Zo verminderen we impact ov-verstoringen

 

Hoewel het ov op het moment van schrijven enorm in de schijnwerpers staat, was de (werkelijke en gepercipieerde) impact van verstoringen ook in het pre-COVID tijdperk al duidelijk waarneembaar. Vrijwel dagelijks kan in kranten, op internet en via social media berichtgeving gevonden worden over (weer) een verstoring op locatie X, met alle negatieve gevolgen Y voor reizigers tot gevolg.

Verstoringen is het ov kunnen veel emoties losmaken, bij reizigers, maar soms ook bij (lokale) overheden of politieke partijen. De impact van verstoringen kan groot zijn: niet alleen qua vertraging voor reizigers, maar ook wat betreft kosten voor de vervoerder (bijvoorbeeld door bijsturingskosten van personeel, of restitutie van reiskosten bij grote vertragingen).

Wanneer (ervaren) onbetrouwbaarheid van het ov op de langere termijn leidt tot een toename in gebruik van andere modaliteiten, kunnen maatschappelijke kosten (inkomstenderving, filevorming) nog verder toenemen. Verstoringen zijn echter complex en onzeker: er is onzekerheid wanneer en waar een bepaald type verstoring optreedt, en hoe lang deze verstoring duurt. Ook de impact van een verstoring is onzeker: welke bijsturingsmaatregelen treft de vervoerder? Kunnen reizigers gebruik maken van alternatieven? En hoe reageren reizigers op de (vaak imperfecte) informatie tijdens verstoringen?

Ons onderzoek heeft als doel om de discussies rond ov-verstoringen enigszins te rationaliseren, door op systematische wijze te onderzoeken hoe de impact van verstoringen kan worden gekwantificeerd, zodat vervolgens voor de meest kwetsbare locaties in het ov-netwerk maatregelen genomen kunnen worden om deze impact te verminderen.

Reizigersgedrag tijdens ov-verstoringen

De eerste stap hierbij is het verkrijgen van inzicht in hoe reizigers zich tijdens een verstoring (gepland of ongepland) gedragen. Inzicht in hoe reizigers drukte waarderen, of hoe reistijd in railvervangend busvervoer wordt ervaren, kan gebruikt worden om modellen te ontwikkelen en te verbeteren om nauwkeuriger route- en vervoerwijzekeuzes van reizigers tijdens verstoringen te voorspellen.

Hiervoor gebruiken we diverse empirische databronnen: data via OV-chipkaart (OVC) om te deduceren welke ov-route reizigers hebben gekozen, en GTFS/NDOV-data om vast te stellen wat de rijtijden, vertragingen et cetera van elk voertuig waren. Door fusie van beide databronnen kan ook worden afgeleid hoe druk elke rit was. Op basis van de kenmerken van elke routeoptie, en op basis van geobserveerd routekeuzegedrag van reizigers, kunnen we wiskundige modellen schatten om af te leiden hoe reizigers de verschillende componenten van een reis daadwerkelijk waarderen.

Door reizigers ervaren reistijd in tram of bus bij drukte. Wanneer het aantal staande reizigers per m2 (x-as:‘standing density’) toeneemt, wordt 1 minuut reistijd steeds negatiever ervaren (y-as: crowding multiplier). Frequente reizigers wegen drukte meer mee in hun routekeuze, op basis van eerdere reiservaringen.

We keken naar diverse verstoringen en buitendienststellingen op het tramnetwerk in Den Haag als case study. Hieruit konden onder meer de volgende inzichten worden verkregen:

Een ov-reis van 10 minuten in een zeer drukke tram of bus wordt bijvoorbeeld ervaren als bijna 18 minuten, als gevolg van de negatieve druktewaardering door reizigers (Figuur 1).

Passagiers ervaren in-voertuigtijd in railvervangend busvervoer ongeveer 11 procent negatiever ten opzichte van de tramlijn die vervangen wordt. Hierbij kan naast ongeplande verstoringen ook gedacht worden aan (langdurige) geplande verstoringen, zoals spoorvernieuwing.

Wachttijd voor railvervangend busvervoer wordt circa 30 procent negatiever ervaren dan voor reguliere trams en bussen. Mogelijk liggen de vaak beperkte faciliteiten bij tijdelijke bushaltes hieraan ten grondslag, of speelt onbekendheid aangaande de frequentie en betrouwbaarheid van vervangend busvervoer een rol.

Wanneer we deze gedragsparameters gebruiken in ov-modellen om route- en vervoerwijzekeuzes van reizigers te voorspellen, was het mogelijk om de nauwkeurigheid van de voorspellingen voor verstoringen tot 13 procent te verbeteren (Figuur 2).

Kritieke locaties

Effect van de nieuwe model parameterset op de nauwkeurigheid (r2) van het voorspellen van de reizigersimpact van ov-verstoringen, toegepast op vier verstoringen (d1-d4) op het ov-netwerk in Den Haag.

 

De volgende belangrijke stap is om vast te stellen wat de meest kwetsbare, kritieke locaties in een ov-netwerk zijn. Dit is belangrijk, zodat – binnen een beperkt budget – maatregelen geprioriteerd kunnen worden voor de locaties die het meest kwetsbaar zijn.

Theoretisch zou je daarvoor alle mogelijke verstoringen op alle locaties in het netwerk willen simuleren, om de impact te voorspellen en te rangschikken. Echter, dit is voor grotere ov-netwerken zeer tijdrovend. Vandaar dat we Artificial Intelligence (AI) hebben toegepast om deze eerste selectie te maken. Voor het metronetwerk van Washington DC, gebruikten we hiervoor log-data met alle geregistreerde verstoringen voor een heel jaar. Ook gebruikten we OVC-data voor dezelfde periode. Op basis hiervan is een model getraind en getest om de kans op een verstoring te voorspellen voor elke locatie in het netwerk, en om vervolgens de verwachte reizigersvertraging van elke verstoring te voorspellen.

Met een rekentijd van slechts enkele minuten kunnen hiermee alle 95 metrostations in DC gerangschikt worden op basis van de verwachte jaarlijkse verstoringsimpact. Deze kosten lopen aanzienlijk uiteen, van circa 43.000 tot bijna 77.000 vertragingsuren per jaar voor het meest kritieke station. De stations kunnen ook geclusterd worden in groepen met vergelijkbare verstoringspatronen – opnieuw op basis van machine learning technieken – zoals te zien in Figuur 3. De meest kritieke stations bevinden zich voornamelijk in het centrale deel van het metronetwerk. Hoewel hier enerzijds de meeste omreisalternatieven voorhanden zijn, is het aantal getroffen ov-reizigers hier ook het grootst. Daarnaast rijden hier ook de meeste metro’s, wat de kans op voertuig-gerelateerde verstoringen vergroot.

Clusters van metrostations in Washington DC, op basis van verstoringskansen- en impact. Cluster 2 bevat de meest kritieke stations; cluster 4 de minst kritieke stations. Het kader linksboven zoomt in op het centrale deel van het ov-netwerk.

Een andere toepassing om de meest kwetsbare ov-locaties te identificeren voor het integrale ov-netwerk in de Randstad Zuidvleugel laat zien dat vooral metro- en lightrailtrajecten kwetsbaar zijn (Figuur 4). Het aantal verstoringen op tramnetwerken is relatief hoog, vergeleken met het aantal verstoringen op het spoor, door de interactie met ander verkeer. Echter, wanneer op het spoor een verstoring optreedt, is de impact aanzienlijk groter doordat een groter aantal reizigers getroffen is, en er doorgaans minder omreisalternatieven beschikbaar zijn door de lagere netwerkdichtheid. Metro/lightrailsystemen zitten hier precies tussen in: het aantal verstoringen is relatief hoog, terwijl op deze drukke verbindingen ook relatief veel reizigers hinder ondervinden van een dergelijke verstoring.

Beheersen van ov-verstoringen: een voorbeeld

Voor de meest kwetsbare locaties in het netwerk kunnen vervolgens maatregelen getest worden, met als doel om de verstoringsimpact te verminderen. Hierbij is het van belang om de verstoringsimpact niet voor slechts één modaliteit te bekijken: een verstoring op het spoornetwerk kan immers ook negatief doorwerken op het stedelijk ov.

Denk hierbij aan reizigers die hun aansluiting op tram of bus missen, of aan extra drukte in de lightrail bij een verstoring op een spoortraject parallel hieraan. We illustreren dit met een voorbeeld, waarbij sprake is van een grote verstoring op het spoornetwerk rondom Leiden. Door middel van een agent-based simulatiemodel berekenen we de maatschappelijke kosten van deze verstoring voor treinreizigers: zo’n 80.000 euro. Echter, de simulatie toonde ook aan dat deze verstoring resulteert in circa 7.000 euro aan maatschappelijke kosten (gemonetariseerde vertragingsuren) voor reizigers op het stedelijk ov-netwerk van Den Haag, doordat veel treinen uit Leiden met vertraging in Den Haag arriveerden.

Identificatie van meest kritieke trajecten in het integrale ov-netwerk van de Randstad Zuidvleugel op basis van de verstoringsfrequentie (x-as) en het aantal getroffen reizigers (y-as). De omcirkelde punten - veelal metro/lightrailtrajecten - liggen op/nabij het Pareto-front en zijn het meest kritiek.

Het niet in beschouwing nemen van deze zogenaamde ‘gepropageerde’ impact onderschat de verstoringskosten dus met zo’n 8 procent. Deze onderschatting kan tot gevolg hebben dat de ratio tussen baten en kosten van mogelijke maatregelen om de impact te verminderen onderschat wordt.

Door een optimalisatiemodel voor bijsturing op het spoornetwerk te combineren met een reizigers-simulatiemodel testten we verschillende bijsturingsstrategieën. Wanneer treinen met relatief veel overstappende reizigers naar het stedelijk ov geprioriteerd zouden worden in de bijsturing, lieten onze simulatieresultaten zien dat de ‘gepropageerde’ verstoringsimpact potentieel tot 14 tot 27 procent verminderd kon worden, zonder de vertraging voor reizigers op het spoornetwerk zelf significant te vergroten.

Integraal perspectief

Dit illustreert het belang van een integraal perspectief, waarbij de impact voor het integrale ov-netwerk in beschouwing wordt genomen om de effectiviteit van bijsturingsstrategieën te toetsen. Voor toekomstig onderzoek is het van belang om dit perspectief uit te breiden van een ‘integraal ov-netwerk’ naar een ‘integraal multimodaal netwerk’ perspectief. De opkomst van deelmobiliteit – bijvoorbeeld de beschikbaarheid van Uber of Lyft en deelfietsen in veel steden – vraagt om een breder perspectief, waarbij bezien kan worden in welke mate deze vervoerdiensten een rol kunnen spelen om de impact van ov-verstoringen (deels) te mitigeren. Het kwantificeren en vervolgens optimaliseren van de potentiële robuustheidswaarde van deze diensten is daarom een logische vervolgstap van dit onderzoek.

Over de auteur

Dr.ir. Menno Yap promoveerde 26 februari 2020 cum laude aan de TU Delft met zijn proefschrift ‘Measuring, Predicting and Controlling Disruption Impacts for Urban Public Transport’. Het proefschrift is hier te downloaden. Yap werkt als onderzoeker in het Smart Public Transport Lab van de TU Delft, en als Transport Modeller in het Verenigd Koningrijk bij Transport for London.

Dit artikel is verschenen in OV-Magazine 2/2020. Wilt u OV-Magazine voortaan in print of digitaal ontvangen? Neem contact op of neem een abonnement.