Täta storstadsmiljöer blir allt viktigare. En stor del av tillväxten av befolkning och arbetsplatser är koncentrerade till storstäderna medan mindre orter förlorar både befolkning och arbetsplatser. Det är rätt tydligt att en allt större del av persontrafiken kommer att ske i täta miljöer med en komplex trafiksituation. Med en komplex trafiksituation menar vi hög trängsel och en hög grad av interaktion mellan olika användningar av trafikmiljön. I dagens planeringsmodeller fångas ingen form av interaktion mellan olika färdmedel utan enbart inom biltrafiken där man tar hänsyn till personbilar och även lastbilar vid beräkningen av trängsel. Det förekommer däremot ingen försening till följd av fotgängare annat än genom klassificering av fördröjningsfunktion. Ansatsen projektet var att etablera en mikromodell och det har vi gjort dels inom det här projektet och dels inom ett parallellt tillämpat projekt för Stockholmsstad. Vi har dragit erfarenheter från båda som vi bakar in här. I projektet har vi skapat en modell där avsikten är att integrera så många trafikslag som möjligt i en och samma modell och låta dessa påverka varandra inom modellens ramar. De färdsätt vi har integrerat är: Bil, buss, cykel och gång (i City-modellen ingår inte cykel). Bussar går enligt linje i busskörfält och i blandtrafik. Cykel får röra sig på cykelbanor, cykelfält som kodats och i blandtrafik. Gångtrafikanter förekommer endast vid övergångsställen vilket ger en fördröjning för korsande trafik. I projektet har vi upplevt ett antal praktiska problem som främst handlar om kodning av övergångar mellan länkar och fält med olika status. Sättet som cykelfält och cykelbanor ansluter till vägar varierar och är svåra att representera på ett korrekt sätt. Ofta har man gjort utformningar givet en mängd restriktioner på yta som speglar kompromisser mellan olika anspråk och ingen lösning är den andra lik. I modellvärlden är det ibland svårt att efterlikna den funktion man försökt skapa i övergångarna mellan länktyper. Det är också svårt att ställa in ett beteende hos cyklisterna som fungerar i den mångfald av utformningar som finns på Södermalm. Ofta finns små ytor att köa upp cyklister och cyklisterna tvingas ta den yta som finns oberoende av de parametrar som sätts i modellen. En notering som kanske är självklar är att ju tätare trafikmiljö ju mer av trafiken regleras med signaler. Projektets utgångspunkt var att vi skulle studera konkurrens om utrymme men det har blivit allt tydligare att det handlar i hög grad om fördelning av tid mellan olika anspråk på en och samma yta än om att konkurrera om ytan. Signalreglering går ju ut på att temporärt reservera en yta för en trafikantgrupp. Själva trängseln på länken inom eller mellan färdmedel är en del av tidsfördröjningen men fördelning av tid i konfliktpunkterna (korsningarna) blir mer avgörande i centrala miljöer. Slutsatsen av detta är att modelleringen bör tydligare inriktas mot att studera effekten av prioritering av tid. Ett starkt intryck är att signalreglering bör hanteras explicit såsom i mikromodeller vid modellering av centrala miljöer. Hantering av trängsel bland bilar är väl etablerat både inom mikro som makromodellering, cykel mindre så. Noterat är att i de områden där det är som flest trafikanter finns separata cykelbanor eller cykelfält, interaktionen mellan trafikantgrupper är måttlig i dessa områden. Däremot förekommer interaktion där cykelbanan eller fältet tar slut (eller börjar) och dessa punkter är genuint svåra att modellera då utformningarna inte är standardiserade. Det gäller i såväl mikro- som makromodell. Signalreglering har en tydlig effekt på trängseln och det är att den samlar ihop cyklister i klungor som sedan släpps iväg vid grönt (detta hanteras i en mikromodell), det skapas en trängsel inom gruppen som påverkar hastigheten längs efterföljande länk. Samtidigt kan cyklister som kommer in på länken från ett annat håll som inte är signalreglerat åka ostört eftersom dom inte samlats upp på motsvarande sätt. I de här fallen är det inte alltid volymen per timme eller annan tidsenhet som är styrande utan en tillfällig ansamling efter en signal. Den dynamik som skapas skiljer också mellan snarlika länkar beroende på hur cyklisterna samlas upp (vi beskriver detta i viss detalj i rapporten). En slutsats är att på de platser och tidpunkter där det är relevant att studera interaktion mellan fordon/trafikanter är svåra fall att hantera. Vi upplever ändå att en mikromodell hanterar det rimligt bra medan den typen av fenomen är svåra att representera i en makromodell. Även i en statisk modell där man låter volymer från cykel respektive bilutläggning påverka varandra inbördes är det ett problem. I rapporten visar vi noggrant funktionen i dessa konfliktpunkter och hur det hanteras. Vi har genomfört en några tester eller experiment för att studera hur modellen reagerar på att man modellerar färdmedel tillsammans eller separat. Vad vi generellt kan mäta och observera i en stadsmiljö är restider där samtliga färdmedel befinner sig i trafiken medan man oftast modellerar endast bil. I praktiken har vi begränsad kännedom om restid för bil i stad som endast beror på volymen av bilar. Vi lade upp beräkningarna som så att vi kodade nätverk och signaler så gott vi kunde och använde modellparametrar som förväntades fungera i svensk trafikmiljö. Detta gjordes för bil, cykel och buss. För fotgängare i korsningar användes räkningar där dessa var tillgängliga och annars schabloner. När modellen fungerade rimligt väl kördes ett scenario med samtliga färdmedel i trafiknätet och därefter varje färdmedel var för sig. För bil ger modellen kring 7 % högre medelhastighet på Södermalm om man tar bort cykel och buss. I beräkningarna för cykel har vi något större variation och där ökar medelhastigheten med 5-9 %. För buss gjordes samma sak och där var effekterna något större eller hastighetsökningar kring 10-15 % när dom var ensamma i trafiknätet. För buss gjordes också en mer detaljerad analys när vi körde linje 4 över Södermalm som BRT dvs i separata fält där det var fysiskt möjligt och under antagande om av och påstigning i samtliga dörrar. Effekten blev att genomsnittshastigheten ökade från 15 till 19 Km/h (27%) för linje 4 på Södermalm medan den sjönk från 20 till 19 för bil i linjens sträckning. Trängsel mellan bilar upplever vi att modelleras väl i modellerna, både i City och på Södermalm. En notering vi gjort är att fotgängarvolymerna i övergångsställen har en begränsad betydelse för hastigheterna i nätverket som helhet men kan påverka volymen i enskilda svängar. Eftersom fotgängare inte modelleras explicit vid oreglerat övergångsställe eller vid sekundärkonflikt finns anledning att fundera hur detta ska hanteras i en prognossituation. I en tätare miljö kommer antalet fotgängare att öka både till följd av direkta resor med gång och som anslutning med kollektivtrafik. Ett ökat antal gångtrafikanter kommer att påverka restiden för både bil och cykel. Man kan överväga att skriva upp fotgängarvolymerna i prognossituationen eller att utnyttja de antal resenärer som väljer gång och kollektivtrafik i modellen för att beräkna troliga fotgängarvolymer. De beräkningar vi har gjort, som mer handlar om hur modellen hanterar interaktionen mellan fotgängare och andra trafikanter, ger att en ökning av antalet fotgängare med 10 % ger en ökning av bilrestiderna med ca 0,4 %. Den restidsökningen är endast ett resultat av ökat antal fotgängare vid obevakade övergångsställen och vid sekundärkonflikter. Ökningen av förseningstiden till följd av fler fotgängare är i beräkningen ca 2 %. Slutsatsen av studien av fotgängare är att det troligen finns större problem att angripa än precisionen i antalet fotgängare i modellen. Det här ska inte tas som intäkt för att helt avstå från att koda fotgängare i korsningar och övergångsställen vilket kan ge påtagliga effekter. För fotgängare har vi inte tagit fram några restidsfördröjningar för än (vet inte ens om det går inom aktuell modell), vid prioritering av olika gröntid är naturligtvis dessa en post. Under arbetet har vi jämfört restiderna i vår modell med de restider som en statisk modell genererar och med restider från Google och mätningar från Stockholms stad. Slutsatsen av de jämförelserna är att mikromodellen verkar ha en bättre förmåga att fånga restiden i riktigt komplexa trafikmiljöer men att en statisk modell fungerar väl så bra under mer normala förhållanden. För att få mikromodellen att fungera bra krävs en hög noggrannhet avseende detaljer och finns inte utrymme för ambitiös kodning är sannolikt makro- eller mesomodeller att föredra. Vi noterade också att vår mikromodell inte är lika förlåtande avseende de trafikvolymer som modellen förses med som en makromodell och att precisionen med avseende på avresetidpunkt måste vara hög. Ett starkt intryck är att om man ska jobba regelbundet med mikromodeller (kanske även mesomodeller) bör modellernas precision ökas i båda de dimensioner som nämnts. Vi redovisar också en ansats som gjorts i en statisk modell där man lägger stor möda på att hantera trängsel mellan bil och cykel på länk i en modell för Ottawa. Mot bakgrund i de resultat vi noterat här tror vi inte att det är ett förstahandsalternativ för att modellera en svensk innerstadsmiljö.