Nieuws

OV-chipdata als tool voor efficiënt openbaar vervoersysteem

De kosten in het OV staan onder druk, maar tegelijkertijd eist de reiziger hogere kwaliteit. Dat vraagt om een hogere kostendekkingsgraad en een hogere bezettingsgraad. Hoe kan big data hier een rol in spelen? “Het draait vooral om een combinatie van voertuig- en reizigersdata; een analyse van het verleden en een voorspelling van de toekomst”, stelt OV-adviseur Niels van Oort. “Analyse kan leiden tot verbetervoorstellen en uiteindelijk optimalisatie van de OV-dienst.”

Efficient OV voor morgen

Niels van Oort, adviseur bij Goudappel Coffeng en onderzoeker aan de TU Delft, promoveerde in 2011 op het vergroten van de betrouwbaarheid van stedelijk OV tijdens het netwerk- en dienstregeling ontwerp. “Om voor morgen efficiënt openbaar vervoer te realiseren zijn hulpmiddelen met aandacht voor het reizigersperspectief nodig”, stelt hij. “Daarvoor is OV-chipkaartdata bij uitstek goede input. Je kunt op voorhand al slimme keuzes maken en de besluitvorming beter beargumenteren.” Als voorbeeld noemt hij de Uithoflijn. “De drukke buslijn 12 kan de vervoersvraag maar nauwelijks aan, wat de betrouwbaarheid allerminst ten goede komt.” Dat een tramlijn het Utrechtse OV een boost kan geven leek vanzelfsprekend, maar de daadwerkelijke waarde was niet definieerbaar. Het betrouwbaarheidsmodel dat Van Oort ontwikkelde maakt het echter mogelijk de waarde in maatschappelijk geld uit te drukken, oftewel om de betrouwbaarheidsbaten voor reizigers expliciet mee te nemen in de MKBA (maatschappelijke kostenbatenanalyse). Juist deze effecten bleken substantieel bij te dragen aan een positieve kostenbatenscore. Een tramlijn biedt de mogelijkheid om grote reizigersstromen te faciliteren zonder het overige verkeer ernstig te verstoren. De betrouwbaarheid is hoog, met substantieel minder wachttijd voor reizigers, minder spreiding in aankomsttijd en minder topdrukte in de voertuigen. Eerder liet het onderzoek al zien dat een hogere bus frequentie juist zou leiden tot langere rijtijden en een lagere betrouwbaarheid. Van Oort: “Het model laat zien wat een hoogwaardige OV-verbinding oplevert in euro’s. De verbeterde betrouwbaarheid is veelal een vergeten baat binnen OV-projecten.”


Big Data bronnen

Van Oort: “Er zijn drie bronnen waar we op dit moment uit kunnen putten: anonieme OV-chipkaartdata, GOVI-data (Grenzeloze Openbaar Vervoer Informatie, een organisatie van bijna alle stadsregio’s en provincies) en GSM-data. De laatste bron is de nieuwste en toepassingen zijn onlangs begonnen; de legio mogelijkheden zijn nog lang niet allemaal benut.” Zelf werkt hij vooral met GOVI- en OV-chipkaartdata. Terwijl het woord valt, volgt onvermijdelijk de privacy discussie. De onderzoeker reageert: “Het gaat om reizigersstromen, niet om individuen. Bovendien is weten hoeveel mensen reizen geen nieuw gegeven, het verschil is alleen dat we het nu continu weten. Vroeger stuurde je studenten op pad of was er telapparatuur in de voertuigen, nu heb je tellingen als bijvangst van het betaalsysteem.” Van Oort heeft OV-chipkaartdata gekoppeld aan de bestaande verkeersmodeleringsoftware OmniTRANS. Hierdoor zijn overstappen inzichtelijk te maken. Het levert essentiële inzichten om een optimaal lijnennetwerk te ontwerpen. De herkomst- en bestemming visualisaties die hiermee te maken zijn, bieden zelfs de meest ervaren OV-analist noemenswaardige eyeopeners. “Pas als je weet hoe er wordt gereisd, kun je optimaliseren. Als blijkt dat het slimmer kan, kun je het OV vervolgens beter inrichten en beter voorspellen. Vooraf kun je dan goed onderbouwen of investeren goed of juist slecht is.”


GOVI-data geeft veel inzicht in OV-prestaties op voertuigniveau. “Het biedt veel informatie om (doorstroming)knelpunten in kaart te brengen en de dienstverlening slimmer in te richten”, aldus Van Oort. “Moest je vroeger de hele dag mee op een buslijn, nu kun je veel meer in veel minder tijd analyseren.” Heb je een top tien van knelpunten geformuleerd, dan is het vervolgens zaak ‘on the spot’ vast te stellen wat er aan de hand is en hierop te anticiperen. Zo heeft Goudappel Coffeng voor de Stadsregio Amsterdam de effecten bepaald van mogelijke doorstromingsmaatregelen voor bussen op de OV-corridor Daalwijkdreef. Met een slimme tool werd de GOVI-data vertaald naar beleidsrelevante inzichten als rijtijden en afwijkingspercentages. En nog belangrijker: er werden realistische schattingen gemaakt van de effecten van maatregelen. Dit leidde voor de Stadsregio tot een realistisch voorstel voor de OV-corridor Daalwijkdreef.


Uitdagingen

“Er is nog een slag te maken van inwinning naar gebruik van big data, hier laten overheden en vervoerders nog kansen liggen”, vindt Van Oort. Big data kan niet alleen bijdragen aan het visualiseren en analyseren van de OV-dienst, maar ook input leveren voor verbetervoorstellen, het berekenen en voorspellen van het effect van die verbetervoorstellen en uiteindelijk leiden het optimaliseren van het openbaar vervoer. Van Oort: “Big data biedt concrete inzichten. Waar stappen mensen over, op welke haltes moeten DRIS-borden komen, waar kan de dienstregeling strakker en waar juist ruimer? En wat zijn de reizigerseffecten van een nieuwe busbaan of prioriteit bij verkeerslichten?” De uitdaging zit echter nog in de databeschikbaarheid en de mogelijkheid om reisketens tussen vervoerders te vormen.

Dit artikel is verschenen in de Big Data Special van Verkeer in Beeld editie 3 2014

Deel dit artikel