Binnen het concept van Mobility-as-a-Service nemen de ‘vervoersdiensten op aanvraag’, vervoer wanneer en hoe we het willen, een belangrijke plek in. Wat is het potentieel van deze diensten? En als ze eenmaal geïmplementeerd zijn, wat betekent dat dan voor de prestatie van het vervoerssysteem als geheel? PhD’er Jishnu Naraya van TU Delft deed hier onderzoek naar – en toonde en passant aan hoe nuttig agent-based modellen zijn.

 
Foto: T.W. van Urk
 
De stad heeft behoefte aan efficiënt en vooral ook gebruiksvriendelijk personenvervoer. ‘Vervoer op aanvraag’, ook wel on-demand vervoersdiensten genoemd, kunnen daarin voorzien. Het is de categorie diensten tussen ov en taxi in, waarbij de reiziger bepaalt wanneer hij wil reizen, vanaf waar hij vertrekt, waarheen hij wil en hoe – met welk(e) vervoermiddel(en) – hij wil reizen. De serviceproviders bedienen de reizigers via een online platform, zoals een toepassing op een smartphone.
Het zou de reiziger de bekende nadelen van regulier openbaar vervoer besparen: geen rigide dienstregeling meer, geen vaste ‘lijnen’ en geen slechte aansluitingen.

On-demand vervoerdiensten bestaan natuurlijk al, denk aan Uber, maar de verwachting is dat het aanbod de komende jaren veel breder en gevarieerder zal worden. Dat stelt (stedelijke) beleidsmakers voor prangende vragen. Wat moeten we met dit fenomeen? Is het een zegen of een vloek voor mijn stad? Wat is de impact van de on-demand diensten op de mobiliteit van de gebruikers en op de prestaties van ons vervoerssysteem als geheel?

Dat zijn helaas geen vragen die we gemakkelijk met de gangbare, traditionele verkeersmodellen kunnen onderzoeken: daar zijn de kenmerken van een on-demand dienst te afwijkend voor. Hoe doen we zo’n analyse dan wel? Daar hebben we op de afdeling Transport en Planning van TU Delft dit jaar onderzoek naar gedaan. We hebben Amsterdam als case genomen en zijn aan de slag gegaan met agent-based modellen.

Waarom agent-based?
Wil een model goed presteren, dan moet het in staat zijn om het systeem dat het modelleert, (voldoende) goed te repliceren. Gezien de opzet van een on-demand systeem (geen vaste lijnen, geen vast dienstschema) moet ons model overweg kunnen met real-time, dynamische acties van en interacties tussen gebruikers en voertuigen. Traditionele wiskundige of analytische modellen slagen er onvoldoende in om die real-time dynamiek te ‘vatten’. Op simulatie gebaseerde methoden kunnen dit wel, maar die kunnen weer slecht overweg met het autonome, zelforganiserende gedrag van bijvoorbeeld de gebruikers van diensten.

Agent-based modellen daarentegen zijn juist bedoeld voor het modelleren van autonome en interactieve entiteiten, zoals gebruikers en voertuigen: die worden gemodelleerd als individuele agents met autonome beslissingsmogelijkheden. Zo’n agent heeft interactie met andere entiteiten en met z’n omgeving op basis van een reeks spelregels.
Het vermogen van een agent-based model om zelforganiserend gedrag te modelleren, maakt het een ideaal hulpmiddel bij het modelleren van systemen met real-time dynamica en interactie, zoals een systeem dat naast auto, ov en fiets ook on-demand diensten omvat.

Het agent-based modelleringsraamwerk dat we hebben gebruikt voor ons onderzoek naar een on-demand systeem in Amsterdam, geven we in figuur 1 schematische weer. Alvorens we enkele analyseresultaten doornemen, bespreken we eerst kort hoe dit model vraag en aanbod modelleert en welk netwerk en scenario’s we hebben opgenomen.
 

Figuur 1: Het agent-based modelleringsraamwerk zoals gebruikt in ons Amsterdams onderzoek.


 
Modellering vraag en aanbod
De te modelleren vraag bestaat uit gebruikers die met het on-demand vervoersysteem willen reizen. Deze gebruikers worden gemodelleerd als entiteiten met elk een reisplan. Een plan bestaat uit ritten (via een zekere route, met een bepaalde vervoerwijze) van de ene naar de andere activiteit (zoals: huis-werk-sportschool-huis). De entiteiten voeren dit plan in de loop van een dag uit, evalueren de ervaren service en maken op basis daarvan een nieuw reisplan voor de volgende dag. Als een entiteit bijvoorbeeld sterke congestie ervaart over een zekere route, dan zorgen de ‘spelregels’ in het model ervoor dat hij de volgende dag vanzelf een andere route kiest. Of als hij lange wachttijden ervaart voor een bus- of treindienst, dan vergroot dat de kans dat hij de volgende dag de auto, fiets of een on-demand service kiest. Dit proces van het beoordelen en wijzigen van de reisplannen wordt voortgezet, tot er een toestand van ‘evenwicht’ is bereikt.

De on-demand service, het aanbod, is gemodelleerd als een vloot van voertuigen die door een centraal systeem (platform) worden aangestuurd. De voertuigen worden aanvankelijk willekeurig verdeeld over het netwerk. De vraag naar reizen bestaat uit reisverzoeken die de gebruikers in real-time verzenden. Deze verzoeken komen terecht in het centrale systeem en dat wijst op basis van een optimalisatiealgoritme aan elk verzoek een voertuig toe. Het centrale systeem fungeert als een interface tussen de gebruiker en de bestuurder van het voertuig.

De beschrijving van het netwerk
Het Amsterdamse netwerk dat we in ons model hebben opgenomen, heeft in totaal 17.375 knooppunten, 31.502 verbindingen en 2.517 haltes van trein, tram en bus. We hebben gerekend met een sample van 141.673 reizigers, wat neerkomt op ongeveer 20% van de bevolking van Amsterdam. De modaliteiten die hierbij zijn meegenomen, zijn auto, lopen, fiets, openbaar vervoer en uiteraard de on-demand services.

De parameters van het model zijn gekalibreerd om een realistisch aandeel te krijgen voor de verschillende modaliteiten. Het betreft onder meer parameters voor het gedrag van de gebruiker (zoals voorkeur voor een modaliteit), de kosten van een modaliteit of dienst en de (reis)tijd.

Voor het rekenen zelf hebben we gebruikgemaakt van Cartesius, de High Performance Computing Cluster van Nederland. Het modelleren van een scenario vereist namelijk flink wat rekenkracht, zeker bij een netwerk van de omvang van Amsterdam.

Impact van on-demand-systeem in Amsterdam
Om de impact van het on-demand-systeem te bestuderen, analyseren we twee scenario’s:

Basisscenario. In dit scenario zijn de modaliteiten die voor de gebruiker beschikbaar zijn: auto, wandelen, fietsen en openbaar vervoer (metro, tram en bus). Het aandeel van de modaliteiten is respectievelijk 29%, 28%, 22% en 21%.
Scenario On-demand. We introduceren een vloot van on-demand voertuigen. Eerst hebben we een gevoeligheidsanalyse uitgevoerd op het effect van de vlootgrootte op de gemiddelde reistijd van de gebruikers. De zes onderzochte vlootgroottes variëren van 1% tot 10% van de totale vraag. Tabel 1 zet de cijfers op een rij, inclusief het marktaandeel.
 

Tabel 1: Het marktaandeel van on-demand met variatie in vlootgrootte.


 

Figuur 2: De verhouding tussen de gemiddelde reistijd, inclusief wachten (opgehaald worden), van on-demand gebruikers en de vlootgrootte. [Klik op de grafiek voor een grotere weergave.]

Figuur 3: De relatie tussen de ‘verblijfsratio’ (niet-benutte tijd) van on-demand voertuigen en de vlootgrootte. [Klik op de grafiek voor een grotere weergave.]

Deze tabel laat trouwens goed zien dat het marktaandeel van on-demand diensten toeneemt als de vlootomvang groeit. Dit kunnen we verklaren aan de hand van figuur 2, waarin we de gemiddelde reistijd tegenover de vlootgrootte hebben gezet: hoe groter de vloot, hoe korter de reistijd – en dus hoe aantrekkelijker de service.
Figuur 3 laat de andere kant van de medaille zien: de verblijfsratio (fractie van de tijd die de on-demand voertuigen stilstaan, dat wil zeggen: niet onderweg om een passagier op te halen of te vervoeren) in relatie tot de grootte van de vloot. Voor de voertuigen van de diensten geldt dus: hoe groter de vloot, hoe langer de voertuigen ‘leeg’ zijn.

Potentieel van on-demand services
Met ons agent-based model hebben we vervolgens onderzocht of en in hoeverre on-demand diensten de vraag naar openbaar vervoer en auto absorberen. Hierbij veronderstellen we allereerst dat we het openbaar vervoer in z’n geheel vervangen door on-demand diensten en dat ook alle voormalige ov-reizigers overstappen naar on-demand. Vervolgens voeren we een gevoeligheidsanalyse uit om de vlootgrootte van het on-demand-systeem te bepalen dat nodig is hetzelfde serviceniveau te bieden als het ov. De serviceniveaus worden in dit geval gemeten in termen van gemiddelde reistijd: een optelsom van de wachttijd en de ritduur, plus de eventuele tijd om bij het voertuig te komen of om van het voertuig bij je bestemming te komen (dat speelt vooral mee bij het ov: naar een station of halte lopen bijvoorbeeld). Een soortgelijke analyse hebben we uitgevoerd voor de auto: wat als álle automobilisten hun auto van de hand doen en naar on-demand switchen?

Figuur 4: Reistijdstatistiek wanneer de openbaar-vervoervraag (PT) wordt vervangen door een vloot van on-demand voertuigen. [Klik op de grafiek voor een grotere weergave.]


Figuur 5: Reistijdstatistiek wanneer de autovraag wordt vervangen door een vloot van on-demand-services. [Klik op de grafiek voor een grotere weergave.]

Figuur 4 toont de variatie van de gemiddelde reistijd van on-demand gebruikers die openbaar vervoer inruilen voor on-demand. De figuur toont ook de reistijdstatistieken van ov-gebruikers in het basisscenario. Uit de figuur blijkt dat het serviceniveau voor de deur-tot-deur-tijd – dus inclusief de tijd om naar/van het vervoermiddel/halte te komen – wordt bereikt met een vloot van 1.417 on-demand voertuigen (1% van de totale vraag). Als we uitgaan van ‘start rit tot en met eind rit’, dan hebben we een vloot van 2.834 nodig, 2% van de totale vraag. De gemiddelde reistijd stabiliseert zich na dit punt zonder aanzienlijke variatie.

Figuur 5 toont dezelfde variatie, maar nu van on-demand gebruikers die de autovraag vervangen. De gemiddelde reistijd stabiliseert zich rond 4.251 voertuigen (3% van de totale vraag), terwijl de reistijd iets langer is dan die van de auto in het basisscenario. Merk echter wel op dat het aantal privéauto’s in de basiscase bijna 41.000 bedroeg, wat tien keer meer is dan het aantal on-demand voertuigen dat je nodig hebt om een vergelijkbaar serviceniveau te bieden!

Discussie
De insteek van onze studie was om te onderzoeken hoe we een agent-based simulatiemodel kunnen gebruiken voor het modelleren van on-demand services, in dit geval voor het netwerk van Amsterdam. In tegenstelling tot traditionele wiskundige modellen heeft een agent-based simulatiemodel een duidelijk voordeel bij het modelleren van on-demand mobiliteitssystemen: het type model is bedoeld om real-time dynamiek en interactie vast te leggen. Ook kan het model overweg met ‘lerende’ gebruikers: de reizigers in een agent-based model nemen de positieve dan wel negatieve ervaringen van hun reizen mee in hun keuzes voor de volgende reis, net zolang tot er een evenwichtstoestand is bereikt.

In deze eerste studie hebben we het on-demand systeem vormgegeven als een wagenpark dat op basis van real-time aanvragen centraal wordt aangestuurd. Een volgende stap zou kunnen zijn, om een model te ontwikkelen waarin de bestuurders van de on-demand services ook autonoom worden – dat ze een verzoek kunnen accepteren of afwijzen. Daarnaast kan de on-demand service in het model worden uitgebreid, met bijvoorbeeld deelauto’s en doelgroepenvervoer. Zelfs het veel bredere Mobility-as-a-Service is in principe goed te modelleren binnen het agent-based raamwerk.

Uit de resultaten blijkt dat het on-demand systeem een aanzienlijk marktaandeel aantrekt. De manier waarop de on-demand service wordt vormgegeven – als ‘privé’ deur-tot-deur-service – maakt ze veel aantrekkelijker dan andere modaliteiten, wat de grote modal shift verklaart. Hoe die modal shift is als we de mogelijkheid bieden om ook ritten te delen, is voer voor een vervolgonderzoek.

___

De auteurs
Jishnu Narayan S. is PhD-onderzoeker aan de TU Delft.
Dr. Oded Cats is universitair hoofddocent openbaar vervoer aan de TU Delft.
Prof. dr. ir. Serge Hoogendoorn is hoogleraar stedelijke mobiliteit aan de TU Delft.

Comments are closed.