Gerard de Jong: Een mentaliteitsverandering laat zich slecht prognosticeren

Er

Er komt een grotere afstand tussen de toegepaste verkeersprognosemodellen en de geavanceerde verklarende modellen op de universiteiten. Of en hoe die werelden bij elkaar komen, is evenzeer onvoorspelbaar. Vooruitlopend hierop zouden zachtere waarden zoals de houding tegenover actieve modaliteiten, ‘harder’ kunnen worden, als ze meelopen in de grote (CBS-) enquêtes. Een gesprek met Gerard de Jong, directeur Significance en research professor aan de universiteit van Leeds.

De Jong werkt iedere twee weken twee dagen in Leeds en doet daar onderzoek naar de nieuwste modelontwikkelingen. De andere dagen vertaalt hij zijn kennis naar praktische doorontwikkeling van de grotere landelijke, regionale en internationale verkeers- en vervoermodellen van overheden, wegbeheerders en van de grotere vervoerbedrijven zoals NS.  

“Onze nationale toegepaste prognosemodellen verdienen internationaal gezien nog wel de naam ‘best practice’, zegt De Jong, maar ‘state of the art’ zijn ze niet meer. Dat waren ze wel toen ze in de jaren 80 van de vorige eeuw ontwikkeld werden,  samen met transportmodellen uit de Verenigde Staten. Onze prognosemodellen zijn sindsdien uitgebreid en regelmatig geactualiseerd, maar in principe gebruiken we nog steeds technieken uit die jaren. We halen wel het beste uit deze modellen, maar ze hebben hun beperkingen. Terwijl de ontwikkelingen op de universiteiten met geavanceerde, verklarende modellen steeds verder gaan.”  

De Jong: “ Voordeel van de in de praktijk toegepaste modellen is dat ze een groot gebied bestrijken met gedetailleerde zone-indelingen en netwerken, en zo op grote schaal modelleren. De universiteiten zoomen vaak heel gedetailleerd in op kleine gebieden en netwerken en ontwikkelen zich zelfs in het modelleren van psychologische motieven van individuele reizigers. De combinatie van beide modellen is erg lastig. Rekenkracht van computers is vaak een beperkende factor.  

De grootste rekenopgaven

Er is natuurlijk wel ontwikkeling in de rekensnelheid, legt De Jong uit. Eind jaren 80 stopte je informatie in het model en stond het een nacht te rekenen om antwoorden te geven. De computers zijn veel sneller geworden, maar staan nog steeds een nacht te draaien omdat de rekenvragen complexer worden. En we willen nóg meer vragen stellen. Transportopgaven behoren trouwens tot de grootste rekenopgaven die computers tegenkomen.  

Bij het rekenmodel voor het goederenvervoer van Rijkswaterstaat hebben we zelfs een stapje teruggedaan in de complexiteit. Dat was een bewuste keuze. Je moet een model wel kunnen actualiseren, zonder dat het te complex wordt. Dat kun je ervoor kiezen om in ieder geval de belangrijkste vragen te kunnen beantwoorden.” 

Zorgen nieuwe data(bronnen) niet voor meer inzicht in multimodaliteit of in ‘zachtere’ waarden?

De Jong: “Onze landelijke en regionale modellen zijn al multimodaal sinds eerste toepassing in 1985, maar wegverkeer zat er tot voor kort nauwkeuriger in. Met de laatste update zijn er ook extra gegevens over treinreizigers bijgekomen. Maar als het gaat over ketenverplaatsingen in het goederenvervoer dan wordt het moeilijker. Zo hebben we bijvoorbeeld geen zicht op welke vracht er van de zeevaart via terminals wordt overgeslagen op wegtransport, spoor en binnenvaart (en andersom). En dat ligt dus niet aan de modellen, maar aan de data. Een paar landen, zoals de VS en Zweden, hebben die data wel omdat ze specifiek vragen naar de ‘commodity flow’ van producent naar consument. Dat zou ook hier wel een belangrijke toevoeging zijn.”  

Trend

De zachtere waarden die verder gaan dan bijvoorbeeld de invloed van inkomens en leeftijden, dus bijvoorbeeld percepties en attitudes, komen wel uit de geavanceerde modellen op de universiteiten, maar hebben de toegepaste modellen nog niet gehaald. Toepassing is ook moeilijk: wat zijn de percepties en attitudes in 2040? “Deze ontwikkeling is wel een trend, zegt De Jong, “maar hoe snel die gaat? Het zou wel een toegevoegde waarde zijn voor de samenleving als dit wel zou kunnen. Uit verklarende modellen blijkt namelijk het belang van investeringen en beleid. Het zou dus een zeer een gewenste schaalsprong zijn.”  

“De ene schaalspong zou zijn als je geavanceerde modellen kunt toepassen op een grotere schaal, de andere dat je zachtere variabelen mee kunt nemen in de prognoses. Ik ben optimistischer over het eerste dan over het tweede. Er is bovendien nog geen sprake van een algemeen erkend probleem.”  

Ondertussen wordt de toekomst van mobiliteit steeds onzekerder door nieuwe technieken, zoals zelfrijdende auto’s, maar ook de transitie naar e-auto’s, waterstof- en MaaS-producten, erkent De Jong. “Een grote vraag is in hoeverre ze worden aangeschaft door de consument. Die onzekerheden vangen we nu op met scenario’s. Nu kun je naar hartenlust scenario’s uitdraaien, maar dan nog blijft veel onbekend. Gedragsonderzoeken zijn daarom erg van belang om modeleigenaren hierover te informeren.”  

Mentaliteitsverandering

Anderzijds is de rol van harde variabelen nog niet uitgespeeld. “Een voorbeeld: Enkele jaren geleden werd gezegd dat we de piek hadden bereikt in het autobezit. Was dit misschien vanwege andere preferenties onder met name de jongeren?  Dit is vervolgens nader onderzocht en er bleken ook andere factoren te spelen: lagere inkomens vanwege de economische crisis, langer doorleren door studenten, een toename van wonen in de stad. Deze factoren hebben inderdaad allemaal effect op het autobezit, maar duiden nog niet op een mentaliteitsverandering.”