Over het ruimtebeslag van de auto zelf is al veel gezegd en geschreven. Maar hoe zit het met de ruimte die de infrastructuur van de auto inneemt? Reggiani, Daamen en Hoogendoorn van de TU Delft onderzochten hoe de infrastructuur van een stad zich verhoudt tot het aantal inwoners. Ze ontdekten interessante wetmatigheden én konden aantonen dat ook op dit vlak de fiets veel efficiënter is dan de auto.
Auto’s zijn de afgelopen jaren schoner en slimmer geworden, maar zeker niet kleiner. In de steden is het ruimtebeslag van de auto inmiddels een knelpunt van formaat: zowel tijdens de verplaatsing als in stilstand neemt de auto bovenmatig veel ruimte in.
Dat is echter maar een deel van het verhaal. Uiteindelijk gaat het niet alleen om het ruimtebeslag van de auto’s zelf, maar ook om het ruimtebeslag van het infrastructuurnetwerk dat een auto nodig heeft. Hoe staat het daarmee? En hoe verhoudt zich het ruimtebeslag van autonetwerken tot dat van bijvoorbeeld voetgangers- en fietsnetwerken? In een recent onderzoek hebben we de lengte van verkeersnetwerken in de stad bestudeerd. We hebben gekeken hoe die lengte zich verhoudt tot de grootte van de betreffende steden en daarmee: hoe de netwerken schalen met het groter worden van een stad. Dat leidde tot mooie nieuwe inzichten over de ‘infrastructuurefficiëntie’ van steden. Vooral interessant zijn de verschillen tussen de netwerken voor auto, voetganger en fiets – en het feit dat de autonetwerken fietsnetwerken lijken te verdringen.
Schalingwetten voor netwerken
Maar laten we bij het begin beginnen. In ons onderzoek hebben we 47 steden beschouwd, verdeeld over Europa (30), Amerika (9), Azië (6) en Oceanië (2). Hieronder vallen overigens relatief veel Nederlandse steden (10).
Van al deze steden hebben we de omvang van het vervoersnetwerk bepaald. Dat kan op verschillende manieren, maar wij hebben gekozen voor een eenvoudige aanpak: we hebben sec de lengte van alle takken van het betreffende netwerk bij elkaar opgeteld. Deze zogenaamde netwerklengte hebben we vastgesteld met behulp van opensourceplattegrond OpenStreetMap: die hanteert classificaties waaruit de lengte van respectievelijk het auto-, voetgangers-, fiets- en metronetwerk kan worden afgeleid.1Omdat OpenStreetMap geen informatie over de bus- en traminfrastructuur bevat, hebben we die modaliteiten niet meegenomen in ons onderzoek.
Ook de grootte van een stad kun je op verschillende manieren uitdrukken. Wij zijn in ons onderzoek uitgegaan van de populatie, oftewel het aantal inwoners.
Om te onderzoeken hoe de netwerklengte L afhankelijk is van populatie P, gebruiken we het volgende exponentiële model:2In het vooronderzoek zijn verschillende modelvormen beschouwd. Hieruit bleek dat het exponentiële model de relaties in de data het beste beschrijft.
L = β ⋅ P α + ϵ
Hierin zijn α en β parameters van het model die we op grond van de data van de 47 steden willen vaststellen; ϵ is een foutterm die aangeeft dat het model een vereenvoudiging is van de werkelijkheid en niet alle relevante aspecten meeneemt.
Dit model geeft inzicht in hoe de groei van de bevolking van een stad zich verhoudt tot de groei van het netwerk. De parameter α laat zien of deze groei sublineair (α < 1), lineair (α = 1) of supralineair (α > 1) is. Bij lineaire groei geldt dat bij een toename van de populatie van een stad met p procent, de lengte van het netwerk gemiddeld ook met p procent zal toenemen. Bij sublineaire groei zal het netwerk minder hard meegroeien en bij supralineaire groei zal het netwerk juist harder groeien vergeleken met de groei van de populatie. De parameter β = eb zegt iets over de lengte van het netwerk in absolute zin als functie van het aantal inwoners van een stad.
Figuur 1 laat een voorbeeld zien van het model zoals we dat op basis van de beschikbare data hebben kunnen schatten. We hebben hier álle wegen meegenomen, dus auto-, voetgangers-, fiets- en metronetwerk samen. Het volgende model beschrijft de data dan zeer goed:
L = e 11.0 ⋅ P 0.70 + ϵ
Voor α vinden we dan de waarde 0,70. Dit betekent dat in de beschouwde steden de lengte van de wegennetwerken nadrukkelijk sublineair groeit. Met andere woorden: een stad als Utrecht, met 3,5 maal meer inwoners, heeft – volgens deze wetmatigheid – slechts 2,4 maal (namelijk: 3,5 tot de macht 0,70) meer infrastructuur dan een stad als Delft.
Hoe is dat te verklaren? Ten eerste is het waarschijnlijk dat grotere steden efficiënte plaatsen zijn voor het maken van verplaatsingen: per verplaatsing is er gemiddeld minder infrastructuur nodig, onder meer omdat de kans hoger is dat een activiteitenlocatie (voor werken, winkelen enzovoort) in de buurt ligt. Verplaatsingen binnen steden vinden vaak ook via (ruimte-) efficiënte modaliteiten plaats, namelijk lopen, fiets en ov. Wat natuurlijk wel meespeelt, is dat de eenvoudige maat netwerklengte die wij hebben gebruikt, geen onderscheid maakt tussen brede wegen en smallere wegen. Dit zal een beperkt effect hebben op de resultaten.
Resultaten per type netwerk
Laten we nu de wetmatigheden van de netwerken afzonderlijk bekijken. Zie tabel 1. Hier valt direct op dat er grote verschillen zijn als het gaat om de schaling van de netwerklengte als functie van de grootte van een stad. Voor de interpretatie van de resultaten is met name de geschatte waarde α^ van belang.
Tabel 1: Overzicht van geschatte parameterwaarden. Alle parameters zijn significant met 95 procent betrouwbaarheid. Bij de analyse naar metronetwerken zijn steden zonder metro-infrastructuur buiten beschouwing gelaten.
Metronetwerken nemen in deze analyse een bijzondere plaats in. Als enige geldt voor deze netwerken dat ze superlineair groeien met de omvang van de stad. Hierbij speelt dat vooral grotere steden goed ontwikkelde metronetwerken hebben.
Wat ook direct opvalt, is hoe auto-infrastructuur schaalt ten opzichte van de infrastructuur voor voetgangers en fietsers, het zogenaamde active mode-netwerk. Met een waarde van 0,80 zien we dat auto-infrastructuur aanzienlijk harder groeit dan de infrastructuur voor de active modes, waar α gelijk is aan 0,50. Kijken we ter illustratie weer naar het rekenvoorbeeld van Delft en Utrecht, dan leidt een toename van de populatie met een factor 3,5 tot 2,7 maal zoveel auto-infrastructuur en tot slechts 1,9 maal zoveel active mode-infrastructuur. Als we de active mode-netwerken weer uitsplitsen naar voetgangers- en fietsinfrastructuur, dan blijkt dat vooral de groei van de fietsinfrastructuur beperkt is.
Merk ook op dat de verklarende waarde van het model bij voetgangersnetwerken en vooral fietsnetwerken fors lager is dan bij autonetwerken. Dit blijkt uit de lage R 2 voor voetgangers- en fietsnetwerken, van respectievelijk 0,639 en 0,146.3De R², ook wel determinatiecoëfficiënt genoemd, geeft aan welk deel van de variabiliteit wordt verklaard door het statistisch model. Het getal ligt tussen 0 en 1. Hoe dichter de R 2 bij 1 ligt, hoe beter het model past bij de variabele die het wil verklaren. Die lage R 2 voor fietsnetwerken duidt erop dat de mate waarin steden in fietsinfrastructuur investeren, van veel meer afhangt dan alleen (de groei van) de populatie. Andere factoren die hier wellicht een rol spelen zijn cultuur, beleid, klimaat en de omgeving, zoals heuvelachtigheid.
Modelleren van verdringing
Dan ons onderzoek naar de afhankelijkheid tussen de netwerken. We hebben hiervoor het model als volgt uitgebreid:
L i = β ⋅ P α ⋅ e -μ ⋅ L j + ϵ
Li beschrijft de omvang van het netwerk van type i (bijvoorbeeld het active mode-netwerk) en Lj de omvang van het netwerk van type j (zoals het autonetwerk). Verder geeft μ de mate aan waarin de omvang van het netwerk van type j het netwerk van type i beïnvloedt. Indien μ = 0, dan is er geen sprake van beïnvloeding: de groei van beide netwerken is onafhankelijk. Bij μ > 0 is er sprake van een negatieve beïnvloeding: hoe groter het netwerk van type j, hoe (gemiddeld) kleiner het netwerk van type i. Bij μ < 0 is er juist sprake van positieve beïnvloeding: groei van het ene type netwerk leidt gemiddeld tot groei van het andere type netwerk. Voor dit artikel lichten we één resultaat eruit: de invloed van de omvang van het autonetwerk op het active mode-netwerk. Als we de data van alle 47 steden gebruiken, komen we op de resultaten zoals weergegeven in tabel 2.
Tabel 2: Schattingsresultaten active mode-netwerk ten opzichte van het autonetwerk.
Verschillende zaken vallen op. Ten eerste is de kwaliteit van de schatting beter, uitgaande van de R 2 en van de RMSE,4RMSE staat voor root-mean-square error, oftewel de gemiddelde kwadratische fout. als we de invloed van het autonetwerk meenemen. Ook zien we dat de schalingsparameter α groter wordt ten opzichte van het referentiemodel (zonder invloed autonetwerk, zie ook tabel 1). Tot slot vinden we een positieve waarde voor de parameter μ. Dit betekent dat hoe groter het autonetwerk is, hoe kleiner (gemiddeld tenminste) het active mode-netwerk is.
Op grond van dit resultaat kunnen we concluderen dat er sprake lijkt van verdringing binnen steden: steden met een sterk ontwikkelde auto-infrastructuur hebben gemiddeld gezien een (relatief) beperktere infrastructuur voor voetgangers en fietsers. Meer ruimte voor de auto leidt kennelijk tot minder (behoefte aan) fiets- en voetgangersinfrastructuur. Dit kan eenvoudigweg met de beschikbaarheid van ruimte te maken hebben, maar het kan ook zijn dat fietsen en lopen minder aantrekkelijk zijn in steden met hoge automobiliteit. Let wel: dit zijn mogelijke verklaringen. Een definitieve uitspraak is alleen mogelijk met aanvullend onderzoek waarin ook de causaliteit kan worden vastgesteld.
Relevante resultaten
In dit korte artikel hebben we nieuwe, op OpenStreetMap-data gebaseerde bevindingen gepresenteerd die beschrijven hoe infrastructuur groeit als steden groter worden. We hebben enkele wetmatigheden aangetoond, die we met een eenvoudig exponentieel verband kunnen beschrijven. Op grond van de analyse blijkt dat grote steden relatief minder infrastructuur (nodig) hebben dan kleinere steden.
Als we de netwerken uitsplitsen naar modaliteit, zien we wel grote verschillen. Zo blijkt de ‘ruimte-efficiëntie’ van bijvoorbeeld fietsnetwerken veel groter dan die van autonetwerken. Tegelijkertijd geldt dat er sprake is van een zekere verdringing van de fiets door de auto: steden met sterk ontwikkelde autonetwerken hebben gemiddeld gezien minder ontwikkelde active mode-netwerken.
Dat zijn absoluut inzichten die meer zijn dan ‘wetenschappelijk interessant’. Vooral in discussies over de verstedelijkingsopgave en het leefbaar houden van de stad zijn de gevonden wetmatigheden en de ‘interactie’ tussen auto- en fietsnetwerken relevant. Veel overheden zetten bijvoorbeeld stevig in op elektrische auto’s. Op het gebied van duurzaamheid en leefbaarheid (luchtkwaliteit) is met die elektrificatie zeker winst te halen – maar niet op het cruciale punt van ruimtebeslag. Active modes, en dan vooral de (elektrische) fiets, maken een drieslag wél mogelijk: meer duurzaamheid, een betere luchtkwaliteit én een veel efficiënter ruimtegebruik. De ruimte die we daarmee ‘besparen’, kunnen we zinvol inzetten voor wonen, werken en recreatie, maar ook voor voorzieningen die bijdragen aan het verder terugdringen van de effecten van klimaatverandering.
____
De auteurs
Prof. dr. ir. Serge Hoogendoorn is hoogleraar Stedelijke mobiliteit aan de TU Delft en redacteur van NM Magazine.
Dr. ir. Winnie Daamen is universitair hoofddocent Dataverzameling en Actieve modaliteiten TU Delft.
Dr. Giulia Reggiani is onderzoeker aan de TU Delft.
Meer lezen? Reggiani, G., 2022. A multiscale view on bikeability of urban networks. TRAIL PhD Thesis series.
