Reiser virkelig flere med kollektivtransport?

Klikk for å se større.

En ganske selvforklarende og enkel graf. Statistisk sentralbyrå (SSB) har noen lignende grafer, som også viser at antall passasjerer med kollektivtransporten øker. Problemet med de grafene er at de viser antall kollektivreisende i absolutte tall, og tar ikke høyde befolkningsveksten. Selv om det er flere som reiser med kollektivtransport, så kan det i så fall være en lavere andel som reiser med kollektivtransporten.

Grafen over her tar høyde for det, og den viser at andelen som reiser med kollkektivtrqansport øker. Nå er det imidlertid to ting jeg må bemerke.

For det første, så ble metoden for å registrere kollektivpassasjerer endret i 2017 blant mange av kollektivtransportsøknadene, ifølge SSB. Vi bør altså ikke legge for mye inn i tolkningen av 2017 og 2018 sammenlignet med tidligere år.

For det andre, så behøver det ikke nødvendigvis å være flere enkeltpersoner som har begynt å reise. En passasjer er i denne sammenheng én påstigning, altså bør det tolkes mer som enkeltreiser. Med andre ord er det antall reiser som har økt.

Min egentlige motivasjon for å lage denne grafen var å bli bedre kjent med å bearbeide utseendet til grafen, når jeg lager den med ggplot2-pakken i R. Ggplot2 og R er utrolig fint til å lage grafer med, og det er ganske enkelt å velge mellom en del forhåndsdefinerte utseender (vil du ha Economist-stil på grafen din? Bare å skrive inn et ord i syntaksen din).

Under er koden min. Det fine med denne koden er at den henter statistikken direkte fra SSBs API, ved hjelp av PxWebApiData-pakken, som visstnok brukes til å kommunisere med en god del offentlige statistikkbanker i Europa og det som måtte være.

Reisetid med kollektiv til Oslo S

Klikk for å se større.

Lærer meg nye ting, som å kjøre OpenTripPlanner (OTP) via databehandlings-/statistikkprogrammet R. OTP brukes til å beregne ruter (mellom A og B) med kollektivtransport.

En veldig fin og lett tilgjengelig introduksjon ligger ute på nettet, laget av Marcus Young.

Hvor bør knutepunktutviklingen komme (og slik lager du et bivariat punktkart)

Klikk for å se større.

Jeg hadde lyst til å gjøre to ting. Jeg ville lage et bivariat punktkart, og jeg ville jobbe litt med datasettene til Entur om kollektivtransport (som jeg skal bruke massevis i doktorgraden min).

Kartet du ser her er punktdata over tog- og t-banestasjoner i Oslo-området. I tillegg til lokaliseringen, så viser punktene to ting – derav bivariat – hvor lang tid det tar å reise fra den stasjonen til Oslo sentrum, og tettheten av beboere og arbeidsplasser i nærområdet.

Det som egentlig er ekstra kult med punkter, er at du strengt tatt kan vise tre forskjellige verdier samtidig, altså lage trivariate kart. Du kan gjøre som i kartet over, vise en ting (tetthet) med fargen til omrisset og vise en annen ting med fyllfargen (reisetid). I tillegg kan du variere størrelsen på punktene for å vise en tredje verdi, gjerne en absolutt verdi, som antall avganger, f.eks. Tetthet, hvor du deler befolkning på areal, er en relativ verdi og det motsatte av absolutt.

Punktene i kartet er egentlig to kartlag.

Det jeg gjorde for å få til det, var å legge to lag oppå hverandre i QGIS (se til venstre). Jeg sørget for at det nederste punktlaget hadde litt større punkter (density = punktstørrelse 3 i dette tilfellet) enn det øverste laget (transit time = punktstørrelse 2). Ingen av punktene har omrisslinje, og det nederste laget fungerer som omriss for det øverste.

Det ser ikke sånn ut på kartet, men jeg velger en gråskala fra svart til hvit for det øverste laget. Grunnen til det kommer jeg straks tilbake til.

Klikk for å se større. Blendingsmoduser skaper magi.

Deretter går jeg inn i symbologiinnstillingene til det øverste laget med gråskala (se bildet til venstre), transit time-laget, finner fram til nedtrekksmenyen for blendingsmodus, og velger multipliser.

Det som skjer er at tallverdiene til fargene i det øverste laget blir multiplisert med fargene i laget under der de overlapper. Er det kort til sentrum (svart) i et tett befolket område (turkis), da ganges svart med turkis. Langt til sentrum i grisgrend strøk? Hvitt ganges med brunt.

Hvorfor nevnte jeg QGIS spesifikt? På grunn av transparency blending modes. Hvis du er godt bevandret i Photoshop, så kjenner du antakeligvis godt til blendingsmoduser. Poenget er at hvis du vil ha noe delvis gjennomsiktig, så er ikke gjennomsiktig bare gjennomsiktig. Man kan for eksempel velge om fargemetningen i det øverste laget skal beholdes, men at lysstyrken skal preges av det underliggende laget. QGIS har totalt tolv forskjellige blendingsmoduser. ArcGIS, som jeg bruker mye ellers, har bare én.

Du har kanskje prøvd å legge et lag med fjellskygge over et kartlag med farger for arealbruk (fjell, hav, jordbruk, skog) og synes at det blir litt matt, kjedelig og dødt? Neste gang prøv ut forskjellige blendingsmoduser. Multipliser er en god gjenganger.

Her er en fantastisk blogg om fantasikart (!) med en veldig fin gjennomgang av forskjellige blendingsmoduser i Photoshop.

Når jeg først nevner programvare, så brukte jeg nettverksanalyse i ArcGIS til å beregne reisetiden med kollektivtransport til Oslo sentrum. Network Analyst-tilleggspakken til ArcGIS klarer ikke å beregne kollektivreiser på egenhånd.

Melinda Morang har imidlertid vært i førersetet for en fantastisk verktøypakke, Using GTFS Data in ArcGIS, som man kan laste ned og bruke til å kjøre nettverksanalyser med kollektivtransport.

En klar svakhet i det datamaterialet som blir framstilt her. Er at det viser reisetider fra akkurat klokka 08.00. Hvis det ikke går noe tog til Oslo før 08.05 fra en stasjon, så er ventetiden med i reisetiden på kartet. For å være skikkelig robust burde reisetidene gjennom en hel time (avreise 08.00, 08.01, 08.02 osv) blitt beregnet før den korteste reisetiden ble brukt i framstillingen.

450 meter buffer rundt hver stasjon, summerer opp areal, befolkning og
arbeidsplasser fra 250 x 250 rutenett fra SSB.
Datakilder: SSB, Entur, Bing Aerial

Når vi kommer til kvaliteten på datamaterialet kan jeg også nevne at arealet som brukes i tetthetsberegningene godt kunne vært hakket mer rafinert. Jeg lagde buffere med 450 meter radius rundt hver stasjon, og summerte antall beboere, arbeidsplasser og det totale arealet i alle cellene (i et rutenett fra SSB) som bufferen overlappet med (se til venstre). Vannareal er altså med i beregningen. Tettheten i rutenettet er forøvrig med i bakgrunnen i det endelige kartet.

Hvorfor buffere med akkurat 450 meter radius? Det er ganske vanlig å operere med at folk er villig til å gå 400 meter for å ta kollektivtransport. Størrelsen på cellene i rutenettet, på 250 x 250m, blir akkurat for små til at det er godt nok med bare en celle som "nærområde" for stasjonen. Derfor sørget jeg for å ha med de områdene som i hvert fall er innenfor 500 meter fra stasjonen.

Gangavstand til t-banen og toget

Jeg er glad i t-bane. Og i utgangspunktet mener jeg at knutepunktutvikling er en bra ting (selv om det er nok av potensielle ulemper jeg ikke er like glad i, men som jeg heller får skrive om siden en gang).

Så hvorfor ikke vise hvilke områder som har gangavstand til t-bane? Dette kartet er resultet av en service area-analyse i ArcGIS. Istedenfor å måle 500 meter i luftlinje, som man ville gjort i en buffer-analyse, måles heller gangavstanden langsmed gatenettverket.

I dette tilfellet har jeg tatt utgangspunkt i nettverksdatasettet som Statens vegvesen har utarbeidet for gang og sykkel.

Stasjonene er hentet fra OpenStreetMap (via Mapzen som dessverre legger ned nå i nærmeste framtid). Både stasjoner, t-baneinnganger og holdeplasser (for t-bane og tog) er brukt som utgangspunkt for ganganalysene.

Jeg har nettopp begynt på en doktorgrad i samfunnsgeografi der jeg skal se på hvordan folk reiser kollektivt – eller hvordan de kommer seg til og fra kollektivsystemet og bytter underveis på kollektivreiser, for å være helt nøyaktig – og da kommer jeg til å bruke denne type analyser en del.

Du kan forvente at kartene blir bedre da. Du se i Lillestrøm eller Sandvika at analysen ikke er blitt kjørt helt perfekt i denne omgang.

Kollektivtilbudet i strøket

Klikk for å se større. Artig greie: Legg merke til at kollektivtilbudet er hakket bedre i Lommedalen enn i Sørkedalen og Maridalen.

Det er et vedtatt mål i Oslo og Akershus at all vekst i persontransport i regionen skal dekkes av sykkel, gange og kollektivtransport.

Hvis vi ser på biten med å bruke kollektivtransport - og da helst gå eller å sykle for å komme til nærmeste holdeplass, trikkestopp, togstasjon eller hva det måtte være - så er det en ting å ha gangavstand til holdeplassen. Vel så viktig er det at kollektivtilbudet er bra når du først har kommet deg til bussholdeplassen. Det er stor forskjell på om det går én buss i timen eller en buss hvert tiende minutt.

Og det er akkurat disse to elementene, gangavstand og frekvens på kollektivtrafikken, som dette kartet viser. For å være nøyaktig, så viser kartet hvor mange avganger som er innenfor 500 meters avstand om morgenen mandag 15. august 2016 (jeg fikk ikke til å velge en generisk ukedag).

I det mest mørkegrønne området, i Oslo sentrum, hadde du mellom 500 og 1045 avganger innenfor 500 meters gåavstand i løpet av to timer.

Dette kartet lagde jeg her om kvelden først og fremst for å teste ut noen kule verktøy som er utviklet for å kombinere GTFS-data med nettverksanalyser i ArcGIS. Laster du ned ArcGIS toolbox-en fra dem, så følger det med grundige og forståelige instrukser for hvordan du skal kjøre verktøyene.

GTFS-data er enkelt forklart tidstabeller over kollektivtransporten, og Ruter har lagt ut GTFS-data her.

Nettverksanalyser er slikt Google Maps bruker når de beregner reiseruter. Her kan du se hvordan jeg brukte nettverksanalyser for å beregne reisetid fra hver kommune i Akershus inn til Oslo sentrum, og hvor mange som har gangavstand til kollektivtransport. Statens vegvesen er så kule at de har lagt ut hele veinettet (og sykkelveier) i Norge som nettverksdata, klart til å kjøre nettverksanalyser på. Det bør bemerkes at disse veinettene ikke er ideelle å kjøre gangavstand-analyser på. Veier kortere enn 50 meter er ikke med, gangveier og fortauer tas ikke høyde for på en god måte, men dette er ting som folkene i vegvesenet jobber mye med å utbedre.

Magien skjer når du kombinerer GTFS-data og nettverksanalyser.

Da kan du for eksempel finne ut hvor mange som har gangavstand til godt og dårlig kollektivtilbud.

NB: Fargeskalaen i kartet er basert på at gjennomsnittsverdien i hele systemet, som ble konstruert da jeg kombinerte GTFS-data fra Ruter og nettverksdatasettet fra vegvesenet, er 37 avganger i løpet av tidsrommet 07.00-09.00. Jeg har imidlertid ikke sjekket grundig hvor reelt eller relevant hele det systemet er, med tanke på hvilket område det dekker, og om veiområder som ikke dekkes av Ruter er blitt tatt med i beregning eller ikke.