De zelfrijdende auto zal een ware revolutie ontketenen. Geen wijken vol stilstaand blik meer en alle ruimte voor groen en recreatie. Toch? Onderzoekers van TU Delft en Technolution ontwikkelden een nieuwe aanpak om de effecten van zelfrijdend vervoer zo objectief en onderbouwd mogelijk te bepalen. Ze voedden systeemdynamische modellen met datasets over onder meer het grondgebruik, het aantal banen en woonplekken en de verkeersvolumes – en kwamen tot beduidend minder jubelende conclusies.
Dat de zelfrijdende auto z’n impact zal hebben op de ruimtelijke ordening in de stad is wel duidelijk. Maar welke impact precies en hoe groot is die ‘revolutie’? Futuristen verwachten dat zelfrijdend vervoer het aangezicht van een stad drastisch zal veranderen. De redenatie is eenvoudig: zelfrijdende voertuigen maken het wegverkeer vele malen efficiënter, efficiënter wegverkeer legt een minder grote claim op het stedelijk oppervlak en die vrijkomende ruimte kan terug naar de inwoners van de stad. Ook het gegeven dat zelfrijdende auto’s zelf een parkeerplek kunnen opzoeken, buiten de woongebieden, doet believers dromen van groene steden en spelende kinderen.
De juiste toekomst?
Het is op zich zonneklaar dat de zelfrijdende auto het potentieel heeft zo’n ommezwaai te veroorzaken. Maar de vraag is of nu specifiek díe ommezwaai er komt. Voor elk scenario met spelende kinderen kun je immers met evenveel recht een scenario zetten waarin het tegenovergestelde gebeurt. Een voorbeeld. De tijd die we normaliter aan reizen besteden ligt al vele decennia tussen de 1,0 en 1,5 uur per persoon – langer beleven we al snel als hinderlijk. Maar stel dat we reistijd als nuttige tijd gaan ervaren doordat we kunnen ontspannen, werken of leren en plots veel langer gaan reizen dan die 1,5 uur per dag? Iedere efficiëntiewinst van het verkeer zal dan teniet worden gedaan door de toename van het verkeer op de weg. De parkeermedaille heeft een zelfde keerzijde. Wat als we de tijd die we nu kwijt zijn om te parkeren van de reistijd kunnen aftrekken, omdat de zelfrijdende auto zelf zijn weg wel vindt naar een parkeerplaats? Wat als we op onze parkeerkosten kunnen besparen doordat de zelfrijdende auto een goedkope parkeerplaats opzoekt buiten de stad?
De vraag is dus hoe we de mogelijke effecten van nieuwe vervoerstechnologieën op het verkeersvolume, de bereikbaarheid, de weginfrastructuur en de populatiedichtheid in stedelijke gebieden goed en realistisch in beeld kunnen krijgen – zonder ons te verliezen in wensdenken. Een solide toekomstmodel bestaat niet en we hebben geen data uit de toekomst. We kunnen echter wel de hier en nu beschikbare datasets als uitgangspunt nemen en die inzetten om de toekomst met open vizier te verkennen. Hoe precies?
Nieuwe manier van toekomst verkennen
De aantrekkelijkheid van een woonlocatie is afhankelijk van de bereikbaarheid en de wijze waarop het gebied eromheen wordt gebruikt (het landgebruik). De effecten die zelfrijdende auto’s hierop hebben, zijn mede afhankelijk van toekomstige sociaaleconomische ontwikkelingen.
Traditioneel ontwerpen we nu eerst een paar scenario’s waarbij we per scenario a priori een verwacht effect van zelfrijdende auto’s definiëren. Vervolgens diepen we iedere ‘hoofdrichting’ uit. Een mooi voorbeeld zijn de scenario’s zoals gedefinieerd in een recente studie van Milakis e.a. (2017). Zie figuur 1.
Voor onze studie ‘Transportation and spatial impact of automated driving in urban areas’ hebben we een andere aanpak gekozen. In plaats van op voorhand een verwacht effect te definiëren, accepteren we de onzekerheden als gegeven en verkennen we de ‘onzekerheidsruimte’. We zeggen dus niet dat (bijvoorbeeld) in scenario 1 alle voertuigen in 2025 volledig zelfrijdend zijn en in scenario 2 in 2040, maar stellen dat de penetratiegraad van een autonoom voertuig in een bepaald jaar een waarde kan hebben tussen de 0 en 100%. Vervolgens rekenen we voor elke penetratiegraad van 0 tot 100% de bijbehorende toekomstontwikkeling door. Hetzelfde doen we met de andere onzekerheden rond zelfrijdende voertuigen, zoals de efficiëntie van rijden (bijvoorbeeld: nemen zelfrijdende auto’s meer of minder ruimte in op de weg, gegeven onder meer de rijafstanden die ze aanhouden?), de reistijdwaardering, de drempelverlagende werking op onze mobiliteit, het al dan niet delen van zelfrijdende auto’s, de tijd dat deze auto’s onbenut staan te wachten en de dichtheid van parkeren. Zie figuur 2 voor een overzicht van de ruimte per onzekerheid.
Voor het doorrekenen van alle mogelijke toekomstontwikkelingen gebruiken we een systeemdynamisch model. Zo’n model beschrijft het gedrag van een systeem in de tijd aan de hand van: (i) de begintoestand van het systeem, (ii) de factoren die van invloed zijn op de verandering van de toestand, (iii) de tijdstap waarin de verandering plaatsvindt en (iv) de recursieve regel: nieuwe toestand = oude toestand + verandering.
We voeden dit model met bestaande data. Vervolgens verkennen we de ‘onzekerheidsruimte’ door steeds een andere waarde te kiezen voor ieder van de genoemde onzekerheidsfactoren: voor iedere set van waarden rekenen we de toekomst door. Iedere modelrun geeft een idee wat mogelijke effecten van een onzekere vernieuwing in de verre toekomst zijn en maakt de verandering over tijd inzichtelijk. Iedere gekozen set van waarden voor de onzekerheidsfactoren plus de modeluitkomst voor de verre toekomst staan voor een scenario. De crux is dus dat we niet een overzichtelijk aantal scenario’s vooraf definiëren, maar een veelvoud aan scenario’s uit de verkenning van de ‘onzekerheidsruimte’ laten ontstaan. Datagedreven systeemdynamisch modelleren nieuwe stijl, zo gezegd.
Met deze aanpak onderzoeken we een breed scala aan toekomstbeelden rond zelfrijdende auto’s. Vervolgens stellen we vast welke van deze uitkomsten gewenst zijn en welke ongewenst. Zowel voor de gewenste als ongewenste uitkomsten kunnen we vervolgens ‘terugzoeken’ wat de belangrijkste factoren zijn die tot deze uitkomst hebben geleid. Dat is vooral beleidsmatig interessant: de oorzaken die tot een gewenst toekomstbeeld leiden, kunnen beleidsmakers faciliteren en stimuleren, terwijl factoren die tot ongewenst toekomstbeelden leiden juist kunnen worden tegengegaan.
Studiegebied Kopenhagen
Om deze nieuwe aanpak te beproeven bestuderen we de effecten van zelfrijdende voertuigen op de metropoolregio Kopenhagen. Dit studiegebied hebben we opgesplitst in een groot aantal zones, 860 (!) in totaal. We creëren voor elke zone een eigen systeemdynamisch model. Zo’n model bestaat uit submodellen (met overigens ook weer sub-submodellen) die rekenen met bevolking, landgebruik, verkeer en parkeren – zie figuur 3.
De honderden zonemodellen van de metropoolregio interacteren nog niet, maar elk model neemt al wel de aantrekkelijkheid van zijn directe buren mee in de berekening.
De tweede stap is de zonemodellen te voeden met relevante data. We putten hiervoor uit onderzoeken, gegevenssets waar normaliter simulatiemodellen (grondgebruik, verkeer en vervoer) mee worden gevoed, en harde cijfers per zone over het grondgebruik, het aantal banen en woonplekken en de verkeersvolumes. Via literatuuronderzoek brengen we de onzekerheidsfactoren in beeld en de mogelijke waarden die deze factoren kunnen aannemen.
We laten de systeemdynamische modellen voor alle zones in de metropoolregio Kopenhagen beginnen in het startjaar 2015. Dat is niet zonder reden: het biedt de gelegenheid de rekenresultaten voor 2018 te vergelijken met data uit datzelfde jaar. Zo kunnen we toetsen of de set van systeemdynamische modellen een correcte uitgangspositie heeft.
We werken in tijdstappen van één jaar en verkennen zo de ontwikkeling in landgebruik, transport en de sociaaldemografische kenmerken door de tijd heen, steeds rekening houdend met de uitkomsten van het jaar daarvoor.
In totaal heeft de set van systeemdynamische modellen 5000 keer berekeningen uitgevoerd, iedere keer met andere aanvangswaarden voor de onzekerheidsfactoren. Voor ieder scenario wordt bekeken wat de invloed van zelfrijdende auto’s is op de einduitkomst voor de stedelijke waarden, die zijn verwoord in de (sub)modellen in het systeemdynamisch model.
Figuur 4 toont bij wijze van voorbeeld het percentage wegoppervlak in het stadscentrum dat volgt uit een subsubmodel van het submodel landgebruik. Iedere polygoon staat voor een scenario: de ontwikkeling in de tijd bij de gekozen set van waarden voor de onzekerheidsfactoren. De figuur is aan de rechterkant aangevuld met een curve die aangeeft hoeveel scenario’s leiden tot een specifieke einduitkomst. Een groot aantal scenario’s dat tot dezelfde of vergelijkbare einduitkomsten leidt, houdt in dat de waarschijnlijkheid van deze einduitkomst hoger is dan andere einduitkomsten. Vervolgens hebben we de Patient Rule Induction Method (PRIM) gebruikt om de einduitkomsten aan de aanvangswaarden van de onzekerheidsfactoren te relateren.
Vanuit het vigerende beleid kan nu worden vastgesteld welke toekomtsverwachtingen (lees: einduitkomsten) gewenst zijn en welke ongewenst. Stel dat het beleid erop is gericht geen extra wegoppervlak aan te leggen in het stadscentrum. Alle scenario’s die leiden tot een einduitkomst met juist een grotere behoefte aan wegoppervlak zijn dan ongewenst.
Het classificeren van (on)gewenste scenario’s kan voor de stad als geheel worden gedaan, maar ook per zone of per district, zoals een stadscentrum, buitenwijken en landelijke gebieden.
Onzekerheidsfactoren met grote impact
Wat zijn enkele interessante uitkomsten van onze casestudie Kopenhagen? De reistijdwaardering en de mate van autodelen blijken het meest bepalend te zijn voor de bereikbaarheid en het benodigde wegoppervlak, in zowel positieve als negatieve zin. Als mensen de reistijd in een zelfrijdende auto als nuttig gaan zien – de reistijdwaardering is dan lager – dan is de kans groot dat het verkeersvolume groeit. Het delen van auto’s kan een groot deel van deze groei compenseren: 10% autodelen compenseert een halvering van de reistijdwaardering. Mocht de reistijdwaardering echter verder dalen, dan is een percentage autodelen van minimaal 40% nodig om te zorgen dat de zelfrijdende auto niet tot ongewenste effecten leidt.
Wat leert deze manier van datagedreven toekomstverkenning ons? In ieder geval dat een stad niet zo veel zal veranderen als veel futuristen verwachten. Een kleine vermindering van wegoppervlak is mogelijk, maar dat betekent niet dat er massaal parken en groene gebieden aangelegd kunnen worden. Een vermindering van wegoppervlak schraapt een stukje van een lange strook af en kan er hooguit voor zorgen dat trottoirs of fietspaden iets breder kunnen worden.
Onze toekomstverkenning geeft dus geen aanleiding om de zelfrijdende auto als ‘dé oplossing’ van onze stedelijke problemen te zien. Sterker nog, de zelfrijdende auto kan met hetzelfde gemak de problemen vergroten. Het gaat er dan ook meer om de komst van de zelfrijdende auto in goede banen te leiden – en niet simpelweg om het stimuleren. Zal deze uitkomst verkeerskundigen verbazen? Vast niet, maar door de toekomst datagedreven te verkennen kunnen we het futuristische optimisme nu wel onderbouwd nuanceren.
En nu verder
De nieuwe manier van datagedreven systeemdynamisch modelleren laat zien dat we de toekomst kunnen verkennen gebruikmakend van losse datasets die in grote mate beschikbaar zijn. Door de data en de modellen hun werk te laten doen voorkomen we biased toekomstinvullingen. Zo’n type toekomstverkenning geeft meer houvast dan het focussen op slechts enkele, theoretisch mogelijke scenario’s.
_____
De auteurs
Martijn Legêne is student Transport Infrastructuur en Logistek aan de TU Delft. Hij heeft de studie inmiddels afgerond.
Prof. dr. ir. Bert van Arem en dr. ir. Goncalo Homem de Almeida Correia zijn respectievelijk hoogleraar en universitair docent op de afdeling Transport & Planning aan de TU Delft.
Drs. Edwin Mein is domeinspecialist Mobiliteit bij Technolution.
