Förseningar utgör en del av resenärernas uppoffring. Hypotesen är att när förseningarna blir för frekventa och för stora kan det påverka efterfrågan på tågresor. Om resenärerna inte kan lita på tåget finns det en risk att andra färdmedel väljs i stället eller att resandet uteblir. Detta kan tyckas självklart ändå finns det nästan inga kvantitativa analyser av hur mycket förseningarna i tågtrafiken påverkar efterfrågan. Detta projekt syftar till att få fram sådana samband. Med detta projekt går det även att få fram hur andra faktorer påverkar efterfrågan såsom restid, turtäthet och pris vilket också nödvändigt för att kunna särskilja effekten av förseningarna.
Syftet är att hitta samband mellan förseningar och efterfrågan på tågresor d.v.s. hur mycket minskar tågresandet när förseningarna ökar? En metod att få fram detta är att använda tidsserieanalys. Vi har gjort detta genom att kombinera följande data som KTH har tillgång till i kombination med statistiska metoder för tidserieanalys.
· KTH utbudsdatabas med restider, turtäthet och priser för olika linjer och produkter 1990-2020
· Trafikverkets databas över förseningar 2001-2020 per linje t.ex. andel tåg i tid inom 5 min och medelförsening
· Databas från SJ, Trafikhuvudmän och privata operatörer över efterfrågan per linje eller trafiksystem 1990-2020
· Makroekonomiska data såsom privat konsumtion
· Befolkningsutveckling längs linjerna
· Bilinnehav och bensinpriser
Med hjälp av tidserieanalys kan man få fram hur mycket varje faktor bidrar till utvecklingen av efterfrågan på tågresor. Syftet är således att kunna skilja på effekten av kortare restid, ökad turtäthet, ändrade priser och förseningar. För de flesta variabler finns data för perioden 1990-2020 men för förseningar 2001-2020.
Ett stort antal mått på förseningar har tagits fram t.ex. andel försenade tåg inom 5 min (RT+5) och medelförsening för försenade tåg samt andel inställda tåg. Ett nytt mått på har tagits fram i form av antal förseningsminuter per 1000 tågkilometer. Ett stort arbete har lagts ned på att bearbeta förseningsdata från Trafikverkets LUPP-data för att få dem per linje (ca 50 linjer i Sverige) och produkt (snabbtåg, regionaltåg etc.). Bearbetningen visar på stora förseningar under 2010-2011 p.g.a. vinterproblemen och 2018 p.g.a. den varma sommaren. Den bästa punktligheten var det 2004 och 2019 samt 2020. 2020 har dock inte används i tidserieanalysen eftersom efterfrågan var onormal p.g.a. coronapandemin.
Det mått som hittills har gett bäst resultat är medelförsening för tåg som är mer än 5 minuter försenade (RT+5). Med hjälp av tidserieanalys har en elasticitet beräknas mellan medelförsening RT+5 och antalet personkilometer med fjärrtrafik. Elasticiteten blev -0,6 vilket innebär att om medelförseningen ökar med 10% så minskar efterfrågan i personkilometer med 6%. Det innebär t.ex. om ett snabbtåg i medeltal är 20 minuter försenat för RT+5 (typiskt värde för snabbtåg) och medelförseningen ökar till 24 minuter eller med 20% så kommer efterfrågan att minska med 0,6*20=12%. Detta stämmer också väl med de observationer vi har. Med hjälp av den resandestatistik som vi har och ett tidsvärde samt värderingen av förseningstid jämfört med restid (enligt ASEK 3,5) kan man beräkna resenärernas förluster i form av tidskostnad. Den totala kostnaden per år kan också beräknas.
Stockholm: KTH Royal Institute of Technology, 2022. , p. 100
Passenger transports, railway, delays, demand, time serie analyses