Alle lichten op groen voor fietsmonitoring in Enschede

dinsdag 16 februari 2016
timer 14 min

Sander Veenstra, Witteveen+Bos / Karst Geurs, Tom Thomas, Universiteit Twente / Rob van den Hof, Gemeente Enschede


Een samenvatting van dit artikel verscheen in Verkeerskunde 1/2016 

Fietsen is belangrijk. In Nederland heeft de fiets een voorname plaats in het stedelijke verkeerssysteem. In nationale en gemeentelijke mobiliteitsplannen wordt vaak gerept over het stimuleren van het fietsgebruik om de bereikbaarheid te vergroten. Maar hoe bepalen we eigenlijk of dat beleid zinvol is geweest?

Inleiding
Voor de auto zijn er verkeersmodellen en veel verkeersdata waarmee een inschatting gemaakt kan worden van verkeersstromen. Voor het fietsverkeer zijn dergelijke modellen nog niet op dat niveau. Toch liggen er mogelijkheden!

Er wordt namelijk wel fietsdata verzameld, maar nog onvoldoende benut. De Universiteit Twente heeft in samenwerking met de gemeente Enschede een applicatie ontwikkeld die met behulp van data uit verkeerslichten (VRI’s) en het Onderzoek Verplaatsingen in Nederland (OViN) een inschatting geeft van fietsstromen in het stedelijke netwerk van Enschede. De gemeente Enschede heeft hierbij als case gediend om op netwerkbrede schaal het fietsverkeer in kaart te brengen en te kunnen monitoren, ook op plaatsen waar niet direct gemeten wordt.

Het resultaat is een applicatie genoemd ‘de Fietsmonitor’, waarin de beschreven informatie wordt gepresenteerd. Hiermee krijgt de gemeente Enschede inzicht in fietsstromen in het stedelijke fietsnetwerk, zodat zij fietsbeleid kan ontwikkelen en evalueren. Lokaal, bij verkeerslichten, kan de informatie gebruikt worden om fietsers beter te faciliteren (bijvoorbeeld in wegontwerp en bij verkeerslichtenregeling). Daarnaast leidt de combinatie van data uit het OViN en de tellingen bij VRI’s tot inzicht in belangrijke fiets Herkomst-Bestemmingsrelaties (HB-relaties) en geeft daarmee inzicht in belangrijke fietsstromen, ook op plekken waar niet gemeten wordt. Deze informatie kan gebruikt worden om het fietsnetwerk beter af te stemmen op de (latente) vraag, bijvoorbeeld bij het realiseren van veilige, directe en snelle fietsontvlochten routes.

De Fietsmonitor is een datagedreven applicatie die in samenwerking tussen de Universiteit Twente en Ingenieurs- en adviesbureau Witteveen+Bos verder wordt ontwikkeld om ook modelmatige netwerkanalyses uit te voeren. Denk hierbij aan het beoordelen van de netwerkkwaliteit, het voorspellen van toekomstige fietsstromen en variantenstudies voor aanpassingen aan het fietsnetwerk.

Onderzoeksvraag
In Nederland reageren verkeerslichten op de aanwezigheid van verkeer. Dit betekent dat de VRI iets moet meten om de regeling aan te kunnen passen op het verkeersaanbod. Detectielussen en drukknoppen bij VRI’s zorgen ervoor dat voertuigen, fietsers en voetgangers kunnen worden aangemeld in de regeling om ‘groen’ te krijgen. Deze data wordt in de basis alleen binnen de VRI zelf gebruikt. Maar kan deze data ook gebruikt worden om fietsvolumes te bepalen? Dat was de vraag aan het begin van het onderzoek.

VRI-data lijkt op het eerste gezicht een eenvoudig beschikbaar te maken databron, maar deze is nog nauwelijks aangeboord. Informatie over fietsen wordt over het algemeen gehaald uit het OViN (voor geaggregeerd verplaatsingsgedrag), ongevallencijfers (verkeersveiligheid) en eventueel uit incidentele passeertellingen in het netwerk (visueel of met behulp van telslangen).

Een overzicht van intensiteiten op alle fietsroutes in Enschede is niet voorhanden. Dit maakt het lastig om te bepalen hoe bestaande of potentiële stedelijke fietsroutes het beste veilig ingericht kunnen worden en hoe goede doorstroming voor de fiets kan worden gegarandeerd. Dit is noodzakelijk om bestaande fietsers beter te kunnen faciliteren, en om meer mensen te verleiden om te gaan fietsen. In de fietsvisie van de gemeente Enschede is de belangrijkste strategie het realiseren van veilige, directe en snelle fietsontvlochten routes. Een goed gekalibreerd fietsmodel kan helpen om het effect van deze fietsroutes vooraf goed in beeld te brengen. Dit kan de locatie- en inrichtingskeuze ondersteunen en betere afwegingsinformatie aan College en Raad geven, zodat schaarse financiële middelen goed besteed kunnen worden.

Onderzoeksdoel
Het doel van het onderzoek was om op basis van de aanwezige databronnen in de gemeente Enschede een beeld te scheppen van fietsstromen door data te ontsluiten, te verwerken tot relevante informatie en te komen tot een schatting van fietsstromen in het fietsnetwerk van Enschede.

Databronnen
De data van detectielussen uit de VRI’s in Enschede vervult een centrale rol. Deze data biedt in potentie een continue stroom van informatie over fietsvolumes en kan inzicht bieden in de dynamiek van fietsstromen op de belangrijkste fietsverbindingen (dat wil zeggen: langs hoofdverbindingen waar verkeerslichten staan). Daarnaast is het Onderzoek Verplaatsingen in Nederland een belangrijke bron aangezien het OViN een geaggregeerd beeld geeft van verplaatsingsgedrag (zo ook van de fiets), maar bovenal inzicht geeft in de achtergronden van verplaatsingen zoals modaliteit, herkomst, bestemming, reisdoel, timing, enzovoort. Door beide databronnen samen te voegen, kan de meeste relevante informatie omtrent fietsstromen worden achterhaald.

Het onderzoek
Het onderzoek bestaat uit een drietal onderdelen. Allereerst worden de afzonderlijke databronnen ontsloten en verwerkt. Hierbij gaat het voornamelijk om het onderzoeken of en hoe de data van detectielussen bij kruispunten kan worden gebruikt voor het schatten van fietsvolumes. Hiervoor zijn visuele tellingen uitgevoerd om de VRI-tellingen te kalibreren. Om vervolgens tot fietsstromen te komen, is het OViN gebruikt om een fiets HB-matrix te construeren. Deze HB-matrix geeft inzicht in fietsrelaties tussen herkomsten en bestemmingen op postcode-4 niveau. Door tot slot de HB-matrix toe te delen aan het netwerk en te kalibreren aan de hand van de fietsvolumes bij VRI’s zijn fietsstromen geschat.

Van VRI-data naar fietsvolumes
In Nederland zijn VRI’s uitgerust met detectielussen om het inkomende verkeer te detecteren en de VRI-regeling daar zo mogelijk op aan te passen. De lusdata zegt iets over de aanwezigheid van verkeer maar biedt nog niet direct betrouwbare fietsinformatie, omdat fietsers niet afzonderlijk gedetecteerd of geteld worden. Een voorbeeld van een geregeld kruispunt met bijbehorende detectielussen is hieronder getoond in Figuur 1.

Klik hier voor een vergroting 

Figuur 1: detectielussen op een typisch kruispunt in Enschede

Naast lussen op de rijbanen voor auto’s, zijn er ook lussen aanwezig op fietspaden/fietsstroken. In Enschede liggen er veelal twee detectielussen stroomopwaarts van de stopstreep. De detectielus nabij de stopstreep detecteert de aanwezigheid van wachtende fietsers bij de stopstreep. Een tweede lus ligt op enkele tientallen meters afstand van de stopstreep en detecteert aankomende fietsers. Het detectiepatroon van de detectielussen is hieronder weergegeven in Figuur 2 hieronder

 

Figuur 2: detectiepatroon van lussen op een fietspad. Klik hier voor een vergroting

Figuur 2 toont voor een tijdsperiode van ongeveer anderhalve minuut de status van de verkeerslantaarn (‘28’) en de detectielussen (‘281’, ‘282’). Detectielus ‘282’ laat zien dat vanaf 9:03:54 fietsers over de lus richting het verkeerslicht rijden. Om 9:03:57 komt de eerste fietsers bij de detectielus bij de stopstreep aan en bezet deze voor enige tijd. Ondertussen toont lus ‘282’ dat er meer fietsers arriveren. Vanaf 9:04:26 mogen de fietsers afrijden. Over de periode weergegeven in de figuur, heeft lus ‘282’ negen detecties gedaan. Lus ‘281’ telt drie detecties. Beide lussen detecteren fietsers, maar het is evident dat een detectie niet één-op-één overeenkomt met één passerende fietser. De lus bij de stopstreep wordt tijdens het wachten zelfs door meerdere fietsers bezet. Op basis van bovenstaande figuur is gekozen de lussen stroomopwaarts van de stopstreep te gebruiken in het onderzoek, omdat hiervan de verwachting is dat het aantal detecties het aantal passerende fietsers het beste benadert.

Hypothese
Om van het aantal detecties te komen tot een schatting van het daadwerkelijke aantal passerende fietsers, zijn visuele tellingen uitgevoerd bij enkele VRI’s in Enschede. De hypothese is dat de lus stroomopwaarts niet alle fietsers telt op de drukkere fietspaden. Om de gehele bandbreedte van fietsintensiteiten te ondervangen, zijn visuele tellingen uitgevoerd op een viertal locaties variërend van rustig (tellocatie 3) tot zeer druk (tellocaties 2 en 4).

Er zijn tellingen uitgevoerd (15 uur in totaal) in zowel de ochtend- als de avondspits tussen maart en december 2012. De resultaten van de tellingen zijn uitgezet tegen het bijbehorende aantal detecties, zie hieronder in Figuur 3.

Klik hier voor een vergroting

Figuur 3: vergelijking tussen visuele tellingen, detectielustellingen en het model

Bij volumes tot 50 fietsers per kwartier kan worden gesteld dat het aantal detecties redelijk overeenkomt met het daadwerkelijke aantal passerende fietsers. Bij een hogere fietsintensiteit wordt het verschil tussen het aantal detecties en de daadwerkelijke fietsintensiteit groter en dient er gecorrigeerd te worden.

Onderschatting
De reden voor een verschil tussen het aantal detecties en het aantal fietsers is tweeledig. Enerzijds kunnen fietsers naast elkaar fietsen en zodoende in één detectie worden waargenomen. Het vermoeden bestaat dat deze bron van onderschatting proportioneel is met de fietsintensiteit. Omdat er ook wel eens fietsers langs de lus rijden in plaats van er overheen, gaan we ervan uit dat deze bron van onderschatting te verwaarlozen is. Anderzijds kunnen fietsers door dicht achter elkaar te fietsen niet worden onderscheiden door de detectielus. Voordat de voorste fietser de detectielus heeft verlaten, rijdt de volgende fietser al op de lus. Dit fenomeen vindt in toenemende mate plaats bij hogere fietsintensiteiten. Deze onderschatting is op te vatten als een vereiste minimale tussenafstand voordat een detectielus twee fietsers van elkaar kan onderscheiden, welke afhangt van de lengte van de detectielus en de lengte en snelheid (vbike) van fietsers. Daarbij is de kans dat twee fietsers dicht achter elkaar rijden groter naarmate de fietsintensiteit toeneemt. Uitgaande van een random aankomstproces heeft deze kans een negatief exponentiële verdeling die in Figuur 3 is aangegeven door de onderbroken lijn.

Compressiefactor
Toch kan dit verschijnsel, volgens figuur 3, niet volledig de onderschatting van de lustellingen verklaren. Er speelt nog een ander fenomeen. Fietsers bewegen zich soms in groepen. Dit kan veroorzaakt worden door compressie van de fietsstroom bij verkeerslichten stroomopwaarts. Daarnaast is fietsen in de slipstream comfortabeler, waardoor eenmaal volgend, een fietser eerder geneigd is te blijven volgen. Hiervoor wordt gecorrigeerd met een compressiefactor c (ten opzichte van een random aankomstproces). De schatting van het aantal fietsers gecorrigeerd voor de compressie wordt in Figuur 3 gerepresenteerd door de doorgetrokken lijn. De figuur laat zien dat met deze correctie de visuele tellingen goed overeenkomen met de lustellingen en veelal binnen de theoretische bandbreedte vallen.

Het omzetten van de detecties bij verkeerslichten opent een grote en continue bron aan fietsdata. Op basis van deze data kunnen intensiteitsprofielen gemaakt worden van de verschillende detectielocaties voor verschillende dagtypes. De onderstaande figuur illustreert dat de verkregen informatie inzicht biedt in de dynamiek in fietsintensiteiten voor een kruispunt op een gemiddelde werkdag en een weekenddag.

  
Klik hier voor een vergroting             Klik hier voor een vergroting

Figuur 4: dagprofielen van een werkdag en weekenddag

Het specifieke voorbeeld in deze figuur toont een gemiddeld intensiteitsprofiel voor het kruispunt van de Hengelosestraat en de Tubantiasingel/Boddenkampsingel in Enschede (vanuit het centrum richting het Kennispark en de Universiteit Twente). Het profiel toont dat op werkdagen, de ochtendspits dominant is (fietsers fietsen in de ochtend van centrum richting het Kennispark). Bovendien toont de figuur de college-uren van de UT (8:45, 10:45, 13:45 en 15:45 uur) in de vorm van extra pieken. Dergelijke profielen bieden naast een beeld van etmaalintensiteiten van verschillende dagtypes ook inzicht in piekintensiteiten. Dit is relevant voor het afstellen van de groentijden voor fietsers bij verkeerslichten maar ook voor het dimensioneren van fietspaden en -stroken.

Het schatten
De data uit VRI’s biedt inzicht in fietsvolumes op enkele punten in het netwerk. De detectielussen op de verschillende armen van het kruispunt kunnen op lokaal niveau een idee geven van herkomsten en bestemmingen gedurende de dag. Echter, de data uit VRI’s biedt geen HB-relaties op netwerkniveau. Het OViN kan dit inzicht wel bieden. Deze databron is uitstekend geschikt om op geaggregeerd niveau een beeld te geven van verplaatsingsgedrag (zoals ritgeneratie en modal split), maar is vanwege de beperkte statistiek minder bruikbaar wanneer wordt ingezoomd op fietsstromen. Om hier toch een goed beeld van te krijgen, zijn opeenvolgende edities van het MobiliteitsOnderzoek Nederland (MON, voorloper van OViN) en OViN gestapeld (MON 2004 tot en met OViN 2014).

Fietspaden toevoegen aan Regionaal VerkeersModel Twente
Een volgende benodigdheid voor het bepalen van fietsstromen is een fietsnetwerk. Hiervoor is het Regionaal VerkeersModel Twente gebruikt. Dit netwerk is in de basis bedoeld voor modelberekeningen van voertuigen in Twente. Met het toevoegen van enkele fietspaden is het netwerk ook geschikt gemaakt voor het schatten van fietsstromen en zijn de belangrijkste fietsverbindingen in Enschede in het netwerk vertegenwoordigd.

Drie stappen
Het schatten van fietsstromen is grofweg onder te verdelen in drie stappen.

1.    Allereerst wordt een initiële HB-matrix gemaakt. De totale massa van de relaties op postcode-4 niveau zijn uit de gestapelde OViN jaargangen gehaald. De HB-matrix is verder onderverdeeld onder de centroids per postcodegebied.

2.    De tweede stap is het toedelen van de HB-matrix aan het netwerk. Bij gebrek aan informatie over routekeuzegedrag onder fietsers is gekozen voor een ‘Alles-Of-Niets’-toedeling op de kortste route in het netwerk. Dit resulteert in een eerste schatting van fietsstromen in Enschede.

3.    De derde stap behelst het kalibreren van de toedeling aan de hand van de fietsvolumes bij VRI’s en het totaal aantal fietsritten op basis van de gestapelde OViN-data.

Het resultaat van deze drie stappen is een toedeling die enerzijds het gemiddeld aantal fietsritten in Enschede respecteert en anderzijds de fietsvolumes bij de detectielocaties in het netwerk reproduceert. Op vergelijkbare wijze kunnen ook toedelingen worden gemaakt voor specifieke dagtypes en perioden (zoals een gemiddelde werkdag, een zaterdag en een spitsperiode).

De Fietsmonitor
De informatie van de tellocaties, het OViN en de fietsstromen zijn vervolgens gepresenteerd in een interactieve applicatie voor de gemeente Enschede.

1.    Intensiteit. Voor elke detectielocatie toont de Fietsmonitor het intensiteitsprofiel voor het geselecteerde dagtype (dag van de week, gemiddelde werkdag, feestdag) en biedt de mogelijkheid een vergelijking te maken van de profielen van opeenvolgende jaren, verschillende dagtypes en locaties (zie hieronder).


Klik hier voor een vergroting

Figuur 5: intensiteitsprofielen zoals getoond in de Fietsmonitor

2.    Verplaatsingsgedrag. Aan de hand van data uit het OViN kan het verplaatsingsgedrag van een geselecteerd gebied in Enschede worden getoond. Dit geeft inzicht in de ritgeneratie (bijvoorbeeld het aantal ritten per persoon door de jaren heen) en in de modal split (bijvoorbeeld de verdeling onder de modaliteiten van ritten binnen en naar Enschede).

3.    HB-relaties. Ook laat de Fietsmonitor de HB-relaties op een kaart zien, waarmee de belangrijkste fietsrelaties getoond worden.

Klik hier voor een vergroting

Figuur 6: verplaatsingsgedrag en HB-relaties zoals getoond in de Fietsmonitor

De geschatte fietsstromen kunnen worden getoond voor een reguliere werkdag, weekenddag, ochtendspits en avondspits. Deze functionaliteit biedt inzicht in de belangrijke fietsroutes.

 

Klik hier voor een vergroting

Figuur 7: fietsstromen zoals getoond in de Fietsmonitor

Verdere ontwikkeling
De huidige Fietsmonitor is een flinke stap vooruit in het bepalen en visualiseren van fietsstromen door gebruik te maken van meerdere databronnen. De Fietsmonitor geeft inzicht in fietsintensiteiten bij verkeerslichten, belangrijke HB-relaties voor de fiets en maakt een schatting van fietsstromen op het gehele netwerk. De Fietsmonitor kan bij uitstek worden gebruikt als een ex post evaluatietool, maar ook als ex ante evaluatietool. Op basis van metingen voor en na specifieke maatregelen kan worden bepaald wat de effecten waren van die maatregel (ex post). De ambitie is om ook fietsverbindingen en/of maatregelen in het netwerk toe te kunnen voegen en aan de hand van verschilplaatjes vooraf te beschouwen wat de effecten van voorgenomen maatregelen zijn (a priori; ex ante).

Verbeterpunten
Hoewel de Fietsmonitor is ontwikkeld aan de hand van de case in de gemeente Enschede, is het concept ook elders toepasbaar. Met fietstellingen (al dan niet met detectielussen), het OViN en een (fiets)netwerk zijn fietsstromen te schatten. Daarnaast wordt de Fietsmonitor in een samenwerking tussen Witteveen+Bos en de Universiteit Twente verder ontwikkeld om de toepassingsmogelijkheden verder te vergroten. De belangrijkste verbeterpunten:

1.    Analysetools vergroten. Bijvoorbeeld het kunnen uitvoeren van selected link analyses.

2.    Toekomstige situatie. De Fietsmonitor is nu datagedreven en geeft inzicht in het verleden. Het biedt nog geen mogelijkheid om een toekomstige situatie of varianten door te rekenen (door wijzigingen in het netwerk of projecties van toekomstige verkeersgeneratie). Dit zou de gemeentelijke toepassing sterk vergroten in zowel het onderzoeksproces als de bestuurlijke afweging.

3.    Routekeuzemodellering. Routekeuze is nog niet meegenomen in het proces. Routes worden bepaald op basis van een ‘Alles-Of-Niets’-toedeling op kortste route. Door de routekeuze meer te baseren op kenmerken als snelheid, comfort en veiligheid kan de modellering van de routekeuze sterk verbeteren. Hiervoor is wel nader onderzoek nodig naar hoe fietsers hun routes kiezen.

4.    Integratie in simultane verkeersmodellen. Mede door bovengenoemde punten zou de Fietsmonitor geïntegreerd kunnen worden in het opstellen van simultane verkeersmodellen. De uitkomst daarvan nu is vaak een goed gekalibreerd automodel waarmee varianten- en analysestudies uitgevoerd kunnen worden. Voor fiets en OV is dit minder goed mogelijk. Door de methodiek van de Fietsmonitor zou ook het fietsmodel de sprong naar de kwaliteit van het automodel kunnen maken.

mail_outline

Aanmelden voor de nieuwsbrief

Reactie plaatsen

Beperkte HTML

  • Toegelaten HTML-tags: <a href hreflang> <em> <strong> <cite> <blockquote cite> <code> <ul type> <ol start type> <li> <dl> <dt> <dd> <h2 id> <h3 id> <h4 id> <h5 id> <h6 id>
  • Regels en alinea's worden automatisch gesplitst.
  • Web- en e-mailadressen worden automatisch naar links omgezet.
  • Lazy-loading is enabled for both <img> and <iframe> tags. If you want certain elements skip lazy-loading, add no-b-lazy class name.