Evaluating Impacts of Traffic Regulations in Complex Mobility Systems Using Scenario-Based Simulations

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat een stad als een enorm, levend organisme is. De wegen zijn de aderen, de auto's zijn de bloedcellen, en de verkeersregels zijn de zenuwen die vertellen hoe het bloed moet stromen. Nu, als je als bestuurder van dit organisme (de burgemeester of de gemeente) wilt veranderen hoe het bloed stroomt – bijvoorbeeld door een tol te heffen of een gebied af te sluiten – is het heel lastig om te voorspellen wat er gebeurt.

Mensen zijn namelijk niet als water in een pijp; ze zijn slim, soms koppig en passen zich aan. Als je de ene weg dichtdoet, gaan ze misschien een andere weg nemen, eerder vertrekken, met de bus gaan, of hun reis helemaal annuleren.

Dit artikel van Arianna Burzacchi en Marco Pistore beschrijft een slimme digitale proefpersoon (een simulatie) om te testen wat er gebeurt voordat je echt iets verandert in de echte stad.

Hier is hoe het werkt, vertaald naar alledaags taal:

1. De Digitale Tweeling (De "Proefpersoon")

De auteurs hebben een virtuele versie van de stad Bologna (Italië) gebouwd. Dit is geen simpele tekening, maar een complexe machine met twee lagen:

De Fysieke Laag: Dit is de harde werkelijkheid. Hoeveel auto's zijn er? Hoe snel rijden ze? Hoeveel rook (uitstoot) komt er uit de uitlaat?
De Sociale Laag: Dit is het menselijke gedeelte. Hoe reageren mensen op regels? Is iemand koppig en rijdt hij gewoon door? Is iemand slim en schuift hij zijn vertrek op? Gaat iemand met de bus?

De Analogie: Stel je voor dat je een groot bord spaghetti hebt (de stad). Als je een nieuwe regel invoert (bijvoorbeeld: "Geen pasta eten tussen 12:00 en 14:00"), wat gebeurt er?

De fysieke laag meet hoeveel pasta er overblijft.
De sociale laag simuleert of de gasten eerder gaan eten, later gaan eten, of gewoon een sandwich bestellen.

2. Het "Wat-als" Spel

In plaats van te wachten tot een verkeersplan is uitgevoerd en te hopen dat het werkt, spelen ze met dit digitale bord. Ze zeggen: "Laten we eens kijken wat er gebeurt als we..."

...de tol verhogen?
...alleen 's ochtends een tol heffen?
...armere mensen vrijstellen van de tol?
...mensen die niet kunnen schuiven in tijd, dwingen om de bus te nemen?

Dit noemen ze What-if scenario's. Het is alsof je een video-game speelt waarin je de regels van de wereld kunt veranderen om te zien of de stad stopt met stikken in rook of juist vastloopt in files.

3. Hoe Mensen Reageren (De "Koppige" en de "Slimme")

Het model neemt aan dat mensen op vier manieren reageren op een nieuwe verkeersregel:

De Koppige (Rigiditeit): "Ik betaal gewoon en ik rij door." (Dit gebeurt als de tol niet te hoog is).
De Tijdverschuiver: "Ik vertrek een uur eerder of later, zodat ik de tol niet hoef te betalen."
De Modewisselaar: "Ik neem de bus of de trein in plaats van mijn auto."
De Annuleerder: "Ik ga gewoon niet." (Misschien werk ik thuis of ga ik een andere dag).

Het model rekent uit hoeveel mensen in welke groep vallen, gebaseerd op hoe duur de tol is en hoe makkelijk het is om de bus te nemen.

4. Het Experiment in Bologna

Ze hebben dit model getest op de stad Bologna. Stel je voor dat ze een groot gebied in de stad (niet alleen het historische centrum, maar een stuk groter) afsluiten met een tol.

Resultaat: Ze zagen dat als je de tol alleen 's middags heft, de files 's ochtends juist erger worden (want mensen schuiven hun reis door).
Resultaat: Als je alleen vervuilende auto's een hoge tol laat betalen, gaan die mensen sneller overstappen dan als iedereen evenveel moet betalen.
Resultaat: Als mensen niet kunnen schuiven in tijd (bijvoorbeeld omdat ze op een vast uur moeten werken), dan stijgt de vervuiling juist, omdat ze de tol betalen en blijven rijden.

5. Waarom is dit belangrijk?

Vroeger keken beleidsmakers vaak alleen naar de directe kosten en baten (bijvoorbeeld: "We verdienen 100.000 euro aan tol"). Maar dit model laat zien dat de indirecte effecten vaak groter zijn:

Verandert de file-druk op andere tijdstippen?
Wordt de lucht schoner?
Komen er minder mensen in de stad voor winkelen?

Het model helpt om onverwachte verrassingen te voorkomen. Het is als het testen van een nieuwe medicijn op een proefpersoon voordat je het aan de hele wereld verkoopt. Je wilt niet dat de medicijnwerking precies het tegenovergestelde doet van wat je hoopte.

Conclusie

Deze paper zegt eigenlijk: "Stop met gokken met verkeersregels."
Gebruik in plaats daarvan een slimme, digitale simulatie die zowel de wegen als het menselijke gedrag in acht neemt. Zo kun je zien welke regels echt werken, welke de lucht schoner maken en welke misschien juist voor meer chaos zorgen, voordat je één steen in de echte stad verplaatst. Het is een manier om de stad van de toekomst te bouwen, zonder de fouten van het verleden te herhalen.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "Evaluating Impacts of Traffic Regulations in Complex Mobility Systems Using Scenario-Based Simulations" in het Nederlands.

Titel

Het evalueren van de impact van verkeersregulering in complexe mobiliteitssystemen met behulp van scenariogebaseerde simulaties.

1. Het Probleem

Stedelijke verkeersreguleringsbeleid (zoals tolheffing, toegang beperkingen en emissiezones) wordt steeds vaker ingezet om files, emissies en toegankelijkheid aan te pakken. Echter, de impact van dergelijk beleid is moeilijk te beoordelen vanwege de socio-technische complexiteit van stedelijke mobiliteitssystemen.

Complexiteit: Steden zijn geen verzameling van onafhankelijke subsystemen, maar complexe systemen waarin infrastructuur, menselijk gedrag, economische prikkels en sociale normen met elkaar verweven zijn.
Gevolgen: Beleid kan leiden tot niet-lineaire dynamieken, feedbacklussen en emergente fenomenen (bijv. verschuiving van reistijden of vervoersmodi) die moeilijk te voorspellen zijn met traditionele, statische modellen.
Behoefte: Er is een behoefte aan ex-ante evaluatie (voorafgaand aan implementatie) die zowel directe effecten (verkeersdrukte, emissies) als indirecte effecten (sociale en economische gevolgen) kan simuleren, rekening houdend met onzekerheid en gedragsadaptatie.

2. Methodologie

De auteurs stellen een nieuw simulatieparadigma voor dat een multi-layer stedelijk mobiliteitsmodel integreert. Dit model combineert een fysieke laag met een sociale laag.

A. Architectuur van het Framework

Het framework vergelijkt twee soorten scenario's:

As-is scenario: De huidige toestand, gebaseerd op gemeten en geschatte real-world data (verkeersstromen, O-D matrices, emissies).
What-if scenario's: Alternatieve situaties gegenereerd door beleidsparameters te wijzigen (bijv. tolbedragen, tijdsvensters, vrijstellingen) en gedragsaannames te coderen.

B. De Wiskundige Modellen

Het model is geïmplementeerd in Python (pakket civic-digital-twin) en gebruikt een ensemble-benadering om onzekerheid te kwantificeren. De kerncomponenten zijn:

Gedragsmodellen (Sociale Laag):
Gebruikers reageren op beleid met verschillende strategieën, gemodelleerd via waarschijnlijkheidsverdelingen:
- Rigiditeit: Behoud van huidige gewoonten (betaal de tol).
- Tijdsverschuiving (Time-shifting): Verplaatsen van de reis naar voor of na het beleidstijdsvenster.
- Modusverschuiving (Mode-shifting): Overschakelen van privéauto naar openbaar vervoer (gemodelleerd via een Logit-model gebaseerd op beschikbaarheid, frequentie, kosten en reistijdverschil).
- Verlies (Lost): Reisannulering of overstap naar niet-gemodde vervoersvormen (lopen, fietsen).
- Formulering: De acceptatiekansen worden berekend met behulp van exponentiële verdelingen (voor kosten en tijd) en een Logit-functie (voor moduskeuze).
Verkeersschattingsmodel (Fysieke Laag):
- Het model berekent het totale verkeersvolume $T(t)$ als een som van instromend verkeer ( $I(t)$ ), vertrekkend verkeer ( $S(t)$ ) en het resterende verkeer van het vorige tijdstip.
- Het gebruikt een retentie-kans ( $\alpha$ ) gebaseerd op een geometrische verdeling van de verblijfsduur in het gebied.
- Formule: $T(t) = I(t) + S(t) + \alpha \cdot T(t-1)$ .
- Dit creëert een loopbaar discreet tijdsysteem dat rekening houdt met de dagelijkse periodiciteit.
Emissiemodel:
- Emissies worden berekend op basis van de samenstelling van het voertuigenpark (Euro-normen 0 t/m 6).
- Het model past de verdeling van het voertuigenpark aan tijdens het beleidstijdsvenster, omdat rijkere of minder milieuvriendelijke voertuigen mogelijk vaker "rigide" zijn of afhaken.
- Totale emissies = Aantal voertuigen $\times$ Gemiddelde emissie per voertuig (afhankelijk van Euro-klasse).

C. Case Study: Bologna, Italië

Het framework is getest op een grootschalig scenario in Bologna, waarbij een uitbreiding van de bestaande "Limited Traffic Zone" (LTZ) naar een breder gebied wordt gesimuleerd.

Data: Gebruik van Open Data (bevolking, verkeerssensoren, O-D matrices, buslijnen, Euro-klasse verdeling).
Scenario's: Verschillende beleidsconfiguraties (A1-A6) variërend in tijdsduur (ochtend/avond/24u), tarieven (vast vs. emissie-afhankelijk) en vrijstellingen (sociale groepen). Daarnaast zijn extreme gedragsscenario's (B1-B3) getest waarbij flexibiliteit (tijd of modus) wordt beperkt.

3. Belangrijkste Bijdragen

Geïntegreerde Socio-Technische Benadering: Het koppelen van fysieke verkeersstromen aan expliciete gedragsmodellen die adaptatie en onzekerheid in zich dragen.
Systematische Vergelijking: Een gestructureerde manier om as-is en what-if scenario's te vergelijken, wat ex-post evaluaties grondiger maakt door expliciete aannames te gebruiken.
Omgaan met Onzekerheid: Het framework ondersteunt probabilistische formuleringen, waardoor resultaten kunnen worden gepresenteerd als betrouwbaarheidsintervallen in plaats van enkelvoudige voorspellingen.
Interactieve Dashboard: Een tool voor beleidsmakers om parameters in real-time aan te passen en de impact direct te visualiseren.

4. Resultaten

De simulaties voor Bologna leverden de volgende inzichten op:

Beleidstijdsduur en -moment: Een langere beleidsperiode (12 uur vs. 10 uur) leidde tot een grotere reductie in instroom (-33,6% vs -26,5%) en emissies, maar kon ook leiden tot een verschuiving van pieken.
Ochtend vs. Middag: Beleid gericht op de ochtend had een kleinere impact op de totale dagelijkse instroom dan beleid gericht op de middag, vanwege verschillen in reistijdpatronen.
Gedragsflexibiliteit is cruciaal:
- Als reizigers geen tijd kunnen verschuiven (Scenario B2), daalt de piekverkeersdrukte tijdens het beleidstijdsvenster significant (-19%), wat leidt tot een betere doorstroming.
- Als reizigers geen modus kunnen verschuiven (Scenario B3), blijven de emissies en de verkeersdrukte hoger, en ontstaan er sterke pieken net voor en na het beleidstijdsvenster.
- Scenario's met zeer lage kostenacceptabiliteit (B1) leidden tot extreme volatiliteit in verkeerspatronen, waarbij reizigers hun reizen concentreerden om tol te vermijden.
Global vs. Temporeel: Aggregatiecijfers (dagtotaal) zijn niet altijd voldoende; tijdsreeksen tonen vaak verborgen pieken en patronen die essentieel zijn voor een juiste beleidsbeoordeling.

5. Betekenis en Toekomstperspectief

Beleidsondersteuning: Het framework biedt beleidsmakers een robuust instrument om onbedoelde gevolgen (zoals verplaatsing van files naar andere tijdstippen) te anticiperen voordat beleid wordt ingevoerd.
Robuustheid: Door extreme scenario's te testen, kunnen beleidsmakers de gevoeligheid van hun plannen voor gedragsaannames beoordelen.
Toekomstige uitbreidingen:
- Ruimtelijk: Uitbreiding naar een multi-schaal model (sub-zones) om lokale hotspots te identificeren.
- Temporeel: Langere tijdsperiodes simuleren om langetermijneffecten en structurele aanpassingen te zien.
- Sociale Dimensie: Integratie van indicatoren voor sociale kwetsbaarheid en gelijkheid om te beoordelen hoe beleid verschillende bevolkingsgroepen treft.

Conclusie: De studie demonstreert dat een model-gedreven, simulatiegebaseerde aanpak noodzakelijk is om de complexe, niet-lineaire interacties in stedelijke mobiliteitssystemen te begrijpen en effectieve, eerlijke en duurzame verkeersbeleid te ontwerpen.