Городские районы по всему миру находятся в разгаре транспортной революции. Рост платформ Mobility-as-a-Service (MaaS) обещает изменить то, как люди перемещаются, предлагая интегрированный доступ по требованию к различным видам транспорта - от общественного транспорта и совместного использования поездок до велосипедов и аренды автомобилей - все через единый цифровой интерфейс. Поскольку города сталкиваются с хроническими перегрузками, загрязнением и необходимостью более эффективного использования ограниченной инфраструктуры, понимание истинного влияния MaaS на городской трафик стало главным приоритетом для планировщиков, политиков и исследователей транспорта. Без тщательного анализа внедрение MaaS может привести к непреднамеренным последствиям, таким как увеличение пройденных миль транспортных средств или несправедливый доступ. Именно здесь происходит этапы компьютерного моделирования: путем моделирования того, как путешественники реагируют на предложения MaaS в различных условиях, города могут предвидеть изменения в моделях трафика и разрабатывать основанные на фактических данных стратегии для максимизации преимуществ этой новой парадигмы мобильности.

Мобильность как услуга (MaaS)

MaaS - это больше, чем просто приложение для планирования поездок; это смена парадигмы в транспорте. По своей сути платформа MaaS объединяет несколько транспортных услуг - общественные автобусы и поезда, поездки на машине, совместное использование велосипедов, прокат скутеров и даже услуги такси - в единый, единый опыт. Пользователи могут планировать поездку, сравнивать режимы по стоимости и времени, бронировать и оплачивать всю поездку через одну учетную запись и приложение. Например, пассажир может взять общий велосипед на железнодорожную станцию, ездить на поезде до центра города, а затем взять совместный поезд на последнюю милю, все согласовано через единый интерфейс.

Преимущества, рекламируемые промоутерами MaaS, включают снижение зависимости от частного владения автомобилями, более низкие транспортные расходы для пользователей и более эффективное использование существующей инфраструктуры. Такие города, как Хельсинки (с приложением Whim), Вена (с WienMobil) и Сингапур, являются ранними пользователями. Однако фактическое влияние на пробки на дорогах, выбросы и общую мобильность в значительной степени зависит от скорости принятия, поведенческих изменений и того, как система регулируется. Чтобы точно прогнозировать эти результаты, планировщики обращаются к сложным моделям трафика.

Почему важно моделировать влияние MaaS на трафик

Внедрение платформы MaaS в транспортную экосистему города - это не простое дополнение; это вызывает сложные, часто нелинейные взаимодействия. Переход от частных автомобилей может освободить пропускную способность дороги, но удобство MaaS также может вызвать новые поездки - люди могут выбрать, чтобы сделать больше поездок, если путешествия станут проще и дешевле. Если не управлять, это может противодействовать сокращению заторов. Кроме того, эффекты варьируются в зависимости от времени суток, местоположения и демографии пользователей. Традиционные статические модели трафика не подходят для захвата этой динамики. Следовательно, исследователи и транспортные власти разрабатывают и используют передовые модели моделирования - часто основанные на агентах или модели динамики системы - которые могут представлять индивидуальные решения путешественника, сетевые условия в реальном времени и политические вмешательства.

Эти модели позволяют городам отвечать на критические вопросы: как различные структуры ценообразования повлияют на выбор режима? Что произойдет, если внедрение MaaS достигнет 30% или 60%? Какие области увидят наибольшее облегчение заторов, а где могут усугубиться проблемы? Без моделирования города рискуют принимать многомиллионную инфраструктуру и политические решения на основе догадок.

Ключевые модели и параметры

Моделирование влияния MaaS на городской трафик обычно включает в себя комбинацию подходов. Наиболее распространенными являются агентные модели (ABM), которые имитируют поведение отдельных «агентов» (путешественников), которые имеют предпочтения, ограничения и способности к обучению. Другой подход - системная динамика, которая моделирует петли обратной связи между переменными, такими как спрос на поездки, перегруженность и доступность режима. Независимо от метода, несколько ключевых параметров необходимы для построения реалистичного моделирования.

Ставки усыновления пользователей

Как быстро и широко жители принимают MaaS? Этот параметр не фиксируется - он зависит от таких факторов, как осведомленность, удобство использования приложений, ценообразование и доступные режимы. Модели часто включают кривые диффузии (например, S-кривые) для моделирования принятия с течением времени. Анализ чувствительности тестирует сценарии с медленным, умеренным и быстрым поглощением. Например, исследование MaaS в Швеции показало, что на темпы принятия сильно влияют доступность бесшовных платежей и планирование поездок, а также воспринимаемая надежность общих режимов.

Модные шаблоны Shift Patterns

MaaS поощряет переход от частных автомобилей к общественному транспорту. Но не все сдвиги равны; некоторые пользователи могут переходить с автобуса на велосипед без сокращения дорожного движения, другие - от автомобиля к езде на велосипеде, что, если не объединить, все еще может способствовать перегруженности. Модели должны фиксировать переходы в режиме и их чистое влияние на пройденные мили транспортных средств (VMT). Эмпирические данные из ранних реализаций MaaS и заявленные опросы предпочтений помогают калибровать эти параметры.

Длина поездки и частота

Удобство MaaS может повлиять как на продолжительность, так и на количество поездок. Пользователи могут совершать больше поездок или комбинировать поездки по-разному (например, разделяя одну поездку на поезд и сегмент совместного использования велосипедов). Модели должны учитывать индуцированный спрос: возможность того, что более легкая мобильность генерирует дополнительные поездки, частично компенсируя преимущества смены режима. Реальные примеры из исследований по езде на велосипеде показывают, что индуцированный спрос может быть значительным, поэтому игнорирование этого приведет к чрезмерно оптимистичным прогнозам.

Сетевой потенциал и инфраструктура

Существующие транспортные сети имеют конечную пропускную способность. Когда MaaS добавляет новые режимы (например, электронные скутеры) или увеличивает использование других (например, велосипедные дорожки), способность сети обрабатывать эти изменения имеет решающее значение. Модели включают в себя дорожные и транзитные возможности, а также наличие выделенных велосипедных дорожек, зон парковки скутеров и зон посадки / высадки на скутере. Без таких деталей моделирование может упустить узкие места, которые могут свести на нет потенциальные выгоды.

Моделирование различных сценариев

После того, как модель построена и откалибрована, исследователи запускают несколько сценариев для изучения будущих возможностей. Типичные сценарии включают:

  • Базовый сценарий: Нет платформы MaaS; текущие модели путешествий сохраняются.
  • Сценарий низкого уровня принятия: 10-20% путешественников используют MaaS, что оказывает ограниченное влияние на смену режима и частоту поездок.
  • Сценарий высокого усыновления: 50% или более, часто связанный с агрессивной поддержкой политики (например, ценообразование на перегруженность, налоги на парковку).
  • Сценарии вмешательства в политику: Комбинации MaaS с такими мерами, как динамические цены на поездки, выделенные автобусные полосы или субсидии для поездок на велосипедах.

Некоторые исследования также имитируют пространственные изменения - например, внедрение MaaS только в центре города по сравнению с метрополией. Результаты включают изменения в объемах трафика по ключевым коридорам, среднее время в пути, уровни выбросов и общие показатели доступности. Эти результаты направляют лиц, принимающих решения, в определении приоритетов и выявлении непреднамеренных последствий.

Например, моделирование MaaS в Хельсинки (в рамках пилотного проекта Whim) показало, что если MaaS достигнет значительного внедрения, использование частных автомобилей может сократиться до 20% во внутреннем городе, что приведет к 10%-ному сокращению выбросов CO2. Однако в том же исследовании отмечалось, что без дополнительных политик транспортные средства с прицепом могут увеличить отсев (пустые поездки) до 15%, частично компенсируя преимущества перегруженности. Такие результаты подчеркивают необходимость комплексного планирования.

Анализ потенциальных результатов: преимущества и риски

Моделирование исследований последовательно указывают на несколько потенциальных положительных результатов, но также подчеркивают важные риски и компромиссы.

Уменьшение частной собственности и использования транспортных средств

Одним из наиболее цитируемых преимуществ является сокращение частных поездок на автомобиле. Когда MaaS делает мультимодальные поездки такими же удобными, как вождение, многие пользователи предпочитают не владеть автомобилем или использовать его меньше. Это приводит к меньшему количеству транспортных средств на дороге в часы пик, снижая заторы. Исследование 2021 года из Сиднейского университета показало, что полностью интегрированная система MaaS может снизить плотность трафика в городских ядрах на 15-25%.

Более низкие выбросы

При меньшем количестве поездок на частных автомобилях и большем использовании электрического общественного транспорта и общих велосипедов выбросы в городах могут снижаться. Однако это преимущество условно: если транспортные средства с приводом от езды на велосипеде работают на бензине и часто ездят пустыми между поездками, чистый эффект может быть небольшим. Модели, которые учитывают состав парка и заглушение, обеспечивают более точные прогнозы.

Проблемы справедливости

Платформы MaaS являются цифровыми и требуют смартфонов и кредитных карт, потенциально исключая население с низким доходом и пожилых людей. Кроме того, если услуги по прокату автомобилей преимущественно обслуживают богатые районы, существующее неравенство может ухудшиться. Модели, которые включают демографические распределения, могут подчеркнуть, в каких областях наблюдается улучшение мобильности, а в каких нет, что позволяет получать целевые субсидии или дополнительные услуги.

Спрос и обратный эффект

Как уже упоминалось, удобство MaaS может стимулировать более частые поездки или более длинные расстояния. Например, человек, ранее путешествующий на автобусе, может переключиться на поездку на железнодорожном вокзале, добавив поездку на транспортном средстве. Или велосипедный доль может заменить пешеходную поездку, а затем вызвать новую поездку на автомобиле. Модели, которые игнорируют эту динамику, могут завышать преимущества. Включение коэффициента отскока (часто 10-20% от первоначального сокращения теряется) дает более реалистичные результаты.

Влияние на общественный транзит

MaaS часто позиционируется как дополнение к общественному транспорту, обеспечивая связь первой/последней мили. Однако это также может привести к каннибализации транзитного движения, если люди переключаются с автобусов на более дешевые общие поездки. Моделирование может помочь определить условия, при которых транзитное движение стабилизируется или снижается, направляя интеграцию тарифов и решения о маршрутизации.

Последствия и рекомендации для политики

Некоторые рекомендации, которые обычно появляются, включают:

  • Цены на перегрузки: Зарядка для использования на дорогах, особенно в плотных районах, может сделать частные поездки на автомобилях менее привлекательными и подтолкнуть пользователей к вариантам MaaS. Модели могут тестировать оптимальные уровни цен и зоны.
  • Выделенные полосы движения и инфраструктура: Обеспечение приоритетных полос движения для автобусов, велосипедов и транспортных средств с высокой заполняемостью гарантирует, что общие режимы остаются быстрыми и надежными, поощряя смену режима.
  • Интеграция с общественным транзитом: субсидии MaaS для транзитных поездок или интегрированных ежемесячных пропусков могут усилить взаимодополняемость, а не конкуренцию.
  • Мандаты на обмен данными: Чтобы поддерживать точность моделей, городам необходим доступ к данным платформы MaaS (защищенным от конфиденциальности).
  • Прогрессивные цены на поездки: Динамические сборы в зависимости от времени и местоположения могут уменьшить отсрочку и препятствовать поездкам без пула в часы пик.

Например, в рамках модельного исследования в Сингапуре была проверена комбинация MaaS с зарядом заторов на расстоянии. Моделирование показало, что эта комбинация политик может сократить объемы трафика на 18% при одновременном увеличении средней скорости на 12%. Такие данные помогают создать общественную и политическую поддержку потенциально спорных мер.

Проблемы и ограничения современных усилий по моделированию

Несмотря на свою мощь, модели трафика для MaaS сталкиваются со значительными проблемами. Во-первых, качество и доступность данных: MaaS относительно новы, а долгосрочные поведенческие данные скудны. Модели часто полагаются на опросы, пилотные исследования или предположения, полученные из аналогичных сервисов (таких как Uber или Lyft), которые могут не передаваться непосредственно в интегрированный контекст MaaS.

Во-вторых, поведение человека адаптивно и часто иррационально. Модели, основанные на экономической рациональности, могут не фиксировать привычки, нежелание переключаться режимы или проблемы доверия. Передовые ПРО включают психологические факторы, но они являются интенсивными и дорогостоящими с точки зрения вычислений.

В-третьих, транспортный ландшафт постоянно развивается — новые технологии транспортных средств, изменение землепользования и непредвиденные события (например, пандемии) быстро меняют модели поездок.

В-четвертых, проблема прозрачности и воспроизводимости моделей вызывает озабоченность. Многие модели являются проприетарными или слишком сложными, чтобы их могли полностью понять все заинтересованные стороны. В этом могут помочь механизмы моделирования с открытым исходным кодом и стандартизированные контрольные показатели.

Наконец, моделирование само по себе не может заменить эксперименты в реальном мире. Многие города проводят пилотные программы наряду с их работой по моделированию. Сочетание моделирования и полевых испытаний обеспечивает наиболее прочную основу для принятия решений.

Тематический анализ: Венская симуляция MaaS

Вена является одним из нескольких европейских городов, которые широко моделировали потенциальное влияние MaaS. Его агентство по мобильности Wiener Linien в партнерстве с исследователями разработало агентскую модель столичного региона, населённого синтезированными профилями путешественников на основе данных переписи и опросов о поездках. Они смоделировали внедрение новой платформы MaaS (на основе существующего приложения WienMobil) с различными уровнями цен, политикой парковки и инвестициями в общественный транспорт.

Исследование показало, что платформа MaaS, предлагающая «подписку на мобильность» (месячная плата за неограниченный общественный транспорт плюс определенное количество поездок на велосипеде и велосипедных долей), может сократить частные поездки на автомобилях на 25% во внутреннем городе. Однако модель также выявила потенциальное увеличение доли велосипедов на 30%, что потребует расширения велосипедной инфраструктуры. Город использовал эти результаты для обоснования новой супермагистрали цикла и для калибровки цен на план подписки. Случай иллюстрирует, как моделирование может обеспечить действенное, пространственно конкретное руководство.

Заключение

Моделирование влияния MaaS на городской трафик - это не просто академическое упражнение - это критически важный инструмент для навигации по переходу к более устойчивому и справедливому транспорту. Путем моделирования принятия пользователем, смен режимов, моделей поездок и сетевых ограничений города могут предвидеть как возможности, так и подводные камни интегрированных платформ мобильности. Сильные методы моделирования, основанные на реальных данных и прозрачных методологиях, позволяют планировщикам разрабатывать политику, которая максимизирует облегчение заторов, сокращение выбросов и увеличение доступности, смягчая непреднамеренные последствия, такие как вызванный спрос и разрыв в справедливости.

По мере того, как платформы MaaS продолжают развиваться и распространяться, также должны развиваться и модели, лежащие в основе их управления. Города, которые инвестируют в надежные возможности моделирования, поддерживаемые системами управления данными, такими как Directus , которые могут интегрировать различные источники данных, будут лучше позиционироваться для принятия обоснованных решений. Путь к бесшовной, общей мобильности сложен, но при тщательном моделировании и адаптивном принятии решений городской трафик не должен быть жертвой этого прогресса.