Datapoint: ov-lijnen – Wat kunnen overheden doen om het ov betrouwbaarder te maken?

Datapoint: ov-lijnen – Wat kunnen overheden doen om het ov betrouwbaarder te maken?

07 jul 2020

Figuur 1: OV-lijnen (blauw) en haltes in Haarlemmermeer (groen: met DRIS, rood: geen DRIS) 

Inmiddels is het drie weken geleden dat Datapoint gelanceerd is. In de afgelopen tijd hebben we veel interesse gemerkt vanuit  het mobiliteitsveld en veel positieve reacties mogen ontvangen. We merken ook  dat een deel van onze gebruikers enigszins overweldigd is door de vele mogelijkheden die er zijn om Datapoint te benutten.  

Daarom komen we nu met een blog, waarin we telkens één of meerdere datalagen behandelen. We trappen af met de ov-lijnen en haltes, afkomstig uit het NDOV. Deze blog gaat in op de inzichten die de data biedt, welke combinaties met andere databronnen te maken zijn, waar de data vandaan komt en welke waarde Datapoint  toevoegt.  

Wat de data laat zien 

In de figuur bovenaan deze pagina zie je de data voor Hoofddorp en Schiphol. De lagen OV-lijnen en OV-haltes laten de bus, tram en metro routes en hun bijbehorende haltes zien.  Daarnaast kan de frequentie van het OV op de verschillende trajecten afgeleid worden uit de dikte van de lijn. De kleur van de locatie-indicator van de haltes geeft aan of er dynamische reisinformatie (DRIS) is op de halte. Wat deze figuur snel duidelijk maakt is dat op enkele hoofdassen hoogfrequent OV beschikbaar is en dat hier ook vaak actuele reisinformatie verstrekt wordt.  

Naast de routes en frequentie bevat Datapoint ook een inschatting van de rijtijdbetrouwbaarheid . Met andere woorden, Datapoint geeft inzicht in de punctualiteit van het OV. De onderstaande figuur toont in drie categorieën een inschatting van deze betrouwbaarheid. De groene kleur betekent dat het OV erg betrouwbaar is. Oranje staat voor redelijk betrouwbaar en rood impliceert relatief onbetrouwbaar OV. Voor enkele trajecten kan geen goede inschatting van de punctualiteit worden gemaakt, deze lijnen zijn in het grijs weergegeven. Wanneer het OV minder betrouwbaar is, kan er een grotere behoefte zijn aan actuele reisinformatie (zeker bij lagere frequenties), wat datapoint dus in één oogopslag weergeeft. Op deze manier biedt Datapoint een datagedreven tool om investeringsbeslissingen voor het OV te ondersteunen. 

Figuur 2: Rijtijdbetrouwbaarheid OV in Hoofddorp 

Datacombinaties 

Naast deze informatie over het OV zelf, biedt Datapoint ook een grote meerwaarde in het maken van combinaties met andere bronnen. Door de ingevoerde locaties van scholen kan bijvoorbeeld een wijziging in de routering of de locaties van haltes beter onderbouwd worden. CBS data op postcode 4 gebied, waarin bijvoorbeeld adressendichtheid kan worden weergegeven kan gebruikt worden. Ook de locaties van OV-fietspunten zijn opgenomen, waarmee snel gezien kan worden welke  (deel)modaliteitsopties reizigers hebben rondom OV haltes. Kortom: analyses zijn sneller, vollediger en kunnen makkelijker worden gevisualiseerd. 

Een andere waardevolle combinatie is die met de locaties van intelligente verkeerslichten (iVRI’s). Een iVRI kan, met de juiste instellingen, het OV conditioneel voorrang verlenen, bijvoorbeeld als de bus achterloopt op de dienstregeling. Datapoint brengt de locaties van deze slimme verkeerslichten in kaart en geeft per VRI aan of deze reeds geschikt is voor OV-prioritering. In combinatie met de punctualiteitsdata wordt het snel duidelijk waar kansen liggen om de rijtijdbetrouwbaarheid van het OV een boost te geven. Onderstaande figuur geeft dit weer voor Deventer, waar al een pilot met slimme OV prioritering heeft plaatsgevonden.  

Figuur 3: Rijtijdbetrouwbaarheid en iVRI’s met (groen) en zonder (rood) prioriteringscase in Deventer 

Betrouwbare data 

De OV data is afkomstig uit het NDOV loket. Specifiek komen de routes en frequenties uit de koppelvlak 1 (KV1) dataset, waarin de dienstregelingen worden gecommuniceerd. De rijtijdbetrouwbaarheid leiden we af uit KV6, waar punctualiteit gedeeld wordt. De haltes zijn afkomstig uit het centraal haltebestand. Omdat de data rechtstreeks vanuit de vervoerders aangeleverd wordt, is de betrouwbaarheid van de data hoog. Keypoint berekent zelf een inschatting van de rijtijdbetrouwbaarheid. Hiervoor wordt gekeken naar het verschil tussen de 85e (vertragingsrijtijd) en 15e percentiel (free flow) rijtijd. Bij een verschil kleiner dan 50% is de rijtijd betrouwbaar, 50-100% redelijk betrouwbaar en >100% onbetrouwbaar. Onbetrouwbaar betekent dus dat een vertraagd segment twee keer zo lang duurt als een ‘free flow’ rit. In een aantal gebieden in Nederland wordt gewerkt met een lager detailniveau van de data, zodat de interpretaties beperkingen kennen. Veelal leveren de analyses echter een betrouwbaar beeld.  

Conclusie 

Datapoint biedt beleidsmakers een tool waarmee beslissingen over het OV ondersteund kunnen worden. Voor de lange termijn biedt data zoals adressendichtheid en de locatie van scholen een meerwaarde voor meer strategische keuzes, terwijl de locaties van iVRI’s en de DRIS-indicatie quick-wins in beeld kunnen brengen. Met maatwerk kunnen wij uw analyses sterker maken. 

Terug naar overzicht

Neem contact op over dit project

Gewoon een vraag of wilt u graag een vrijblijvend kennismakingsgesprek? Vul onderstaand formulier in en wij nemen uiterlijk de eerstvolgende werkdag contact met u op.

Andere projecten

Ook leuk om te lezen

Keypoint ondersteunt de gemeente Almelo bij de ontwikkeling van XL Businesspark 2

Project

27 jun
Patrick van Soest Door

Patrick van Soest

Keypoint ondersteunt de gemeente Almelo bij de ontwikkeling van XL Businesspark 2

Met XL Bussinespark 2 wil Almelo nieuw ondernemerschap aantrekken. Hierbij wenst de gemeente dat de activiteiten op het nieuwe businesspark goed gebruik maken van de beschikbare ruimte. Keypoint ondersteunt de gemeente met een gericht mobiliteitsplan.

Lees verder
Wat is het effect van GOW30 op de rijtijden van het ov?

Project

03 jun
Justin van Steijn Door

Justin van Steijn

Wat is het effect van GOW30 op de rijtijden van het ov?

Veel gemeenten zijn bezig met het invoeren van 30 km/uur als maximumsnelheid binnen een groot deel van de bebouwde kom. Wij maken voor gemeenten en provincies graag inzichtelijk wat de invloed is van de nieuwe maximumsnelheden op de rijtijden van het ov. Hiervoor maken we onder andere gebruik van floating car data uit bussen.

Lees verder
Even Voorstellen: Luuk Spijker

Project

30 apr
Justin van Steijn Door

Justin van Steijn

Even Voorstellen: Luuk Spijker

Op 16 april is Luuk Spijker begonnen als stagiair bij Keypoint. Hij gaat zich de komende tijd bezighouden met een onderzoek naar de mogelijkheden van Bus Rapid Transit onder begeleiding van Justin van Steijn.

Lees verder