Een realistische blik op ridesharing

De mobiliteitsplatforms Uber en Lyft hebben inmiddels ook on-demand diensten ontwikkelt voor het delen van ritten. Op zich een prima plan, want door ritten te delen zou je met minder kilometers en minder voertuigen toe kunnen – en klanten zijn nog goedkoper uit ook. Maar hoe efficiënt zijn deze diensten? Hoe bepalend zijn factoren als extra reistijd en psychologisch ongemak? En welke invloed heeft het ruimtelijke vraagpatroon op het succes van zo’n dienst? In deze bijdrage vertelt Arjan de Ruijter over zijn recente onderzoek aan de TU Delft.

Tot nu toe waren de studies naar de maatschappelijke impact van het delen van ritten vooral erg positief. In een onderzoek uit 2013 becijferden Ma et al. dat de taxivloot in New York 25% meer reizigers kan bedienen als reizigers ritten zouden kunnen delen, ervan uitgaande dat ze instemmen met een extra reistijd van maximaal 5 minuten per rit. Santi et al. concludeerden in een studie uit 2014 dat het aantal taxikilometers met 32% kan worden teruggedrongen door ritten te delen. Hoewel beide studies specifiek op New York waren gericht, is het potentieel van ridesharing ook voor steden met een lagere dichtheid dan New York groot, aldus Tachet et al. in 2017.

Deze veelbelovende berichten hebben er ongetwijfeld toe bijgedragen dat in veel toekomstvisies over mobiliteit ridesharing een prominente plek inneemt. Toch is er wel het nodige aan te merken op de genoemde studies. Een belangrijke tekortkoming is bijvoorbeeld dat bij het rekenen alleen extra reistijd is meegenomen als bepalende keuzefactor. Daarmee gaan de auteurs er vanuit dat gebruikers principieel bereid zijn om hun ritten te delen en hier slechts vanaf zien als de vertraging ten opzichte van een privérit een bepaalde barrière overschrijdt. Zo simpel ligt het echter niet, getuige ook cijfers uit de praktijk. Andere relevante factoren zijn namelijk het kortingstarief (als ‘plus’ ten opzichte van een privérit) en het psychologische ongemak van het delen van je rit met onbekenden (als ‘min’). Een ander aspect dat in eerdere studies buiten beschouwing is gebleven, is de ruimtelijke verdeling van reisverzoeken. Tijdens de ochtendspits bijvoorbeeld willen veel mensen van de rand van de stad naar het centrum, terwijl er op dat moment maar weinig vraag is in omgekeerde richting. Zo’n ongelijke verdeling van de vraag maakt vervoersdiensten mogelijk minder efficiënt en dus minder levensvatbaar.

Al met al is er genoeg aanleiding om de potentie van ridesharing-diensten opnieuw tegen het licht te houden – en dit keer met inachtneming van de verschillende keuzefactoren en de ruimtelijke verdeling van de vraag.

Opzet onderzoek
In ons onderzoek aan de TU Delft, uitgevoerd tussen oktober 2018 en mei 2019, hebben we middels een simulatie de werking van een ridesharing-dienst nagebootst. Voor het toedelen van voertuigen aan reizigers hebben we gebruikgemaakt van een aanpak met Request-Group-Vehicle-grafieken (RGV). Een voordeel van deze aanpak is dat we daarmee ook ritten met meer dan twee personen kunnen meenemen. In figuur 1 is de afhandeling van een ritverzoek in ons model grafisch weergegeven, inclusief een eenvoudig voorbeeld in blauw.

Figuur 1: Overzicht van de modelaanpak om ritverzoeken af te handelen. In blauw een voorbeeld met drie verzoeken en twee auto’s.
 

We zijn gaan rekenen met een rasternetwerk van in totaal 121 knooppunten. De afstand tussen buur-knooppunten is steeds 500 meter. Met een maximale reisafstand van 10 km in het netwerk en een totaal oppervlak van 25 km2 is dit netwerk te vergelijken met het gebied binnen de ringweg Amsterdam of de binnenring van Berlijn. De afstand tussen de mogelijke stoplocaties (=de knooppunten van het rasternetwerk) is relatief groot, omdat we ervan uitgaan dat voertuigen niet op alle kruisingen kunnen stoppen en gebruikers dus bereid moeten zijn naar een ‘opstaplocatie’ te lopen. De gemiddelde snelheid in het netwerk (ter bepaling van de reistijden) is vastgesteld op 36 km/uur, iets boven het gemiddelde voor een Europese stad.

De totale vraag bestaat uit ongeveer 1.200 ritverzoeken per uur, een gemiddelde van 10 aanvragen per uur per knooppunt. De verdeling van deze ritten over het netwerk is scenariospecifiek. Wel zijn in alle scenario’s ritten met een rijafstand van 2 kilometer of korter uitgesloten, omdat dergelijke ritten ongebruikelijk zijn én ongewenst voor een service die gericht is op het delen van ritten.
De taxivloot van de onderzochte ridesharing-dienst bestaat uit 150 voertuigen met elk een capaciteit van drie passagiers. Voor het rittarief hanteren we de gereguleerde maximale taxitarieven voor de stad Amsterdam in 2019: een basistarief van € 3 en een kilometertarief van € 2.

Het simulatiemodel dat is bedacht, is geïmplementeerd in de programmeertaal Python. We hebben hierbij de Networkx-module gebruikt om het kortste pad te berekenen tussen alle locatieparen in het wegennet. De optimalisatieproblemen van het toewijsproces van voertuigen aan reizigers zijn opgelost met behulp van de MOSEK Optimizer.

Scenario’s
Om de invloed te verkennen van de factoren vertraging (wachttijd + extra reistijd door het oppikken en afzetten van andere passagiers), ongemak door het delen van een voertuig met medepassagiers, een gereduceerd rittarief en de ruimtelijke verdeling van ritverzoeken, hebben we verschillende scenario’s doorgerekend. Zie tabel 1. Het eerste scenario geldt als ‘basisscenario’.

Tabel 1: De verschillende scenario’s die in het onderzoek zijn doorgerekend.
 

In onze berekeningen wordt de vertraging meegenomen door er een prijskaartje (βr) aan te hangen, wat kan worden gezien als de willingness to pay om vertraging te voorkomen. De basis-‘prijs’ bedraagt € 30 per uur en is gebaseerd op eerder onderzoek in Barcelona en Australië. In de scenario’s 2-5 testen we andere waarden (van € 18 tot € 42 per uur), om de invloed van een lagere dan wel hogere aversie tegen vertraging te onderzoeken.
Ook de terughoudendheid om een voertuig te delen met medepassagiers (γr) drukken we in geld uit. Omdat we nog relatief weinig weten over deze psychologische barrière hebben we in de scenario’s 1 en 6-9 een groot bereik van waarden getest, van € 1 tot € 5. Daarmee veronderstellen we dat de klant bereid zou zijn om € 1 tot € 5 te betalen om een gedeelde rit naar een individuele rit te upgraden, uitgaande van een gelijkblijvende reistijd.
Wat de korting (πr) betreft gaan we standaard uit van 50% korting voor alle gedeelde ritten, ongeacht of er een match wordt gevonden met andere passagiers. Een interessant alternatief onderzoeken we in scenario 10, waarbij we boven op de korting van 50% een extra korting van 7,5% geven voor elke medepassagier waarmee een reiziger zijn voertuig deelt tijdens het drukste deel van de rit.

Ten slotte testen we het effect van de ruimtelijke verdeling van de vraag naar ritten met drie scenario’s. In het basisscenario is de vraag volledig uniform, met gelijke productie en attractie in elk van de knooppunten. De scenario’s 11 en 12 vertegenwoordigen een in toenemende mate geconcentreerd vraagpatroon, met meer productie in de buitenste knooppunten van het netwerk en meer attractie in de centrale knooppunten. We bootsen zo een ochtendpiek na.

Resultaten
Met deze aanpak en aannames zijn we gaan rekenen. Van elk scenario hebben we vastgesteld hoe efficiënt er gereden kan worden. Maar ook: zijn de deelritten voor klanten nog wel acceptabel? In alle gevallen is het rekenen met de ‘prijzen’ bepalend voor het inschatten van de werking van het systeem. Neem de situatie van een rit die normaliter € 20 kost, maar die gedeeld kan worden als de klant 4 minuten extra reistijd voor lief neemt. Als we uitgaan van scenario 1, dan kost zo’n deelrit € 10 (want: korting πr is 50%). Die 4 minuten vertraging staan voor een ‘kostenpost’ van € 2 (want βr is € 30/uur) en het ongemak van delen (γr) is € 3. De rekenprijs voor de rit komt daarmee uit op € 15. Dat is ruim onder de oorspronkelijke € 20 en dus acceptabel. Stel dat een rit alleen mogelijk is met een lange vertraging, dan wordt de rit vanzelf te ‘duur’ en daarmee onacceptabel.

Door het ridesharing-systeem te simuleren over een periode van twee uur, kunnen we het percentage van reizigers vinden dat voor een gedeelde rit kiest (acceptance rate). Ook kunnen we met de simulatie aspecten berekenen als de gemiddelde vertraging voor ridesharing-gebruikers en de totale rijafstand van de vloot.

In tabel 2 hebben we enkele van de resultaten op een rij gezet.

Tabel 2: Enkele resultaten van het simuleren van de verschillende ridesharing-scenario’s.
 

Afhankelijk van de ‘tolerantie’ van gebruikers voor het delen van hun rit en voor extra reistijd, varieert de acceptatiegraad van de gesimuleerde ridesharing-dienst tussen 25,4% en 98,8%, de gemiddelde vertraging tussen 15,2% en 61,3% van de directe reistijd, en de afstandsefficiëntie-ratio tussen 0,95 en 1,36. Deze laatste waarder is de verhouding tussen het aantal effectieve passagierskilometers (som van de directe afstand tussen herkomst en bestemming voor alle geaccepteerde reizigers) en het totaal aantal voertuigkilometers (met en zonder passagiers aan boord). Een hogere score betekent een efficiëntere dienst.

De prijsstructuur (korting) van een ridesharing-dienst blijkt de verwachte maatschappelijke voordelen en servicekwaliteit sterk te beïnvloeden. Een relatief kleine extra korting van 7,5% per medepassagier met wie een gebruiker zijn rit deelt (bij maximale bezetting), bovenop de standaard 50% korting, kan de totale afname van voertuigkilometers meer dan verdubbelen. Hiertegenover staat wel een gemiddelde extra vertraging van 24,5% van de directe reistijd.

Deze studie toont verder aan dat het potentieel van een ridesharing-systeem sterk afhankelijk is van externe variabelen, zoals de ruimtelijke verdeling van ritverzoeken. De vraag zal in de praktijk op z’n minst enigszins geconcentreerd zijn vanwege de ruimtelijke clustering van activiteiten als werken, wonen en winkelen. Onze studie laat zien dat wanneer de meeste verzoeken gericht zijn naar het centrum van het netwerk, zoals tijdens de ochtendspits, de prestaties van het ridesharing-systeem relatief slecht zijn, zowel wat serviceniveau als wat efficiëntie betreft. In zo’n geval zullen slechts 62,9% van de reizigers voor een gedeelde rit kiezen, vergeleken met 76,0% wanneer de vraag perfect uniform is. De (bruto) afstandsefficiëntie-ratio kan zelfs onder 1 dalen wanneer de ritverzoeken een sterke ‘richting’ hebben. Het serviceniveau is dan ook laag, met lange wachttijden en een relatief lange vertraging van gemiddeld 31,9% van de directe reistijd.

Al met al is het potentieel voor het verminderen van de totale kilometerstand niet zo groot als we tot nu toe vaak aannamen. Het aantal voertuigkilometers van de taxivloot in ons voorbeeld zal met maximaal 27% zakken – en dan alleen in het ideale scenario waarbij gebruikers een hoge bereidheid hebben om te delen. In enkele scenario’s in onze studie bleek het delen van ritten (door inefficiënte routes) zelfs tot méér voertuigkilometers te leiden. Deze nieuwe resultaten lijken erop te duiden dat de efficiëntievoordelen van ridesharing-diensten in eerdere onderzoeken zijn overschat. Ter vergelijking: in het eerder genoemde onderzoek van Santi et al. (2014) naar het delen van ritten in New York werd een vermindering van 40% van het totale aantal voertuigkilometers berekend.

Vervolgonderzoek
Uiteraard hebben we ook met dit onderzoek lang niet alle bepalende factoren kunnen meenemen. Er zijn nog genoeg andere aspecten die mogelijk hun weerslag hebben, zoals de eigenschappen van de vloot (capaciteit en omvang), tarieven van alternatieve diensten en complexere kortingsstructuren. Deze punten vereisen verder onderzoek.

Ook kan het interessant zijn na te gaan of we de efficiëntie van een ridesharing-systeem kunnen verbeteren door aanvragen te weigeren – namelijk ritten die de prestaties op systeemniveau negatief beïnvloeden, zoals aanvragen die bestemd zijn voor een locatie ver weg waar geen nieuwe verzoeken worden verwacht.

Een laatste suggestie voor vervolgonderzoek: hoe pakt ridesharing met autonome voertuigen uit? In principe is het model dat we in ons onderzoek hebben ontwikkeld prima geschikt voor zo’n vraagstelling, mits er meer duidelijkheid bestaat over één cruciaal punt: in welke mate durven klanten samen met onbekenden te reizen als er geen (eveneens onbekende, maar toch) taxichauffeur bij aanwezig is? Voldoende stof voor nieuw onderzoek!

In het CriticalMaaS-project, uitgevoerd door onderzoekers van het Smart Public Transport Lab van de TU Delft, zal ridesharing verder worden onderzocht. Klik hier voor meer informatie.

____

De auteurs
Ir. Arjan de Ruijter is PhD-onderzoeker in het CriticalMaas-project van de TU Delft.
Dr. Javier Alonso-Mora is universitair docent Cognitieve Robotica 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.