The correlation between journey time by train and the train’s share of the rail-air market has been presented in several reports in the form of a curve, in particular when it comes to elucidating the effect of high-speed trains in Europe. The correlation has been proved to be stable in comparisons between different studies. When journey time by train is four hours, rail and air have the same market share, when the journey time is three hours the train dominates, and for a journey time of two hours the train can often replace air travel.

The development of this correlation over time, however, is not as well known. The aim of this study was therefore to analyse changes in the train’s journey time and market share over time and also investigate whether the curve has changed. A further aim was to study the development from Stockholm to different county groups at varying distances and with different supplies. The period from 1982 to 2009 has been studied, with data from SJ (Swedish Rail) and LFV (Swedish Air Navigation Services) and KTH’s database of supplies and prices as the foundation. 

Journey time and market share from Stockholm to all regions in the whole of Sweden are shown in the figure at the top of the next page. The result is that the train’s market share fell from 67% to 46% between 1982 and 1990. It then gradually increased to 58% in 2006. It then increased rapidly, reaching 67% in 2009, while air travel fell to 33%. The market shares were thus the same is 2009 as in 1982 but much had happened in the years in-between.

The average journey time by train was almost constant throughout the 1980s but fell substantially between 1990 and 1998 when high-speed trains were introduced and subsequently remained constant until 2005. Journey times fell somewhat between 2005 and 2009. The market share follows journey time relatively well during the 1990s. Between 2005 and 2009 rail’s market share showed a strong increase without any appreciable shortening of journey times. Development during this period is probably due to lower prices for train journeys and the increasing importance of the environment when choosing a mode of transport as a result of the climate crisis.

As regards changes to the curve, development can be divided into three phases: 1982-1992 when air travel expanded, 1992-2005 when the high-speed train was introduced and 2005-2009 when rail increased rapidly, Between 1982 and 1992 the curve was pressed vertically straight down by 15-20 percentage points, i.e. journey time by train was almost constant but market share declined, probably as a result of greater frequency of service and lower prices for air travel. The converse applies during the 2005-2009 period, with many points on the curve moving straight up by 10-15 percentage points, i.e. the train’s market share increased but journey times were roughly constant, this time probably due to lower prices for train journeys and the environment’s growing importance.

The curve and the shifting of the points during the 1992-2005 period are shown in the figure at the bottom of the next page. Here, the development follows the classic pattern: the train’s journey times become shorter through the establishment of the X 2000 high-speed train and rail’s market share increases at the expense of air travel. The development was also influenced by the opening of Bromma Airport for competing air traffic in 1994, the incidents of 11 September 2001 and the establishment of low-cost air travel in Swedish domestic traffic in 2003.

All in all, over the whole of the 1982-2009 period, the curve shifted so that the train’s market share is lower for long-distance journeys where air travel dominates today, has been relatively constant on medium-distance journeys where a strong competitive situation continues to prevail and where the train’s journey times have become shorter, and air travel’s market share has fallen for short-distance journeys where the train is in a dominating position today.

Delays and traffic interruptions have become increasingly common in the railway system due to extreme weather as a result of the climate crisis, increased traffic and overdue maintenance. This report analyses both major traffic interruptions lasting more than 24 hours and major delays of more than one hour in passenger and freight traffic.

Major traffic interruptions lasting more than 24 hours

Major traffic interruptions are interruptions to traffic where the line cannot be used for train operation for at least 24 hours. Between 2000 and 2015, 53 major traffic interruptions were identified in passenger traffic. They comprised a total of 289 days or 5,694 hours. This gives an average of 3.3 interruptions a year that lasted approximately 5 days and that affected approximately 200 passenger trains. In about 60% of cases, passenger trains were diverted.

There are two main reasons for the increase in major traffic interruptions: extreme weather conditions due to climate change and derailments as a result of increased traffic and overdue maintenance. Examples of extreme weather conditions include torrential rain during 2000, hurricane Gudrun in 2005 and the snowy winters of 2010 and 2011. Derailments reached an exceptional peak in 2013-2014. The number of major traffic interruptions seems to have fallen dramatically during 2015, probably as a result of the measures taken by the Swedish Transport Administration. Most years, just as many major traffic interruptions occur in passenger traffic as in freight traffic, i.e. the same traffic interruptions affect passenger traffic and freight traffic to varying degrees.

The biggest cause of traffic interruptions was derailment, accounting for 50% of traffic interruptions in passenger traffic and somewhat more in freight traffic, see Figure 2. About 30% were a result of a storm or a natural disaster. The second most common cause was fire on board the train or alongside the track with 8%. Signal faults accounted for 5% and collisions on the railway or at level crossings for 1-2%. Note that the figures only include accidents that lead to interruptions lasting 24 hours and that accidents at level crossings are the most common type of accident but generally lead to only relatively short interruptions.

Regarding derailments, better maintenance is naturally of crucial importance, but better inspection of the track so that faults and defects can be detected in time is also important. It is thus a matter of taking action throughout the chain with preventive maintenance, inspection of the track, and remedial maintenance before interruptions occur.

In recent years the Swedish Transport Administration has as a preventive measure reduced the permitted speed on those lines where maintenance is overdue and also temporarily closed certain branch lines to traffic entirely. This has meant less risk of derailment and traffic interruption but at the same time a new kind of disruption in the form of reduced function. This is not regarded as a traffic interruption in this study, but is an indication of the need to further develop functional measures of accessibility on the railway network.

Major delays longer than one hour

Major delays can be defined in different ways. Here we have chosen to define major delays in passenger traffic as delays longer than 60 minutes for the following reasons:

·         In the case of a delay longer than an hour, travellers risk being so delayed that their journey is rendered pointless or that the benefit from the journey is severely limited.

·         Frequency of service in many interregional and regional systems is a train an hour and with an hour’s delay the traveller might just as well have taken the next train.

·         A delay longer than an hour may disturb the train circuits so that other trains are also delayed, causing additional costs for operators and travellers.

While delays in passenger traffic are normally measured in minutes, requirements as regards freight traffic vary from one hour to some days. Even if freight customers can sometimes handle delays of a few hours, they involve an additional cost to the operator in the form of overtime, etc. The fact that delays occur as frequently as they do also means that the need for locomotives and rolling stock must be dimensioned with greater margins, which also increases costs. In this report we have therefore chosen one hour as the limit for both passenger and freight traffic.

Freight traffic accounts for most of the major delays: 82% of events and 86% of the delay time. If we consider that roughly three times as many train-kilometres were driven in passenger traffic as in freight traffic, the distribution is then 60% of events and 67% of the delay time in passenger traffic.

As can be seen from Figure 3, the number of delay hours is much higher for freight traffic than for passenger traffic for all causes. Figure 4 shows the share of delay hours where infrastructure is the biggest cause in passenger traffic, while railway companies are the primary cause of the major delays for freight trains. For both passenger and freight trains, accidents/incidents are the second biggest cause of major delays.

Figure 5 shows the distribution per time interval. In the case of passenger trains, the total delay time becomes shorter the longer the delay lasts, while the freight trains generally have relatively speaking more delay time in the longer interval and a peak between 6 and 12 h.

The average delay time can be seen in Figure 6. There is no great variation between different causes but here again freight trains show more than passenger trains. The average delay time for delays over an hour is 2:29 for freight trains and 1:54 for passenger trains.

A more detailed analysis has been made of the causes and a new grouping made of delays by possibility to affect them. The Railway companies group includes factors they can affect or take responsibility for, together with Train and work movement from accidents because it principally concerns the operator’s safety. The Train operation/consequential causes group includes Late from depot, Disturbed by other train from operations management, and Late from abroad or other infrastructure manager. Infrastructure is the same as on level 1 and contains such factors that the Swedish Transport Administration controls.

The Accidents and natural events group has been restricted to such factors that the Swedish Transport Administration or the railway company cannot affect. These are the codes Human, Natural events and Animals.

Individual distribution by cause for freight trains, passenger trains and all trains can be seen in Figure 8. Infrastructure is the major cause in the case of passenger traffic, Electrical installations being the predominant cause with 21%. Accidents and natural events are very significant as regards passenger traffic, with 29% of the delay hours, while this category accounts for 10% in the case of freight traffic.

Railway companies are the biggest cause in freight traffic with 37% of the delay time, Late from depot being the predominant cause with 16%. Infrastructure faults are also very significant with 22%, the most common cause being Electrical installations. 

Passenger traffic thus has a relatively high share of infrastructure-related causes, in particular as regards electrical installations and signal installations. The fact that the passenger trains produce a greater number of train-kilometres is important, since risk increases the longer the distance driven. Almost three times as many train-kilometres were driven in passenger traffic as in freight traffic in 2014.

Putting the number of train-kilometres in relation to the number of delays lasting longer than an hour, a freight train can travel approximately 3,000 kilometres before it is subject to an extra delay of more than an hour. A passenger train can travel an average of 42,000 kilometres before being subject to a delay of more than an hour. The risk of being delayed by more than an hour is thus 14 times higher for freight trains.

One conclusion that can be drawn is that long delays in the case of passenger traffic are due to external factors in the form of overhead wire faults, people on the tracks, storms and being disturbed by other trains to a greater extent than in freight traffic. Such causes are difficult for the railway companies to influence directly and can only be influenced to a degree by the Swedish Transport Administration.

Regarding freight traffic, Late from depot or to/from abroad and also Disturbed by other train are very significant and can in some cases be considered internal factors over which the railway companies themselves can exert some degree of control. The fact that Late from depot has such great impact is on the other hand an indication of the need for more flexible timetable planning and operative management of freight traffic.

Proposals for statistics and follow-ups

Statistics and regular follow-ups are needed of major traffic interruptions lasting more than 24 hours. The Swedish Transport Administration should create procedures and a database for this purpose. The major delays of more than an hour should be analysed once a year by finding the most important causes of major delays directly on level 2, ranked by magnitude. The statistics should differentiate between traffic interruptions of longer than 24 hours, major delays of longer than 1 hour, and minor delays and show punctuality and cancelled trains as specific items. 

Studies should be made of travellers’ valuations of major delays and traffic interruptions that can be used in socio-economic calculations. Case studies should be made by calculating the socio-economic cost of some typical major traffic interruptions and delays.

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.

I projektet ”Förseningarnas påverkan på efterfrågan av tågresor – en tidsserieanalys” togs samband fram om hur punktligheten i tågtrafiken påverkar efterfrågan på resor. Detta samband var i form av en elasticitet (e) mellan förseningar och efterfrågan. Mest signifikant blev sambandet mellan förändringen av den genomsnittliga förseningen i minuter för tåg som är mer än 5 minuter försenade och efterfrågan i personkilometer. Elasticiteten för fjärrtåg blev – 0,6 vilket innebär att om medelförseningen i minuter för de tåg som är mer än 5 minuter försenade ökar med 10 % så minskar efterfrågan med 6 %, i detta fall antalet personkilometer med tåg under ett år.

Från Trafikverket har efterfrågats samband mellan genomsnittsförseningen för alla tåg och efterfrågan och inte bara för tåg som är mer än 5 minuter försenade. En anledning till detta är att detta mått används i samhällsekonomiska kalkyler. Från branschen finns önskemål om ett samband mellan andel försenade tåg som är mer än 5 minuter och efterfrågan då det är det vanligaste måttet som används för förseningar. 

Medelvärden för de olika måtten beräknats för åren 2001-2020 för olika linjer och sedan har relationen mellan dem beräknats. För alla tåg på Trafikverkets nät är medelförseningen 15,5 minuter för RT+5 min och 1,6 minuter för alla tåg. Med index 100 för medelförseningen i minuter för RT+5 blir index för alla tåg 10. Andelen försenade tåg är 0,55 av medelförseningen i minuter för RT+5.

För snabb- och fjärrtåg (långdistans) är medelförseningen för alla tåg 25 % av medelförseningen för RT+5 min och andelen försenade tåg har kvoten 1,05 d.v.s. ungefär lika med medelförseningen i minuter för RT+5 min.

För regionaltåg (medeldistans) är medelförseningen för alla tåg 12 % av medelförseningen för RT+5 min och andelen försenade tåg har kvoten 0,66 d.v.s. två tredjedelar av medelförseningen i minuter för RT+5 min.

För pendel- och flygtåg (kortdistans) är medelförseningen för alla tåg 8 % av medelförseningen för RT+5 min och andelen försenade tåg har kvoten 0,55 d.v.s. ungefär hälften av medelförseningen i minuter för RT+5 min.

Detta är naturligt då tåg som går långt har en större andel förseningar över 5 minuter och får då både längre medelförseningar och större andel försenade tåg genom att risken för att råka ut för en störning blir större ju längre man kör.

I den tidigare tidsserieanalysen testades ett stort antal kontrollvariabler för utbud och socioekonomiska faktorer. Det var emellertid få som fick genomslag, huvudsakligen var det privat konsumtion och turtäthet. I detta fall har vi valt att inte testa så många variabler utan huvudsakligen analyserat hur medelförseningen för alla tåg och andelen försenade tåg påverkar efterfrågan.

Ett stort antal tidserieanalyser har körts fram för de olika variablerna. Vi har valt ut de som är mest signifikanta. Därefter har dessa kalibrerats mot faktiska data på ett antal järnvägslinjer med olika karaktär: Snabbtåg Stockholm-Göteborg, regionaltåg Gävle-Ljusdal, och pendeltågen på Östgötapendeln. Ett problem med tågtrafiken är att den ökat så snabbt att det ofta är svårt att se förseningarnas påverkan enskilda år. Vi har därför valt att analysera utvecklingen under den svåra vintern 2009-2010 där man kan se en tydlig förändring av förseningarna och efterfrågan. Vi har sedan valt de elasticiteter som både är signifikanta och stämmer bäst med den faktiska utvecklingen.

Samband mellan förändringen av medelförsening för alla tåg och förändringen av efterfrågan. Vi får en elasticitet i storleksordningen -0,14 vilket kan jämföras med -0,6 för sambandet med medelförseningen för försenade tåg RT+ 5 min. Det innebär att om medelförseningen för alla tåg ökar med 10 % så minskar resandet med 1,4 %. Det ser också ut att finnas en tendens att regionaltåg och pendeltåg har en liknande elasticitet som fjärrtåg. Regionaltåg får -0,151 och pendeltåg -0,129 jämfört med fjärrtågens 0,141. En elasticitet på 0,141 för alla produkter och ett T-värde på 9,01 och med 950 observationer som grund är det säkraste.

Samband mellan medelförseningen i minuter för alla tåg och förändringen av efterfrågan

Resultatet blir en koefficient som i genomsnitt för alla tåg blir 0,044. Det innebär att om medelförseningen i minuter för alla tåg ökar med en minut så minskar efterfrågan i personkilometer med 4,4 %. Regionaltåg och pendeltåg har en högre koefficient än fjärrtåg. Regionaltåg får -0,073 och pendeltåg -0,160 jämfört med fjärrtågens 0,026. Det förklaras av att för pendeltåg och regionaltåg får de mindre förseningarna större betydelse som delvis skalas bort om man enbart räknar medelförseningen för förseningar mer än 5 minuter.

Samband mellan andelen försenade tåg mer än 5 minuter och förändringen av efterfrågan.

Vi får en koefficient i storleksordningen -1,0 vilket kan jämföras med elasticiteten -0,6 för sambandet med medelförseningen för försenade tåg RT+ 5 min. Detta är ju två olika mått – minuter och procent. Fjärrtåg får en koefficient på -1,07 liksom för alla produkter verkar dock rimlig och har hög signifikans och bygger på mycket data. Även här finns en tendens till att regionaltåg och pendeltåg får en högre elasticitet med -1,43 för regionaltåg och -2,50 för pendeltåg. Det kan också vara naturligt då variationerna bli mindre i andel försenade tåg för dessa tåg som ligger närmare 90 % punktlighet.

Tabeller har tagits fram för effekterna av de olika elasticitetstalen på efterfrågan för olika produkter. Tabellerna anger värden inom elasticiteternas ungefärliga giltighetsområde där värden över storleksordningen 30 % inte är sannolika.

För andel försenade tåg är värden upp till 20 procentenheter möjliga åtminstone för fjärrtåg där de låg på denna nivå 2010. För regionaltåg är värden över 15 procentenheter inte sannolika då de normalt ligger på 85 % och vid en förbättring inte kan komma över 100 % liksom för pendeltåg som normalt ligger på 90-95 %.

Medelförseningen för alla tåg ligger normalt mellan 0,5 och 6 minuter varför förändringar över 10 minuter inte är sannolika för fjärrtåg. För pendel- och regionaltåg är de mindre än 2-4 minuter.

Förändringen av medelförseningen i minuter för försenade tåg RT+5 är inte lämplig att använda för pendel- och regionaltåg där en stor andel av förseningarna är mindre än 5 minuter. Därför har dessa värden gråmarkerats i tabellen.

Förändringen i % av medelförseningen i minuter för alla tåg går däremot att använda för alla produkter och ger rimliga värden upp till 150 %.

Observera att elasticiteterna avser årsvärden på punktlighet och efterfrågan och att större variationer kan förekomma under åren samt att särskilt för fjärrtrafik det kan finnas en fördröjning ”lag” så att efterfrågan inte återgår till den normala förrän efter fler år även om punktligheten förbättras. Eftersom data innehåller både försämringar och förbättringar av punktligheten bör sambanden även kunna användas för att beräkna effekterna av förbättrad punktlighet.

Bakgrund

Ett problem när man ska göra prognoser är att ta fram detaljerade data över såväl befolkning och dess regionala fördelning som trafiknät och utbud av kollektivtrafik. Nedbrytning av regionala prognoser kräver stora resurser och det är dessutom svårt att veta hur den framtida regionala strukturen kommer att utvecklas. Vill man beskriva utbudet i den form som prognosmodellerna kräver måste varje linje kodas in. Det säger sig självt att det är svårt att veta, eller ens föreställa sig, exakt hur en viss regional busslinje trafikeras år 2050 och vilken turtäthet och pris det ska vara.

Behovet av att göra scenarier med olika utvecklingsinriktning har ökat bl.a. som följd av klimatkrisen, som för att lösas inte bara kräver teknikutveckling utan även beteendeförändringar. Prognosmodellerna måste då kunna spegla inte bara marginella förändringar utan även systemförändringar i transportsystemet och den regionala strukturen.

Syfte

Syftet med detta projekt är föreslå en metod att ta fram indata till prognoser på ett generaliserat sätt som kan användas för att beskriva scenarier med olika inriktning, i första hand för persontransportprognoser. Denna metod ska huvudsakligen användas för förenklade långsiktiga prognoser från 20 år och framåt samt även för back-casting under lika lång period för att kontrollera prognosbarheten i modellerna. En fördel med den metod som föreslås är också att den resulterar i färre modeller med färre områden vilket betydligt snabbar upp och förenklar användandet av dem.

Denna metod är tänkt att var ett komplement till de konventionella prognosmodellerna som Sampers och användas förkänslighetsanalyser större systemförändringar i samhället och transportsystemen på övergripande nivå och inte i enskilda länkar.

Metod

En regional indelning som föreslås användas är en indelning efter tätortsstorlek. En stor del av resebeteendet är relaterat till tätortstorleken, t.ex. ökar andelen inompendling med tätortsstorleken liksom kollektivreseandelen. Befolkningsutvecklingen har också i stor utsträckning styrts av tätorternas expansion med ett ökat antal stora tätorter med fler invånare och minskad befolkning i glesbygden och därmed ökad urbaniseringsgrad, se figur 1 och 2.

En gruppering efter tätortstorlek görs i sex tätortsregioner, förkortat kallade T-regioner, se tabell 1. Klassificeringen av tätorterna är gjorda med SCB:s tätortsindelning som bas. Genom att använda tätorterna som indelningsgrund kan man undvika olika administrativa indelningar (t.ex. kommun, län) som är mer oprecisa när det gäller resgenerering och som också ändras över tiden. Tätorten är en befolkningskoncentration som för lokala resor utgör vad kulturgeograferna brukar kalla en homogen transportyta och som för externa resor utgör en distinkt start eller målpunkt som är lätta att definiera i rummet.

En annan fördel med denna indelning är, förutom förklaringsvärdet, att man kan använda stickprovsdata för att få fram många variabler. De sex T-regionerna har ca 600 000 – 2 300 000 invånare och en riksomfattande resvaneundersökning med ett normalt urval kan därmed användas för att ta fram många variabler, vilket är svårare på läns- och kommunnivå där den minsta enheten har färre invånare.

Nedbrytning av befolkningsprognoser

Analyserar man befolkningsförändringarna historiskt så finns det dels en omfördelning mellan länen från norr till söder se figur 3, dels en omfördelning mellan glesbygd och tätorter och mellan tätorter till allt större tätorter, se figur 2. Detta kan man utnyttja när man ska göra scenarier för befolkningsutvecklingen. Befolkningsprognoser kan först göras på riks- och länsnivå med konventionella metoder som är väl utvecklade och sedan kan brytas ner till tätorter på T-region-nivå och ända ner till enskilda tätorter. Syftet är då inte att förutsäga exakt var folk kommer att bo eller arbeta utan att spegla olika strukturella förändringar.

I denna rapport har vi analyserat utvecklingen av nattbefolkningen men samma metod kan vara tillämplig på den förvärvsarbetande dagbefolkningen eller sysselsättningen, vilket skulle kunna analyseras i ett fortsättningsprojekt.

Utbudsprognoser

Infrastrukturen i form av vägnät och järnvägsnät samt utbudet i form av linjenät för tåg, flyg, buss och kollektivtrafiknät utgör en viktig del i prognossystemen, både för att föda modellerna med indata och för att presentera resultatet av prognoserna utlagda på trafiknäten. Det är belastningen på vägar, järnvägar och kollektivtrafiklinjer som i slutändan är dimensionerande för investeringarna.

Det är relativt lätt att koda in de nuvarande nätverken och utbuden, men desto svårare att göra prognoser för framtida utbudsförändringar särskilt i ett långsiktigt perspektiv. Särskilt svårt är det när man kommer till den lokala kollektivtrafiken i tätorterna. Oftast finns det ett särskilt lokalt kollektivtrafiknät i tätorter med mer än 25 000 invånare d.v.s. i ca 50 tätorter. Detta är nästan omöjligt att koda in på ett fullständigt sätt, beroende på att regionindelningen är för grov – även i Sampers regionala modell med 9 000 områden - och härtill hörande problem med att koppla samman linjenäten med zonerna där geografiska data finns.

Därför föreslås här olika metoder för utbudscenarier för lokala, regionala och interregionala resor, se figur 4 och 5. Vissa förenklingar föreslås också i modellsystemen, se vidare nedan.

För lokala resor föreslås att en modell görs på T-region-nivå för trafiken inom tätorterna med resgenerering, medelreslängder beroende på tätortsstorlek och färdmedelsfördelning beroende på kollektivtrafikstandard och bilinnehav samt socioekonomiska faktorer. Utbudet av kollektivtrafik kan beskrivas utifrån avstånd till hållplats och turtäthet från resvaneundersökningar. När det gäller utvecklingen av utbudet så kan man studera detta i form av utvecklingen av antalet vagnkilometer per invånare, se figur.

Man kan också stratifiera data för tätorter med högt utbud och tätorter med lågt utbud av bussar mätt i vagnkilometer per invånare, tätorter med och utan spårväg och tätorter med tunnelbana (=Stockholm). Mot bakgrund av detta kan modeller estimeras där kollektivtrafikens marknadsandel varierar. När sedan en prognos görs kan tätorter flyttas mellan dessa grupper för att spegla olika utbud.

Utvecklingen av bilinnehavsmodellen visade att det gick att ta hänsyn till tillgängligheten till kollektivtrafik när det gäller bilinnehavet och bearbetningen av resvaneundersökningen visade signifikanta skillnader i cykelandelen mellan tätorter med utbyggt cykelvägnät och sådana utan utbyggt nät. Det viktiga är att man kan spegla olika scenarier i ett långsiktigt perspektiv på aggregerad nivå, inte att man prognosticerar exakt vilken buss resenärerna åker med i en enskild tätort eller exakt vilken cykelväg man tar år 2050.

Det går även att spegla nya transportmedel som spårtaxi med förenklade modeller. Om man t.ex. ökar genomsnittshastigheten på kollektivtrafiken från 20 till 40 km/h och sätter en turtäthet på var 5:e minut skulle det kunna återspegla ett spårtaxisystem.

För den regionala trafiken föreslås en förenkling av modellsystemen genom att de fem[1] regionala modellerna slås ihop till en modell för hela Sverige med samma områdesindelning som Sampers interregionala modell, 682 område. Genom att de lokala resorna inom tätorterna görs i en särskild modell förlorar man inte så mycket i den geografiska upplösningen av de regionala resorna, se figur 7. Detta har tillämpats i Samvips och har fungerat bra. Det går inte att se några större skillnader i belastningen på länkarna när de är utlagda på de nationella nätverken.

För den regionala trafiken finns nätverk med linjer och utbud inkodat i Sampers och då kan det vara lämpligt att utgå från dessa. Eftersom den regionala trafiken är kopplad till noder och länkar kan man utgå från medelhastigheten och turtätheten på länkarna förutom priset för att resa. Resehastighet och turtäthet kan varieras på olika sätt, antingen med procentuella förändringar, eller med vissa nivåer t.ex. en viss minimihastighet och turtäthet.

För att göra en sådan prognos mer verklighetsanpassad så kan man välja ut relationer ur SCB:s pendlingsstatistik t.ex. med mer än 50 pendlare per dag i utgångsläget vilket sedan kan förändras i prognosläget. Man kan då variera turtätheten beroende på trafikunderlaget och också lägga ner linjer som får för få pendlare i ett visst scenario år 2050.

De interregionala resorna använder oftast samma nätverk som de regionala resorna. Eftersom huvudsyftet med de nationella prognoserna är att vara ett stöd den statliga infrastrukturplaneringen av just de interregionala nätverken och dessa också är mer överblickbara kan det vara värt att analysera dessa noggrannare. Åtminstone fram till 2025 finns det ganska konkreta planer på att bygga ut väg- och järnvägsnätet som också är inkodade i Sampers. Med lite fantasi kan man också föreställa en fortsatt utveckling av dessa planer till 2050. Det kan t.ex. vara ett utbyggt nät för höghastighetståg i Sverige eller en fullständig utbyggnad av ett motorvägsnät.

Ovanpå detta kan man sedan lägga generella förändringar. När det gäller vägnätet t.ex. att hastigheten på alla motorvägar höjs till 120 km/h. När det gäller järnvägsnätet t.ex. att resehastigheten på alla järnvägslinjer med interregional trafik ökar med 10% samtidigt som turtätheten på de stora linjerna ökar med 30% på grund av att fler operatörer kommer in på grund av avregleringen samtidigt som utbudet försämras på de mindre linjerna. Samma kan göras när det gäller flyget – ett ökat utbud på de större linjerna särskilt för utrikestrafik och ett minskat utbud eller nedläggning av mindre inrikeslinjer. Här kan också en anpassning ske av utbudet på flyglinjer som får konkurrens av höghastighetståg i en iterativ process.

Modellsystem

Slutresultatet skulle bli ett modellsystem med en enkel modell för lokala resor på T-regionnivå, en modell för regionala resor i stället för fem med samma regionindelning som Sampers interregionala modell samt Sampers interregionala modell i princip som den är med 683 områden, se figur 7. Om man önskar kan man också lägga till fasta matriser för utrikesresor eller en förenklad utrikesmodell.

Modellmässigt så kan man utgå från att man har en mycket bra databas över utgångsläget på tätortsnivå. De flesta socioekonomiska variablerna kan fås direkt från SCB på tätortsnivå för utgångsåret och även bakåt i tiden. Transportnätverken är kopplade till tätorterna genom att de utgör noder i nätverken och att det går länkar mellan tätorterna. Andra variabler går att koda på för varje tätort, så att man har en mer eller mindre fullständig databas för utgångsläget.

Utifrån detta går det att utarbeta scenarier med förändringar av olika variabler. Förändringar i utbudet kan göras på ett mer schabloniserat sätt med utgångspunkt från att man har relativt detaljerade data för utgångsläget. Det intressanta i en scenariobaserad prognosmodell är ju att kunna spegla konsekvenserna av vitt skilda utvecklingar i förhållande till en basprognos som kan betraktas som ”business as usual”.

Implementering

En implementering av en scenariobaserad prognosmodell kan göras med olika ambitionsnivå. Den enklaste är att använda nuvarande Sampers som den är och att göra nedbrytningen av befolkningsprognosen från län till T-region-nivå samt implementera generella utbudsförändringar. 

Ska man gå ett steg till är utvecklingen av en särskild modell för lokala resor en viktig del, då det möjliggör att beskriva scenarier för lokala resor på ett nytt sätt, samtidigt som det möjliggör en områdesindelning för regionala resor som är lika som för interregionala resor. Det sistnämnda steget möjliggör också att man kan ha en regional modell i stället för fem. Detta kräver dock en ny kalibrering av den regionala modellen. När detta väl är gjort så blir det också mycket enklare att köra flera scenarier.

En möjlighet att testa modellen är att köra den scenariobaserade prognosmodellen med samma förutsättningar som en basprognos i Sampers och sedan jämföra resultaten med Sampers. Ett nästa steg är att validera modellen genom att göra en baklängesprognos för år 1970 eller 1990. Detta är intressant forskningsprojekt i sig och möjliggörs genom att indata är mer schabloniserade än i de konventionella modellerna. Det ger också ett perspektiv på utvecklingen att analysera de ingående variablerna i modellen lika långt bakåt i tiden som man gör prognoser framåt i tiden. Exempel på indata för utvecklingen bakåt i tiden framgår av figur 11-14.

Förvaltning

När det gäller förvaltning av ett scenariobaserat prognossystem borde Trafikverket ha ett huvudansvar för detta. SCB borde ha ett ansvar för att statistik tas fram på såväl tätorts- som T-regionnivå. Det behöver säkerställas att framtida resvaneundersökningar kodas på tätortsnivå och att det finns en nyckel mellan Sams-områden och tätorter. När det gäller indata så kan dessa tas fram via forskare eller konsulter men förvaltas av Trafikverket, Trafikanalys eller annan myndighet.

  [1] Sverige är indelat i fem regioner. För region Skåne finns två varianter, en med Skåne och en med Skåne och Själland.

Utvecklingen av rangerbangårdarna

På 1970-talet rationaliserades vagnslasttrafiken och det s.k. knutpunktssystemet bildades där 30 bangårdar utgjorde basen. En del av dem var också nationella bangårdar som sorterade vagnar under vägen t.ex. Hallsberg och Ånge. Styckegodstrafiken hade också terminaler i dessa 30 knutpunkter och många hade också kombiterminaler. Denna struktur behölls fram till omkring år 1990 då styckegodstrafiken lades ned.

Under 1990-talet rationaliserades fjärrtågsplanen kraftigt, varvid antalet rangerbangårdar minskades i flera steg till 13. De flesta används numera som lokalbangårdar för växling av matartåg, medan det huvudsakliga rangeringsarbetet av fjärrgodståg görs i Hallsberg, Göteborg (Sävenäs) och Malmö. Hallsberg blev den stora nationella bangården efter en omfattande ombyggnad år 2004. År 2015 minskade antalet rangerbangårdar från 13 till 7.

Antalet industrispår har minskat från ca 1 200 år 1987 till ca 400 år 2014 och antalet terminallok har minskat från ca 440 år 1988 till ca 50 år 2014. Samtidigt har matartrafiken koncentrerats till färre platser, främst för att nå bättre lönsamhet, men ibland även för attindustrin har koncentrerats och transporter övergått till lastbil.

Även kombitrafiken koncentrerades till färre terminaler, men många nya kombiterminaler har tillkommit från omkring år 2000 framför allt som en följd av trafiken till Göteborgs hamn. Efter år 2010 har en stor del av inrikestrafiken lagts ned. Kombitrafiken använder sig i regel inte av rangerbangårdar dock med undantag för Green Cargo.

Det har således under de senaste decennierna skett en stor omstrukturering av järnvägens produktionssystem där vagnslasttrafiken minskat medan systemtågs- och kombitrafiken ökat. Vagnslasttrafiken har samtidigt utvecklats från att bestå av enstaka vagnar till större vagngrupper och vagnarna har blivit större genom en övergång från 2- till 4-axliga vagnar.

Prognoser för framtida produkter

KTH har i samarbete med Trafikverket tidigare gjort prognoser för det totala transportarbetet med fördelning på transportmedel för åren 2030 och 2050 och med alternativa fördelningar på järnvägens produkter: Vagnslast, systemtåg, kombitrafik och malmtrafik. Utifrån detta underlag har den mest troliga utvecklingen för samtliga transportmedels godstransporter tagits fram varvid det också har tagits fram en prognos för järnvägens produkter: Prognosen kan därvid ligga till grund för bedömningar av behovet av rangerbangårdar i framtiden.Den framtagna huvudprognosen visar utvecklingen med nu kända investeringar i järnvägar och utveckling av utbudet. Denna utveckling har kombinerats med en utvecklad kombitrafik och fler systemtåg, vilket ger ett minimibehov för rangering av vagnslasttrafik.

Det totala transportarbetet i förväntas öka från 91,2 miljarder tonkm år 2014 till 127,8 miljarder tonkm år 2030 och till 156,1 miljarder tonkm år 2050. Det innebär en ökningstakt 8på 2,1 % per år fram till 2030 räknat från år 2014 och 1,0 % per år mellan åren 2030 och 2050. Tillväxten för vissa tunga varuslag stagnerar, vilket förstärker skillnaden mellan utvecklingen för det hög- respektive lågförädlade godset.

Järnvägens transportarbete förväntas öka från 20,5 miljarder tonkm år 2014 till 28,9 miljarder tonkm år 2030 och till 33,8 miljarder tonkm år 2050, vilket motsvarar en ökningstakt på 2,2 % per år för perioden mellan åren 2014 och 2030, men endast 0,8 % per år mellan åren 2030 och 2050. Järnvägens marknadsandel förväntas uppgå till ca 25 %, dvs. ungefär samma nivå som för år 2014.

En omfördelning mellan Järnvägens produkter förväntas ske genom att framför allt kombitrafiken utvecklas mer, men även systemtågstrafiken ökar, vilket innebär att vagnslasttrafiken minskar. Det totala transportarbetet för vagnslasttrafiken minskar från 6,3 miljarder tonkm år 2014 till 5,1 och år 2030 och 4,4 miljarder tonkm år 2050. Vagnslasttrafikens andel av järnvägens transportarbete som var 31 % år 2014 förväntas år 2030 minska till 18 % och år 2050 till 13 %. Kombitrafiken ökar sin andel från 22 % år 2014 till 32 % år 2030 och 36 % år 2050. Systemtåg ökar sin andel från 24 % år 2014 till 31 % år 2030 och 2050.

Prognoserna för järnvägens produkter ligger till grund för en analys av trafikunderlaget för olika bangårdstrukturer i form av godsvolymer som ska till och från bangårdarnas omland. Tre olika bangårdstrukturer har analyserats: 8 bangårdar, som närmast motsvarar dagens struktur, 6 bangårdar med en viss spridning över Sverige och en mycket koncentrerad struktur med 3 bangårdar. Omlanden för bangårdarna har definierats på länsnivå, varvid trafikunderlaget i antal ton för vagnslast, systemtåg och kombi har beräknats. Detta ligger sedan till grund för beräkningar av behovet av vagnar som ska rangeras och antalet tåg som ska gå mellan bangårdarna.

Scenariot med 6 bangårdar ger en ganska balanserad fördelning av godsvolymerna mellan bangårdarna och ger också en bra regional spridning. Bangårdarna i Hallsberg, Göteborg (Sävenäs) och Malmö utgör basen och kompletteras med Borlänge och Gävle samt med en bangård i övre Norrland som på lång sikt kan ligga i Umeå. Hallsberg har förutom ett stort lokalt omland också en nodfunktion i det nationella nätet för att optimera nätverket och tågfyllnaden. Observera att det utöver dessa rangerbangårdar med respektive omland också alltid kommer att behövas lokalbangårdar för att hantera tåg.

Stora strukturförändringar har skett i järnvägens produktionssystem under de senaste decennierna dels på grund av förändringar i marknaden, dels som en följd av avregleringen. Nya operatörer har oftast valt att köra systemtåg och kombitrafik, medan Green Cargo väljer att alltmer integrera vagnslast och systemtåg och ibland även kombitrafik i sitt nätverk. Gränsen mellan vagnslast och systemtåg är också flytande. Framtida bangårdar bör därför dimensioneras för det sammantagna behovet av rangering av vagnslast- och systemtåg och i vissa fall även för kombitrafik när behovet finns.

Detta i kombination med en viss koncentration av bangårdarna och en marknadstillväxt innebär att godsvolymerna i bangårdarnas omland i de flesta fall ökar. Eftersom utvecklingen går mot större vagnar, mindre enstaka vagnlaster och större vagngrupper samt fler operatörer är dock kanske inte en traditionell rangerbangård med växlingsvall den bästa lösningen i framtiden.

En planbangård där växling kan ske med tåglok eller radiostyrt växlingslok kan vara ett bättre alternativ. En sådan bangård är också billigare att bygga och underhålla och är inte lika känslig för hårda vintrar då den är enklare att snöröja. Många nya eller ombyggda bangårdar i USA byggs som planbangårdar, bl.a. för att man vill ha bättre kontroll över vagnrörelserna.

Ett effektivt sätt att minska kostnaden för kunderna och öka kapaciteten på banan är att köra längre tåg. De framtida bangårdarna bör anpassas till den standard som därvid blir aktuell. Samlokalisering med kombiterminal och frilast bör också eftersträvas eftersom det ger låga kostnader för matartransporter och växling och möjliggör bättre tågfyllnad. Även om bangårdarna dimensioneras för huvudprognosen, bör det också finnas planeringsberedskap för en större ökning av järnvägstransporterna som kan bli nödvändig om klimatmålen ska kunna nås.

Denna rapport innehåller en analys av den svenska järnvägsmarknadens utveckling sedan trafikpolitiska reformen år 1988 och en särskild analys av banavgifternas struktur med några förslag till principer för hur banavgifterna skulle kunna utformas i framtiden.

Persontrafiken har utvecklats mycket positivt och resandet har ökat med 77 % fram till år 2012. Det beror framför allt på satsningen på nya banor och nya tåg som möjliggjort kortare restider och ökad turtäthet. Den regionala trafiken har ökat mest men även fjärrtrafiken har ökat. Under åren 2010-2011 stagnerade utvecklingen på grund av kvalitetsproblem.

Godstrafiken har ökat med 22 % främst på grund av ökad effektivitet och avregleringen. Det är framför allt kombitrafiken som har ökat medan vagnslasttrafiken minskat. I den internationella trafiken har järnvägen svårt att hävda sig mot lastbilstrafiken trots stora volymer och långa avstånd. När det gäller kombitrafiken har trafiken till/från Göteborgs hamn utvecklats snabbt, medan en stor del av den övriga inrikes kombitrafiken lagts ned.

De svenska banavgifterna ska enligt de trafikpolitiska besluten sättas på samhällsekonomisk grund och har därför länge varit relativt låga. De senaste fem åren har dock banavgifterna höjts med ca 50 % och målsättningen är att fördubbla intäkterna av avgifterna. Avgifternas struktur har därför blivit viktigare och de har blivit alltmer differentierade. 

Beräkningar har gjorts av genomsnittliga banavgifter för några typtåg åren 2001-2015. De visar att mellan åren 2005 och 2015 ökar avgifterna med 100 % för persontåget och med ca 150 % för godståget. Större delen av ökningen har skett de senaste 5 åren. Det är framför allt kapacitetsavgifterna som svarar för höjningarna. Det som är anmärkningsvärt med detta är att avgifterna för godstågen har ökat mer än för persontågen. Problemet är att betalningsviljan för godstrafiken är låg genom att konkurrensen är hög samtidigt som operatörerna har dålig lönsamhet.

Det bästa sättet att styra trafiken i högt belastade avsnitt är att differentiera tågkilometeravgiften i tid och rum. Då styr man både mot kapacitetsstarka tåg samt mot att tåglägena kan förskjutas i tiden och i vissa fall ta andra vägar. På kort sikt kan operatörerna i vissa fall köra längre tåg i stället för flera korta tåg. På lång sikt kan en sådan utveckling styra mot ökad kapacitet per vagn och tåg (t.ex. breda tåg, tvåvåningståg).

Alternativa scenarier för banavgifterna har analyserats vilka har differentierats med hänsyn till vilka krav på kapacitet som ställs. En princip har därvid varit att godstrafiken betalar hälften av avgiften för persontrafiken. Det finns flera anledningar till detta:

1.      Godstrafiken får ofta stå tillbaka för persontrafiken både i tidtabellsplaneringen och i den operativa driften.

2.      Om vi enbart hade haft godstrafik i Sverige skulle anspråken på kapacitet vara mindre. Det skulle vara möjligt att köra färre och längre tåg på enkelspåriga linjer.

3.      Betalningsförmågan i godstrafiken är lägre än i persontrafiken genom hårdare intermodal konkurrens och dålig lönsamhet.

Ett exempel på hur banavgifterna skulle kunna utformas framgår av tabell 2. En analys har gjorts av belastningen på järnvägsnätet fördelat över tiden. Den ligger till grund för en tidsdifferentiering i högtrafik, normaltrafik och lågtrafik. Som högtrafik har definierats kl. 7-9 och 16-18. Perioden bör inte vara för lång, för att ge möjlighet att flytta tåg en timme. Lågtrafik har definierats som natten mellan kl. 22-06. Under natten är inte heller hastighetskillnaderna så stora vilket gör att kapacitetsproblemen blir mindre. Normaltrafik är övrig tid.

Det är viktigt att spåravgiften styr mot lägre banunderhållskostnader och högre kvalitet. I dag finns stora problem med eftersatt underhåll på järnvägsnätet. Genom att differentiera banavgifterna efter hur mycket tågen sliter på spåren kan slitaget och kostnaderna för underhåll på lång sikt minskas. I dag lönar det sig sällan för operatörerna att skaffa tåg med t.ex. spårvänliga boggier, eftersom dessa är något dyrare. Banavgifterna har i ett förslag differentierats i några få nivåer för varje fordonstyp baserad på en tidigare analys som gjorts av Banverket av kostnaden för spårslitage.

Dieselavgiften har satts till i genomsnitt 0,50 kr/liter vilket är ungefär samma nivå som år 2010, men lägre än den nuvarande avgiften som är ca 1,40 kr/liter. Anledningen till att den satts lägre är att tidigare analyser visat att en hög dieselavgift medför att den totala energiförbrukningen och utsläppen ökar genom att gods överförs från järnväg till lastbil.

En möjlighet att ta ut en särskild avgift har lagts in för eldrivna fordon, eftersom de orsakar ett slitage på kontaktledningen och ibland haverier. Fordon som är försedda med autodrop bör därvid få en lägre avgift. (Autodrop är en anordning som fäller ner strömavtagaren vid haverier och minskar skadorna).

Det blir också en ändrad fördelning mellan person- och godstrafik med de alternativa banavgifterna. Godstrafiken får en lägre andel av de totala intäkterna, medan persontrafiken får en högre andel. Det beror på de förändrade kapacitetsavgifter som tar större hänsyn till vad som driver kapacitet och till de differentierade spåravgifterna som tar större hänsyn till hur mycket fordonen sliter på banan.

Når det gäller intäkterna från banavgifterna finns det både en priseffekt och en volymeffekt. Intäkterna från banavgifterna har ökat från en nivå på ca 500 Mkr år 2008 innan de började höjas till 1 250 Mkr år 2013. År 2014 beräknas de uppgå till 1 250 Mkr och år 2015 till 1 400 Mkr med 2013 års trafikarbete. Trafikarbetet i tågkilometer har ökat med 18 % mellan åren 2005 och 2013. Om trafikarbetet fortsätter att öka, viket är sannolikt för persontrafik, kommer intäkterna från av banavgifterna att öka snabbare.

En analys har också gjorts av kapacitetsutnyttjandet på järnvägsnätet efter belastning och banornas funktion, dels för åren 2008 till 2012 dels med utgångspunkt från prognoser för år 2030. Prognoserna visar på mycket stora ökningar för vissa banor.

Denna rapport innehåller en analys av den svenska järnvägsmarknadens utveckling sedan den trafikpolitiska reformen år 1988 och en analys av utvecklingen av banavgifterna samt ett förslag till hur banavgifterna skulle kunna utformas i framtiden.

Persontrafiken har utvecklats mycket positivt och resandet har ökat med 82 % fram till år 2014. Det beror framför allt på satsningen på nya banor och nya tåg som möjliggjort kortare restider och ökad turtäthet. Den regionala trafiken har ökat mest men även fjärrtrafiken har ökat. Under åren 2010-2011 stagnerade dock utvecklingen på grund av kvalitetsproblem.

Godstrafiken har ökat med 18 % främst på grund av ökad effektivitet och avregleringen. Det är framför allt kombitrafiken som har ökat medan vagnslasttrafiken minskat. I den internationella trafiken har järnvägen svårt att hävda sig mot lastbilen bl.a. på grund av lågprisåkerierna. När det gäller kombitrafiken har trafiken till/från Göteborgs hamn utvecklats snabbt, medan en stor del av den övriga inrikes kombitrafiken lagts ned.

En analys av kapacitetsutnyttjandet på järnvägsnätet 2008-2012 visar på stora ökningar för de mest belastade banorna. Prognoserna fram till år 2030 visar på fortsatt stora ökningar.

De svenska banavgifterna har länge varit relativt låga. Från år 2009 har banavgifterna emellertid höjts kraftigt för att internalisera externa effekter och öka intäkterna. Det innebär att de kommer att vara nästan tre gånger så höga 2017 som 2009. Banavgifterna har samtidigt blivit mer differentierade. En tågkilometeravgift har införts som är högre på hårt belastade banor och kompletteras med en passageavgift i högtrafik i storstadsområdena. Spårslitageavgiften har differentierats med hänsyn till axellast.

Beräkningar har gjorts av utvecklingen av banavgifterna för ett antal typtåg för åren 2009-2017. För persontrafiken har banavgifterna ökat mest för lokaltåg i storstadsområden med en faktor 4,4 då de går på banor med hög tågkmavgift och passageavgift. Banavgifterna för fjärrtåg har ökat med en faktor 2,8 då de ofta går på banor med hög tågkmavgift. För regionaltåg har banavgifterna ökat med en faktor 2,0 liksom för dieseldrivna tåg trots att dieselavgiften ökat med en faktor 12.

Banavgifterna påverkar priset mot kund genom att de påverkar de totala kostnaderna för att köra tåg. För persontåg har de ökat de totala kostnaderna med 8 % och sin andel av de totala kostnaderna från 4 till 11 % beräknat på 2014 års produktionskostnader.

För godståg har de ökat de totala kostnaderna med 13 % och andelen av de totala kostnaderna från 6 till 16 %. Banavgifterna för vagnslasttrafiken har ökat mest med en faktor 3,6. För kombitrafik har de ökat med en faktor 3,1. För systemtåg med ellok med en faktor 2,6 och med diesellok med en faktor 3,2.

Banavgifterna för godstågen har således ökat mer än för persontågen och därvid påverkat transportkostnaderna mer. Problemet är att betalningsviljan för godstrafiken är låg genom att konkurrensen är hög samtidigt som operatörerna har dålig lönsamhet.

Som en följd av högre banavgifter har kostnaden för att köra en vagnslast inklusive matartransporter ökat i förhållande till lastbil. Jämfört med en 60-tons lastbil har lönsamhetgränsen förskjutits från ca 48 till ca 56 mil. Med en bruttovikt på 64 ton som tillåts från 2015 ökar den till ca 63 mil och med en bruttovikt på 74 ton till 78 mil. Såväl banavgifter som bruttovikter och axellaster har således stor betydelse för konkurrenssituationen och påverkar därmed också näringslivets konkurrenskraft.

Banavgifterna påverkar marknaden i olika led. Banavgifterna betalas av operatörerna, men operatörerna betalas av kunderna och får ibland också bidrag från samhället. Avståndet mellan banavgifterna och slutkunden blir ofta ganska långt.

Det bästa sättet att styra trafiken i högt belastade avsnitt är att differentiera tågkilometeravgiften i tid och rum. Då styr man både mot kapacitetsstarka tåg samt mot att tåglägena kan förskjutas i tiden och mot att godståg ibland kan ta andra vägar. På lång sikt kan en sådan utveckling styra mot ökad kapacitet per vagn och tåg (t.ex. breda tåg, tvåvåningståg).

Ett förslag till vidareutveckling av banavgifterna redovisas som bygger på följande principer:

·         En tåglägesavgift som är lägre för gods- än persontrafik och som är mer differentierad i tid och rum

·         En spårslitageavgift som så långt möjligt bygger på fordonens slitage på banan

·         En särskild elloksavgift för fordon med strömavtagare

·         En lägre dieselavgift för att inte riskera att gods överförs till lastbil

·         En särskild Öresundsbroavgift för persontrafiken precis som för godstrafiken.

Godstrafiken betalar halva tågkilometeravgiften för persontrafiken, eftersom den ofta får stå tillbaka för persontrafiken både i tidtabellsplaneringen och i den operativa driften. Om det enbart fanns godstrafik i Sverige skulle anspråken på kapacitet vara mindre. Det skulle vara möjligt att köra färre och längre tåg på enkelspåriga linjer. Betalningsförmågan för godstrafiken är också lägre än för persontrafiken genom hårdare intermodal konkurrens.

I dag finns stora problem med eftersatt underhåll på järnvägsnätet. Genom att differentiera banavgifterna efter hur mycket tågen sliter på spåren kan slitaget och kostnaderna för underhåll på lång sikt minskas. I dag lönar det sig sällan för operatörerna att skaffa tåg med t.ex. spårvänliga boggier, eftersom dessa är något dyrare. 

En analys av fordonsbeståndets utveckling och sammansättning visar att många nya motorvagnståg som anskaffats för persontrafiken har högre spårslitage än tidigare fordon. Detta kan ha påverkat det ökade behovet av underhåll då trafiken samtidigt ökat snabbt.

Intäkterna från banavgifterna påverkas av både pris och volym. De beräknas öka från en nivå på ca 500 Mkr år 2008 innan de började höjas, till 1 750 Mkr år 2017 med 2014 års trafikarbete. Om trafikarbetet fortsätter att öka, viket är sannolikt för persontrafik, kommer intäkterna från banavgifterna att öka ytterligare.