Traditionele strategische verkeersmodellen hebben moeite om alle veranderingen in ons mobiliteitssysteem goed mee te nemen, betoogt Will Clerx in zijn artikel. We vroegen vier modellenmakers om een reactie. In onderstaande bijdrage betoogt 4Cast dat er al heel veel kan – en dat we vooral realistisch moeten zijn over wat we nog meer kunnen verwachten.
In zijn artikel wijst Will Clerx van gemeente Rotterdam op de veranderingen van het stedelijke mobiliteitsgedrag, die weer nauw samenhangen met veranderingen in bevolkingssamenstelling en attitudes. Die ‘transitie’ vraagt om een nieuwe kijk op de modelonderdelen die de vraag naar vervoer berekenen in termen van reisfrequentie, bestemmingskeuze, vervoerswijzekeuze en tijdstipkeuze.
Je zou denken dat de modelsoftware daarvoor flink op de schop moet. Maar naar onze mening zijn de beschikbare verkeerskundige softwarepakketten niet de beperkende factor om de gewenste innovaties in de modelsystemen te implementeren – simpelweg omdat het met de huidige software technisch al mogelijk is om de grote diversiteit van ons mobiliteitsgedrag te modelleren.
Het nadeel van grotere regio’s en meer differentiatie
Momenteel zien we in de bouw van modelsystemen de trend dat lokale modellen worden samengevoegd tot één grotere regio. Zo zijn enkele jaren geleden het Rotterdamse en Haagse verkeersmodel opgegaan in een verkeersmodel voor de Metropoolregio Rotterdam Den Haag, MRDH. Een voordeel van deze integratie is dat je op grensgebieden geen tegenstrijdige modeluitkomsten meer krijgt. Toch zien we ook een nadeel, namelijk dat de lokale karakteristiek minder expliciet gemodelleerd wordt. De verklarende variabelen worden immers voor een groter gebied afgeleid.
Een verdere differentiatie van de verklarende variabelen lijkt dan een logische keuze. Maar in combinatie met een groter studiegebied leidt het uitbreiden van de set variabelen tot een substantiële toename van de rekentijden. De praktische toepasbaarheid van modelsystemen kan daarmee in het geding komen.
De beperking van big data
Naar onze mening ligt de grootste uitdaging in de onderliggende data waarmee de modelsystemen worden opgesteld.
Verkeersmodellen worden geschat en gevalideerd op basis van diverse databronnen. Juist op dit gebied is er de afgelopen jaren veel veranderd. Zo zorgen GSM-data, floating car data, data van de OV-chipkaart, van bluetoothsystemen enzovoort voor een rijkdom aan gegevens waarmee de kwaliteit van de modellen sterk verbeterd kan worden. Deze databronnen hebben echter ook hun beperkingen: ze leveren onvoldoende detailinformatie om de vraagmodellen de kwaliteitsboost te geven die nodig is voor de modellering van de mobiliteitstransitie. Zo zijn persoons- en huishoudkenmerken en verplaatsingsmotieven niet rechtstreeks uit de genoemde databestanden af te leiden. Dit betekent dat we voor het schatten van vraagmodellen nog steeds afhankelijk zijn van de bestaande verplaatsingsenquêtes. Deze zijn beperkt van omvang en vormen daarmee onvoldoende basis voor een verdergaande opdeling in persoonstypen en/of toespitsing op specifieke gebieden in bijvoorbeeld een stad. Verdere differentiatie naar stedelijke wijken of stadsranden is met deze bronnen statistisch gezien gewoonweg niet verantwoord!
Een tweede beperking van de huidige big-databestanden betreft de privacy. Veel datagegevens bevatten niet de volledige verplaatsingsketen omdat de bronbestanden geanonimiseerd zijn. Momenteel worden veel van deze big-databronnen verrijkt op basis van statistiek en aannames. Juist deze aannames brengen onzekerheid en onbetrouwbaarheid met zich mee. Toch hebben we deze differentiatie in data hard nodig: alleen zo kunnen we kwalitatief goede vraagmodellen ontwikkelen die rekening houden met de diversiteit in het keuzegedrag voor specifieke gebieden.
Hoe verder?
Is er dan niets mogelijk rondom de modellering van de mobiliteitstransitie? Zeker wel, maar we moeten met beide benen op de grond blijven staan.
Dat is de aanpak die wij als 4cast voorstaan. Momenteel zijn er ontwikkelingen gaande die specifieke onderdelen aan de vraagkant van de modellering oppakken. Een concreet voorbeeld is het volledig modelleren van een keten van verplaatsingen die door verschillende persoonstypen worden gemaakt. Deze aanpak hebben we geïmplementeerd in recent ontwikkelde statische verkeersmodellen.
Om de volgende verbeterslag in onze verkeersmodellering te kunnen maken, lijkt het ons verstandig om op basis van fundamenteel onderzoek gezamenlijk te bepalen welke data we nodig hebben. Welke beperkingen in die data accepteren we? Welke omvang en welk detailniveau zijn nodig en hoe kunnen we dit organiseren?
Het opstellen van een samenwerkingsverband tussen modelbouwers, overheidsinstanties, opdrachtgevers en partijen die zich bezighouden met dataverzameling kan een belangrijke vervolgstap zijn om deze verbeterslag dan ook echt te realiseren.
____
De auteurs
Ir. Mark van Raaij en ir. Peter Mijjer zijn respectievelijk partner en directeur van 4Cast.
