Het is het uitgangspunt van veel verkeersinformatieprojecten: goede, actuele reisinformatie leidt tot een efficiënter gebruik van de capaciteit van het wegennetwerk. Maar gaat dat echt zo makkelijk? In deze bijdrage doen de auteurs verslag van het promotieonderzoek van Giselle Ramos naar het effect van informatie op onze routekeuze.
Hoe hooggespannen de verwachtingen van verkeersinformatiediensten soms ook zijn, de realiteit is dat we nog niet goed begrijpen hoe reizigers reageren op informatie – laat staan dat we snappen hoe we met informatie de congestie in het netwerk kunnen verlichten. Ons onderzoek naar het effect van informatie op de routekeuze is een van de inspanningen vanuit de wetenschap om die kennisleemte in te vullen.
Bijzonder aan het onderzoek was de wijze waarop de routekeuze in kaart is gebracht. Tot nu toe was het gebruikelijk om je daarbij te baseren op stated preference-data. Deze worden verzameld met behulp van vragenlijsten of internetenquêtes. De onderzoeker creëert een aantal hypothetische situaties, waaruit de deelnemer een keuze moet maken. Elke situatie heeft zijn eigen kenmerken. Op basis van de antwoorden van meerdere deelnemers bepaalt de onderzoeker het belang van elk van deze kenmerken. Het nadeel van een stated preference-onderzoek is echter dat het gaat om hypothetische situaties: de deelnemer geeft aan welke keuze hij of zij verwacht te maken, maar dat is niet noodzakelijk de keuze die hij of zij in het echt zou maken. Om dit probleem te omzeilen hebben we in ons onderzoek gebruik gemaakt van revealed preference-data: gegevens over de keuzes die reizigers daadwerkelijk hebben gemaakt.
Opzet onderzoek
Volgens de wetenschappelijke literatuur hebben ook revealed preference-data nadelen. Zo zou de onderzoeker geen invloed op de situatie hebben, is niet bekend wat de situatie op alternatieve routes is en welke informatie de automobilist heeft over andere routes, en is slechts één keuze van de automobilist bekend. Om deze problemen voor te zijn, hebben we ons revealed preference-onderzoek breed opgezet. Gedurende negen weken zijn 32 forensen gevolgd tijdens hun autoritten tussen huis (regio Den Haag) en werk (Delft). Met GPS is de afgelegde route gelogd, terwijl de deelnemers dagboeken bijhielden over de informatie die ze hadden geraadpleegd. Ook zijn de deelnemers geïnterviewd om te achterhalen hoe ze de situatie op de weg ervaren en hoe ze hun keuzes maken. Dit laatste is van belang om te bepalen hoe de perceptie van de deelnemers zich verhoudt tot de gerealiseerde keuzes, oftewel: komt datgene wat de deelnemers zeggen overeen met wat ze doen?
Het experiment bestond uit twee delen. De eerste drie weken was voor alle deelnemers gelijk. In de laatste zes weken hebben 25 deelnemers de beschikking gekregen over een TomTom Live-systeem, waarmee ze toegang hadden tot real-time route-informatie over het hele netwerk, zowel voor vertrek als tijdens de rit. Zo konden we bekijken in hoeverre informatie het gedrag van de deelnemers beïnvloedde. Om de veranderingen in routekeuze toe te kunnen schrijven aan het gebruik van informatie, had een referentiegroep van 7 deelnemers géén toegang tot real-time informatie. Tijdens de volle negen weken onderzoek is ook de situatie op de weg bijgehouden voor alle wegen in het netwerk van de regio Den Haag/Delft.
Inzichten in gedrag
De dataset voor het woon-werkverkeer van de 32 proefpersonen die we aldus verzamelden, is enorm rijk. Welke inzichten leverde een eerste analyse van de data op?
De kwaliteit van de geboden informatie speelt een belangrijke rol. Wanneer automobilisten de beschikking krijgen over informatie die zowel real-time is als afgestemd op de route die ze willen afleggen, wordt de kans groter dat ze die informatie ook daadwerkelijk gebruiken. Het effect van data, ook van kwalitatief goede data, moet echter niet worden overschat: de proef bevestigt toch vooral dat automobilisten gewoontedieren zijn. Alleen als er een vergelijkbare alternatieve route beschikbaar was die substantiële reistijdwinst opleverde, waren de deelnemers bereid hun route aan te passen en had de geboden informatie effect. De deelnemers gaven in de interviews wel aan dat ze informatie over alternatieve routes en reistijdwinst waarschijnlijk eerder zouden gebruiken op een voor hen onbekende route (ergo, als het niet om een ‘gewoonterit’ gaat) en op langere ritten.
Opvallend is dat het aanpassen van het vertrekmoment als minder belangrijk wordt ervaren om congestie te vermijden dan het aanpassen van de route, gegeven dit vertrekmoment. Omdat het onderzoek zich op woon-werkverkeer richtte, is een mogelijke verklaring dat de vertrekmomenten al zijn afgestemd op de reguliere congestie en/of dat de consequenties van het (te) laat arriveren minimaal zijn.
Ten slotte blijkt dat onze deelnemers zich niet bewust waren van de ‘keuzeset’, het totaal aan routes waaruit ze kunnen kiezen. Dat is opmerkelijk omdat we het hier hebben over forensen in een vrij kleine regio. Je zou verwachten dat iemand bijna dagelijks tussen Den Haag en Delft pendelt inmiddels een goed beeld heeft van de mogelijke routes op het wegennet, maar dat is dus niet zo. Dit inzicht heeft gevolgen voor de manier waarop deze routekeuzes gemodelleerd zouden moeten worden. In het onderzoek hebben we daarom juist aan dit aspect gevolg gegeven.
Dynamisch keuzemodel
Een routekeuzemodel beschrijft de keuze van een route tussen herkomst en bestemming en het is daarmee een essentieel onderdeel van verkeerssimulatiemodellen. De gangbare schattingsmethoden van een routekeuzemodel gaan uit van een vooraf bepaalde keuzeset. Op basis van de kenmerken van de betreffende routes en van de beslisser (de automobilist), doet het model een voorspelling voor de kans dat een bepaalde route wordt gekozen. Maar gezien de uitkomsten van ons onderzoek kun je kanttekeningen plaatsen bij zo’n methodiek.
In 2013 formuleerden Fosgerau et al. routekeuze daarom niet als een keuze uit een set routes, maar als een opeenvolging van beslissingen over de volgende te kiezen link (onderdeel van een route). Wij hebben dit zogenoemde Recursieve Logit-model als uitgangspunt genomen en het vervolgens zodanig uitgebreid dat het variëren van reistijden gedurende de te modelleren periode wordt meegenomen. Hiermee is een nieuw raamwerk ontstaan, het Dynamische Recursieve Logit-model, kortweg RL Dyn.
Net als de meeste keuzemodellen is RL Dyn gebaseerd op discrete-keuzeanalyses in het algemeen en op multinomiale logit-modellen in het bijzonder. Dit veronderstelt dat automobilisten het zogenaamde nut van een route of in ons geval een link maximaliseren: hij of zij bepaalt het nut van elk van de alternatieven en maakt vervolgens een rationele keuze. Zoals gezegd zijn de routekenmerken in RL Dyn dynamisch, wat wil zeggen dat veranderingen in de reistijd door het ontstaan van congestie worden meegenomen in het keuzeproces. Dit is uiteraard essentieel wanneer je de invloed van (real-time) informatie op routekeuze onderzoekt. Het toevoegen van deze dynamiek heeft wel gevolgen voor de omvang van het te analyseren probleem (toevoegen van de tijdsdimensie) en het kan ook serieuze implicaties hebben voor de modelschattingen, aangezien de toestand in het netwerk (reistijden op de verschillende links) nauwkeurig dient te worden geschat.
Schattingen van routekeuze met RL Dyn
Met onze verzamelde revealed preference-data als input is RL Dyn gebruikt om verschillende nutsfuncties door te rekenen. Een nutsfunctie bestaat uit een optelsom van verschillende kenmerken van de route en van de gebruiker. Niet elk kenmerk weegt even zwaar en is dus even belangrijk voor de automobilist. Het doorrekenen van nutsfuncties bepaalt het gewicht (belang) van elk kenmerk gegeven de keuzes die zijn gemaakt – in dit geval de keuzes zoals gelogd in onze revealed preference-dataset. Op deze manier verkrijg je inzicht in het routekeuzegedrag van automobilisten.
De RL Dyn-uitkomsten liggen goed in lijn met onze eerste analyse, die we hierboven bespraken. Zo bevestigt RL Dyn dat het effect van informatie op onze routekeuze niet zozeer afhangt van de bron van de informatie als wel van de gedetailleerdheid van de informatie. Automobilisten laten zich dus makkelijker sturen door informatie op hun moderne TomTom dan door fileberichten op de radio – niet omdat ze TomTom meer vertrouwen, maar omdat TomTom veel nauwkeuriger weergeeft hoeveel last ze van bijvoorbeeld een stremming hebben. Dit principe geldt zowel voor pre-trip informatie als voor on-trip informatie.
Ook blijkt dat reizigers die wel of niet toegang hebben tot informatie het belang van reistijd in hun keuze verschillend waarderen. Anders gezegd: als je geen nauwkeurige informatie hebt over de reistijd, vind je reistijd ook minder belangrijk in je keuzegedrag (lage waardering) dan als je wel accurate informatie over de reistijd hebt (ongeveer 30% hogere waardering).
Verder lijkt het erop dat als automobilisten zich vooraf verdiepen in de verkeersomstandigheden en de verwachte reistijd, ze vaak al voldoende ‘comfort’ ervaren. Dat kan ertoe leiden dat het wisselen van route op basis van nieuwe (on-trip) informatie geen extra nut oplevert – en ze dus niets met de informatie doen.
Conclusies en aanbevelingen
De belangrijkste bevinding van ons onderzoek is dat ondanks de potentie van informatie, de ‘macht der gewoonte’ in ieder geval bij woon-werkverkeer een niet te onderschatten kracht is. De meeste forensen zullen alleen bij buitengewone omstandigheden hun routes aanpassen. We verwachten dan ook dat de bereidheid onder deze doelgroep om voor reisinformatie te betalen, laag is.
Wel geldt dat automobilisten gedetailleerde, op maat gesneden informatie hoger waarderen (en dus beter opvolgen) dan algemene informatie. Om het effect van informatie nog wat verder op te krikken, zouden de aanbieders van diensten ook aandacht moeten besteden aan het comfort. Denk aan in-car apparaten die automatisch een seintje geven wanneer de actuele situatie afwijkt van de reguliere situatie, gegeven de standaardroute van de bestuurder. Bestuurders hoeven dan niet actief te zoeken naar informatie (daar zijn ze misschien ook niet toe bereid), maar krijgen informatie wanneer relevant. Dit ‘gemak’ zou het effect van informatieverstrekking nog wat kunnen vergroten.
Vervolgonderzoek
Dankzij het onderzoek naar revealed preference-data en de ontwikkeling van het RL Dyn-model hebben we een stukje van de puzzel rond routekeuze opgelost. Tegelijkertijd is ook duidelijker waar vervolgonderzoek zich op zou kunnen richten. Een mogelijk thema is de rol van informatie voor bestuurders die géén deel uitmaken van het woon-werkverkeer. Ook het effect van informatie die niet overeenkomt met de verwachtingen van de bestuurder en de invloed van ‘gebruikelijke routes’ verdienen nader onderzoek.
In tegenstelling tot de literatuur komt uit ons onderzoek naar voren dat de betrouwbaarheid van routes niet erg belangrijk is bij het maken van een keuze. Er zal echter meer revealed preference-onderzoek nodig zijn, om die bevindingen te ondersteunen. Een laatste aanbeveling voor een vervolg ligt meer op het technische vlak: hoewel RL Dyn rekening houdt met dynamische reistijden, wordt de stochastiek hiervan niet meegenomen. Onderzoek daarnaar zou de aanzet voor een RL Dyn 2.0 – voor nog betere routekeuzemodellen.
Het onderzoek naar het effect van informatie op de routekeuze is uitgevoerd in het kader van het NWO-onderzoeksproject TRISTAM, ‘Traveller Response and Information Service Technology: Analysis and Modelling’.
____
De auteurs
Giselle de Moraes Ramos-Heydendael is promovendus aan de TU Delft, afdeling Transport & Planning.
Dr. ir. Winnie Daamen en prof. dr. ir. Serge Hoogendoorn zijn respectievelijk universitair hoofddocent en hoogleraar van dezelfde afdeling van de TU Delft.
