Professional Documents
Culture Documents
Het bouwen van een nieuw verkeersmodel is over het algemeen geen eenvou-
dige zaak. Als er op basis van de beleidsvragen die moeten worden beantwoord
een eerste keuze is gemaakt voor het soort verkeersmodel, moeten er nog veel
verdere keuzen gemaakt worden. Een verkeersmodel bestaat vaak uit een serie
submodellen, zoals het vervoerswijzekeuzemodel of het activiteitenkeuzemodel.
Alhoewel er uiteraard sprake is van een sterke samenhang tussen de submodel-
len, moeten voor elk submodel nog keuzen gemaakt worden voor bijvoorbeeld
het te hanteren detailniveau, de toe te passen rekenmethoden en -technieken
en de te gebruiken gegevens voor het vullen en kalibreren van het model.
Het bouwen van een model is in de praktijk het meest tijd- en vaak ook kosten-
verslindende deel in het totale planningsproces.
Afhankelijk van de beleidsvraag moet er een keuze gemaakt worden voor een
van de drie benaderingen. In de meeste gevallen zal worden gekozen voor de
traditionele vierstapsbenadering. Maar bij sommige beleidsvragen komen ook
LUTI en AB in beeld.
Uiteindelijk wordt een pakket van eisen (zie deel A) opgesteld met betrekking
tot onder andere de te onderscheiden reismotieven, vervoerswijzen, dagdelen
en/of tijdsperioden, prognosejaren, scenario’s, alternatieven en varianten. De
laatste drie hebben vooral betrekking op de verschillende pakketten van maat-
regelen en ontwikkelingen waarvan men de effecten met elkaar wilt vergelijken.
Bijvoorbeeld enerzijds een scenario met een pakket van nieuwe parkeertarieven
en anderzijds een scenario met flinke investeringen in de fietsinfrastructuur. Of
enerzijds een scenario met een forse groei van de werkgelegenheid in het
centrumgebied en anderzijds een scenario met een sobere groei. Alternatieven
en varianten worden gebruikt voor kleinere variaties binnen de scenario’s, bij-
voorbeeld om verschillende varianten van parkeertarieven te testen. In
Tracé/MER-studies worden alternatieven gebruikt voor de grote infrastructurele
ingrepen, bijvoorbeeld een noordelijk gelegen tracé versus een zuidelijk gelegen
tracé, en varianten voor kleinere variaties daarbinnen, bijvoorbeeld wel of geen
rondweg om een bepaalde dorpskern. In de praktijk worden de termen scena-
rio’s, alternatieven en varianten soms verschillend gebruikt.
Als de keuze voor het te gebruiken model is gemaakt, kan worden gestart met
de bouw van het model. Ook daarbij zal nog een groot aantal keuzen moeten
worden gemaakt. Dit deel B gaat hierover.
Het bouwen van een verkeersmodel wordt in veel gevallen gedaan door
gespecialiseerde advies- en ingenieursbureaus. In deze paragraaf wordt ingegaan
op het proces van modelbouw in zijn algemeenheid. Bij de gebruikte voorbeel-
den wordt daarbij telkens uitgegaan van de traditionele vierstapsbenadering.
Voordat wordt ingegaan op een aantal algemene stappen, de fasen die van
belang zijn bij elk modelbouwproces, is het van belang te weten dat een model
over het algemeen eerst voor een zogenoemd basisjaar gebouwd wordt. Het
basisjaar ligt altijd in het verleden of in het heden, vandaar dat dit vaak de huidige
situatie genoemd wordt. In de huidige situatie kunnen ook metingen verricht
worden (empirisch materiaal). Deze stap is noodzakelijk om het model te kunnen
kalibreren en valideren, dat wil zeggen te kunnen vergelijken met de daadwer-
kelijk gemeten gegevens. Als dat allemaal in orde is, wordt pas de prognose
gedaan, dus het model met de gewijzigde (toekomstige) inputvariabelen door-
gerekend. Daarbij wordt doorgaans eerst een situatie doorgerekend waarin nog
geen beoogde (pakketten van) maatregelen doorgevoerd zijn en waarin alleen
de meest voor de hand liggende ontwikkelingen meegenomen zijn. Dit wordt
aangeduid als de referentiesituatie voor de toekomst. Daarna volgen pas de
modelberekeningen voor de verschillende scenario’s, alternatieven en/of vari-
anten voor de toekomst.
De volgende algemene stappen voor het bouwen van een model hebben vooral
betrekking op bouwen van het model voor het basisjaar, de huidige situatie (en
in mindere mate ook voor de referentiesituatie). Gegeven een bepaald beleids-
probleem, een keuze voor een modelbenadering en een uitgebreid pakket van
Deze stappen kunnen voor het hele verkeersmodel gelden, maar ook voor bij-
voorbeeld elk submodel in het traditionele vierstapsmodel. Daarnaast kunnen
stappen al naar gelang de reeds beschikbare informatie overgeslagen, gecom-
bineerd of meerdere malen doorlopen worden. Na deze stappen is het model
gereed om als planningsinstrument te fungeren: prognoses maken in kwantitei-
ten (rekenen). Hierna worden de stappen kort toegelicht.
Voor het modelleren van het beleidsprobleem in het voorbeeld lijkt in ieder
geval het vervoerswijzekeuzemodel van cruciaal belang. De submodellen uit
de andere stappen zijn daarbij voornamelijk van belang voor het genereren van
de juiste invoergegevens van het vervoerswijzekeuzemodel. In het resterende
Stel dat door middel van literatuuronderzoek een conceptueel model voor de
vervoerswijzekeuze gehanteerd kan worden zoals weergegeven in figuur B.4.
Als er een conceptueel model bepaald is, is het belangrijk het meetniveau
van de variabelen vast te stellen. Dit is nodig om te bepalen welke statisti-
sche analyse- en modeltechnieken er wel of niet toegepast mogen worden.
Tabel B.1 laat zien welke meetniveaus er zijn [9]. Zo vraagt de regressie-
techniek om een ratio-meetniveau omdat in deze techniek het rekenkundig
gemiddelde een belangrijke rol speelt. Voor het nominaal en ordinaal
meetniveau kunnen geen rekenkundig gemiddelde bepaald worden. Daar
moet met andere statistische technieken aangeven worden wat de verban-
den zijn tussen variabelen. Voor het interval-meetniveau kan eigenlijk ook
niet goed de regressietechniek worden toegepast.
Ratio niveau
Als op gedesaggregeerd niveau gewerkt zou worden, kan voor autobezit als
operationele definitie gekozen worden: ‘het wel of niet hebben van een auto,
op naam’. Op geaggregeerd niveau kan bijvoorbeeld voor het autobezit worden
gekozen voor het aantal auto’s per 1000 inwoners gemiddeld over de herkomst-
en de bestemmingszone. De twee mogelijke operationalisaties hebben verschil-
lende meetniveaus, wat gevolgen heeft voor de mogelijke statistische analyse-
en modeltechnieken. In dit geval wordt gekozen voor de geaggregeerde
benadering van het aantal auto’s per 1000 inwoners omdat deze net als de
Schatten X X X Nee
Vullen X X Ja
Evalueren X Nee
Stel dat er verondersteld wordt dat het modalsplitmodel als volgt is gespecifi-
ceerd (modelspecificatie):
Waarbij PERCOV het te bepalen aandeel openbaar vervoer is, RTVERH de reis-
tijdverhouding ov-auto en A/1000INW het aantal auto’s per 1000 inwoners. A,
b en c zijn de te schatten parameters, ook wel modelcoëfficiënten genoemd,
met als bijzondere parameter de constante a.
De eerste reden vloeit direct voort uit de wens de parameters van het (concep-
tuele) model te schatten en het model daarmee gebruiksklaar te maken. Op
basis van het voorgestelde modalsplitmodel, moeten er gegevens worden ver-
zameld voor alle variabelen in het model. Het gaat dan dus om het te voorspellen
aandeel openbaar vervoer, de reistijdverhouding ov-auto en het aantal auto’s
per 1000 inwoners. Deze gegevens hoeven niet voor alle zones in het onder-
zoeksgebied te worden verzameld. Sterker nog, het model kan geschat worden
op basis van een selectie van landelijke gegevens of gegevens uit een vergelijk-
baar gebied, dus met behulp van reeds door anderen verzamelde data.
Als het model na stap C van het modelbouwproces geschat is, moet het model
gevuld worden zodat het kan worden getest. In dat geval kunnen voor het
voorbeeld voor alle combinaties van zones de reistijden voor auto en ov bepaald
worden en voor alle zones het aantal auto’s per 1000 inwoners. Het grote ver-
schil met de gegevens voor het schatten is dat nu voor alle zones in het
onderzoeksgebied gegevens verzameld moeten worden, maar dat er geen
gegevens over het aandeel openbaar vervoer verzameld hoeven te worden
omdat dat immers de te verklaren variabele is. Een nadere toelichting van deze
stap volgt in paragraaf 4.2.4.
Nadat het model in stap D is getest, dat wil zeggen, het aandeel openbaar ver-
voer is voor alle combinaties van zones bepaald, moet gecontroleerd worden
of de uitkomsten juist zijn. Voor een aantal combinaties van zones in het
onderzoeksgebied zal daarom wel het daadwerkelijke aandeel openbaar vervoer
gemeten moeten worden. In sommige gevallen kunnen ook andere ‘berekende’
gegevens gecontroleerd worden. Zo zal een groot deel van de reistijden van
auto en openbaar vervoer met behulp van een toedelingsmodel bepaald worden.
In dat geval worden de reistijdverhoudingen ook meegenomen in de evaluatie.
Tijdens de evaluatie of validatie wordt gebruikgemaakt van gegevens die niet
gebruikt zijn voor de kalibratie/schatting van het model. Een nadere toelichting
van deze stap volgt in paragraaf 4.2.5. In tabel B.2 staat een overzicht van de
benodigde gegevens per genoemde reden.
Los van de reden van het verzamelen van de data, zijn er in principe twee
hoofdmanieren (uiteraard zijn er tussenvormen), voor het verkrijgen van de
gegevens. De ene manier is het daadwerkelijk zelf meten, de andere manier
betreft het gebruiken van bestaande gegevensdatabanken en -bestanden, ook
wel primaire bronnen genoemd.
Het verzamelen van data door eigen metingen kan op veel verschillende
manieren en is uiteraard sterk afhankelijk van het benodigde type gegevens, de
beschikbare onderzoeksmethoden, het beschikbare budget (in tijd en geld) en
Figuur B.5. Fasen in het onderzoek volgens het ‘Handboek verkeersonderzoek’ [17]
Een andere vorm van dataverzameling door zelf onderzoek te doen, is het uit-
voeren van enquêtes. Dat kan enerzijds met het doel om de huidige situatie
middels een steekproef in beeld te brengen. Voor het voorbeeld kunnen reizigers
in het onderzoeksgebied ondervraagd worden naar hun huidige herkomst en
bestemming en hun vervoerswijze om zodoende de modal split tussen zones
in beeld te brengen. Deze gegevens worden dan bijvoorbeeld gebruikt tijdens
de evaluatie van het model. Anderzijds kan een enquête gebruikt worden om
het keuzegedrag van reizigers in beeld te brengen om zodoende de parameters
van een conceptueel model te schatten. Deze methode wordt vaak gebruikt
bij het opstellen (schatten) van discrete keuzemodellen (zie paragraaf 13.1) op
basis van revealed-preference- (gebleken voorkeuren), stated-preference-
(beweerde voorkeuren), of stated-choicetechnieken (beweerde voorkeuren
met aangeven van een keuze). Er is een groot aantal boeken beschikbaar over
het voorbereiden en uitvoeren van enquêtes in het algemeen en het gebruik
van stated-preference-technieken in het bijzonder.
Naast het zelf meten en enquêteren is het soms mogelijk gebruik te maken van
bestaande gegevens met betrekking tot mobiliteit. Dat kan variëren van een
incidentele lokale kruispunttelling tot en met meerjarige mobiliteitsgegevens
uit een landelijke databank. Een veelgebruikte gegevensbron voor verkeersmo-
dellen, met name voor het evalueren van de modellen, is het OViN. OViN staat
OViN
Eerst nog het volgende. Bij het verder gaan verwerken van de verzamelde data
waarmee het model geschat gaat worden, moet worden gelet op:
- Niet klakkeloos data overnemen die voor andere doeleinden zijn verzameld.
Een paar aandachtspunten:
- Er moet zeker worden nagegaan hoe deze data tot stand zijn gekomen.
- Uiteraard moeten deze data wel passen bij de geformuleerde onder-
zoeksvragen;
- Zijn de gegevens plausibel?
- In hoeverre is een ander gebied representatief voor het eigen onder-
zoeksgebied?
Als de data goed zijn bevonden, kan met het schatten van het model worden
begonnen. Daarvoor zijn statistische technieken beschikbaar.
Waarbij PERCOV het te bepalen aandeel openbaar vervoer is, RTVERH de reis-
tijdverhouding ov-auto en A/1000INW het aantal auto’s per 1000 inwoners.
Verder zijn a, b en c de te schatten parameters.
Tabel B.3. Voorbeeld van een wat datamatrix (met willekeurige waarden)
Met:
v+a = totaal aantal vertrekken plus aankomsten
wo = aantal woningen
arbpl = aantal arbeidsplaatsen
inw = aantal inwoners (personen in de wijk)
auto's = aantal auto's
Let wel, de constante speelt een bijzondere rol. Het schattingsresultaat hiervan
zou idealiter op nul moeten uitkomen. Immers, als de beide verklarende varia-
belen nul zijn dan zou ook het aandeel openbaar vervoer nul moeten zijn, tenzij
niet alle verklarende variabelen zijn meegenomen. In de praktijk zal vaak blijken
dat het moeilijk is deze constante op nul te krijgen; complexe werkelijkheid.
Als het model goed is bevonden, kan gezegd worden dat het model gekalibreerd
(geschat) is. Dat is de situatie A (huidige beschikbare data) in figuur B.6. Als nu
geschatte parameters in situatie A naar een andere situatie (B) overgenomen
worden, dan moet op basis van in situatie B aanwezige/beschikbare data de
toets gedaan worden of het model in de situatie B goed is. Dit heet validatie
van het model.
In de volgende hoofdstukken (5 tot en met 11) wordt het bouwen van een ver-
keersmodel toegelicht aan de hand van de stappen voor het bouwen van een
traditioneel vierstapsmodel. Keuzen ten aanzien van het detailniveau, de toe te
passen rekenmethoden en -technieken en de te gebruiken gegevens voor het
vullen en kalibreren van de submodellen komen in deze hoofdstukken aan de
orde.