så mye data, ble datasettet likevel omfattende og mer enn stort nok for vår test. Hva som er urimelige verdier bør også studeres videre. (Figur 1.)

Figur 1. Eksempler på nettsteder der syklister legger inn data. Mapmyride (oppe til venstre), Ridewithgps (oppe t.h.), Endomundo (nede t.v.) og Garmin Connect (nede t h.).

I masterstudien er ikke enkeltobservasjonene uavhengige, fordi vi har flere observasjoner for samme person og sykkeltur, og fordi det er benyttet flere personers sykkelturer på samme sykkelrute. Dette kan det korrigeres for, men det er ikke gjort her, siden datasettet uansett er såpass omfattende.

Potensial for en bedre modell

Hvis vi ser på punktfarten og hvordan glattede medianverdier ligger i forhold til stigningsgraden på veien, får vi en kurve som vist i denne figuren:

I bratte unnabakker kjører gjennomsnittssyklisten ganske rolig. Så øker farten med slakere nedoverbakke inntil man får et fall på fire prosent. Til nå er det syklistens nerver, bremsekraft og risikovurdering som avgjør farten. Så begynner også muskelmasse, trivselsfart og form å spille inn; farten flater ut på rundt 8 km/t når oppoverbakkene blir virkelig bratte. I samme figur er fartsmodellen som er benyttet i ATP-modellen vist (Ørnes og Skogstad Norddal, 2011). I nyttekostnadsanalyser benyttes fart for å beregne reisetidsforbedringer for syklister, og da er det forutsatt at sykkelfarten er konstant lik 15 km/time (Malmin, 2013). Det finnes med andre ord et stort potensial for å utarbeide en bedre fartsmodell.

Det er også spesielt interessant å se på fartsfordelingen for en enkelt stigning, hvor det var et stort sprik mellom observasjonene. Her ser man to tydelige grupperinger, hvor den ene gruppen sykler rundt 10 km/t raskere for akkurat denne stigningen. I masterstudien har vi ikke avdekket om dette viser forskjellen på kvinner og menn, eller forskjeller mellom trening og transport, eller sesongavhengige variabler som vær og føre eller infrastruktur som sykkelfelt, sti eller vegbane. Det er imidlertid noe man kan gjøre i en kontrollert studie.

Fartsobservasjoner for stigningsgrad 7 %. Én observasjon er her én posisjonsmåling ved hjelp av GPS.

Det ble utarbeidet tre fartsmodeller: en for nedoverbakker, en for oppoverbakker og en for tilnærmet flate strekninger. Regresjonsanalysen viste middels forklaringsgrad for modellene, men dette var som forventet. Flere antatt viktige variabler var, som nevnt, ikke tilgjengelig i datasettet. Gjennomsnittlig stigning, stigningslengde, stigning og lengde på forrige segment samt temperatur viste seg å være de viktigste forklaringsvariablene. Temperatur kan nok være en indikasjon på effekten av vær og føre mer enn på selve temperaturen i seg selv.

Datamaterialet som ligger tilgjengelig på nett er ikke nødvendigvis representativt for den gjennomsnittlige syklisten, og det kan derfor ikke brukes direkte som grunnlag for å estimere etterspørselsmodeller for sykling. Men metoden for datainnsamling er ferdig utviklet, og vi får det datagrunnlaget som vi trenger om rutevalg og fartsnivå. Kostnadene for innsamlingsutstyr er fra 1200 kroner for en treningsklokke til syv kroner for en app for mobiltelefon. Dette kan enkelt kobles videre mot for eksempel kartdata med sykkelforholdene på vegnettet, data om vær og vedlikehold som kan forklare sykling.

 Veien videre

Det ligger altså til rette for å gå videre med resultatene fra masteroppgaven og gjøre en kontrollert datainnsamling, supplert med spørreundersøkelser. Resultatet vil gjøre det mulig å lage en modell for sykkeletterspørsel. Personvern har vært en bekymring, men dette kan løses ved å klippe turene i hver ende, eventuelt ved at deltagerne i en undersøkelse godkjenner bruken av dataene.

Metoden som er testet viser nye, kostnadseffektive muligheter som byplanleggerne vil ha stor nytte av, spesielt innenfor planlegging og effektvurderinger av sykkeltiltak som følger opp bymiljøavtalene. Med andre ord, alt ligger til rette for at byplanleggere kan gjenbruke våre digitale spor til å planlegge framtidens byer. 

Referanser
Malmin, Olav Kåre (2013): CUBE – Teknisk dokumentasjon av Regional persontransportmodell. SINTEF-rapport A24718.Kroksæter, Anders (2014): Brukerveiledning TransportNettExtension for ArcMap, versjon 2.55. SINTEF notat april 2014.Ørnes, Espen og Kari Skogstad Norddal (2011): Brukermanual ATP-modellen versjon 10.0. Asplan Viak. Trondheim.