De modellering van fietsverkeer staat de laatste jaren (eindelijk) vol in de schijnwerpers. Wat kwaliteit betreft heeft het ‘fietsmodel’ nog wel wat in te lopen op het ‘automodel’, maar de ontwikkelingen gaan gelukkig snel. In deze bijdrage zoomen de auteurs in op één belangrijke kwaliteitsslag: een verbeterde fietstoedeling met behulp van inzicht in de fietsroutebeleving.
Of een fietser kiest voor route A of route B is niet alleen afhankelijk van de afstand en reistijd. Uit het Reistijdbelevingsonderzoek van Goudappel Coffeng (2018) blijkt bijvoorbeeld dat de aantrekkelijkheid van een route ook een grote rol speelt. Een fietser die de keuze heeft tussen twee routes met dezelfde afstand en reistijd, zal namelijk niet willekeurig een van de twee routes kiezen: uit het onderzoek blijkt dat hij of zij twaalf keer zo vaak de aantrekkelijkste (mooiste, gezelligste, comfortabelste) route zal kiezen.
Willen we met onze fietsmodellen deze realiteit zo goed mogelijk benaderen, dan zal routekeuzegedrag een plek moeten krijgen in de modellering. Dat is op het moment nog nauwelijks het geval.
Fietsnetwerk met kwaliteitskenmerken
Een eerste stap voor deze kwaliteitsslag is het nauwkeurig en fijnmazig beschrijven van het fietsnetwerk. Zo’n beschrijving moet niet alleen bestaan uit de gebruikelijke afstand (voor het aspect ‘kortste/snelste route’), maar ook uit kwaliteitskenmerken als kruispuntvertraging, comfort en aantrekkelijkheid.
Maar hoe beschrijf je een subjectief en veelkleurig kenmerk als aantrekkelijkheid voor een verkeersmodel? De kennis uit het eerder genoemde Reistijdbelevingsonderzoek geeft veel inzicht in welke omgevingskenmerken in welke mate bijdragen aan de aantrekkelijkheid van een route. Een voorbeeld: een groene omgeving, zoals een weiland of een park, draagt bij aan de aantrekkelijkheid. Het feit dat de fietsvoorziening is uitgevoerd met tegels maakt een route juist significant minder aantrekkelijk. Met behulp van dit soort plussen en minnen kun je aan elke weg een getalsmatige ‘aantrekkelijkheidsscore’ toekennen.
Additionele snelheid
Stap 2 is om die score voor de aantrekkelijkheid te vertalen naar een additionele snelheidsmaat. Normaal gesproken gebruikt het fietsmodel de parameter afstand en de daarvan afgeleide reistijd als basis voor de toedeling: de snelste route tussen A en B krijgt in het model de fietsstroom toegewezen. Met de positieve of negatieve additionele snelheid op basis van aantrekkelijkheid stellen we die modelmatige reistijd bij: we maken trajecten ‘sneller’ dan wel ‘langzamer’. Wanneer het model rekent met deze bijgestelde snelheden, krijgt een aantrekkelijke weg vanzelf meer fietsers (routes) toegewezen.
Deze aanpak is op zich niet nieuw. Een aantal jaar geleden hebben we voor het model OmniTRANS een additionele snelheidsmaat ontwikkeld die is gebaseerd op de kruispuntvertraging en de bochtigheid van een route. Het resultaat was een betere benadering van de werkelijke fietssnelheden en een meer realistische toedeling van fietsverkeer. Deze toedeling wordt inmiddels toegepast in de modellen voor provincie Noord-Brabant (Brabant Brede Model Aanpak) en de Metropoolregio Rotterdam Den Haag (V-MRDH).
Het nieuwe van de hier voorgestelde stap is dat we bij het bepalen van de additionele snelheid rekening houden met (ook) de aantrekkelijkheid van de route.
Een aandachtspunt bij het gebruik van de additionele fietssnelheid is wel om de factor aantrekkingskracht niet te over- of onderschatten. De beschikbaarheid van telgegevens is hierbij van groot belang. Hoe groter de dekking van het aantal fietstellingen, hoe beter de verdeling van fietsers tussen de routes in kaart kan worden gebracht. We kunnen de modeluitkomsten, en daarmee de daadwerkelijke impact van aantrekkelijkheid, dan op betrouwbaarheid toetsen. Maar als deze aanpak eenmaal goed is gefinetuned, zal een nieuwe inrichting van de ruimtelijke omgeving effect hebben op de routekeuze van fietsers in de modellering. En dat is ook precies wat we in de praktijk waarnemen.
Toedelingstechnieken
Om de toedeling in het model verder te verbeteren, kunnen we nog een derde stap nemen. Die raakt vooral de methodiek van toedeling. Veel fietsmodellen gebruiken een ‘alles of niets’ (AON)-toedeling. Bij zo’n aanpak wordt ál het (fiets)verkeer tussen een zekere herkomst en bestemming toegedeeld aan de snelste route. Het oorspronkelijke idee hierachter is dat mensen graag zo snel mogelijk op hun bestemming willen zijn. In werkelijkheid echter zal het nooit zo zwart-wit zijn: er zijn altijd mensen die om welke reden dan ook de iets langere route kiezen. In plaats van één mogelijke route tussen een herkomst en een bestemming, zullen er dus vrijwel altijd meerdere routes gebruikt worden. Een AON-toedeling is niet in staat dat gedrag te simuleren.
Met een stochastische toedeling kan er meer variatie worden aangebracht in een gekozen route. Dit gebeurt in de toedeling door met een kansverdeling kleine variaties aan te brengen in de snelheden van de infrastructuur en dán de snelste route te bepalen. Hierdoor ontstaan er meer gevarieerde routes tussen een herkomst en een bestemming. Deze routes zijn echter bepaald op basis van een kansverdeling – en dus op basis van een mate van willekeur.
Een andere optie is om meerdere routes te generen tussen een herkomst en een bestemming. Hierbij doet het model niet één AON-toedeling, maar een aantal gestapelde AON-toedelingen. Zo kun je er bijvoorbeeld voor kiezen dat 1/3 van de mensen de snelste route neemt, 1/3 van de mensen de kortste afstand en 1/3 van de mensen de route met de minste kruispunten. Wanneer deze methode wordt gecombineerd met de additionele snelheidsmaat is er nog meer variatie mogelijk. Op deze manier is het mogelijk om, ondanks de AON-toedeling, te werken met meerdere routes per herkomst en bestemming. Het nadeel bij deze methode is dat de verdeling over de ‘typen’ routes vaststaat.
Een laatste optie is om gebruik te maken van een Multinomial Logit Model-toedeling. Bij deze aanpak worden eerst verschillende routes bepaald tussen een herkomst en een bestemming. Dit kan bijvoorbeeld op dezelfde manier als bij de gestapelde AON-toedeling, maar je kunt dit ook bereiken door de snelste routes, de een-na-snelste route, twee-na-snelste route etc. te bepalen. Ook hierbij kunnen we de additionele snelheidsmaat gebruiken voor meer gevarieerde routes. Vervolgens zal het Multinomial Logit Model het aantal fietsers dat van de herkomst naar de bestemming gaat, verdelen over de beschikbare routes. Het houdt er hierbij rekening mee dat wanneer de routes veel op elkaar lijken, de routes ongeveer evenveel fietsers krijgen. Als er tussen de routes grote verschillen zitten, krijgen de meest aantrekkelijke routes ook het grootste aantal fietsers toegedeeld en de minst aantrekkelijke routes het kleinste aantal. Deze methode verhoogt de variatie van het aantal routes en de verdeling over de routes in een fietstoedeling.
Conclusie
Vergeleken met de werkelijkheid laat de klassieke vorm van fietstoedeling te weinig variatie zien in de routekeuze, het aantal routes en de verdeling over de routes. Om dit te verbeteren is het allereerst belangrijk niet alleen afstand/reistijd te gebruiken als factor voor de fietstoedeling: ook een factor als aantrekkelijkheid van een route zou mee moeten spelen. Door aan de aantrekkelijkheid een score toe te kennen, maken we die factor tastbaar – en kunnen we het model laten werken met een additionele snelheidsmaat. Tot slot is er veel winst te halen in de keuze voor toedeeltechniek. In plaats van de alles-of-niets-toedeling, kan er gewerkt worden met een stochastische toedeling, een gestapelde ‘alles of niets’-toedeling of een Multinomial Logit Model-toedeling.
Door de uitkomsten van deze verbeterslagen te vergelijken met zoveel telgegevens als mogelijk, kunnen we deze aanpak op betrouwbaarheid toetsen, fijnstemmen en de kwaliteit nog verder opschroeven.
____
De auteurs
Rico Andriesse is adviseur Fietsverkeer bij Goudappel Coffeng.
Hans Huisman en Bastiaan Possel zijn adviseurs Verkeersprognoses bij Goudappel Coffeng.
