Afstudeerder TU/e: De invloed van geautomatiseerd rijden op de vervoersvraag

Editie: 25.1 Retail in de periferie

Gepubliceerd op: 23 december 2017

Efficiënt vervoer wordt steeds belangrijker maar ook moeilijker te faciliteren in een globaliserende en verstedelijkende wereld. Het concept ‘efficiënt vervoer’ heeft in dit verband meerdere facetten: veilig, snel, betaalbaar, toegankelijk en duurzaam. Er valt nog veel winst te behalen op al deze gebieden; zo ondervinden we allemaal last van de effecten van het stijgende aantal ernstige verkeersongevallen en de fileproblematiek in Nederland. Als die last niet direct is, dan wel indirect; de maatschappelijke kosten van verkeersongevallen en reistijdvertragingen in Nederland worden geschat op respectievelijk 13-15 miljard euro (SWOV, 2015) en 1.1 miljard euro per jaar (TNO, 2015).  Daarnaast neemt de parkeerdruk toe door het stijgende aantal personenauto’s, waarvan zelfs tijdens de spits nog 88 procent van geparkeerd staan (KPMG, 2012).


Potentie van zelfrijdende auto’s

Het uitbreiden en aanpassen van de infrastructuur op deze problemen vraagt om de opoffering van waardevolle grond, maar vooral om torenhoge investeringen van de overheid. Het is hierom dat onze beleidsmakers erg geïnteresseerd zijn innovatieve oplossingen vanuit de markt. Een van de meest baanbrekende innovaties op dit moment is geautomatiseerd rijden, ofwel zelfrijdende auto’s. Deze voertuigen kunnen zich via ingebouwde sensors of communicatie met andere voertuigen bewust worden van hun rij-omgeving en gebruiken deze informatie om rij-taken over te nemen van de bestuurder. Het niveau van autonomie kan variëren van assisterende systemen zoals Adaptive Cruise Control tot volledig autonome voertuigen waarbij de bestuurder zich niet meer op het rijden hoeft te concentreren (SAE International, 2014).

Door de computergestuurde precisie en consistentie van geautomatiseerde voertuigen, zal het aantal verkeersongevallen in de toekomst flink afnemen. Immers, meer dan 90 procent van de verkeersongevallen wordt veroorzaakt door menselijk falen (National Highway Traffic Safety Administration, 2008). Daarnaast zijn volledig autonome voertuigen bijzonder geschikt als zelfrijdende taxi’s. Door het efficiënte gebruik van deze voertuigen en het feit dat er geen chauffeurs betaald hoeven te worden, is de verwachting dat het gebruik van deze taxi’s, ondanks servicekosten en winstmarge, even goedkoop kan zijn als privé auto-eigendom (Bagloee, Tavana, Asadi, & Oliver, 2016). Dit zal een schok teweegbrengen in auto-eigendomspercentages, waardoor de parkeerproblematiek mogelijk kan worden verminderd (Bagloee et al., 2016; KPMG, 2013).

Voorspellingen en speculaties

Echter, wat betreft de fileproblematiek is de invloed van geautomatiseerd rijden minder voorspelbaar. Dit komt enerzijds door  de efficiënte rijstijl – zelfrijdende auto’s kunnen bijvoorbeeld veel dichter op elkaar rijden waardoor ze beter gebruik maken van beschikbare wegcapaciteit- en het afnemen van het aantal verkeersongevallen, waardoor de verkeersdruk zal afnemen. Anderzijds zal de verkeersdruk mogelijk  toenemen door extra onbemande kilometers – zelfrijdende taxi’s die van en naar cliënten rijden, auto’s die eropuit worden gestuurd om autonoom een parkeerplek te zoeken – en door een toenemende vervoersvraag.

Er wordt veel gespeculeerd over hoe geautomatiseerd rijden de vervoersvraag kan beïnvloeden. Het ligt voor de hand dat door de aantrekkelijkheid en toegankelijkheid van geautomatiseerd de vervoersvraag zal toenemen, bijvoorbeeld doordat personen zonder rijbewijs meer van auto’s gebruik zullen maken. Er is echter zeer weinig empirisch bewijs om dit vermoeden te bevestigen en ook is onduidelijk hoe mogelijke gedragsveranderingen zich zullen uiten: enkel in de keuze van vervoerswijze of bijvoorbeeld ook in het totale aantal gemaakte kilometers?

Methode en steekproef

Mijn afstudeeronderzoek had als doel het vinden van empirisch bewijs voor gedragsveranderingen naar aanleiding van geautomatiseerd rijden, die leiden tot veranderingen in de vervoersvraag. Om gegevens te verzamelen is een vragenlijst gebruikt waarin respondenten zich moesten voorstellen dat ze een zelfrijdende auto of taxi konden gebruiken in hun dagelijks leven. Vervolgens moesten zij vragen beantwoorden omtrent het gebruik van deze zelfrijdende auto of taxi voor een aantal bestemmingen met betrekking tot hun werk, studie of niet-dagelijkse winkelverplaatsingen. Deze bestemmingen en hun huidige reisgedrag hadden zij al eerder in de vragenlijst opgegeven. Door het beschouwen van losse bestemmingen is het mogelijk om ook de effecten van contextuele factoren te analyseren zoals reismotief en reisafstand.

De doelgroep van de vragenlijst is de Nederlandse bevolking ouder dan 18 jaar. Uiteindelijk zijn er 749 bruikbare reacties op de vragenlijst verzameld. De beschrijvende statistieken van deze steekproef zoals geslacht, leeftijd, auto-eigendom en rijbewijs-bezit benaderen de gemiddelde statistieken van de Nederlandse bevolking redelijk goed. Echter kent de steekproef wel een relatief hoog aandeel hoger-opgeleiden en voltijd-werkenden.

De resultaten van het onderzoek zijn tweeledig. Enerzijds geven de samengevoegde resultaten een beeld van welk effect geautomatiseerd rijden kan hebben op de vervoersvraag in termen van verkeersstroomdeling, reisfrequentie, gemiddelde triplengte en gemaakte reisuren. Anderzijds wordt duidelijk welke eigenschappen van het zelfrijdende voertuig, contextuele factoren en persoonlijke kenmerken invloed hebben op gedragsveranderingen zoals vervoerswijze-keuze, reisfrequentie en bestemmingskeuze.

Bevindingen

Zoals verwacht toont het onderzoek aan dat geautomatiseerd rijden een sterke invloed kan hebben op de vervoersvraag. Als alle Nederlanders toegang zouden hebben tot het gebruik van een zelfrijdende privéauto of –taxi service die ongeveer even snel en duur zijn als een ‘normale’ privéauto, zou dit leiden tot een toename van 20 tot25procent in het aantal gemaakte reisuren per auto voor zowel werk-, studie- als niet-dagelijkse winkelverplaatsingen. Het is niet duidelijk of deze extra reisuren per auto, met name tijdens spitsuren of daluren, gemaakt zullen worden, dus het is moeilijk om te zeggen welk effect dit zal hebben op filevorming.

Verder zal voor alle eerder genoemde reismotieven het gebruik van openbaar vervoer afnemen met 40-55procent en het gebruik van de fiets met 20 tot 30 procent. Wat extra opvallend is, is dat in het scenario waarin alle respondenten gebruik kunnen maken van zelfrijdende taxi’s met ongeveer gelijke reistijd en kosten als een ‘normale’ privéauto  het gebruik van de privéauto afneemt met 60 tot65 procent. De zelfrijdende taxi’s worden in dit scenario gebruik voor maar liefst 55procent van de werk- en studieverplaatsingen, en 45 procent van de niet-dagelijkse winkelverplaatsingen.

Hoewel er een grote verandering lijkt plaats te vinden in de verkeersstroomdeling, is de verandering in het totaal aantal gereisde uren veel minder duidelijk. De ruime meerderheid van de respondenten geeft aan niet vaker of minder vaak te zullen gaan reizen nadat zij toegang hebben gekregen tot het gebruik van een zelfrijdend voertuig en ook blijkt dat de gemiddelde reisafstand voor niet-dagelijkse winkelverplaatsingen voor de meeste respondenten niet verandert (al is er gemiddeld gezien wel een kleine toename in reistijd van iets minder dan een minuut per trip). Lange-termijn beslissingen die invloed zouden kunnen hebben op het aantal gemaakt reisuren, zoals de keuze voor een werk- of woonlocatie, zijn in dit onderzoek niet aan bod gekomen.

Een onderzoek naar het effect van de verklarende variabelen leverde vrij zwakke modellen op,  wat wil zeggen dat de veranderingen in vervoersvraag niet in hoge mate afhangen van het type zelfrijdend voertuig, zijn eigenschappen, de verplaatsingscontext of persoonskenmerken. Toch zijn er een aantal significante factoren geidentificeerd in de modellen: privé-eigendom van het zelfrijdend voertuig (versus openbare taxi), tijdwinst van het zelfrijdend voertuig ten opzichte van de huidige vervoerswijze, 75 procent minder kans op een ongeluk met het zelfrijdend voertuig ten opzichte van een ‘normale’ privéauto, 15 procent duurder zelfrijdend voertuig ten opzichte van een normale privéauto, nabijheid van de bestemming en hogere opleiding.  De eerste drie factoren (t/m 75 procent minder kans op ongeluk) zijn positief gecorreleerd zijn met het gebruik van zelfrijdende voertuigen en de laatste drie negatief.

Conclusie

De conclusie is dat geautomatiseerd rijden met een hoog niveau van autonomie, zowel door privégebruik als openbaar gedeeld gebruik, een aanzienlijke impact kan hebben op de verkeersstroomdeling in Nederland, met name door een shift van openbaar vervoers-gebruik naar de zelfrijdende auto of taxi. Natuurlijk is het belangrijk om deze resultaten in perspectief te zien. Ten eerste is onbekend hoe duur geautomatiseerd rijden met een hoog niveau van autonomie zal worden en hoeveel Nederlandse huishoudens het er voor over hebben om zo’n zelfrijdende auto aan te schaffen. Ten tweede is het niveau van autonomie dat werd gesuggereerd in dit onderzoek momenteel nog niet legaal op de openbare weg en het kan nog tientallen jaren duren voordat consumenten overal met hun volledig zelfrijdende auto of taxi kunnen komen. Tegen die tijd zullen andere vervoerswijzen zoals het openbaar vervoer zich ongetwijfeld ook verder ontwikkeld hebben en zijn deze mogelijk veel competitiever geworden.

Desondanks plaatst dit onderzoek een kritische noot bij de bestaande literatuur, die toch vooral lijkt te suggereren dat geautomatiseerd rijden de druk op het verkeersnet zal gaan verlichten.

Bronvermelding

Bagloee, S. A., Tavana, M., Asadi, M., & Oliver, T. (2016). Autonomous vehicles: challenges, opportunities, and future implications for transportation policies. Journal of Modern Transportation, 24(4), 284–303

KPMG. (2012). Self-Driving Cars: The Next Revolution

KPMG. (2013). Self-Driving Cars: Are We Ready?

National Highway Traffic Safety Administration (2008). National Motor Vehicle Crash Causation Survey. U.S. Department of Transportation, Report DOTHS 811

SAE International. (2014). Summary of SAE International’s Levels of Driving Automation for On-Road Vehicles.

Mail de redactie