Du er her

De er samfunnsøkonomisk lønnsomme:

Men gir myke kollektivtiltak flere reisende?

  • Myke kollektivtiltak – som bedre informasjon, komfort, trygghet og fasiliteter om bord – er nyttige for passasjerene og som regel samfunnsøkonomisk lønnsomme tiltak. Det vet vi fra tidligere undersøkelser. Men er det dermed gitt at slike tiltak bidrar til økt bruk av kollektivtransport?
  • Ikke nødvendigvis. Det finnes faktisk veldig lite dokumentasjon på at det forholder seg slik, og dette er et av utgangspunktene for en studie gjennomført i tilknytning til etatsprogrammet «Bedre kunnskapsgrunnlag for endret transportmiddelfordeling i byer» (Bedre by).

Venn tipset!

Din venn har blitt sendt en e-post om denne artikkelen.

Tips en venn

I rapporten Etterspørselseffekter av kvalitetshevinger i kollektivtransporten (Fearnley mfl., 2015) går vi blant annet gjennom hvordan effekten av kvalitetshevende tiltak på etterspørselen kan beregnes eller måles. Den eksisterende kunnskapen om hvordan myke kvalitetsfaktorer påvirker etterspørsel etter kollektivtransport, er mangelfull. Årsakene er flere:

Etterspørselseffektene er gjerne så små at de drukner i «støy» fra naturlige etterspørselssvingninger og i effekter av faktorer som har mer å si. Det er ofte vanskelig å måle kvalitet på en meningsfull skala for å analysere effektene. Videre fremstår effektene som kontekstavhengige, slik at de avhenger bl.a. av kvaliteten på kollektivtilbudet for øvrig. Generelt er det gjort få vitenskapelige undersøkelser av sammenhengene mellom myke kvalitetsforbedringer og etterspørsel i kollektivtransporten.

I denne artikkelen ser vi først nærmere på noen hovedgrupper faglige tilnærminger og metoder som benyttes for å beregne etterspørselseffekter av myke kvalitetsforbedringer:

  • Reisetidsekvivalenter.
  • Hypotetiske valg.
  • Faktiske valg.

Det danner grunnlaget for oppsummering og anbefalinger for metodevalg ved fremtidige undersøkelser. Vi peker også på hvilke typer myke kvalitetsforbedringer som er mest aktuelle å analysere.

Reisetidsekvivalenter

Stasjon. FotoDen klart vanligste måten å beregne etterspørselseffekter av kvalitetshevende tiltak på er å benytte implisitte elastisiteter. En implisitt elastisitet beregnes ved hjelp av kjent elastisitet og kjent relativ verdsetting. Et eksempel vil være hvis man gjennom verdsettingsstudier finner at et kvalitetsaspekt har samme verdi for passasjerene som to minutters kortere reisetid. Da vil man innenfor denne tankegangen forvente at etterspørselseffekten av kvalitetsforbedringen tilsvarer effekten av to minutter kortere reisetid. Bruk av implisitte elastisiteter er intuitivt og brukes ofte i mangel av bedre empiri. Det er imidlertid flere utfordringer med en slik tilnærming, blant dem disse to:

  1. Verdsetting er ikke det samme som etterspørselseffekt. Tilbudsforverringer, som til dels har stor negativ nytteverdi, får ikke alltid en tilsvarende stor negativ etterspørselseffekt. Innen jernbane har flere studier vist at passasjerer sterkt misliker forsinkelser og har svært høy betalingsvillighet for bedre punktlighet. Likevel viser de empiriske funnene at punktlighet bare i liten grad påvirker etterspørselen.
  2. Å overføre elastisiteter fra et scenario til et annet kan være problematisk, siden elastisiteter avhenger mye av hvilke alternativ reisende har (modellteknisk sett konstantleddene til alternativene). Derfor kan det hende at etterspørselseffekten i ett scenario er forskjellig fra den i annet scenario selv om betalingsvilligheten er lik.

Hypotetiske valg

Det finnes mange varianter av valgeksperimenter. Samvalgsanalyser er én, betinget verdsetting en annen. Dette er hypotetiske valg som, i motsetning til observert atferd, gjerne presenteres i markedsundersøkelser. Innenfor samvalgsanalyser er det også flere ulike tilnærminger, for eksempel valg mellom ulike transportmiddel for samme strekning, eller valg mellom ulike strekninger for samme transportmiddel. I begge disse tilnærmingene vil trafikantene bli presentert reisealternativer med ulike karakteristika, som de veier opp mot hverandre.

Begge tilnærmingene brukes til å beregne etterspørselseffekter av kvalitetshevende tiltak. Det gjøres direkte gjennom elastisiteter eller implisitt via verdsetting og generaliserte kostnader.

Den store fordelen med hypotetiske samvalgsanalyser er at en kan kontrollere konteksten og attributtnivåene, slik at en kan få data for akkurat de kvalitetsegenskapene man ønsker. Samtidig kan en også teste ulike nivåer av endringer. Imidlertid er det en del utfordringer knyttet til denne tilnærmingen, som bunner i den hypotetiske tilnærmingen, blant dem disse tre:

  1. Ekstern validitet av det hypotetiske valget – dette dreier seg om hvorvidt koeffisienten som måles, gjelder i den virkelige verden.
  2. Skalaforskjell mellom hypotetiske valg og reelle valg – her er spørsmålet om den nytteskalaen som estimeres eller implisitt antas, gjelder i den virkelige verden.
  3. Reduserte valgsett – spørsmålet her er om elastisitetene beregnet i hypotetiske valgsituasjoner med et begrenset valgsett, ofte valg mellom to transportmidler, kan overføres til en ekte valgsituasjon med mange valgalternativer og langt flere attributter ved hvert alternativ.

Våre funn er at kalibrering av slike modeller i hovedsak er fraværende på tross av at disse svakhetene har vært kjent i litteraturen de siste 25 årene. Dette er ikke et problem i verdsettinger, men i prognoseformål. Derfor anbefales ikke slike undersøkelser alene som grunnlag for etterspørselsberegninger.

Faktiske valg

Revealed preferences (RP), eller revealed choice, er en sekkepost for ulike typer valganalyser basert på observert adferd. Disse studiene tar utgangspunkt i reelle valg. Dette gjør at en kan være relativt sikker på de observerte valgene. Derimot har man mindre kontroll på kvalitetsfaktorene som de reisende står overfor og nivået på disse. Vi observer altså valgene (NN tar buss), men har mindre pålitelig informasjon om attributtene til valgalternativene (bussen som NN tok, hadde universell utforming). Dette er særlig vanskelig for alternativene som ikke blir valgt (dersom NN valgte bil, ville jobbreisen tatt 10 minutter).

RP-analyser begrenser hva en kan studere. En er tvunget til å se på faktiske tiltak, og det vil være støy i undersøkelsene som en ikke lett har kontroll på. Det kan dreie seg om uforutsette endringer i kvaliteten på andre transportmidler, om ruteomlegginger, om ikke planlagte driftsavvik eller om andre ikke forutsette endringer som har skjedd parallelt med tiltaket en ønsker å studere. En annen utfordring er å dekomponere dataene i ulike deleffekter av ulike deltiltak. Det er to poeng knyttet til dette:

  1. Ulike tiltak blir gruppert sammen på ulike steder, slik at det blir vanskelig å skille effektene av dem fra hverandre; og
  2. effektene av deltiltakene hver for seg (eller samlet) er så små at det er vanskelig å få signifikante utslag, selv om effekten er der.

Øvrige utfordringer med RP-analyser er at det ofte er lite variasjon i dataene, og at forklaringsvariablene ofte er sterkt korrelerte (som reisetid og pris).

Oppsummert

Hovedskillene i metodiske tilnærminger går, for det første, mellom metoder som baseres på observert atferd (RP) og de som baseres på hypotetiske undersøkelser (SP), og, for det andre, mellom direkte og indirekte tilnærminger.

Generelt kan det slås fast at direkte beregninger basert på faktisk adferd vil gi det beste grunnlaget for prognoser. Virkeligheten er dessverre ikke så enkel at slike beregninger alltid lar seg utføre.

SP-undersøkelser alene er ikke anbefalt som grunnlag for etterspørselsprognoser. Derimot vil kombinerte SP- og RP-undersøkelser hente ut mange av de to tilnærmingenes fordeler. SP-resultater i form av verdsettinger benyttes dessuten ofte indirekte, ved hjelp av implisitte elastisiteter, til beregning av etterspørsel – med de mulige svakhetene det har. Direkte tilnærminger er ofte vanskelig, av flere grunner: Vi vet for lite om kvaliteten på valgalternativene; kvalitet er vanskelig å måle, fordi målbarhet forutsetter at reisealternativene har ulik kvalitet; enkelte kvalitetsfaktorer fins kanskje ikke i markedet fra før.

Kontrollerte før- og etterstudier antas i prinsippet å kunne gi robust empiri i form av direkte beregninger basert på faktisk adferd. Imidlertid er godt gjennomførte, systematiserte før- og etterevalueringer med godt kontrolldesign en mangelvare, noe vi kan ta som en indikasjon på at det er lettere sagt enn gjort og utføre slike.

Vår litteraturgjennomgang finner at definisjon og konkretisering av «kvalitet» varierer mellom studier og er til dels diffus. Stort sett fins det ingen etablerte skalaer eller mål for de myke kvalitetsfaktorene. Noen studier rapporterer effekter av forbedring fra «dårlig» til «bra» nivå av kvalitetsfaktorer. Andre benytter dummyvariabler, eksempelvis for sanntidsinformasjon, men slike sier lite om i hvilken grad tiltaket fungerer eller treffer trafikantenes behov.

En lang rekke kvalitetsfaktorer er først og fremst subjektive. Det gjelder bl.a. kjørestil og opplevd trygghet. Et tiltak kan utgjøre en stor forskjell for noen, men være helt uvesentlig for andre. Videre er det generelt stor variasjon mellom etterspørselseffekten av samme type tiltak i ulike kontekster. Dermed er det vanskelig å overføre resultater mellom studier og kontekster.

Veien videre

Mer kunnskap om etterspørselsvirkninger av myke kvalitetsfaktorer er etterspurt, men lite forsket på. Samtidig viser mye av litteraturen at kvalitetshevende tiltak har små og vanskelig målbare etterspørselseffekter. Dette gjør at det vil være krevende, både med hensyn på undersøkelsesdesign og størrelse, å få statistisk signifikante og generaliserbare funn.

Noen metodiske tilnærminger peker seg ut som aktuelle:

En godt forberedt og bredt anlagt kontrollert før- og etterstudie med et større antall lokale analyser av tilnærmet identiske tiltak, samt nøye utvalgte kontrollområder, skal i prinsippet kunne gi god empiri.

Tidsserieanalyser blir mer og mer aktuelt fordi automatiske tellinger brer om seg. Økt kvalitet, detaljeringsgrad og tilgang på data vil muliggjøre robuste etterspørselsanalyser også når effektene er små. Også med tidsserieanalyser vil kontrollerte studier være førstevalg, altså at analysen inkluderer ruter/områder uten kvalitetshevende tiltak.

Kombinerte RP-SP-analyser peker seg frem som en lovende tilnærming, som henter det beste fra hverandre. Forutsetningen for kombinerte RP-SP-analyser er at man har gode RP-data på disaggregert nivå. Sammenlignet med andre tilnærminger, vil datainnsamling og analyser av kombinerte RP-SP-data være mer ressurskrevende.

Løsningen på problemet med å generalisere sammenhengene, vil være å gjennomføre et større antall studier av tilsvarende tiltak i ulike kontekster for å etablere målemetoder og, i den grad det er mulig, redusere effekten av lokale variasjoner.

Hvilke er de viktigste myke kvalitetsfaktorene for fremtidige analyser? Litteraturen peker på trygghet, sjåføregenskaper, kjørestil, informasjon, trengsel/sitteplass og holdeplasskvalitetet, som særlig aktuelle. Når det gjelder punktlighet og trengsel, som er i grenseland mellom å være myk og hard kvalitetsfaktor, er empirien tynn, men voksende. Punktlighet og trengsel er metodisk vanskelig å analysere på grunn av endogenitet, eksempelvis ved at økt kapasitet gir økt etterspørsel som igjen gir økt trengsel.

Kilde
Nils Fearnley, Jørgen Aarhaug, Stefan Flügel, Anne Madslien og Jonas Eliasson, 2015. Etterspørselseffekter av kvalitetshevinger i kollektivtransporten. TØI-rapport 1408/2015.

DEBATTREGLER I SAMFERDSEL
Har du synspunkter på denne saken, så kom gjerne med dem her i kommentarfeltet! Det du skriver vil i de fleste sammenhenger fremstå som mer interessant og troverdig dersom du skriver under fullt navn. Hold deg til saken, vis respekt og raushet overfor andre og deres meninger. Husk at det du skriver kan bli lest av mange!

Ytringer som inneholder trusler eller annen form for sjikane, vil bli fjernet.

Vennlig hilsen
Samferdsel-redaksjonen

comments powered by Disqus

Ansvarlig redaktør:  Kommunikasjonssjef Harald Aas, E-post: ha@toi.no  |  Personvern

Designet og utviklet av CoreTrek AS