JULKAISUJA 11/2016 Tulevaisuuden liikennemallit ja -ennusteet Kirjallisuusselvitys Liikenne- ja viestintäministeriön visio Hyvinvointia ja kilpailukykyä hyvillä yhteyksillä toiminta-ajatus Liikenne- ja viestintäministeriö edistää väestön hyvinvointia ja elinkeinoelämän kilpailukykyä. Huolehdimme toimivista, turvallisista ja edullisista yhteyksistä. arvot Rohkeus Oikeudenmukaisuus Yhteistyö Julkaisun päivämäärä 6.7.2016 Julkaisun nimi Tulevaisuuden liikennemallit ja –ennusteet. Kirjallisuusselvitys Tekijät Tapani Särkkä, Hanna Kalenoja ja Joni Tefke, Sito Oy Toimeksiantaja ja asettamispäivämäärä Julkaisusarjan nimi ja numero Liikenne- ja viestintäministeriön jul- kaisuja 11/2016 ISSN (verkkojulkaisu) 1795-4045 ISBN (verkkojulkaisu) 978-952-243-485-2 URN http://urn.fi/URN:ISBN:978-952-243-485-2 HARE-numero Asiasanat liikennemalli, liikenne-ennuste, mallijärjestelmä, tulevaisuuden tutkimus Yhteyshenkilö Tuomo Suvanto Muut tiedot Tiivistelmä Liikenteen kysyntään vaikuttavat monet suuret toimintaympäristön muutokset, jotka heijastuvat myös liikenteen mallintamisen ja liikenne-ennusteiden laatimisen kehittämistarpeisiin. Digitalisaa- tio luo mahdollisuuksia kehittää uudentyyppisiä kysyntälähtöisiä liikennepalveluja, jotka muuttavat perinteistä tapaa suunnitella liikkumista, ostaa liikkumispalveluja ja omistaa liikennevälineitä. Lii- kennejärjestelmän kehittämisessä on varauduttava myös automatisaatioon ja autonomisten ajo- neuvojen yleistymiseen, mikä avaa uusia mahdollisuuksia väyläkapasiteetin tehostamiseen. Lii- kenneinfrastruktuurin käytön tehostuminen ja uudenlaiset liikennepalvelut vaikuttavat myös aluei- denkäytön suunnitteluun. Kirjallisuusselvityksessä on kartoitettu, miten nykyistä liikennemallinnustapoja ja -ennusteita voi- daan kehittää siten, että ne ottaisivat huomioon liikenteen toimintaympäristössä tapahtuvat suuret muutokset. Työssä on selvitetty, millaisia malleja muuttuvassa ja epävarmassa tilanteessa voi- daan käyttää ja mitkä ovat niiden rajoitteet ja reunaehdot. Liikennemallien lupaavimpia kehityssuuntia ovat mallien kehittäminen matkaketjulähtöisiksi tai aktiviteettimalleihin pohjautuviksi. Samalla olisi mahdollista kytkeä toimintaympäristön merkittä- vimmät muutokset aiempaa laajemmin valtakunnalliseen mallijärjestelmään. Valtakunnallisten kulkutapamallien lähtötietoina ovat mm. ajoneuvo- ja kommunikaatiotekniikan kehitys, väestön ja toimintojen ennakoitu sijoittuminen sekä taloudellinen kehitys. Tulevaisuudessa on mahdollista hyödyntää myös uudentyyppisiä big data -varantoja liikenteen kehityksen seurannassa ja luoda niihin pohjautuvia lyhyen tähtäyksen kehityksen arviointimalleja. Valtakunnallista liikennemallia voidaan kehittää liittämällä siihen simulaatio-osia tai dynaamisella systeemimallilla, joka ottaa huomioon myös muuttujien keskinäisiä riippuvuuksia. Publikationsdatum 6.7.2016 Publikation Framtidens transportmodeller och trafikprognoser. Litteraturstudie Författare Tapani Särkkä, Hanna Kalenoja och Joni Tefke, Sito Oy Tillsatt av och datum Publikationsseriens namn och nummer Kommunikationsministeriets publikationer 11/2016 ISSN (webbpublikation) 1795-4045 ISBN (webbpublikation) 978-952-243-485-2 URN http://urn.fi/URN:ISBN:978-952-243-485-2 HARE-nummer Ämnesord transportmodell, trafikprognos, modellsystem, framtidsforskning Kontaktperson Tuomo Suvanto Rapportens språk Finska Övriga uppgifter Sammandrag Efterfrågan på transporter påverkas av flera stora förändringar i omgivningen, som också åter- speglas i behoven att utveckla transportmodeller och trafikprognoser. Digitaliseringen skapar möj- ligheter att utveckla transporttjänster av nya slag, som är efterfrågeinriktade och som förändrar det traditionella sättet att planera mobilitet, köpa mobilitetstjänster och äga transportmedel. Vid utvecklandet av trafiksystemet måste man också bereda sig på automatiseringen och på att auto- noma fordon blir allmännare. Detta öppnar för nya möjligheter att effektivera trafikledskapaciteten. När användningen av trafikinfrastrukturen blir effektivare och transporttjänster av nya slag kommer till, påverkar detta också planeringen av områdesanvändningen. I denna litteraturstudie har det kartlagts hur man kan utveckla de nuvarande transportmodelle- ringssätten och trafikprognoserna så att de beaktar de stora förändringar som sker i trafikens om- givning. I studien har man rett ut hurdana modeller som kan användas i en föränderlig och osäker situation och vilka dessa modellers begränsningar och villkor är. De mest lovande utvecklingstrenderna för transportmodellerna är att modellerna utvecklas så att de inriktas på resekedjor eller så att de grundar sig på aktivitetsmodeller. Samtidigt vore det möj- ligt att koppla de mest betydande förändringarna i omgivningen till ett riksomfattande modellsy- stem i vidare bemärkelse än tidigare. Den information som de riksomfattande färdsättsmodellerna utgår ifrån är bl.a. utvecklingen inom fordons- och kommunikationstekniken, prognoser för var befolkningen och verksamheterna kommer att finnas samt den ekonomiska utvecklingen. I framti- den är det möjligt att utnyttja också big data -reserver av nya slag i bevakningen av trafikutveck- lingen och att skapa utvärderingsmodeller, som grundar sig på dessa, för utvecklingen på kort sikt. En riksomfattande transportmodell kan utvecklas genom att simuleringsdelar fogas till den eller genom en dynamisk systemmodell, som också beaktar variablernas ömsesidiga beroende. Date 6.7.2016 Title of publication Future transport models and forecasts. Literature survey Author(s) Tapani Särkkä, Hanna Kalenoja and Joni Tefke, Sito Oy Commissioned by, date Publication series and number Publications of the Ministry of Transport and Communications 11/2016 ISSN (online) 1795-4045 ISBN (online) 978-952-243-485-2 URN http://urn.fi/URN:ISBN:978-952-243-485-2 Reference number Keywords transport model, transport forecast, modelling system, futures research Contact person Tuomo Suvanto Language of the report Other information Abstract The demand for transport depends on various major changes in the operating environment, which are also reflected in the modelling of transport systems and development needs relating to trans- port forecasts. Digitalisation creates opportunities to develop new kinds of demand-driven transport services that will change the traditional ways of transport planning, purchasing transport services and owning transport vehicles. In developing the transport systems we must also prepare for in- creased automation and use of autonomous vehicles, which opens up new opportunities for more efficient transport route capacity. More efficient use of transport infrastructure and new kinds of transport services also impact on land use planning. The literature survey was concerned with how the present transport modelling methods and fore- casts can be developed to take account of the great changes in the operating environment of transport services. We also studied the kinds of models that can be used in changing and uncertain situations and their constraints and framework conditions. The most promising trends include turning the models into ones driven by travel chains or based on activity models. This would also allow to link the most significant changes in the operating environ- ment more broadly to the national modelling system. The baseline data for the national mode of transport models include the development of vehicle and communications technologies, predicted geographical distribution of the population and activities, and economic development. In the future it will also be possible to use the new kinds of big data reserves in monitoring the transport trends and to create short-term estimation models based on these. The national transport model can be developed by incorporating simulation elements into it or by using a dynamic system model which also takes account of interdependencies between variables. 1 Sisällysluettelo 1. Johdanto .................................................................................................................... 2 2. Nykyiset liikenne-ennusteiden käytännöt ............................................................... 4 2.1 Valtakunnalliset liikennemallit ...................................................................................... 4 2.2 Liikennemuotokohtaiset liikenne-ennusteet ................................................................. 6 2.3 Hankearvioinnin liikenne-ennusteet ............................................................................. 6 3. Kysynnän mallintamisen lähtökohtia ...................................................................... 8 3.1 Laadulliset mallit ......................................................................................................... 9 3.2 Kysynnän simulointi .................................................................................................. 10 3.3 Aikasarjamallit ........................................................................................................... 10 3.4 Analyyttiset mallit ...................................................................................................... 11 3.5 Simulaatiomallit ......................................................................................................... 14 4. Liikenne-ennusteiden muuttuvat tarpeet ja vaatimukset ..................................... 16 4.1 Toimintaympäristön muutokset tulevaisuuden liikennejärjestelmä ............................. 16 4.1.1 Kaupungistuminen .................................................................................................... 16 4.1.2 Demografiset muutokset ja kotitalousrakenteen muutokset. ...................................... 19 4.1.3 Autojen omistamisen ja käyttötapojen muutokset ...................................................... 21 4.1.4 Ajoneuvotekniikka ..................................................................................................... 22 4.1.5 Tietoliikenne- ja viestintäpalvelujen kehittyminen ...................................................... 26 4.2 Lähtötietojen saatavuuden paraneminen .................................................................. 29 5. Kehittämisehdotukset ............................................................................................. 31 5.1 Nykyisten menetelmien kehittäminen ........................................................................ 31 5.2 Uudet mallinnusmenetelmät ...................................................................................... 32 5.3 Menetelmien kehittämistarpeet ................................................................................. 32 Lähteet………………………………………………………………………………………………..35 2 1. Johdanto Tulevaisuuden liikennejärjestelmässä infrastruktuuri, palvelut ja tieto muodostavat monipuoli- sen ja toisiaan vahvistavan kokonaisuuden. Digitalisaatio luo mahdollisuuksia kehittää uu- dentyyppisiä kysyntälähtöisiä liikennepalveluja, jotka muuttavat perinteistä tapaa suunnitella liikkumista, ostaa liikkumispalveluja ja omistaa liikennevälineitä. Liikennejärjestelmän kehit- tämisessä on varauduttava myös automatisaatioon ja autonomisten ajoneuvojen yleistymi- seen, mikä avaa uusia mahdollisuuksia väyläkapasiteetin hyödyntämiseen ja liikennetoi- mialan tuottavuuden parantamiseen. Liikenneinfrastruktuurin käytön tehostuminen ja uuden- laiset liikennepalvelut vaikuttavat myös alueidenkäytön suunnitteluun. Toisaalta voidaan hyö- dyntää tehokkaamman liikennejärjestelmän ansiosta vähentyvä liikennealueiden tilantarve, mutta on myös varauduttava kehittyneiden liikennepalveluiden mukanaan tuomiin vaatimuk- siin mm. väylien varustetasossa. (YM et al. 2015) Suomessa ei ole ollut käytössä valtakunnallista liikennemallijärjestelmää toisin kuin muissa Pohjoismaissa. Suomessa liikennemalleja on laadittu pääosin alueellisina. Pisimmät perin- teet ovat Helsingin seudun liikennemallijärjestelmällä, jota on ylläpidetty jo useiden vuosi- kymmenten ajan. Liikennemallien tavoitteena voi olla liikennepoliittisten toimien ja erityyppis- ten investointien vaikutusten arviointi tai toisaalta liikennejärjestelmän suunnitteluun liittyvien ennusteiden laatiminen. Mallin tavoitteet ja toisaalta käytettävissä olevat lähtötiedot vaikutta- vat siihen, mitä menetelmiä mallissa on mielekästä hyödyntää. Liikennevirasto ja sen edeltäjänä Tiehallinto on tuottanut lähtöaineistoja ja työkaluja valta- kunnallisten liikenne-ennustetarkastelujen tekemiseen ja kehittänyt niitä erillisselvityksissä, mutta niissä laaditut mallit eivät muodosta valtakunnallista yleisennusteiden laadintaan sovel- tuvaa ennustemallijärjestelmää. Valtakunnallisten mallien eräänlaisena pilottina laadittiin vuonna 1996 valtakunnallisen henkilöliikennetutkimuksen aineistoon perustuva HELVI-malli, jonka käyttöä hankaloittivat epäkäytännöllinen käyttöliittymä ja mallinnuksen kannalta suppea liikennetutkimusaineisto. Vuonna 2002 selvitettiin ruotsalaisen Sampers-mallijärjestelmän siirtomahdollisuuksia Suomeen, mutta selvityksen perusteella siirtoa ei nähty järkeväksi to- teuttaa. Valtakunnallisten liikenne-ennusteiden pohjaksi on laadittu tie- ja rautatieliikenteen verkkomallit, mutta niitä ei ole yhdistetty mallijärjestelmäksi, vaan ne ovat toimineet lähinnä eri tavoin tuotettujen kysyntämatriisien sijoittelualustana. Liikennevirastossa pitkän aikavälin tavoitteena on ollut luoda eri liikennemuodot kattava val- takunnallisen liikenteen ennustamiseen soveltuva mallijärjestelmä. Meneillään olevan vuon- na 2017 valmistuvan valtakunnallisen henkilöliikennetutkimuksen laajennetut otoskoot anta- vat aikaisempaa paremmat lähtökohdat valtakunnallisten mallien laadintaan. Liikennevirasto on vuonna 2016 käynnistänyt liikenne-ennusteita ja vaikutusarviointia koskevan tutkimusko- konaisuuden. Sen tavoitteena on parantaa liikennejärjestelmän ennusteprosessia siten, että nykyisin liikennemuotokohtaisina tehtyjen liikenne-ennusteiden perusaineistot ja kysynnän mallinnus muodostaisivat yhtenäisen alustan, johon yksityiskohtaisemmat liikennemuotokoh- taiset ennusteet pohjautuvat. Lisäksi tavoitteena on kartoittaa liikenteen mallintamisen lähtö- aineistojen kehittämisen mahdollisuuksia, joka osaltaan palvelee myös mallinnusmenetelmi- en kehittämistä sekä parantaa ennusteiden ajantasaisuutta ja käyttökelpoisuutta. Tässä kirjallisuusselvityksessä on kartoitettu, miten nykyisiä liikennemallinnustapoja ja - ennusteita voitaisiin kehittää siten, että ne ottaisivat huomioon liikenteen toimintaympäristös- sä tapahtuvat suuret muutokset. Työ on rajattu pääosin henkilöliikenteen ennusteisiin. Työs- sä on selvitetty, millaisia malleja muuttuvassa ja epävarmassa tilanteessa voidaan käyttää ja millaiset mallit olisivat hyödyllisimpiä kuvaamaan tulevaisuutta. Mallinnuksen lähtökohtana on, että mallintajat ja päätöksentekijät ymmärtävät liikenteen systeemitason muuttumisen. 3 Tärkeimpiä toimintaympäristön muutostekijöitä ovat muun muassa:  sähköautot (käyttövoiman muutos)  ajoneuvojen automaatioasteen lisääntyminen  uudentyyppiset eri kulkutapoja yhdistelevät liikennepalvelut (mm. ns. MaaS-palvelut)  digitalisaatio  henkilö- ja tavarakuljetusmarkkinoiden konvergoituminen  autojen omistuksen muutos ja käyttöasteen muutokset (kimppakyydit, yhteiskäyttöiset ajoneuvot)  fyysisen liikkumisen ja sähköisen kommunikaation rajan muutokset Yhtenä lähtökohtana on valtakunnallinen näkökulma. Toisaalta yhdyskunta- ja aluerakenteen yhtenä tärkeimpänä muutosvoimana on kaupungistuminen ja liikenteen kysynnän suurimmat muutokset kohdistuvat kaupunkiseuduille ja kaupunkiseutujen väliseen liikkumiseen. Hyvälle liikennemallille voidaan asettaa kolme perusvaatimusta: 1. kuvaa nykytilanteen (jolle se estimoidaan ja kalibroidaan) liikenneolot riittävällä tarkkuu- della 2. reagoi loogisesti tutkittaviin liikennejärjestelmän ja toimintaympäristön muutoksiin 3. reagoi loogisesti lähtötietojen muutoksiin Koska nykyiset liikennemallit estimoidaan nykytilanteeseen (vain siihen saakka on tutkimus- ja tilastotietoja), ne soveltuvat hyvin vakaisiin olosuhteisiin ja tilanteisiin, jossa nykytilanne tunnetaan hyvin. Jos tulevaisuus on epävarma tai tapahtuu suuria muutoksia, nykytilantee- seen ja käyttäytymiseen sovitetut mallit eivät ole käyttökelpoisia. Tulevaisuus näyttää tällä hetkellä epävarmalta: toisaalta näyttää syntyvän aivan uusia tapoja matkustaa, toisaalta globaalitalouden aikana talouskehityksen ja teknologisen kehityksen ennakointi ja kuluttajapreferenssien ennakointi on muodostumassa yhä haastavammaksi. Tarvitaan monenlaisia menetelmällisesti toisiaan täydentäviä malleja, jotta olisi mahdollista muodostaa käsitys liikenteen kysynnän kehityksestä tulevien vuosikymmenten aikana. 4 2. Nykyiset liikenne-ennusteiden käytännöt 2.1 Valtakunnalliset liikennemallit Liikennevirastossa on kehitetty menetelmiä valtakunnallisten liikenne-ennustetarkastelujen laatimiseksi liikennemalleilla. Lähtökohtana ovat eri liikennemuotojen liikenneverkkokuvauk- set ja joukkoliikennelinjastot sekä nykytilannetta kuvaavat kysyntämatriisit. Näiden pohjalta on laadittu valtakunnalliset paikkatietopohjaiset liikkumisen tunnuslukuja kuvaavat mallit, joissa on kehitetty ja testattu uudenlaisia menetelmiä valtakunnallisen liikenne-ennusteiden ja liikennevirtamatriisien laatimiseksi. Liikennevirtamatriiseilla voidaan laatia väyläkohtaisia liikenne-ennusteita sekä vaikutustarkasteluja valtakunnallisen Emme-ohjelmistossa toimivan liikenne-ennustemallin avulla. Liikenne-ennusteen päivityksessä liikkumistarpeiden ennuste- menetelmän pohjaksi on luotu ajoneuvokannan rakenteen ja kustannusten kehitysennuste, jonka avulla yksilömallilla laadittuja suorite-ennusteita on tarkennettu. (Liikennevirasto 2016) Liikenneviraston strategisten mallien kehittämistä koskevassa selvityksessä (Moilanen et al. 2011) suositeltiin siirryttävän mallijärjestelmään, jossa mallijärjestelmä koostuisi henkilö- ja tavaraliikenteen osamalleista ja niitä täydentävistä yleisistä malleista. Mallijärjestelmää on kehitetty tämän suuntaisesti 2010-luvun alkuvuosina. Ennustemalleilla voidaan ensisijaisesti tarkastella strategisten politiikkatason toimenpiteiden vaikutuksia liikenteen kysyntään. Tarkoituksena on tuottaa liikkumistunnuslukuja sekä yksi- lömallilla että valtakunnallisella liikenne-ennustemallilla. Mallien yhteydet on esitetty kuvassa 1. (Liikennevirasto 2016) Kuva 1. Liikenneviraston strategisen liikenne-ennustemallien rakenne. (Liikennevirasto 2016) Jo 1970-luvulta asti säännöllisesti toteutettu valtakunnallinen henkilöliikennetutkimus (HLT) on ollut tärkein liikkumistottumuksissa tapahtuneita muutoksia kuvaava tutkimusaineisto, joka on myös tärkein valtakunnallisten mallien pohjalla olevan nykytilannekuvauksen lähtöaineis- to. Muun muassa valtakunnalliset yksilömallit (Moilanen et al, 2014b) perustuvat valtakunnal- liseen henkilöliikennetutkimukseen. Yksilömalleilla laaditussa kysyntäennusteessa asukkai- 5 den liikkumistarpeita kuvaavan henkilöliikennetutkimuksen tiedot on laajennettu koko Suo- men väestön tulevaisuuden ikä- ja aluerakenteen mukaiseksi. Valtakunnallinen henkilöliikennetutkimus on toteutettu viime vuosikymmenten aikana kuuden vuoden välein. Parhaillaan meneillään olevassa vuoden 2016 alussa käynnistyneessä tutki- muskierroksessa henkilöliikennetutkimuksen otosta on voitu merkittävästi suurentaa, sillä aiemman suuruisen valtakunnallisen tutkimusotoksen (21 000 henkilöä) lisäksi tutkimukseen on voitu sisällyttää alueelliset lisäotokset. Tutkimuksen kokonaisotos on noin 65 000 henki- löä, josta 21 000 henkilöä kuuluu valtakunnalliseen otokseen ja noin 44 000 painottuu tutki- mukseen osallistuville suurille ja keskisuurille kaupunkiseuduille. Aiempaa laajempana toteu- tettu henkilöliikennetutkimuksen tiedonkeruu antaa mahdollisuuksia valtakunnallisten ja alu- eellisten liikennemallien kehittämiseen. Varsinaisen tutkimuksen rinnalla pilotoidaan kolmea erilaista paikannuspohjaista tiedonkeruumenetelmää, joita ovat matkapuhelinpaikannus, gps- laitteeseen perustuva paikannus sekä matkapuhelinverkkodatan hyödyntäminen. (HLT 2016) Liikkumisvalintojen yksilömalli sisältää kuvauksen valtakunnallisesta henkilöliikenteestä sekä alue- ja yhdyskuntarakenteesta. Yksilömallin tavoitteena on ollut muodostaa erilaisten käyttä- järyhmien liikkumista kuvaava laskennallinen malli, joka kattaa kaikki liikennemuodot. Yksi- lömallissa on käytetty aikaisempaa kattavammin eri tietoaineistoja yhdistämällä ne toisiinsa paikkatiedon avulla ja soveltamalla Brutus-simulointimenetelmää. Malli kuvaa asuttua alue- ja yhdyskuntarakennetta neliökilometrin tarkkuudella. Tie- ja katuinfrastruktuurista verkkomal- lissa ovat Liikenneviraston tierekisterissä kuvatut yleiset tiet. Joukkoliikenteen kuvauksen pohjana on ollut joukkoliikenteen valtakunnallisen reittitietopalvelun aineisto. (Moilanen et al, 2014b) Mallissa liikkumista kuvataan erilaisten simuloivien osamallien avulla. Mallissa on mahdollista kuvata yksilöllisiä valintoja ja ottaa huomioon matkaketjut ja matkojen muuttuvat ajankohdat. Maankäytön eri toimintojen aiheuttamaa liikenteen kysyntää mallinnetaan autonomistuksen, matkatuotoksen, suuntautumisen, kulkutavan valinnan ja myös reittien sijoittumisen suhteen. Yksilömallia on käytetty muun muassa tiemaksuskenaarioiden vaikutusten arvioinnissa ja niiden avulla on tehty arvio kotimaan henkilöliikenteen määrästä ja suuntautumisesta vuosina 2025 ja 2040. Ennusteet perustuivat Tilastokeskuksen väestöennusteisiin ja oletettuun brut- tokansantuotteen kasvuun yhdellä prosentilla vuodessa. (Moilanen et al, 2014b) Valtakunnallisten liikenne-ennusteiden laadintaan on myös kehitetty skenaariotyökalu, joka pohjautuu Liikennevirastossa kehitettyyn valtakunnalliseen liikennemallimenetelmään. Työ- kalun pääkomponentteina ovat ajoneuvokannan makromalli sekä valtakunnallinen Brutus- simulointimenetelmään perustuva yksilömalli. Skenaariotyökalulla on tuotettu kolme ennus- teskenaariota, jotka ovat trendiskenaario, perusskenaario ja hinnoitteluskenaario. Trendiske- naario noudattaa viimeaikaista talous- ja hinnoittelukehitystä. Perusskenaariossa ja hinnoitte- luskenaariossa on korotettu polttoaineveroa. (Strafica 2015) Valtakunnallisia liikenne-ennustemalleja tukevat osaltaan alueelliset liikennemallit, joista kat- tavin ja maantieteellisesti laajin on Helsingin seudun liikennemalli (HSL 2011a). Helsingin seudun liikennemallia on ylläpidetty ja kehitetty systemaattisesti 1980-luvulta asti vaikutusten arvioinnin tarpeisiin. Se pohjautuu säännöllisiin matkapäiväkirja- ja määräpaikkatutkimuksina tehtäviin liikennetutkimuksiin. Viimeksi vuonna 2011 päivitetty HSL-alueen Helmet- mallijärjestelmä kattaa lähes koko Uudenmaan alueen. Malli on rakenteeltaan neliportainen malli, joka sisältää matkatuotosten, kulkutavan, matkojen suuntautumisen ja reitin valinnan mallintamisen. Malliin kuuluvat kysyntämallit sekä liikenneverkon tarjontamallit. Lisäksi Hel- singin seudulle on laadittu samasta liikennetutkimusaineistosta yksilömallit (HESY-mallit) (HSL 2011b). 6 Helsingin seudulle on laadittu myös Brutus-mallijärjestelmään perustuva ruutupohjainen mal- li, joita on käytetty muun muassa maankäytön erilaisten kehityskuvien liikenteellisten vaiku- tusten arviointiin. (HSL 2012) 2.2 Liikennemuotokohtaiset liikenne-ennusteet Valtakunnallisten liikenne-ennusteiden laadinnassa on osin käytetty erilaisia liikennemalleja taustamalleina. Valtakunnalliset liikennemuotokohtaiset tarkennetut ennusteet on tuotettu erillään yksilömalleista ja niissä ei yleensä ole hyödynnetty kulkutavan tai kuljetusmuodon valintamalleja. Tieliikenteen valtakunnallinen ennuste vuosille 2030 ja 2050 perustuu talouskehitykseen se- kä alue- ja yhdyskuntarakenteen kehitykseen. Ennuste kuvaa henkilöautoliikennettä ja kuor- ma-autoliikennettä. Kulkutavan valintaa on tarkastelu asiantuntija-arviona tehdyillä herkkyys- tarkasteluilla, joiden avulla on selvitetty joukkoliikenteen kysynnän kasvun vaikutuksia tielii- kenteen kysyntään. Kulkutavan valintaa ei tieliikenne-ennusteessa ole mallinnettu. (Ristikar- tano et al. 2014) Rautateiden henkilöliikenteen ennusteet rataosakohtaisina matkustajamääräennusteina on laadittu valtakunnallisella henkilöjunaliikennettä käsittelevällä liikenne-ennustemallilla, joka sisältää myös kulkutavan valintamallin. Malliin on kuvattu kunta-aluejaolla juna-, henkilöau- to-, linja-auto- ja lentoliikenne. Malli on luonteeltaan muutosmalli, jolla arvioidaan liikennejär- jestelmän muutoksen aiheuttamia vaikutuksia junamatkojen määriin perusvuoden tiedossa olevaan liikennekysyntään nähden. Liikenne-ennusteita laadittaessa tärkeimpänä muuttujana on asemavälikohtaisten matka-aikojen muutos. (Rinta-Piirto 2011) Rautateiden tavaraliikenne-ennusteen lähtötietoja ovat olleet tiedot nykyisistä rautatiekulje- tuksista, nykyisten ja potentiaalisten uusien kuljetusasiakkaiden haastattelut sekä asiantunti- ja-arviot ja selvitykset rautatiekuljetusten kehitykseen vaikuttavista toimintaympäristön muu- toksista. Puukuljetusten ennusteissa hyödynnettiin lisäksi Liikenneviraston valtakunnallisia raakapuun ja energiapuun optimointimalleja. Rataverkon tavaraliikenne-ennuste on laadittu vuodelle 2035 erikseen kotimaan tavaraliikenteelle ja transitoliikenteelle. Kotimaan tavaralii- kenne-ennuste on jaettu yhdeksään eri tavararyhmään. Rautateiden tavaraliikenne- ennusteessa on käytetty reitin valintaa kuvaavaa sijoittelumallia. (Lapp ja IIkkanen 2014a) Suomen ja ulkomaiden välisen meriliikenteen ennuste vuodelle 2040 perustuu arvioihin vien- timarkkinoiden talouden, suomalaisten tuotteiden kilpailukyvyn sekä tuotteiden jalostusas- teen kehittymisestä. Tuonnin ennusteet pohjautuvat toimialojen vientiennusteisiin ja talous- kehitykseen. Lisäksi sekä viennin että tuonnin ennusteissa on otettu huomioon erilaiset toi- mialakohtaiset erityistekijät, jotka vaikuttavat kuljetusmäärään. Ennusteet on laadittu toimi- aloittain Liikenneviraston tilastojen mukaista tavararyhmäjakoa käyttäen. Viennin, tuonnin ja transitoliikenteen ennusteet on jaettu merialueittain sekä kuljetustavoittain irtotavaran, suur- yksiköiden ja muun yksiköidyn tavaran kuljetuksiin. (Lapp ja Iikkanen 2014b) 2.3 Hankearvioinnin liikenne-ennusteet Hankearviointiin liittyvien liikenne-ennusteiden muodostamiseen Liikennevirasto käyttää eri- laisia menetelmiä. Niiden käyttötarvetta harkitaan ottamalla huomioon hankkeen laajuus ja sijainti. Selkeissä ja yksinkertaisissa hankearvioinneissa pyritään aina perustellun ja analyyt- tisen liikenne-ennusteen käyttöön. 7 Liikenne-ennustetavan valinta liittyy oleellisesti hankkeen arviointitapaukseen sekä vaikutus- alueen rajaukseen. Käytettäviä liikenne-ennustetapoja on kolme eri vaihtoehtoa (Liikennevi- rasto 2016): 1. Tieliikenteen yleiset liikennemuotokohtaiset tai hankekohtaisesti määritetyt ennusteet. Tie- liikenteen ennuste on sisällytetty IVAR-arviointimenetelmään, jolloin valtakunnallinen ennuste kuvautuu myös hanketason ennusteisiin. 2. Seudulliset tieverkkotarkastelut eli seutujen omat räätälöidyt mallijärjestelmät ja niiden perusteella tehdyt ennusteet. Näitä voidaan käyttää kaupunkiseuduilla, joissa ei ole olemas- sa seudullista liikennemallia. 3. Seudulliset liikennemallit ja niiden perusteella muodostetut ennusteet. Näiden pohjalta voidaan tehdä hankearviointeja niillä kaupunkiseuduilla, joissa on olemassa seudullinen lii- kennemalli (esimerkiksi Helsingin seutu, Tampere, Turku, Oulu, Kuopio ja Vaasa). Hankearvioinnissa käytettävää ennustetta valittaessa varmistetaan, että ennuste vastaa rea- listista käsitystä liikenteen kasvusta. Ennusteeseen ei sisällytetä sellaisia liikenteen kysyn- tään vaikuttavia muutoksia, joiden toteutumisesta ei ole varmuutta (esimerkiksi tienkäyttö- maksut, viisumivapaus). Näiden tekijöiden vaikutusta hankkeen kannattavuuteen tutkitaan herkkyystarkasteluilla. 8 3. Kysynnän mallintamisen lähtökohtia Liikenteen kysyntää voidaan mallintaa hyvin erityyppisillä menetelmillä aina asiantuntija- arvioista ja yksinkertaisista kasvukerroinmalleista monimutkaisiin matemaattisiin malleihin. Edelliset perustuvat kokemukseen ja järkeilyyn, viime mainitut yleensä estimoidaan analyytti- sin menetelmin kvantitatiivisesta havaintoaineistosta. Ennusteiden tarkkuuteen ja toimivuuteen vaikuttaa myös se, miten hyvin ilmiö tunnetaan. Ennustemenetelmät vaihtuvat ilmiön elinkaaren aikana. Jos ilmiön vaikutuksia ei tunneta vielä hyvin, voidaan esim. kysyä suurelta joukolta, mitä mieltä he ovat (kuva 2) ja päätellä vastauksista jotain. Kun ilmiö vakiintuu ja tunnetaan, voidaan luoda analyyttisiä malleja. En- nakoinnissa ilmenee uudelleen haasteita, kun ilmiö lähestyy elinkaarensa loppua. Kuva 2. Asiantuntijuuden ja ennusteiden tarkkuuden suhde (Armstrong 1985). Vaikka mallintamista ja ennustamista ei voida täysin erottaa toisistaan, niillä on pieni, mutta tärkeä ero. Mallintaminen on sellaisten työkalujen kehittämistä ja soveltamista, joilla pysty- tään arvioimaan liikennetarjonnassa tapahtuvien muutosten vaikutuksia loogisesti ja johdon- mukaisella tavalla. Niiden pitää antaa päätöksentekoon ja vaihtoehtojen vertailuun vertailu- kelpoisia lähtötietoja. Ennustamisessa yritetään tuottaa tietoa tulevaisuuden tilanteesta, liikennevirroista, maankäy- töstä jne. Ennusteita tuotetaan tavallisesti malleilla, mutta muitakin keinoja voidaan käyttää. Ennusteet poikkeavat toisistaan ja niitä voidaan vertailla ennusteen laatijan kokemuksen, tulosten järkevyyden, käytetyn mallin ja lähtötietojen ja muiden lähtöoletusten perusteella. Ennusteen onnistuminen mitataan viime kädessä ajan kuluessa. On tärkeää ymmärtää näiden kahden toiminnon ero, koska se vaikuttaa menetelmän valin- taan olennaisella tavalla. Jos tavoitteena on liikenne-ennuste, on parasta määritellä tekijät, jotka todennäköisimmin vaikuttavat ennusteeseen ja keskittyä saamaan ne oikein. Jos tavoit- teena on antaa pohjaa liikennepoliittiselle päätöksenteolle, saatetaan tarvita uusia tutkimuk- sia liikennejärjestelmän toiminnan paremmaksi ymmärtämiseksi. Mitä enemmän tarvitaan vastauksia strategisen tason suunnitteluun, sitä enemmän tarvitaan mallikeskeistä ajattelua. Tutkimuksilla ja malleilla voidaan yrittää löytää ymmärrystä, kun liikennejärjestelmään tarjo- taan täysin uusia osia. On myös tärkeää huomata, ettei kumpikaan lähestymistapa ole si- nänsä oikein tai väärin, vaan ne heijastavat liikenteen kysyntäennusteen erilaisia käyttötar- peita ja tärkeysjärjestystä. (TRB 2010) 9 3.1 Laadulliset mallit Delphi-menetelmä Delphi-menetelmä on tulevaisuuden tutkimuksen menetelmävalikoimaan kuuluva asiantunti- jaryhmän haastattelu, jossa kunkin vastaukset auttavat yhteisen näkemyksen luomista itera- tiivisesti. Menetelmä on käyttökelpoinen, jos asiantuntijoilla on hyvä käsitys asiasta tai ilmiös- tä, mutta sen avulla on haastavaa tuottaa kvantitatiivisia ennusteita. Asiantuntija-arviot Liikenne-ennusteita voidaan tuottaa myös asiantuntija-arvioina. Erityisesti lyhyen aikavälin kysyntäennusteet voidaan laskea talous- ja työllisyyskehityksen perusteella hyödyntämällä matkatuotoslaskentaa. Asiantuntija-arviona voidaan kerätä myös näkemyksiä toimintaympä- ristön laadullisista muutoksista. Varsinkin uuden teknologian yleistymisen on havaittu asian- tuntija-arvioissa jäävän aliarvioiduksi, sillä eksponentiaalista kasvua on markkinoille tulon aikana haastavaa ennakoida (Armstrong 1985). Wagenaarin ja Sagarian (1975) tutkimusten mukaan asiantuntijaennusteet eksponentiaalisesta kasvusta ovat hyvin varovaisia. Markkinoiden ennusteteoria (Prediction market theory) Tulevaa kysyntää voidaan määritellä myös arvioperusteisesti keräämällä havaintoja edusta- valta joukolta yksilöitä. Markkinoiden ennusteteorioissa määritellään yksikäsitteinen kysymys, esimerkiksi kuinka paljon pingispalloja on astiassa, jonka vastaajat näkevät. On havaittu, että kun kysytään tarpeeksi monelta, vastausten keskiarvo alkaa lähestyä oikeaa vastausta. Me- netelmää voidaan soveltaa esimerkiksi tulevaisuuden teknologisten ratkaisujen yleistymisen ennakoinnissa, esimerkiksi arvioitaessa milloin robottiautot ovat markkinoille (kuva 3). Lähtö- kohtaisesti vastaajien ei markkinoiden ennusteteoriassa tarvitse olla asiantuntijoita, kunhan he ymmärtävät asian ja arvioitavan ilmiön aikajänne ei ole liian pitkä. Kuva 3. Vastausten jakauma kysymykseen ”Minä vuonna arvelette suurimman osan autoista pystyvän ajamaan automaattisesti?” (Kyriakidis et al. 2015, N=4886). 10 3.2 Kysynnän simulointi Liikenteen kysyntämallit, sekä perinteiset että kehittyneet, perustuvat yleensä todennäköi- syyttä arvioiviin valintamalleihin. Kulkutavan valintamalli ennustaa todennäköisyyden, jolla tietty kulkutapa valitaan ottaen huomioon eri kulkutapojen tarjoamat hyödyt ja vastukset. Ker- tomalla joukkoliikenteen valintatodennäköisyydellä kokonaismatkamäärä, saadaan joukkolii- kenteen käyttäjien matkamäärä tietyllä yhteysvälillä. Kysyntää voidaan arvioida myös simu- loimalla. Tällöinkin vaihtoehdoille lasketaan valintatodennäköisyydet, joiden avulla arvotaan kunkin matkan kulkutapa. Molemmat mallit tuottavat yleisellä tasolla melko samansuuntaisia tuloksia. Liikenteen ennustamisessa kysynnän simuloinnista saatetaan käyttää nimitystä mikrosimu- lointi. Kysynnän simulointia/mikrosimulointia ei pidä sekoittaa liikenteen mikrosimulointiin, jossa simuloidaan yksittäisten ajoneuvojen ja objektien liikettä. Kysynnän simulointiin on muutama käytännön peruste: ensinnäkin sillä saavutetaan hyötyjä laskennan tehoissa ja levytilan käytössä. Toiseksi, pitämällä kirjaa yksittäisten toimijoiden valinnoista varmistetaan toimijoiden myöhempien valintojen looginen yhteensopivuus aikaisempien valintojen kanssa. Kysynnän simulointi mahdollistaa siis monimutkaisempien ja kehittyneempien mallien kehi- tyksen: jos valitsin tänään bussin, se vaikuttaa todennäköisesti päivän myöhempiin valintoi- hin. Noin 20 vuotta sitten kehitetyssä valtakunnallisessa HELVI-mallissa käytettiin simulointia. Sen käyttö on kuitenkin jäänyt vähäiseksi. Vaikka se systeemitasolla ennustaa oikein, yksi- tyiskohtien virheet ovat helposti huomattavan suuria. 3.3 Aikasarjamallit Kasvukerroinmallit perustuvat havaitun kehityksen ekstrapolointiin: kehityksen oletetaan jat- kuvan aikaisemman kehityksen mukaisena tai muuttuvan toimintaympäristön muutosten vai- kutuksesta. Autokantaennuste on tästä hyvä esimerkki (kuva 4). Se myös osoittaa trendin ekstrapoloinnin ongelmat: ilmiöiden yleistymiskehitys noudattaa usein S-käyrää. Alkuvai- heessa ilmiön kehitystä tyypillisesti aliarvioidaan ja saturaatiovaiheessa yliarvioidaan. Kehitys ikään kuin jatkuisi lineaarisesti vanhaan malliin. Uusissa liikennemalleissa tulisi kuvata oleel- liset ilmiöt ja niihin vaikuttavat tekijät sekä havaita, missä vaiheissa kehitystä ollaan. Kuva 4. Systeemien kehittyminen ja käyttöönotto vs. ekstrapolaatiomallit. (Levinson ja Krizek 2015) 11 Hyvän kuvan trendiä ekstrapoloivan kysyntämallin ongelmasta antaa Yhdysvaltojen tieliiken- teen kysyntäennusteet viime vuosina (kuva 5). Lähes 10 vuoden ajan kysyntä (ajosuorite) on pysynyt suunnilleen samana, mutta ennusteissa se ei ole näkynyt kuin vaihesiirtona. Kuva 5. Yhdysvaltojen valtatieverkon kysyntäennusteet (mrd. ajon.mailia) ovat olleet viime vuosina yliarvioivia. (Levinson ja Krizek 2015) 3.4 Analyyttiset mallit Gravitaatiomallit Gravitaatio- eli vetovoimamalleja on käytetty liikenteen mallintamisessa jo 1950-luvulta saak- ka. Periaatteen kehitti jo Newton. Vetovoimamalleissa ”sosioekonomiset massat” vetävät toisiaan puoleensa. Vetovoimaa säätelevänä etäisyysfunktiona on esimerkiksi etäisyyden potenssiin korotettu käänteisluku, jossa eksponentti n ja kerroin k ovat estimoitavia paramet- reja: k * Massai * Massaj / kustij n Eräänlainen gravitaatiomalli on myös entropiamalli, joka on muotoa k * Massai * Massaj * exp(-n) Gravitaatiomalleja ei yleensä käytetä monikulkumuotoisten järjestelmien mallintamiseen, mutta ne soveltuvat hyvin suuntautumismallien ja yhden kulkutavan liikenteen ennustami- seen ja autoliikennehankkeiden mitoitukseen. Gravitaatiomalleilla ei voi suoranaisesti käsitel- lä matkaketjuja. Regressiomallit Regressiomallien avulla voidaan tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla voidaan pyrkiä vastaamaan esimerkiksi siihen vaikut- taako alueella sijaitsevien työpaikkojen määrä alueelle suuntautuvien matkojen pituuteen. Regressioanalyysin etuna on, että sillä voidaan tutkia yhtä aikaa monen selittävän muuttujan 12 vaikutusta selitettävään muuttujaan. Tulokset kertovat, mikä on yksittäisen selittävän muuttu- jan osuus silloin, kun muiden vaikuttavien tekijöiden vaikutus selitettävään muuttujaan on otettu huomioon. (KvantiMOTV 2015) Regressiomallit ovat monipuolisia ja joustavia menetelmiä muuttujien välisten kausaalisuh- teiden tutkimukseen. Regressiomallien edellytyksenä on, että selitettävä muuttuja on vähin- tään välimatka-asteikollinen. Selittävät muuttujat ovat yleensä myös vähintään välimatka- asteikollisia, mutta myös luokittelu- ja järjestysasteikollisia muuttujia voidaan sisällyttää ana- lyysiin, jos niistä tehdään ns. dummy-muuttujia. (KvantiMOTV 2015) Neliporrasmallit Liikenteen mallintamisessa (esimerkiksi HSL:n Helmet-malli) käytetään yleisesti jo yli 50 vuotta sitten kehitettyä neliporrasmallia. Neliporrasmallissa mallinnetaan matkoja neljän pää- töksentekovaiheen kautta, jotka ovat matkatuotosmalli, suuntautumismalli, kulkutavan valin- tamalli sekä reitinvalinta. Neliporrasmallien suurimpia puutteita on, että ne eivät lähtökohtai- sesti kuvaa matkaketjuja, vaan yksittäisiä matkoja. Matkaketjujen avulla yksilön liikkumistot- tumuksia ja -valintoja olisi mahdollista kuvata totuudenmukaisemmin kuin yksittäisinä mat- koina, sillä matkojen ominaisuudet – esimerkiksi määränpää ja kulkutapa – riippuvat yleensä toisistaan. Neliporrasmalliprosessi toimii kohtuullisen hyvin ja loogisesti, joten se on edelleen vallitseva liikenne-ennusteiden laadintamenetelmä kaupunkiseutujen liikennemalleissa. Edellä mainitut heikkoudet on tunnistettu ja neliporrasmallin tarkkuutta on pyritty kehittämään. Usein se on merkinnyt monimutkaisuuden lisääntymistä ja malleja varten kerättävän lähtötietojen vaati- musten kasvamista. Monimutkaiset mallit eivät kuitenkaan aina ole parempia malleja tai ne eivät ole käyttökelpoisia hankearvioinnin tarpeisiin. Vasta viime aikoina on voitu ottaa käyt- töön neliporrasmalleja korvaavia seudullisia mallijärjestelmiä, jotka perustuvat esimerkiksi aktiviteettimalleihin. Aktiviteettimallit Perinteisissä malleissa ”matka” on analyysin perusyksikkö. Siinä lähtö- ja määräpaikka mää- rittelevät matkan. Kuvassa 6 on esimerkki viidestä päivän aikana tehtävästä matkasta. Mat- kapohjaisessa mallissa kukin matka mallinnetaan erillisenä, ilman että se liittyy muihin aktivi- teetteihin tai paikkoihin. Esimerkissä matkat on luokiteltu kolmeen ryhmään: kotiperäiset työmatkat (HBW), kotiperäiset muut matkat (HBO) ja ei-kotiperäiset matkat (NHB). Jos mat- kan toinen pää on kotona, mallissa voidaan käyttää alueen sosioekonomisia ominaisuuksia. Sen sijaan ei-kotiperäisillä matkoilla tämä ei ole mahdollista. Kotiperäiset työmatkat (HBW) muodostavat mallissa tärkeän komponentin ruuhkaisen liikenteen kuvauksessa. Vaikka mat- kat 2 ja 3 muodostavat yhdessä työstä paluumatkan, niitä ei mallinneta työmatkana. Matka- pohjainen malli kadottaa siten informaatiota matkojen välisestä riippuvuudesta ja vuorovaiku- tuksesta. 13 Kuva 6. Esimerkki matkoista. (Donnelly et al. 2010) Kuvan 6 matkat voidaan esittää myös kahtena matkaketjuna (kuva 7), jotka alkavat kotona (työmatkaketju ja muu matkaketju). Matkaketjusta tulee analyysin pääyksikkö. Matkaketju- pohjaisissa malleissa päätöksenteko on edelleen matkojen tasolla, mutta matkojen pitää olla yhteensopivia sen matkaketjun kanssa, jonka osana ne ovat. Kun matkoja ryhmitellään mat- kaketjuiksi, päästään suurelta osin eroon informaation kato-ongelmasta, joka on matkapoh- jaista mallintamisen suurimpia heikkouksia. Koska ketjut voidaan aloittaa kotoa, mallissa voidaan käyttää lähtötietona osa-alueiden sosioekonomisia ominaisuuksia. Kuva 7. Esimerkki matkaketjuista. (Donnelly et al. 2010) Matkaketjupohjaista mallinnusta on jo voitu soveltaa ns. yksilömalleissa. Suomessa valta- kunnallisena ja erikseen HSL-alueelle laadittu yksilömalli (ns. Brutus-malli) käsittelee matkoja matkaketjuina siten, että matkaketjujen määränpäät simuloidaan vastaamaan mahdollisim- man hyvin valtakunnallisessa liikennetutkimusaineistossa esiintyviä matkaketjuja. Mallissa erotetaan matkaketjusta määräävä tärkein määränpää, joka esimerkiksi siirtymässä kouluun asiointipaikan kautta on koulu. Matkaketjun yksittäiset päätepisteet mallinnetaan suuntautu- mismallin avulla. (Moilanen et al. 2014b, HSL 2012) Aktiviteettipohjaisessa liikennemallissa matkustaminen mallinnetaan aktiviteeteista johdettu- na kysyntänä, eli tarpeesta ja ajallisista mahdollisuuksista osallistua aktiviteetteihin, kun taas matkapohjaisessa mallinnuksessa mallinnetaan suoraan matkoja. Kuva 8 näyttää saman matkustuspäivän kuin edellisen sivun kuvissa, mutta listaa aktiviteetit eri paikoissa. 14 Kuva 8. Esimerkki aktiviteeteista. (Donnelly et al. 2010) Aktiviteettimallien lähtökohtana on, että matkan lähtökohtana on tarve tehdä työtä eikä työ- matkoja, tehdä ostoksia eikä ostosmatkoja jne. Niinpä ne voivatkin mallintaa paremmin pää- töksentekoa esimerkiksi tilanteessa, jossa vaihtoehtona on poiketa kauppaan kotimatkalla tai tehdä kokonaan uusi ostosmatka myöhemmin kotoa lähtien. Ne voivat myös mallintaa valin- taa ostosmatkan tai nettikaupan käytön välillä. Alan kirjallisuus ei ole vielä aivan yksimielinen matkaketjumallien ja aktiviteettimallien määrittelyistä ja eroista. Usein niillä tarkoitetaan sa- maa asiaa. Matkaketju- ja aktiviteettipohjainen mallinnus edellyttää huomattavasti enemmän lähtötietoja kuin perinteinen matkojen mallintaminen. Liikennetutkimusten matkahavaintoaineistossa esiintyy huomattavasti erilaisia matkaketjukombinaatioita kuin yksittäisiä matkakombinaatioi- ta. Mallinnuksen vaikeusaste kasvaa, kun mallinnuksessa on otettava huomioon toisistaan riippuvien matkan osavaiheiden ajoittuminen. Aktiviteettipohjaisissa malleissa myös aktivi- teettien luonne ja niihin käytetty aika sekä mahdolliset vaihtoehtoiset aktiviteetit edellyttävät lähtötietoja myös itse toiminnoista eikä pelkästään siirtymistä toimintojen välillä. 3.5 Simulaatiomallit Simulaatiomallit tai dynaamiset systeemimallit ovat periaatteessa paljon parempi tapa mallin- taa todellisuutta kuin nykyisenlaiset lineaariset, esim. neliporrasmallit. Kun perinteinen liiken- nemalli tuottaa ennusteen haluttuun ajalliseen poikkileikkaukseen, dynaaminen systeemimalli näyttää, miten sinne ajan mukana päädyttiin. Lineaarisissa malleissa muuttujien oletetaan olevan toisistaan riippumattomia, mikä ei pidä täysin paikkaansa. Systeemimalleissa otetaan huomioon muuttujien väliset yhteydet ja vuorovaikutus. Liikenteen mallintamisessa Monte Carlo -simuloinnilla voi olla lähtökohtana matemaattinen kysyntämalli, jonka kaikille muuttujille sovitaan todennäköiset vaihteluvälit ja jakaumat. Sen jälkeen annetaan muuttujien vaihdella sovittujen arvojen mukaisesti satoja tai tuhansia kerto- ja. Lopputuloksena saadaan ennustettavan suureen jakauma, esimerkiksi kuinka liikenne- suorite todennäköisesti jakaantuu ennustevuotena. Kun tavalliset liikenne-ennusteet antavat tuloksen 50/50 (ennuste on 50 % todennäköisyydel- lä ali tai yli), ennusteen käyttäjä tai päätöksentekijä voi valita jakaumasta minkä riskin haluaa ottaa, esimerkiksi 80/20-tason (ennuste on 80 % todennäköisyydellä alle valitun arvon ja 20 % todennäköisyydellä yli). 15 Menetelmä sopii erityisen hyvin moniulotteisille ongelmille, joiden lähtötietojen tiedetään ole- van epätarkkoja. Eräs tunnetuimmista Monte Carlo -simulaatioiden sovelluksista on sääen- nusteissa käytetyt parviennusteet. Niissä samaa ilmakehämallia ajetaan hieman erilaisin lähtötiedoin samalle ennustusjaksolle kymmeniä, jopa satoja kertoja. Tällöin malliajojen tulos- ten hajonnasta voidaan tehdä johtopäätöksiä sääilmiöiden todennäköisyyksistä ja ennustei- den epävarmuudesta. Myös Suomessa kehitetyssä Brutus-simulointimallissa hyödynnetään stokastista diskreettiä Monte Carlo -simulointia. Siinä liikkumisen hyötyä kuvaavia estimoituja funktioita sovelletaan stokastisesti valintatodennäköisyyksinä kuvaamaan yksilöiden päätöksentekotilanteita. Tois- tamalla simuloituja stokastisia päätöksiä miljoonia kertoja on voitu muodostaa liikkumisen kokonaiskuva tavalla, joka vastaa simuloitaessa käytettyjä referenssijakaumia ja hyötyfunkti- oita. Erona aiemmin käytettyihin malleihin Brutus käsittelee tilastoaluekohtaisten keskiarvo- jen sijaan yksilöitä, yksittäisten matkojen sijaan matkaketjuja ja laajojen tilastoalueiden tai kuntajaon sijaan 250 tai 1 000 metrin ruudukkoa. Brutus-malli jakautuu suuntautumismalliin ja kulkutavan valintamalliin. Suuntautumismallissa luodaan matkaketjuja kulkutavoittain valit- semalla matkakohteita yksitellen ja kulkutavan valintamallissa tehdään valintoja näiden eri kulkutavoilla luotujen matkaketjujen välillä. Vahvuutena on erityisesti kävely- ja pyöräilymat- kojen mallintaminen osana kulkutavan valintaa. (HSL 2012, Moilanen et al. 2014b) 16 4. Liikenne-ennusteiden muuttuvat tarpeet ja vaatimukset 4.1 Toimintaympäristön muutokset tulevaisuuden liikennejärjestelmä Tulevaisuuden toimintaympäristö ja sen liikennejärjestelmä on erilainen kuin nykyinen. Voi- daan kuitenkin olettaa, että liikenneväylät -ja infrastruktuuri, joihin on sitoutunut paljon pää- omaa, ovat jossakin muodossa edelleen käytössä tulevaisuudessa. Teitä pitkin liikutaan edel- leen ja tavaroita kuljetetaan. Liikkumistarpeisiin ja -tottumuksiin vaikuttavia megatrendejä ovat muun muassa kaupungis- tuminen, ajankäytön ja liikkumistottumusten muutokset, demografiset muutokset ja muuttolii- ke, ajoneuvotekniikan ja käyttövoimien muutokset, muutokset ajoneuvojen omistamisessa ja käyttötavoissa (kuva 9). Liikenne-ennusteiden haasteena on ennakoida, kuinka suuren osan uudet kulku-, matkustus- ja kommunikointitavat valtaavat nykyisiltä toimintatavoilta. Kuva 9. Liikkumistarpeisiin vaikuttavia globaaleja megatrendejä. (Frost & Sullivan 2015) 4.1.1 Kaupungistuminen Yhteiskuntien kaupungistuminen on yleismaailmallinen ilmiö. Suomessa kaupungeissa ja niiden kehysalueella asuvien osuus väestöstä on kasvanut viimeisen 35 vuoden aikana 61 prosentista 70 prosenttiin. Muissa Euroopan maissa kaupungistumiskehitys on edennyt Suomea pidemmälle. Kaupungistuminen on viime vuosikymmeninä muuttunut yhä selvem- min vain suurimpien kaupunkiseutujen kasvuksi. Keskisuuret keskukset ovat säilyttäneet kehityksessä asemansa, mutta monet pienemmät seudut ovat vähitellen muuttuneet väestöl- tään väheneviksi. Muuttoliike on tärkeä aluerakenteen muutosilmiö, jonka taustalla on monta tekijää. Elinkeinorakenteen muutos vaikuttaa suoraan myös kaupungistumiskehitykseen. 17 Monipuoliset, koulutusta ja asiantuntijatyötä tarjoavat alueet keräävät muuttajia. Kasvun myötä syntyy uusia työpaikkoja palvelualoille. Laaja-alaista korkeakoulutusta tarjoavat kes- kukset menestyvät, kun koulutusta ja erityisosaamista vaativat työpaikat lisääntyvät. Maan sisäinen muuttoliike on pitkään suuntautunut ensisijaisesti kaupunkiseuduille. Suurim- man muuttovoiton ovat koonneet suurimmat kaupunkiseudut ja Etelä-Suomen laajat kasvu- vyöhykkeet. Nuorten aikuisten ikäluokat ovat suurin muuttajien ryhmä. Huomattava osa opis- kelun tai työelämän aloittavista nuorista aikuisista muuttaa nimenomaan suurimpiin kaupun- keihin. Tilastokeskuksen trendiennusteen mukaan kaupungistuminen jatkuu samankaltaisena myös tulevaisuudessa. Vuonna 2050 noin puolet suomalaisista asuu neljässä suurimmassa seutu- kunnassa ja varsinkin metropolialueen kasvu jatkuu nopeana. Kehitys on seurausta globaa- lista verkottumisesta ja kaupunkien roolin kasvusta. Muiden suurimpien kaupunkiseutujen kasvu rakentuu jatkossa yhä enemmän luonnollisen väestönkasvun ja maahanmuuton va- raan. Keskisuurten kaupunkiseutujen kehitys riippuu tulevaisuudessa erityisesti palvelujen, kuten korkeakoulujen ja julkisten erikoispalvelujen, sijoittumisesta sekä elinvoimaisen yritys- toiminnan ja monipuolisen elinkeinorakenteen kehittymisestä. (Rissanen et al. 2013) Maahanmuutolla on yhä suurempi vaikutus väestörakenteeseen. Maahanmuuttajien määrä on kasvanut nopeasti 2000-luvulla ja määrän on ennakoitu kasvavan. Maahanmuutto tuo uusia asukkaita ja työntekijöitä myös väestötappioalueille. Pääosa maahanmuutosta suun- tautuu kaupunkiseuduille ja erityisesti koulutetut maahanmuuttajat asettuvat suurimpiin kes- kuksiin. Pakolaiset tuovat oman lisänsä väestöön. (Rissanen et al. 2013) Kaupungistumiseen vaikuttavat monet erilaiset syyt. Bettencourtin ym. (2007) mukaan kau- punki on paikan asemasta ihmisten ja toimintojen verkko, yhteydet määrittelevät kaupungin. Kaupungeilla on ambivalentti luonne: ne ovat samaan aikaan hyvinvoinnin ja kehityksen keh- toja ja toisaalta ne tuottavat kielteisiä seurausvaikutuksia kuten rikollisuutta ja päästöjä. Bet- tencourt ym. (2007) ovat löytäneet kaupunkien tilastotietoja analysoimalla yksinkertaisia riip- puvuuksia. Kun kaupungin koko kaksinkertaistuu, infrastruktuuria (kadut, muut verkostot) tarvitaankin vain 0,8 kertaa asukasta kohti (skaalaetu). Toisaalta kaupungin koon kaksinker- taistuminen tuottaa 1,2 kertaa enemmän asukasta kohti tuloja ja patentteja (innovaatioita), mutta samalla kertoimella myös ilman epäpuhtaudet ja rikollisuus kasvavat. (Bettencourt et al. 2007) Kaupungistuminen jatkuu kasvukaupungeissa, jotka tarjoavat uusia yhteyksiä (kohtaamisia), ideoita, mahdollisuuksia ja hyvinvointia. Keskuskaupunkien muuttovoitosta hyötyvät myös niiden ympäryskunnat. Suurimpien kaupunkien kehysalueen alakeskukset kasvavat ja vas- taavat kooltaan pieniä kaupunkikeskuksia. Muuttoliike näkyy myös yhdyskuntarakenteen sisällä, jossa se on kasvattanut kaupunkien reuna- ja lievealueita. Viime vuosina suurimmilla kaupunkiseuduilla myös kaupunkikeskustat ja perinteiset lähiöt ovat kasvattaneet suosiotaan asuinympäristöinä. Kaupunkiseutujen työssäkäynti- ja asiointialueet ovat laajentuneet. Lisääntynyt liikkuminen on vähentänyt väestönkasvua kaupungeissa ja lisännyt sitä kaupunkeja ympäröivillä alueilla. Lähes 90 prosenttia suomalaisista asuu kaupunkikeskusten toiminnallisilla alueilla. Tulevai- suudessa toiminnalliset alueet laajenevat edelleen, kun osa kaupunkien vaikutusalueen ul- kopuolisista pienistä keskuksista linkittyy aiempaa tiiviimmin suuriin keskuksiin. Toiminnallis- ten alueiden kehitys eriytyy pienempien kaupunkien suhteellisen vetovoiman heikentyessä. Lisäksi väestönkasvua suuntautuu suurempien kaupunkeja yhdistävien liikenneväylien ym- pärille muodostuville kehityskäytäville. 18 Metropolialue levittäytyy yhä laajemmalle alueelle ja muuttuu monikeskuksisemmaksi. Met- ropolialueen työssäkäyntialue laajenee lähialueen suurimpiin kaupunkeihin asti. Pääosa Ete- lä-Suomesta on metropolialueen vaikutuspiirissä samalla kun pääkaupunkiseudun rooli met- ropolialueen keskuksena säilyy vahvana. Taulukko 1. Kaupungistuminen megatrendinä. (Rissanen et al. 2013) Ilmiö Ilmiön kuvaus Merkitys liikennejärjestelmälle Keskittyminen kasvukes- kuksiin säilyy nopeana Väestönkasvu sekä yritystoiminnan mittakaa- va- ja kasautumisedut edesauttavat uusien työpaikkojen syntyä. Opiskelu- ja työpaikkatar- jonta tuovat muuttoliikettä kasvukeskuksiin joka puolelta Suomea sekä ulkomailta. Kasvukeskusten merkitys pääliikenneväylien solmukohtina korostuu. Liikennemäärät kasvavat keskusten välillä. Kaupunkiseutujen vaiku- tusalue ulottuu yhä kau- emmas Kaupunkien työssäkäynti-, asiointi- ja asunto- markkina-alueet laajenevat. Erikoistuneet palvelut keskittyvät kaupunkeihin. Seudullinen liikenne lisääntyy ja kuormittaa yhä enemmän maantieverkkoa. Matkaketju- jen kehittäminen ja seudullisen joukkoliiken- teen järjestäminen on entistä vaikeampaa. Metropolialue laajenee edelleen Toiminnallisesti yhä laajemmalle leviävä Hel- singin seutu on Suomen tasolla suurin muutto- voiton kerääjä. Liikenneverkko jäsentyy yhä enemmän metropolikeskeisesti. Metropolialueella on suuri merkitys koko maan kansainvälisissä liikenneyhteyksissä. Seutukuntien pikkukaupun- kikeskukset etsivät uusia vahvuuksia Teollisuuden rakennemuutos koettelee pikku- kaupunkeja, jotka eivät ole pystyneet laajasti hyötymään palvelualojen kasvusta. Seutukeskusten asema nojaa sekä yhteyk- siin muihin keskuksiin että seudun sisäisen, kokoavan liikenteen toimivuuteen. Maaseudun keskukset pyrkivät säilyttämään elin- voimaisuutensa Maaseudun keskukset ovat menettäneet työpaikkoja ja palveluja, mutta pyrkivät pitä- mään kiinni peruspalveluista. Maaseudun taajamat vetoavat rauhallisella elinympäristöl- lään. Joukkoliikenteen runkoyhteydet suurempiin seutu- ja maakuntakeskuksiin sekä toimivat matkaketjut ovat tärkeitä maaseutukeskuksil- le. Maaseutualueiden kehitys riippuu saavutettavuudesta ja yhteyksistä Kaupunkien kehysalue ja muu kaupunkien lähellä sijaitseva maaseutu hyötyvät kaupunki- en kasvusta, mutta kauempana maaseudulla asukasmäärä vähenee. Maaseudulla tarvitaan teiden kunnossapitoa ja nopeita tietoliikenneyhteyksiä. Kaupunkien kehysalueella ja läheisellä maaseudulla syntyy tarvetta myös uusille liikenneinves- toinneille. Kaupunkikulttuuri kehittyy Kaupunkiorganisaatio, kaupungin eri toimijat ja kaikki kaupunkilaiset synnyttävät yhä enem- män erilaisia sosiaalisia verkostoja, aktiviteet- teja ja tapahtumia, joita kaupunkitilan käyttö ja viestintä tukevat. Kaupunkikulttuurin kehittyminen voi vähen- tää kaupunkilaisten liikkumista muualle, mutta houkuttelee toisaalta vierailijoita ja matkailijoita kaupunkiin. Sosiaalinen eriarvoistumi- nen kaupunkien haasteena Kaupungit kokoavat yhteen hyvin toimeen tulevia ja huono-osaisia. Kaupunginosat eri- laistuvat sosiaalisesti. Joukkoliikennetarjonta vähentää sosiaalista eriarvoisuutta. Yhdyskuntarakenteen toi- mivuuden ja asuinympäris- tön laadun merkitys kau- punkien vahvuustekijöinä kasvaa Kaupunkien aluerakenteellisten yhteyksien perustana on yhdyskuntarakenteen toimivuus. Sujuva arki ja hyvä elinympäristö toimivat kaupunkien vetovoimatekijöinä. Yhdyskuntarakenne toimivien aluerakenteel- listen yhteyksien pohjana edellyttää seudun sisäisen liikenteen ja seutujen välisen liiken- teen liittymistä saumattomasti yhteen. 19 Kaupungistumisen on nähty lisäävän henkilöautosuoritetta, jos kaupunkiseudun kasvu koh- dentuu ensisijaisesti lievealueille ja kaupunkiseudun vaikutusalue kasvaa. Toisaalta on arvioi- tu, että kaupungistuminen mahdollistaa joukkoliikenteen, jalankulun ja pyöräilyn kannalta hyvän liikenneympäristön ja henkilöautoilun hinnoittelumallit, jotka voivat myös vähentää olennaisesti henkilöautoliikenteen kysyntää (Metz 2013). Kaupunkiseutujen kasvaessa ja toisaalta käytettävissä olevien lähtötietojen kehittyessä myös liikenne- ja maankäyttömallien kehittämiselle on suuria tarpeita (Wegener 2013). Liikenne- ja maankäyttömallit tarjoavat hyviä mahdollisuuksia myös matkojen korvautumisen mallintami- seen. 4.1.2 Demografiset muutokset ja kotitalousrakenteen muutokset. Ikärakenteen meneillään oleva muutos lisää erityisesti yli 65-vuotiaiden osuutta väestöstä. Työikäisen väestön absoluuttinen osuus ei juurikaan vähene, mutta suhteellinen osuus pie- nenee. Samaan aikaan kotitalouden keskikoko pienenee. Seutujen väestön muutokset koos- tuvat luonnollisesta väestönmuutoksesta (syntyvyys ja kuolleisuus), kuntien välisestä muutto- liikkeestä ja maahanmuutosta (kuva 10). Kuva 10. Ikärakenteen kehitys väestöennusteen mukaan seutukunnittain 2011–2040. Kuntien yhdistyminen muut- taa kaupunkien asemaa Kunnista muodostuu yhä enemmän toiminnal- lisen seudun kokoisia kokonaisuuksia, joissa tarkastellaan seudun maankäyttöön, asumi- seen, liikenteeseen, palveluihin ja elinkeinoihin liittyviä kysymyksiä. Seutujen julkinen liikenne muuttuu entistä enemmän kaupunkien sisäiseksi liikenteeksi. Kaupunkiseudut toimivat aiempaa yhtenäi- semmin liikennehankkeiden edistämisessä. Tämä tuo etuja suurilla kaupunkiseuduilla. Kaupunkien ja maaseudun vuorovaikutus säilyy tiiviinä ja saa uusia muotoja Kaupunkikeskukset elävät vuorovaikutuksessa maaseutualueiden kanssa niin työssäkäynnin, asioinnin, lähiruuan ja -energian tuotannon kuin luonnon virkistyskäytönkin osalta Kuljetuskustannusten ja energian hinnan nousu lisää lähiruuan, lähienergian lähteiden ja lähivirkistyksen kysyntää. Vuorovaikutus korostaa liikenneyhteyksien ja tietoverkkojen toimivuutta. 20 Väestön demografiset muutokset ovat alueellisesti epätasapainoisia ja väestön ikääntymisen on arvioitu vaikuttavan huomattavasti Suomen aluerakenteeseen tulevina vuosikymmeninä. Lasten, nuorten ja työikäisten määrä kasvaa merkittävästi vain suurimmilla kaupunkiseuduilla ja kaupunkien läheisellä maaseudulla – eläkeikäisten määrä sen sijaan kasvaa kaikilla seu- duilla. Huoltosuhde (kuva 11) heikkenee ja julkisten palvelujen rahoittaminen vaikeutuu. Joil- lakin alueilla ja toimialoilla voi esiintyä työvoimapulaa. Yli 65-vuotiaiden määrän ennakoidaan kasvavan nykyisestä noin miljoonasta lähes 1,6 mil- joonaan vuoteen 2040 mennessä. Muutos on suurin suurimmilla kaupunkiseuduilla, mutta ikääntyneiden osuus koko väestöstä on suurin pienissä seutukunnissa. Hyvin iäkkäiden lu- kumäärän kasvu lisää työvoimatarvetta hoiva-alalla ja muilla palvelualoilla. Iäkkäiden matka- ja kommunikaatiotarpeet ovat erilaisia aktiiviväestöön verrattuna. Toisaalta tulevaisuuden iäkkäät ovat aiempaa paremmin toimeentulevia ja parempikuntoisia, mikä lisää yksityisten palvelujen kysyntää. Lasten ja nuorten ikäluokan koko kasvaa hieman, mutta vain pienessä osassa seutuja. Oppi- laitosverkko ja koulutusalatarjonta seuraavat ikärakenteen muutoksia. Suurin osa toisen ja kolmannen asteen opintoihin siirtyvistä ikäluokista asuu kaupungeissa tai muuttaa niihin. Kuva 11. Väestöllinen huoltosuhde 1865–2060. (Tilastokeskus) 21 Kuva 12. Väestön ikärakenteen historiallinen kehitys (Tilastokeskus). Tarkasteltaessa työikäisten (15–64-vuotiaat) osuuden kehitystä Suomessa (kuva 13) havai- taan, että aktiivisimmat alueet ovat Helsinki-Tampere-Turku-kolmio ja Pohjanmaa Vaasasta Ouluun. On oletettavaa, että etenkin maaseutukunnissa väestö edelleen vanhenee ja vähe- nee. Liikennejärjestelmän ylläpidon ongelmaksi tulee toisaalla kasvavan väestön aiheuttama lisääntyvä liikenne ja toisaalla vastaavasti supistuvien alueiden infrastruktuurin ylläpito ja vähenevä liikenteen kysyntä. Sama ongelma koskee myös muita aktiviteetteja, kuten asu- mista, jossa alueellinen kysyntä ja tarjonta eivät aina kohtaa. Kuva 13. Työikäisen väestön muutos vuosina 1980–2013 ja ennakoitu kehitys vuosina 2014– 2040 (Tilastokeskus). 4.1.3 Autojen omistamisen ja käyttötapojen muutokset Jakamistalouden ja digitalisaation kehittymisen on ennakoitu muuttavan merkittävästi autojen omistamiseen ja käyttöön liittyviä palveluja sekä autonkäyttötapoja. Yhteiskäyttöisten autojen vuokraamiseen liittyvien palvelujen kehittämismahdollisuudet ovat suuret. Auto voidaan ottaa tällöin käyttöön aikaperusteisesti ja sen käyttöä voidaan joustavasti jatkaa tai lyhentää tar- peen mukaan. Euroopassa yhteiskäyttöisten autojen palvelujen käyttäjien määrä on kasva- nut vuosina 2010–2013 noin 1,3 miljoonasta noin 3,3 miljoonaan. Käyttäjien määrän on en- nakoitu kasvavan noin 26 miljoonaan vuoden 2020 mennessä. (Frost & Sullivan 2015) Yhteiskäyttöisten autojen yleistymisen vaikutuksista autokantaan ja autonomistukseen on vielä melko vähän tietoa, koska käyttäjämäärä on pieni ja valikoitunut siten, että mukana on tyypillisesti paljon autottomia talouksia. Maailman suurimpiin yhteiskäyttöautoja tarjoavien yritysten joukkoon kuuluvan Zipcarin asiakaista noin 40 % on yhteiskäyttöisten autojen palve- lujen käyttäjiksi siirryttyään luopunut omasta autostaan. Frost & Sullivanin kartoituksessa 22 arvioitiin, että jokainen yhteiskäyttöpalvelun auto korvaa 7–9 yksityisessä käytössä olevaa autoa. Yhteiskäytössä olevien autojen määrä on vielä pieni, mutta määrän kasvaessa miljoo- niin ajoneuvoihin niiden merkitys alkaa näkyä erityisesti vähentyneenä pysäköintipaikkatar- peena. (Frost & Sullivan 2015) Yhteiskäyttöisten autojen palvelujen käyttäjät ovat pääosin kuluttajia, mutta viime aikoina on tullut markkinoille yritysleasingpalveluja muistuttavia yhteiskäyttöpalveluja, jotka on suunnat- tu ensisijaisesti yrityksille. Yrityksille suunnattujen palvelujen määrän on ennakoitu kasvavan huomattavasti vuoteen 2020 mennessä. (Frost & Sullivan 2015) Alueellisesti suurin potentiaali ajoneuvojen yhteiskäyttöisyyden yleistymiseen on Intiassa ja muissa ASEA-maissa, Kiinassa sekä Itä-Aasian maissa, joissa alle neljännes kuluttajista pitää auton omistamista yhteiskäyttöisten auton käyttöä houkuttelevampana ominaisuutena. Pohjois-Amerikassa ja Länsi-Euroopassa 40–50 % kuluttajista vielä tällä hetkellä ajaa mie- luummin itse omistamallaan kuin yhteiskäytössä olevalla autolla. Asenteet yhteiskäyttöisten autojen käyttöön osana liikkumistarpeita palvelevia joustavia liikennepalveluita on muuttunut nopeasti viime vuosien aikana. (KPMG 2016) Yhteiskäyttöisten autojen vaikutukset liikenneväylien kapasiteettiin ja toimivuuteen riippuvat muun muassa siitä, millaiset haku- ja noutotoiminnot niihin liittyvät. Perinteisesti yhteiskäyt- töautot noudetaan ja haetaan tietystä ennalta määritetystä paikasta, mikä sitoo käyttäjän maantieteellisesti rajatulle alueelle ja edellyttää usein liityntää auton haku- ja jättöpaikalle jollakin muulla kulkutavalla. Mikäli auton voi jättää kaupunkialueelle minne tahansa pysäköin- tipaikalle, auton nouto ja jättö helpottuvat huomattavasti ja yhteiskäyttöinen auto on selvem- min vaihtoehto oman auton omistamiselle. (Finkorn ja Müller 2011) 4.1.4 Ajoneuvotekniikka Ajoneuvotekniikan tärkeimpiä megatrendejä ovat  muuttuvat auton omistus- ja käyttötavat – uudet eri kulkutapojen ominaisuuksia ja mahdol- lisuuksia yhdistävät liikennepalvelut (Maas-palvelut)  pienten ajoneuvojen kasvava kysyntä (A-segmentti ja sitä pienemmät ajoneuvot)  uusiutuvat energianlähteet ja sähkö käyttövoimana  digitalisaatio ja autonomiset autot Autonomisten autojen on ennakoitu yleistyvän liikenteessä 25–30 vuoden aikajänteellä ajo- neuvokannan uusiutuessa ja automatisaatiota tukevan infrastruktuurin kehittyessä. Auto- maattinen ajoneuvo toimii itsenäisesti mutta ei ole yhteydessä muihin ajoneuvoihin tai infra- struktuuriin. Ns. verkottunut ajoneuvo (connected vehicle) jakaa informaatiota muiden ajo- neuvojen (V2V) kanssa tai infrastruktuurin (V2I) kanssa. Autonominen ajoneuvo on auto- maattinen ajoneuvo, joka jakaa informaatiota muiden ajoneuvojen (V2V) kanssa tai infra- struktuurin (V2I) kanssa. Yhdysvalloissa autoalan standardisointiorganisaatio SAE (Society of Automotive enginee- ring) on standardoinut automatisaation viitenä tasona standardissaan J3016 (kuva 14). Au- tomatisaation tasolla 0 kuljettaja vastaa kaikista ohjaustoiminnoista. Automatisaation tasolla 1 ajoneuvossa on kuljettajaa avustavia laitteita. Myös osittaisen automaation tasolla (taso 2) kuljettajan rooli on vielä merkittävä, vaikka järjestelmä huolehtiikin jo osittain auton nopeu- denhallinnasta ja ohjaamisesta. Tasoilla 3–5 järjestelmällä on kasvava vastuu ajoympäristön huomioimisesta ja dynaamisista ajotehtävistä. (SAE 2016) 23 Verkottuminen (connectivity) ja digitalisaatio ovat viime vuosina nousseet autoteollisuuden tärkeimmäksi muutostrendiksi. Autonomisten autojen ensimmäisenä kehitysaskeleena ne avaavat tietä automaattisen liikennejärjestelmän kehittämiselle. (KPMG 2016) Autonomisten ajoneuvojen kehityksen on arvioitu parantavan merkittävästi liikenneturvalli- suutta ja vähentävän liikenteen ympäristövaikutuksia. Autonomisten autojen yleistymisen on ennakoitu vievän vielä 20–30 vuotta, sillä niiden kehitys on vielä alussa ja testiympäristöstä monimutkaiseen liikenneympäristöön siirtyminen edellyttää monia infrastruktuuriin ja lainsää- däntöön liittyvä muutoksia. (Fagnant & Kockelman 2015) Kuva 14. Automaattisten autojen tasot 0–5 Yhdysvaltain standardissa (J3016). (SAE 2015) Automaattisten ajoneuvojen yleistymisen etuina ovat lähinnä parantunut liikenneturvallisuus ja liikenteen häiriöherkkyyden väheneminen. Automaattisten ajoneuvojen yleistymisen vaiku- tusten väyläkapasiteettiin on arvioitu jäävän pieniksi. (Berg 2015) Sen sijaan autonomisten ajoneuvojen yleistymisen on arvioitu lisäävän merkittävästi liiken- neinfrastruktuurin kapasiteettia. Kirjallisuustutkimuslähteiden perusteella on vielä aikaista arvioida autonomisten ajoneuvojen aiheuttamaa liikennejärjestelmän muutostarvetta ja vaiku- tusta kaupunkisuunnitteluun. Autonomisten ajoneuvojen on ennakoitu lisäävän väyläkapasi- teettia ensisijaisesti, koska ajoneuvojen raja-aikaväli pienenee liikenteen ollessa kokonaan automaattista. Jotta kapasiteetti kasvaisi väyläosuuksilla merkittävästi, raja-aikavälien tulisi lyhentyä nykyisestä noin 1,5 sekunnista 0,1 sekuntiin, mikä edellyttäisi ajoneuvojen ajamista letkassa (platoona). Automaatioasteen tulisi tällöin olla korkea ja ajoneuvojen tulisi olla täysin autonomisia. Simulointitutkimusten perusteella kaupunkiliikenteen kapasiteetti voisi autono- misessa liikenteessä kaksinkertaistua ja moottoriteillä kasvaa 1,7–2-kertaiseksi. Autonomis- ten ajoneuvojen vaikutukset ovat saavutettavissa vasta, kun liikenteessä ei ole enää kuljetta- jan manuaalisesti ohjaamia ajoneuvoja. Jos ajoneuvojen omistaminen ja käyttötavat säilyvät nykyisenkaltaisina, kapasiteetin kasvu lisäisi merkittävästi ajoneuvokannan kokoa ja pysä- 24 köintitarvetta. Jos sen sijaan erityyppiset jakamistalouden kehityksen kannustamat ajoneuvo- jen yhteiskäyttöpalvelut yleistyvät, ajoneuvokannan koko ja pysäköintipaikkojen tarve vä- henevät. (Berg 2015) Toisaalta, vaikka yhteiskäyttöiset autonomiset ajoneuvot pienentävät pysäköintitarvetta ja ajoneuvokannan kokoa, niiden on mallinnuksessa ennakoitu lisäävän liikennesuoritetta, kos- ka niiden kilpailukykyinen matka-aika lisää saavutettavuutta ja siten henkilöautoliikenteen kysyntää. Autonominen yhteiskäytössä oleva ajoneuvo joutuu hakemaan kyydin ja kyydin jälkeen odottamaan seuraavaa kyytiä kysynnän kannalta optimaalisessa paikassa. Tämä lisää myös suoritetta verrattuna yksityisiin henkilöautoihin. Kokonaisliikennesuoritteen kas- vaessa osa kapasiteetin kasvun myötä saaduista hyödyistä menetetään. (Fagnant & Kockelman 2014). Kuva 15. Älykkään liikenteen globaali tiekartta 2015 – 2030. (Frost & Sullivan 2015) Kuva 15. Älykkään liikenteen globaali tiekartta 2015–2030. (Frost & Sullivan 2015) 25 Kuva 16. Arvioita autonomisten autojen yleistymisestä ja auton valmistajista, joiden arvioi- daan olevan autonomisten autojen tärkeimpiä innovaattoreita. (KPGM 2015). Nieuwenhuijsenin (2015) mukaan yhteiskäyttöautojen osuus voi vuoteen 2020 mennessä kasvaa noin 10 %:iin kaikista kotitalouksien ajoneuvoista. Nieuwenhuijsen on selvittänyt au- tomaattisten autojen markkinoille tuloa dynaamisella simulaatiomallilla, jossa ajoneuvojen automaatio on jaettu kuuteen tasoon. Perusmallin mukaan ehdollisen automaation ajoneuvot dominoivat markkinoita vuoteen 2040 mennessä. Täysin automatisoitujen autojen markkinoil- le tulo on hitaampaa. Jos kehitystä tuetaan (tietojen jakaminen ja teollisuuden yhteisprojek- tit), täysin automatisoituja ajoneuvoja alkaa tulla markkinoille vuosina 2025–2030. Vuonna 2030 osittain tai ehdollisesti automatisoidut ajoneuvot dominoivat markkinoita (60 %). Täysin automatisoitujen ajoneuvojen markkinaosuus on vuonna 2050 75 %. Schoettlen (2015) analyyttisen mallin mukaisesti autojen ajosuorite voisi autonomisten ajo- neuvojen yleistyessä kasvaa Yhdysvalloissa 18 000 kilometristä 33 000 kilometriin vuodessa. Kokonaisajosuoritteen on muissa tutkimuksissa ennakoita kasvavan 10 % (Fagnant & Kockelman 2014) ja 4–8 % (Gucwa 2014). Fagnant (2014) on tutkinut täysin autonomisten ajoneuvojen tulevaisuutta ja niiden jakamis- mahdollisuuksia sekä ajoneuvon että matkan jakamisen näkökulmasta. Tutkimuksessa on arvioitu, että autonomisilla autoilla on Yhdysvaltojen taloudessa 37,7 mrd:n dollarin vuosittai- set hyötyvaikutukset jo 10 %:n markkinaosuudella. Hyödyt perustuvat liikenneturvallisuuden ja saavutettavuuden paranemiseen sekä pysäköintipaikkojen tarpeen vähenemiseen. Suo- meen suhteutettuna hyödyt olisivat noin 0,5 mrd euroa. 90 %:n markkinaosuudella hyödyt olisivat Yhdysvalloissa 447 mrd vuodessa. Vastaavat muutokset Suomessa tarkoittaisivat 5– 6 mrd euron hyötyjä. 26 Kun autonomiset autot ovat yleistyneet riittävästi, lisämahdollisuuksia syntyy matkojen jaka- misesta: autoa ei tarvitse omistaa, sen voi kutsua tarpeen mukaan ja se voi mennä itsekseen odottamaan uutta kyytiä optimaaliseen paikkaan. Fagnant (2014) on tutkinut autonomisten autojen vaikutuksia Austinissa (Texas) simuloimalla. Hänen mallinsa mukaan jokainen auto- nominen yhteiskäyttöauto (Shared Automatic Vehicle) voisi korvata 10 tavallista autoa: tietyin oletuksin 1 715 autonomista yhteiskäyttöautoa voisi palvella 56 000 henkilömatkaa päivässä. Ajoneuvojen siirtyminen odottelupaikkaan odottamaan uusia matkoja lisää liikennesuoritetta 7–10 %, mutta liikennesuoritteen kasvua voidaan kompensoida, jos useampi matkustaja ja- kaa samaa ajoneuvoa. Automaattiset ajoneuvot yhdistettynä matkojen jakamiseen vähentävät siten ajoneuvojen määrää kertaluokalla, mutta eivät matkoja (verrattuna konventionaalisiin ajoneuvoihin) ja suoritetta. Fagnant (2014) arvioi, että automaattiset ajoneuvot yhdistettynä matkojen jakami- seen ovat lupaava tapa tehostaa ja luoda kestävää liikennejärjestelmää. Pawlak ym. (2015) kuvasivat aktiviteettipohjaisella hyödyn maksimointiin perustuvalla liiken- nemallilla valintaa matkan tekemisen eri kulkutavoilla ja etäläsnäolon välillä. Mallissa otettiin huomioon myös mahdollisuus käyttää matka-aikaa erilaisiin aktiviteetteihin. Yksi mallinnetta- vista kulkutavoista oli autonominen auto. Malli perustuu aktiviteetin valintaan ja ajankäyttö- malliin ja noudattaa ns. Winstonin teemakehystä, ajankäyttöteoriaa sekä Trainin and McFad- denin diskreettien valintamallien teoriaa. Mallin tulosten perusteella autonominen auto yhdisti matkustajan näkökulmasta henkilöauton hyvät ominaisuudet saavutettavuuden sekä matkan lähtöajan valinnan vapauden suhteen sekä joukkoliikenteen hyvät ominaisuudet matka-ajan hyödyntämisen näkökulmasta. OECD:n (2015) tutkimuksessa ennakoitiin simulointimenetelmällä yhteiskäyttöisten au- tonomisten autojen vaikutusta liikkumiseen ja liikennemääriin Lissabonissa. Tutkimuksen tulosten perusteella lähes samaan matkamäärään tarvittaisiin selvästi vähemmän ajoneuvo- ja, mutta samanaikaisesti autoliikenteen suorite kasvaisi. Tutkimuksessa liikennesuorite kas- vaisi vain 6 %, jos samaan aikaan joukkoliikennejärjestelmää kehitetään. Ilman joukkoliiken- nejärjestelmän kehittämistä liikennesuorite kasvaisi lähes 90 %. (OECD 2015) 4.1.5 Tietoliikenne- ja viestintäpalvelujen kehittyminen Ihmiset ja tavarat ovat liikkuneet yleensä fyysisiä verkkoja pitkin. Myös tieto, kuten sanoma- lehdet, kirjat ja posti ovat perinteisesti edellyttäneet fyysisiä verkkoja. Liikennejärjestelmän ylläpito on keskittynyt suurelta osin näihin verkkoihin. Tietoverkkoja (puhelin- ja kaapeliyhtey- det) ovat käyttäneet puhelin, radio- ja TV sekä internet (kuva 17). Kuva 17. Asioiden ja tiedon saavutettavuusmatriisi. (Levinson ja Krizek 2015) 27 Internetin kehittyessä langattomat tietoyhteydet ovat tulleet tärkeiksi ja niiden kehitys on vai- kuttanut yhä nopeammin markkinoihin: CD ja DVD korvautuvat netistä ladattavilla tiedostoilla tai streamauksella ja 3D-tulostaminen vapauttaa tuotannon osin kuljettamisesta. Samalla mahdollisuus seurata ihmisten toimintaa ja sijaintia tuo uudenlaisia tietoturvaan ja yksityisyy- den suojaan liittyviä kysymyksiä. Autonomisen liikenteen lisäksi yksilöllisen liikenteen markkinoita muuttavat tietoliikenne ja virtuaalimatkat. Vaikka autonomiset autot eivät vähennä matkoja tai suoritetta sinänsä, tieto- liikenteen kehittyminen voi vaikuttaa olennaisesti myös tarpeeseen tehdä fyysisiä matkoja. Kuva 18. Eri markkinasektoreiden osuudet joukkoviestinnästä Suomessa vuosina 2000– 2014. (Tilastokeskus 2014a) Kuva 19. Verkkokaupasta 12 kuukauden aikana ostaneiden osuus iän mukaan 2009–2014. (Tilastokeskus 2014b) 0 % 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 % 100 % 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Kustannustoiminta % Sähköinen viestintä % Tallenneviestintä % 28 Kuva 20. Vuotuiset postilähetykset (1000 milj. kpl/v) Yhdysvalloissa vuosina 1926–2009. (Le- vinson ja Krizek 2015) 29 Kuva 21. Etätyön kehitys Minneapolis-St. Paulin seudulla vuosina 2001–2011.(Levinson ja Krizek 2015) Etätyön osuutta ja kehitystä on tutkittu 10 vuoden aikana Minneapolis-St. Paulin seudulla (kuva 21). Etätyötä tekevien osuus (vähintään kerran vuodessa) on kasvanut noin 30 %:sta 45 %:iin eli lähes puolet työssäkäyvistä tekee ainakin yhden päivän vuodessa etätyötä. Kas- vu on tullut lähes kokonaan ”etätöissä kerran kuussa tai useammin” tekevistä. Jos oletetaan, että suomalaiset käyttäytyvät samalla tavalla, voidaan todeta, että etätöissä voi käydä sään- nöllisesti noin viidennes työssäkäyvistä. 4.2 Lähtötietojen saatavuuden paraneminen Liikenteen kysyntäennusteiden laatimisen lähtötiedot ovat monipuolistuneet huomattavasti viime vuosien aikana. Erilaiset koordinaattipohjaiset paikkatiedot ja reaaliaikaiset tiedot lii- kenteen kysynnästä ovat avanneet uusia big data -tyyppisiä aineistoja, jotka lisäävät huomat- tavasti mahdollisuuksia liikenteen kysyntämallien laatimiseen. Vielä toistaiseksi liikenne- ennustemalleissa hyödynnetään vain vähän koordinaattipohjaisia aikasarjatietoja liikenteen kysynnästä. Esimerkkejä näistä aineistoista ovat muun muassa matkakorttien ja matkapuhe- limien seurantatiedot sekä dynaamiset liikennemäärätiedot. Uudet tietolähteet yhdistettynä aiempaa tarkempiin koordinaattipohjaisiin tietoihin asumisesta, työssäkäynnistä ja palvelujen sijainnista antavat mahdollisuuksia aiempaa luotettavampien ja ominaisuuksiltaan monipuoli- sempien mallien laatimiseen. Uusien tietoaineistojen parantunut saatavuus ja laatu mahdol- listavat muun muassa matkaketjujen aiempaa tarkemman mallintamisen. (Toole et al. 2015) Älykkäät ajoneuvot keräävät ajoreiteistä, matka-ajoista ja ajokilometreistä tietoa, jolla voi- daan tulevaisuudessa parantaa liikennemallien tausta-aineistojen laatua. Toisiinsa ja infraan yhteydessä olevat ajoneuvot keräävät tietoa automaattisesti jo nyt, mutta tietoja ei tällä het- kellä ole tietosuojan ja omistusoikeuksien takia vielä voitu hyödyntää mallintamisen tai suun- nittelun lähtöaineistona. Jo nykyisin osa autonvalmistajista saa osan älykkäiden ajoneuvojen keräämistä tiedoista käyttöönsä siten, että tietoja voidaan käyttää esimerkiksi vikatilojen mo- nitoroinnissa ja huoltotoimenpiteiden ohjelmoinnissa. (Walker et al. 2015) Big data -tietolähteet edellyttävät myös uudenlaisia tiedonkäsittelyn menetelmiä, koska ne koostuvat usein suuresta määrästä tietoa, ja mukana on usein myös virheellisiä havaintoja. Massiivisten tietoaineistojen hyödyntäminen edellyttää erilaisia data-analyytikan menetelmiä kuin perinteiset liikennetutkimusaineistot. Muun muassa tiedonlouhinnan menetelmiä on so- vellettu liikenteen big data -tietoaineistojen käsittelyssä ja analysoinnissa. Uudet laajemmat tietovarannot parantavat myös nykyisten liikennemallien laatua mahdollis- taen esimerkiksi aiempaa tarkemman lähtö- ja määräpaikkamatriisin kalibroinnin sekä uu- dentyyppisten reitinvalinta-algoritmien laatimisen (Toole et al. 2015). Uusista tietolähteistä odotetaan mahdollisuuksia korvata perinteisiä henkilöliikennetutkimuksia tiedonkeruumene- telmänä, sillä perinteiset matkapäiväkirjamuotoiset tutkimukset ovat kalliita ja toteutukseltaan raskaita (Walker et al. 2015). COST-tutkimusverkostona toteutettu Shanti-hankkeessa on laadittu suosituksia henkilölii- kennetutkimusten harmonisoimiseksi ja tiedonkeruumenetelmien kehittämiseksi. Suositusten mukaan liikennetutkimusaineistoissa tulisi vähitellen siirtyä paikannusperusteisten menetel- mien käyttöön siten, että tiedonkeruuta tehdään siirtymävaiheessa rinnakkain myös perintei- sillä matkapäiväkirjamuotoisilla tutkimuksilla. Perinteiset kyselytutkimuksen menetelmin ke- rättävät tietoaineistot ovat jatkossakin tärkeitä tietovarantoja, jotka voidaan parhaassa tapa- uksessa linkittää uudentyyppisiin big data -aineistoihin. Uusia teknologioita tulisi pilotoida 30 vanhojen tiedonkeruumenetelmien rinnalla ja erityisesti pitkämatkaisen liikenteen tiedonke- ruuseen tulisi kiinnittää enemmän huomiota. (Kuhnimhof 2013) Trafikverket (2016) nostaa omassa liikennemalleja ja vaikutusten arviointia koskevassa selvi- tyksessään esille lähtötietojen tarkentamisen tarpeen, joihin tärkeinä perustietoina kuuluvat muun muassa tieosakohtaiset liikennemäärätiedot, matka-ajat sekä liikennesuorite. Erityises- ti pitkämatkaisen autoliikenteen sekä juna- ja lentoliikenteen matkustajavirroista sekä tavara- virroista tarvittaisiin liikenne-ennusteiden lähtötiedoiksi lisää tietoja. Toimintaympäristön muu- tosten mallintamisen on ennakoitu edellyttävän omaa malliprosessiaan. Tietosuojaa koskeva lainsäädäntö rajoittaa tällä hetkellä paikannusmenetelmien ja matka- korttiaineistojen hyödyntämistä liikennemallien tausta-aineistona. Jos tieto on yhdistettävissä matkan tekijään ja hänen taustatietoihinsa, tietoa ei voi ilman kohdehenkilön lupaa taltioida tai jatkohyödyntää. Big datan hyödyntäminen edellyttäisi käyttäjien lupaa tai tietojen hyödyn- tämistä sellaisessa muodossa, jossa tiedoista ei voi päättelemällä tai muihin tietoaineistoihin yhdistämällä selvittää yksittäisen kohdehenkilön tietoja. Tämä rajoittaa selvästi erityisesti koordinaattitasoisen tiedon käyttöä, sillä koordinaattitarkkuudella esitetyistä sijainneista on helposti tulkittavissa esimerkiksi kodin tai työpaikan sijaintitiedot ja vastaaja on helposti tätä kautta yksilöitävissä. Myös vapaaehtoinen liikkumistietojen luovuttaminen eri toimijoiden käyttöön on selvästi yleistynyt. Esimerkiksi monet autonvalmistajat tarjoavat asiakkailleen palvelua, jossa autosta siirtyy valmistajalle sijainti- ja ajosuoritetietoja. Yksilön tietosuojan kannalta olennaista on, että tietoihin ei voida yhdistää liikkujan henkilötietoja. 31 5. Kehittämisehdotukset 5.1 Nykyisten menetelmien kehittäminen Hankearvioinnin kehittäminen ja muutostilassa oleva toimintaympäristö luovat uusia haastei- ta ja vaatimuksia liikennemallien kehittämiselle. Suurin osa nykyisistä kysyntämalleista on ns. neliporrasmalleja, joissa matkojen määrää ja suuntautumista mallinnetaan tuotos-, kulku- tapa-, suuntautumis- ja reitinvalintamalleilla. Neliporrasmalleissa alueen sosioekonomiset ominaisuudet ja sijainti aiheuttavat matka- tai kommunikaatiotarpeen, joka kohdistuu tarkas- telualueen toisille osa-alueille tai sen ulkopuolelle. Matkatarve tyydytetään tarkoitukseen so- pivimmalla tavalla (valitaan kommunikaatiotapa). Sen jälkeen matka voidaan sijoitella liiken- nejärjestelmässä kulkutavoittain. Neliporrasmallin etuna on, että se on melko helposti sovellettavissa kaupunkiseutujen kysyn- nän mallintamisessa. Neliporrasmalleissa on paljon kehittämispotentiaalia tulevaisuuden tarpeisiin. Liikenteen kysynnän ennustamisen kannalta suurimmat kehittämismahdollisuudet liittyvät seuraaviin osatekijöihin:  tuotosmallit Matkatuotokset muuttuvat, jos ajankäyttötottumukset muuttuvat tai matkoja korvautuu paran- tuneiden tietoliikenneyhteyksien mahdollistamilla palveluilla. Erityisesti työasiointimatkojen, työmatkojen ja ostosmatkojen on tulevaisuudessa ennakoitu vähenevän erilaisten etäpalve- lujen kehittyessä. Toisaalta pois jäävät matkat voivat korvautua muilla matkoilla, jos niihin kuluvaa aikaa voidaan hyödyntää johonkin toiseen aktiviteettiin, joka puolestaan edellyttää siirtymistä. Tuotosmallit ovat nykyisissä liikennemalleissa melko staattisia kategoria- tai reg- ressiomalleilla mallinnettavia matkalukuja. Uusien tietoaineistojen mahdollistamilla lähtötie- doilla tuotosmalleja olisi mahdollista tuottaa aiempaa hienojakoisemmissa sosioekonomisis- sa ryhmissä sekä osin myös kotitalouskohtaisina. Matkojen korvautumista etäläsnäololla on mahdollista kuvata toisaalta tuotosmallien ja toisaalta suuntautumismallien avulla. Uudet koordinaattipohjaista tietoa sisältävät tietoaineistot antavat mahdollisuuksia myös tuotosmal- lien parantamiseen, sillä niiden avulla matkan lähtö- ja määräpaikka voidaan aineistoja yhdis- telemällä yhdistää myös aktiviteetin luonteeseen.  suuntautumismallit Suuntautumismalleissa uuden tietoaineistot luovat mahdollisuuksia matkojen lähtö- ja mää- räpaikkojen entistä tarkempaan mallinnukseen. Paikkatietopohjaiset aineistot antavat monia mahdollisuuksia osa-aluejaon muodostamiseen siten, että aktiviteettipohjaiseen mallinnuk- seen tarvittavat toiminnot voidaan kuvata aiempaa tarkemmin. Uudet aineistot sisältävät ai- empaa tarkempaa tietoa matkaketjuista, jolloin suuntautumisen mallintamisessa on mahdol- lista mallintaa yhden määräpaikan sijasta useampia peräkkäisiä määräpaikkoja.  kulkutavan valintamallit Kulkutavan valintamalleissa yhteiskäyttöisiä ajoneuvoja ja uusia liikennepalveluja voidaan kuvata ns. viidentenä kulkutapana. Perinteisen neliporrasmallin estimointi yhteiskäyttöautoille on haastavaa, koska vielä nykytilanteessa yhteiskäyttöisten autojen palveluja on tarjolla vain vähän ja uuden vielä harvinaisen kulkutavan mallinnukseen ei ole käytettävissä riittävästi lähtötietoja. Perinteisistä pääkulkutavan valintaa kuvaavista malleista olisikin suositeltavaa siirtyä kokonaisten matkaketjujen mallintamiseen, jolloin liityntäkulkutapojen ja toisistaan 32 riippuvien määränpääketjujen merkitys korostuu. Pitkämatkaisissa malleissa yhtenä haas- teena on joukkoliikenteen dynaamisen hinnoittelun merkitys, jolloin hintaa kuvaava matka- vastus vaihtelee eri kysyntäajanjaksoina ja sen mukaan, kuinka ajoissa ennen matka- ajankohtaa lippu hankitaan. Matkan hinnasta on dynaamisen hinnoittelun myötä tullut ajan ja kysynnän mukaan vaihtuva muuttuja.  reitinvalintamallit Reitinvalintamallien kehittämiseen suuria mahdollisuuksia antaa ajantasainen liikennetieto, joka kuvaa todellista reitinvalintaa (esimerkiksi Here-aineistot). Reitinvalinta-algoritmeja on mahdollista kehittää myös yhteiskäyttöautoille soveltuviksi siten, että voidaan kuvata sekoit- tunutta liikennettä, jossa on sekä yhteiskäyttöisiä että yksittäisen kotitalouden käytössä ole- via ajoneuvoja. Reitin valinnan mallinnuksessa liityntäkulkutapojen kuvaamisen haasteena on ollut vaihtojen kuvaaminen malliin. 5.2 Uudet mallinnusmenetelmät Uudentyyppisinä liikenteen mallinnusmenetelminä esille ovat nousseet erityisesti aktiviteetti- pohjaiset mallit, jotka antavat perinteistä matkakohtaista mallintamista paremmat mahdolli- suudet matkaketjujen käsittelyyn sekä suurten ajankäyttötottumuksissa tapahtuvien muutos- ten arviointiin. Niiden on arvioitu soveltuvan paremmin myös yksilöllisten asenteiden ja ar- vostusten kuvaamiseen kuin perinteisten neliporrasmallien (Tal ja Cohen-Blankshtain 2011). Aktiviteettipohjaisista malleista on laadittu myös mikrosimulointiin pohjautuvia malleja, joiden avulla voidaan arvioida erityisesti autonomisten ajoneuvojen reitinvalintaa sekä mallintaa niiden vaikutusta ajoneuvoliikennejärjestelmän kapasiteettitarpeisiin sekä ympäristövaikutuk- siin ja energiankulutukseen (mm. Fagnant ja Kockelman 2015, Ciari 2010, Firkorn ja Müller 2011) Aktiviteettipohjaisten liikennemallien on yleisesti ennakoitu soveltuvan parhaiten tulevaisuu- den skenaarioiden ennakointiin ja autonomisten autojen kysynnän ja vaikutusten arviointiin. Moniagenttimalli MATSim mallintaa tulevaa autokantaa, kysyntää sekä vuorovaikutusta jouk- koliikenteen ja autonomisten autojen välillä. (Mallig et al. 2013) 5.3 Menetelmien kehittämistarpeet Tässä selvityksessä esille nostettujen menetelmien kehittämistarpeiden päähuomio on henki- löliikenteessä.Lisätutkimusta ja mallinnusta tarvitaan sen selvittämiseen, miten liikenteen ja logistiikan kysyntä tulevaisuudessa muuttuu yhä nopeammin muuttuvan toimintaympäristön mukana. Muun muassa digitalisaation mahdollistamat etätoiminnot muuttavat tapaa ja tarvet- ta liikkua ja kuljettaa. Matkojen korvautuvuudesta on vielä toistaiseksi käytettävissä vain vä- hän aikasarjoihin perustuvaa tietoa, joten ennakoinnissa ei ole mahdollista hyödyntää perin- teisiä ennustemenetelmiä. Liikennemallin ja -ennusteen tulisi olla mahdollisimman yksinker- taisia. Liikenneviraston hankearviointiohjeissa suositeltavat ennustemallit ovat kasvukertoimiin poh- jautuvia (“suppeat ja supistetut hankkeet”), seudullisia tieverkkotarkasteluja tai liikennemalle- ja (“Laaja hanke”). Liikennejärjestelmää koskevan toimintaympäristön muutosten ollessa suuria myös pienempiin hankkeisiin tulisi sisällyttää kokonaisnäkökulma. Näin ollen esimer- kiksi kasvukerroinmenetelmissäkin tulisi pyrkiä kuvaamaan toimintaympäristössä tapahtuvia 33 muutoksia. Jo nykyisinkin tieliikenteen valtakunnallinen ennuste on viety hanketasolle IVAR- ohjelmiston kautta. Ruotsissa Trafikverket on nostanut liikenne-ennusteiden kehittämiskohdiksi aktiviteettipoh- jaisten mallien kehittämisen. Aktiviteettipohjaiset kysyntämallien on arvioitu reagoivan perin- teisiä neliporrasmalleja paremmin muun muassa matka-aikojen, kustannusten ja maankäy- tön muutoksiin. Kehittämiskohteeksi on nostettu myös useampien ennustevuosien kysynnän laskenta, jotta vaikutusten arvioinnin pohjaksi saataisiin laajempi kuva kysynnän kehittymi- sestä tulevien vuosikymmenten aikana. (Trafikverket 2016) Hanke-ennusteiden tulisi tulevaisuudessa olla linjassa valtakunnan strategisen liikennemallin kanssa, jossa tulisi varmistua, että samaa liikennettä ei saa käyttää usean eri hankkeen pe- rustelemiseen. Hankkeet voivat kokonaisuutena olla periaatteessa a) itsenäisiä – hanke voidaan toteuttaa vaikuttamatta toisten hankkeiden hyötyihin b) kilpailevia – hanke vaikuttaa kilpailevien hankkeiden hyötyihin c) toisiaan täydentäviä, komplementaarisia – hyödyt kasvavat toteuttamalla isompi hanke- kokonaisuus Perinteiset nyky- tai historiatiedoilla estimoidut gravitaatio- tai neliporrasmallit ennustavat todennäköisesti huonosti tulevaisuuden liikennekysyntää. Tulevaisuuden liikennejärjestelmän suunnittelussa tarvitaan uudenlaista lähestymistapaa. Liikennemallien kehittämismahdolli- suuksina esille nousevat seuraavat näkökulmat:  Valtakunnallisen liikenteen mallintamisen mahdollisia kehittämisvaihtoehtoja ovat kehitty- nyt matkaketjulähtöinen neliporrasmalli tai aktiviteettimalli. Matkaketjujen mallintaminen on ruututasolla aloitettu jo brutus-malleissa (Moilanen et al. 2014b), jotka kuvaavat matkojen ketjutettuja peräkkäisiä määränpäitä. Jotta matkojen korvautuvuutta ja eri aktiviteettien muuttuvaa matkatuotosvaikutusta voitaisiin kuvata, aktiviteetit tulisi kuvata muuttuvina ko- konaisajakäytöstä kilpailevina kohteina, jolloin malli kuvaisi paremmin ajankäytössä tapah- tuvia muutoksia ja heijastaisi toimintaympäristön muutoksia liikenteen kysyntään.  Kartoitetaan liikenteen muutosvoimat ja niiden suunta. Luodaan valtakunnan tason kulku- tapamallit, joissa muuttujina ovat mm. ajoneuvo- ja kommunikaatiotekniikan kehitys, väes- tön ja toimintojen sijoittuminen tulevaisuuden tilanteessa sekä taloudellinen kehitys.  Tutkitaan toimintojen ja alueiden saavutettavuutta. Tarkasteltavia markkinoita voivat olla raaka-aineet, tuotantolaitokset, toiminnot kuten asuminen, työpaikat, julkiset palvelut ja vapaa-aika: ”miten paljon puuta on saatavissa korkeintaan tietyin yksikkökustannuksin tie- tylle tehtaalle käyttäen nykyistä tai suunniteltua tieverkkoa”, ”kuinka kaukaa kaupunkiseu- dulla voi käydä toissä 1,5 tunnin matka-ajan sisällä eri matkaketjuilla”.  Hyödynnetään uusia big data -varantoja liikenteen kehityksen seurannassa ja luodaan niihin perustuvia lyhyen tähtäyksen kehityksen arviointimalleja. Valtakunnallista liikennemallia voidaan kehittää liittämällä siihen simulaatio-osia, joissa muut- tujien arvoille, esimerkiksi talouskasvulle, annetaan jakaumat ja vaihteluväli. Tuloksia voi- daan käyttää herkkyys- ja riskianalyyseissä. Koko järjestelmän ymmärtämistä voi parantaa dynaamisella systeemimallilla, joka soveltuu erityisesti muutosprosessien kuvaamiseen ja joka ottaa huomioon muuttujien keskinäiset riippuvaisuudet ja takaisinkytkennän. Dynaamisen systeemimallin etuna on, että sen avulla voidaan kuvata myös ajan mukana muuttuvia tekijöitä. (Pastinen 2014) 34 Suomessa alueet kehittyvät eri tavalla ja osin erisuuntaisesti: aktiivinen osa houkuttelee ih- misiä ja liikkuminen lisääntyy sekä absoluuttisesti että suhteellisesti, liikennejärjestelmän toimivuuteen tulee paineita. Vähemmän aktiivisessa osassa väestö vanhenee ja vähenee, toimintoja ajetaan alas. Liikenteen kysyntää on vähemmän kuin mille tarjonta on aikanaan mitoitettu. Maan eri osat vaativat erilaisen liikennejärjestelmän ja tulevaisuudessa myös ehkä erilaisia liikenne-ennustemenetelmiä, koska toimintaympäristön muutostekijät ovat eri alueilla erilaisia. 35 Lähteet Advanced Industries. 2015. Competing for the connected customer – perspectives on the opportunities created by car connectivity and automation. Advanced Industries, September 2015. McKinsey & Company. Armstrong, Scott J. 1985. Long-Range Forecasting – From Crystal Ball to Computer. Whar- ton School, University of Pennsylvania. Second Edition. A Wiley-Interscience publication. Atasoy, Bilge & Ikeda, Takuro & Song, Xiang & Ben-Akiva, Moshe E. 2015. The concept and impact analysis of a flexible mobility on demand system. Transportation Research Part C. Vol 56, s. 373–392. Banister, D. & Hickman, R. 2012. Transport futures: Thinking of the unthinkable. Transport Policy, Vol. 29, s. 283–293. Bettencourt, Luís M. A. & Lobo, José & Helbing, Dirk & Kühnert, Christian & West, Geoffrey B. 2007. Growth, innovation, scaling, and the pace of life in cities. www.pnas.org/cgi/doi/10.1073/pnas.0610172104 Berg, Johannes. 2015. Självkörande bilar – utveckling och möjliga effekter. Trafikanalys, Rapport 2015:6. Ciari, Francesco. 2010. Estimation of car-sharing demand using an activity-based microsimulation approach: model discussion and preliminary results. 10th Swiss Transport Research Conference. Donnelly, Rick & Erhardt, Greg D. & Moeckel, Rolf & Davidson, William A. 2010. Advanced practices in travel forecasting. Synthesis of Highway Practice. NCHRP Synthesis 406. Trans- portation Research Board. Fagnant, Daniel J. 2014. The future of fully automated vehicles: opportunities for vehicle- and ride-sharing, with cost and emission savings. Dissertation. Fagnant, Daniel J. & Kockelman, Kara M. 2014. The travel and environmental implications of shared autonomous vehicles using agent-based simulation model scenarios. Transportation Research, Part C, Vol. 40, s. 1–13. Fagnant, Daniel J. & Kockelman, Kara M. 2015. Preparing a nation for autonomous vehicles: opportunities, barriers and policy recommendations. Transportation Research, Part A, Vol. 77, s. 167–181. Firnkorn, Jörg & Müller, Martin. 2011. What will be the environmental effects of new free- floating car-sharing systems? The case of car2go in Ulm. Ecological Economics, Vol. 70, s. 1519–1528. Frost & Sullivan. 2015. Future of Personal Mobility - Life with or without ownership of cars. Market Insight. HSL, 2011a. Helsingin seudun työssäkäyntialueen liikenne-ennustemallit 2010. Julkaisuja 33. 27.12.2011. 36 HSL, 2011b. Helsingin seudun liikenne-ennustejärjestelmän yksilömallit. Julkaisuja 34. 28.12.2011. HSL, 2012. Helsingin seudun pääpyöräilyverkon ja laatukäytävien määrittely. HLJ 2011. Julkaisuja 21. 2012. Hickman, Robin & Saxena, Sharad & Banister, David & Ashiru, Olu. 2012. Examining transport futures with scenario analysis and MCA. Transportation Research, Part A, Trans- portation Research Part A, Vol. 46, s. 560–575. Jahanshahi, Kaveh & Jin, Ying & Williams, Ian. 2015. Direct and indirect influences on em- ployed adults’ travel in the UK: New insights from the National Travel Survey data 2002– 2010. Transportation Research Part A. Vol 80, s. 288–306. KPGM, 2015. KPMG’s Global Automotive Executive Survey – Who is fit and ready to har- vest? kpmg.com/GAES2015 KPMG, 2016. KPMG’s Global Automotive Executive Survey – From a product-centric world to a service-driven digital universe. Kuhnimhof, Tobias. 2013 SHANTI project: Main Results and Recommendations. Presenta- tion at Eurostat Workshop on Passenger Mobility, June 17, 2013. KvantiMOTV, 2015. Kvantitatiivisten menetelmien tietovaranto. http://www.fsd.uta.fi/menetelmaopetus/regressio/analyysi.html Luettu 14.12.2015. Kyrikiadis, M., Happee, R. & de Winter, J.C.F. 2015. Public opinion on automated driving: Results of an international questionnaire among 5000 respondents. Transportation Research Part F 32 (2015), s. 127–140 Lapp, Tuomo & Iikkanen, Pekka. 2014a. Suomen ja ulkomaiden välisen meriliikenteen en- nuste 2040. Liikenneviraston tutkimuksia ja selvityksiä 39/2014. Helsinki. Lapp, Tuomo & Iikkanen, Pekka. 2014b. Rataverkon tavaraliikenne-ennuste 2035. Liikenne- viraston tutkimuksia ja selvityksiä 51/2014. Helsinki. Levinson, David M. & Krizek, Kevin J. 2015. The End of Traffic and the Future of Transport. Liikennevirasto. 2016. Liikenne-ennustemallit. Strafica Oy. http://extra.strafica.fi/livima Mallig, Nicolai & Kagerbauer, Martin & Vortisch, Peter. 2013. mobiTopp – A Modular Agent- based Travel Demand Modelling Framework. Procedia Computer Science 19 (2013), s. 854– 859. Metz, D. 2013. Peak Car and Beyond: The Fourth Era of Travel. Transport Reviews. Vol. 33, No. 3, s. 255–270. Moilanen, Paavo. 2013. Käyttöön perustuvan liikenteen verotuksen vaikutusten arviointi val- takunnallisilla liikennemalleilla. Taustaraportti älykästä ja oikeudenmukaista liikennettä selvit- tävälle työryhmälle. Liikenne- ja viestintäministeriön julkaisuja 38/2013. Helsinki. Moilanen, Paavo & Niinikoski, Miikka & Rinta-Piirto, Jyrki & Koponen, Ville & Haapamäki, Taina. 2014a. Valtakunnallinen liikenne-ennustemalli. Liikennevirasto. Helsinki. 37 Moilanen, Paavo & Pesonen, Hannu & Metsäranta, Heikki & Haapamäki, Taina. 2011. Liiken- teen strategiset mallit Liikennevirastossa. Esiselvitys. Liikenneviraston tutkimuksia ja selvi- tyksiä 37/2011. Helsinki. Moilanen, Paavo & Salomaa, Osmo & Niinikoski, Miikka. 2014b. Valtakunnallinen liikkumis- valintojen yksilömalli. Liikenneviraston tutkimuksia ja selvityksiä 12/2014. Helsinki. Nieuwenhuijsen, Jurgen. 2015. Diffusion of Automated Vehicles. A quantitative method to model the diffusion of automated vehicles with system dynamics. Delft University of Technol- ogy. OECD, 2015. Urban Mobility System Upgrade. How shared self-driving cars could change city traffic. International Transport Forum. Corporate Partnership Board Report. Pawlak, Jacek & Polak, John W. & Sivakumar, Aruna. 2015. Towards a microeconomic framework for modelling the joint choice of activity–travel behaviour and ICT use. Transporta- tion Research Part A, Vol. 76, s. 92–112. Pastinen, Virpi. 2014. Liikkumistutkimukset ja liikenne-ennusteet tulevaisuuden muutosten haastamina. Millaisia edellytyksiä nykyiset liikkumistutkimukset ja liikennemallit tarjoavat tu- levaisuuden liikkumismuotojen ennakoinnille? Rakennusfoorumi – Kaupunkirakenne ja tule- vaisuuden liikkuminen 1.4.2014. https://www.rakennustieto.fi/material/attachments/5oJ5FjlGF/qT5h1pEdX/foorum_010412Pas tinen.pdf Rigole, Pierre-Jean. 2014. Study of a Shared Autonomous Vehicles Based Mobility Solution in Stockholm. Kungliga tekniska högskolan. Rinta-Piirto, Jyrki. 2011. Liikenneolosuhteet 2035. Rautateiden henkilöliikenteen ennustetar- kasteluja. Liikenneviraston tutkimuksia ja selvityksiä 32/2011. Rissanen, Ruut & Rehunen Antti & Kalenoja, Hanna & Ahonen, Ossi & Mäkelä, Tommi & Rantala, Jarkko & Pöllänen, Markus. 2013. ALLI-kartasto. Suomen aluerakenteen ja liikenne- järjestelmän kehityskuvan pohjustus. Ympäristöministeriö, liikenne- ja viestintäministeriö, työ- ja elinkeinoministeriö. Ristikartano, Jukka & Iiikkanen, Pekka & Tervonen, Juha & Lapp, Tuomo. 2014. Valtakunnal- linen tieliikenne-ennuste 2030. Liikenneviraston tutkimuksia ja selvityksiä 13/2014. SAE, 2015. Society of Automotive Engineers. http://www.sae.org/misc/pdfs/automated_driving.pdf Skou Nicolaisen, Morten & Næss, Petter. 2015. Roads to nowhere: The accuracy of travel demand forecasts for do-nothing alternatives. Transport Policy. Vol 37, s. 57–63. Strafica, 2015. Valtakunnallinen skenaariotyökalu. Menetelmäkuvaus. 24.5.2015. Särkkä, Tapani. 2010. Strategiset valtakunnan tason liikennemallit. Yhteenveto valituista TRB:n vuosikokouksen 2010 esitelmistä. Liikenneviraston tutkimuksia ja selvityksiä 05/2010. Helsinki. 38 Tal, Gil & Cohen-Blankshtain, Galit. 2011. Understanding the role of the forecast-maker in overestimation forecasts of policy impacts: The case of Travel Demand Management poli-