🔬 physics

Demand-agnostic assessment of on-demand pooled transit services

Dit artikel introduceert een vraag-agnostisch beoordelingskader dat simulaties en prestagedrempels gebruikt om optimale stedelijke gebieden en knooppunten te identificeren voor de inzet van gedeelde on-demand transitdiensten, zelfs wanneer nauwkeurige vraaggegevens niet beschikbaar zijn, zoals aangetoond in een casestudy in Krakau.

Oorspronkelijke auteurs: Olha Shulika, Hanna Vasiutina, Michał Bujak, Farnoud Ghasemi, Rafał Kucharski

Gepubliceerd 2026-06-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Olha Shulika, Hanna Vasiutina, Michał Bujak, Farnoud Ghasemi, Rafał Kucharski

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een stadsplanner bent die een nieuw type busdienst wil lanceren. Dit is geen gewone bus die volgens een vaste dienstregeling rijdt; het is een "slimme bus" die alleen verschijnt wanneer mensen erom vragen, onderweg buren oppakt en hen naar de dichtstbijzijnde trein- of tramhalte brengt. Het is als een digitale carpool die jouw huis verbindt met het hoofdnetwerk van het openbaar vervoer.

Het grote probleem? Je weet nog niet wie er daadwerkelijk gebruik van zal maken. Je kunt mensen niet vragen: "Zou je hier gebruik van maken?", want de dienst bestaat nog niet. Als je het verkeerde gebied kiest, verspil je geld aan een bus die leeg rondrijdt. Als je het juiste gebied kiest, bespaar je de stad geld en help je mensen om zich gemakkelijker te verplaatsen.

Dit artikel presenteert een glazen bol voor stadsplanners. Het is een methode om te bepalen waar je deze dienst lanceert voordat je ook maar één bus hebt gekocht, zelfs wanneer je nul gegevens hebt over hoeveel mensen zich zullen aanmelden.

De "Zaai-analogie"

Denk aan de stad als een tuin met 12 verschillende stukjes grond (wijken). Je wilt een speciaal zaadje (de on-demand busdienst) planten in het stuk grond waar het het beste zal groeien.

Normaal gesproken wachten boeren tot ze de zaden zien ontkiemen om te weten of de grond goed is. Maar hier zeggen de onderzoekers: "Laten we doen alsof we de zaden planten en kijken hoe de grond zou reageren."

Ze gebruiken een concept genaamd de "Vraagfractie" (Demand Fraction). Stel je dit voor als een draaiknop die je kunt instellen.

Lage stand (0,1%): Slechts 1 op de 1.000 inwoners is geïnteresseerd in de dienst.
Hoge stand (5%): 1 op de 20 inwoners is geïnteresseerd.

De onderzoekers voeren voor elke van de 12 wijken een computersimulatie uit. Ze draaien de knop langzaam omhoog en vragen: "Op welk punt begint deze dienst goed te functioneren?"

De Drie "Gezondheidscontroles" (KPI's)

Om te bepalen of een wijk een goede kandidaat is, controleert de simulatie drie vitale functies, vergelijkbaar met het controleren of een nieuw restaurant succesvol is:

De "Brandstofbesparingscheck" (Kilometerreductie): Bespaart het delen van de rit daadwerkelijk brandstof? Als iedereen alleen rijdt, is dat verspillend. Als ze delen, daalt de totale afgelegde afstand dan met minstens 10%?
De "Comfortcheck" (Passagierstevredenheid): Is de rit nog steeds aangenaam? Als de bus een enorme omweg moet maken om een buurman op te halen, kan de passagier geërgerd raken. De simulatie controleert of de rit nog minstens 2,5% "beter" is (of tenminste niet slechter) dan het gebruik van een privéauto.
De "Drukte in de Bus-check" (Bezetting): Vervoert de bus daadwerkelijk meer dan één persoon? Als het gemiddelde aantal mensen in het voertuig minder dan 2 is, is het gewoon een vermomde privétaxi. De bus moet gemiddeld minstens 2 mensen vervoeren om als een gedeelde succesfactor te tellen.

De Race naar de Finish

De onderzoekers hebben deze simulatie uitgevoerd voor 12 verschillende gebieden in Krakau, Polen. Ze vroegen zich af: "Welke wijk is de 'kampioen'?"

De kampioen is niet noodzakelijkerwijs de wijk met de meeste mensen. Het is de wijk die aan alle drie de "Gezondheidscontroles" voldoet met het laagste aantal geïnteresseerde gebruikers.

De Winnaar: Gebied 9 (nabij het treinstation van Mydlniki). Dit gebied was de "supergrond". Het voldeed aan alle succes-criteria, zelfs toen slechts een fractie van de inwoners (minder dan 1%) geïnteresseerd was. Het was de meest efficiënte plek om te starten.
De Verliezers: Gebied 10 en Gebied 4. Deze gebieden waren als rotsachtige grond. Zelfs toen ze de knop naar 5% interesse draaiden, voldeed de dienst nog steeds niet aan de efficiëntie- of comfortdoelen. In sommige gevallen lagen deze gebieden simpelweg te dicht bij bestaande treinstations, waardoor een feeder-bus helemaal niet nodig was.

De "Groeikaart"

Zodra ze de winnaar vonden (Gebied 9), creëerden ze een routekaart voor de toekomst. Ze vertelden de stad:

De Vonk: Als je slechts 0,025% van de inwoners krijgt, zullen de eerste gedeelde ritten plaatsvinden.
De Groeisprong: Bij 0,05% begint de dienst echt goed te werken.
De Stabiele Toestand: Zodra je de 0,1% tot 0,7% bereikt, draait de dienst soepel en efficiënt.

De Kern van het Verhaal

Dit artikel geeft steden een besluitvormingstoolkit. In plaats van te gokken of te wachten op echte gegevens die misschien nooit komen, kunnen ze deze methode gebruiken om te zeggen: "Zet de bus niet in Wijk A; zet hem in Wijk B. Het zal al werken met minder mensen en meer geld besparen."

Het is een manier om het giswerk bij het lanceren van nieuw, gedeeld transport weg te nemen, zodat wanneer de dienst eindelijk arriveert, deze vanaf dag één de beste kans op succes heeft.

Technische Samenvatting: Vraag-agnostische Beoordeling van On-Demand Gepoolde Transitdiensten

Probleemstelling
Gemeenten die de afhankelijkheid van auto's willen verminderen en de stedelijke leefbaarheid willen verbeteren, worden vaak geconfronteerd met een kritieke barrière bij het implementeren van on-demand gepoolde transit-voedingsdiensten: het ontbreken van betrouwbare vraaggegevens tijdens de planningsfase. Traditionele service-optimalisatie rust op geobserveerde reispercentages, modal splits of route-niveau passagiersaantallen, die niet beschikbaar zijn voor volledig nieuwe diensten. Dit gebrek aan data bemoeilijkt de selectie van optimale inzetgebieden en hub-locaties, met name in laagdens stedelijke regio's waar de vraag onzeker is. Zonder precieze vraagcijfers worstelen gemeenten met de vraag waar een dienst operationeel levensvatbaar zal zijn of hoe zij realistische prestatieverwachtingen kunnen vaststellen vóór de lancering.

Methodologie
De auteurs stellen een parameter-vrij, vraag-agnostisch beoordelingskader voor, ontworpen om het potentieel van gepoolde on-demand transit-voeders te evalueren zonder dat voorafgaande kalibratie van vraagspecifieke parameters nodig is. De methodologie verloopt via de volgende stappen:

Inputdata: De aanpak maakt gebruik van OpenStreetMap (OSM) wegennetwerken, distributies van residentiële adrespunten (die de populatie vertegenwoordigen) en kandidaat-gebied-hub paren verstrekt door gemeentelijke planners.
Vraaggeneratie: In plaats van uit te gaan van een vaste vraag, simuleert de methode potentiële vraag met behulp van een "fractie van de vraag" ( $\alpha$ ). Dit vertegenwoordigt de waarschijnlijkheid dat een inwoner gebruik zal maken van de dienst. De vraag wordt willekeurig gegenereerd over residentiële punten binnen kandidaat-gebieden, waarbij wordt aangenomen dat reizigers naar de dichtstbijzijnde openbaar vervoer-hub reizen. De simulatie test $\alpha$ -waarden variërend van 0,1% tot 5% van de lokale populatie.
Matching-algoritme (ExMAS): De studie maakt gebruik van het Exact Matching of Attractive Shared Rides (ExMAS) algoritme. Dit is een utility-gebaseerd, offline algoritme dat reizigers samenvoegt in gepoolde ritten alleen als de gedeelde rit een hogere utility biedt dan een individuele ride-hailing rit, rekening houdend met reistijd, omwegen, wachttijd en ongemak-strafpunten.
- Baseline: De vergelijking wordt gemaakt met een scenario waarin alle potentiële gebruikers individuele ride-hailing ritten nemen.
- Aannames: De voedingsdienst wordt gemodelleerd als gratis bij gebruik (geen tariefpremie voor pooling), wat betekent dat de winst in utility uitsluitend wordt gedreven door gereduceerde reiskosten (indien van toepassing) of de afweging tussen tariefkortingen en ongemak. Het algoritme gaat uit van een voertuigcapaciteit van zes passagiers.
Prestatie-indicatoren (KPI's): Drie kernmetrieken worden geëvalueerd over variërende vraagfracties:
- Reductie in voerturen ( $\Delta T_v$ ): De reductie in totale voerturen vergeleken met solo-reizen.
- Passagiers-utility winst ( $\Delta U_p$ ): De verbetering in de ervaren utility (comfort/gemak) van de reiziger ten opzichte van solo-reizen.
- Gemiddelde bezettingsgraad ( $O$ ): Het gemiddelde aantal passagiers per voertuig.
Drempelwaarde-gebaseerde Selectie: De kerninnovatie is de identificatie van de minimale vraagfractie ( $\alpha^*$ ) die vereist is om specifieke operationele drempelwaarden te halen:
- $\Delta T_v \geq 0,1$ (10% reductie in voerturen).
- $\Delta U_p \geq 0,025$ (2,5% verbetering in utility).
- $O \geq 2$ (Gemiddelde bezettingsgraad groter dan 2).
  Gebieden en hubs die deze drempelwaarden halen bij de laagste vraagfractie, worden gerangschikt als de meest veelbelovende kandidaten voor inzet.
Benchmarking: Voor de hoogst gerangschikte gebied-hub combinatie stelt de studie benchmarks vast voor de "lage-vraagperiode", waarbij wordt geïdentificeerd bij welke vraagniveaus pooling ontstaat, potentieel groeit en consistente KPI-prestaties worden bereikt.

Belangrijkste Bijdragen

Evaluatietool vóór inzet: Het artikel introduceert een gestructureerde methode voor gemeenten om optimale gebieden voor nieuwe on-demand voedingsdiensten te selecteren in afwezigheid van exacte vraagdata.
Probabilistische Vraagsimulatie: Door gebruik te maken van vraagfracties in plaats van vaste reismatrices, maakt de methode het mogelijk om de levensvatbaarheid van de dienst te beoordelen over een spectrum van potentiële adoptiecijfers.
Operationele Drempelwaarden: De studie definieert specifieke, conservatieve drempelwaarden voor voerturen, utility en bezettingsgraad die een levensvatbaar gepoold systeem onderscheiden van een verzameling solo-ritten.
Hub-selectielogica: De methodologie bevat een mechanisme om de optimale transit-hub te selecteren voor een bepaald gebied door de KPI-prestaties over meerdere potentiële bestemmingen te vergelijken.

Resultaten (Krakau Casestudy)
De methodologie werd toegepast op 12 vooraf geselecteerde laagdensiteitsgebieden in Krakau, Polen, gekoppeld aan nabijgelegen openbaar vervoer-hubs (tram- en treinstations).

Rangschikking: Gebieden werden gerangschikt op basis van de minimale vraagfractie die nodig is om alle drie de KPI-drempelwaarden te halen.
Beste Kandidaat: Gebied 9, gekoppeld aan de Kraków Mydlniki (PKP) trein-hub, werd geïdentificeerd als de meest veelbelovende kandidaat. Het behaalde alle drempelwaarden bij de laagste vraagfracties (bijv. $\alpha = 0,001$ voor reductie in voerturen, $\alpha = 0,005$ voor utility, $\alpha = 0,007$ voor bezettingsgraad).
Minst Veelbelovend: Gebied 10 (hoge dichtheid maar zeer dicht bij een hub) en Gebied 4 scoorden het laagst, waarbij Gebied 10 zelfs bij een vraagfractie van 5% niet voldeed aan de bezettingsgraad- en utility-drempelwaarden. Dit suggereert dat de nabijheid van bestaande hoogfrequente hubs de noodzaak voor voedingsdiensten vermindert.
Benchmarks voor Gebied 9: Voor de hoogst gerangschikte regio stelde de studie vast dat gepoolde ritten ontstaan bij een vraagfractie van 0,025%, significante groei optreedt bij 0,05%, en stabiele operationele capaciteit (het behalen van alle drempelwaarden) wordt bereikt tussen 0,1% en 0,7% vraag.

Betekenis en Claims
Het artikel beweert dat deze aanpak gemeenten een gestructureerde, datagestuurde tool biedt om beslissingen vóór inzet te nemen met betrekking tot on-demand gepoelde transit. Door gebieden te identificeren die de laagste mate van residentiële interesse vereisen om operationele efficiëntie te bereiken, kunnen planners locaties met de hoogste kans op succes prioriteren. De auteurs benadrukken dat de geïdentificeerde minimale vraagfracties operationele levensvatbaarheidsdrempels vertegenwoordigen, en geen voorspellingen zijn van de werkelijke passagiersaantallen. Ze merken op dat in contexten waar de adoptie laag is, aanvullende maatregelen (bijv. integratie met ticketing, subsidies) nodig kunnen zijn om deze drempels in de praktijk te bereiken. De studie positioneert zichzelf als een oplossing voor het "kip-en-ei"-probleem van het lanceren van nieuwe diensten zonder historische data, door een manier te bieden om potentieel te beoordelen op basis van ruimtelijke en demografische kenmerken alleen.

Beperkingen
De auteurs erkennen dat het ExMAS-algoritme een bovengrens modelleert voor het pooling-potentieel door geen expliciet beheer van vlootbeperkingen toe te passen. De studie gaat uit van één vooraf bepaalde hub voor alle reizigers en houdt geen rekening met complexe moduskeuzes (wandelen, fietsen) of de volledige reis (voeding + hoofdverbinding). Toekomstig werk wordt gesuggereerd om geobserveerde moduskeuze-data, expliciete vlootmodellering en bredere reisbeoordelingen te integreren.