Kép: Depositphotos/LDProd

A fenntartható utazási szokások fontos szerepet játszanak a társadalmilag, környezetileg és gazdaságilag fenntartható közösségek kialakításában. Megfelelő beavatkozásokkal az utazási szokások megváltoztathatók, ami fenntarthatóbb viselkedéshez vezethet, mint például az autóhasználat csökkentése. A meglévő stratégiák általában lágy intézkedéseket tartalmaznak, mint amilyenek például a környezettudatosság növelé­sét célzó kampányok vagy kerékpárral a munkahelyre napok szervezése, illetve kemény intézkedéseket tar­talmaz­nak, mint például kerékpárutak építése vagy parkolási szabályok bevezetése (Hiselius & Rosqvist, 2016). A legnagyobb különbség a két stratégia között az, hogy kemény intézkedések esetén szükség van infrastrukturá­lis fejlesztésre, ami nagyban növeli a beruházási költsé­geket. Ellenben a lágy intézkedések általában információközlésen alapulnak, amihez jóval kevesebb anyagi forrás is elegendő. Különféle megoldások bevezetésével a szakemberek igyekeznek megváltoztatni az utazók szoká­sait; ösztönző vagy jutalmazási módszerekkel motiválni tudják őket arra, hogy alternatív közlekedési módokat válasszanak, ami elősegíti a káros kibocsátás csökkenését is (Cats et al., 2017).

Éppen ezért azt kell megvizsgálni, hogy miként lehet támogatni az ingázók viselkedésének megváltozását a fenntartható módválasztás népszerűsítésével. A célok eléréséhez egy személyre szabott útvonaltervező módszert fejlesztettünk ki, és lágy intézkedéseket alkalmaztunk annak érdekében, hogy befolyásoljuk az egyéni utazási szokásokat. Kiemelkedő teljesítményt jelent az új megközelítés alkalmazása a városi utazástervező rendszerek körében, hiszen a paraméterezésük a különböző használati szokásoknak megfelelően alakítható. (1. ábra)

1. ábra. Az utazástervező webalkalmazás egy példán keresztül

A webalapú alkalmazás célja, hogy ösztönző eszközöket használva népszerűsítse a fenntartható napi ingázást. A kutatás során azt vizsgáltuk, hogy a budapesti utazóknak milyen mértékben áll szándékukban az utazási szokásaikat megváltoztatni, ennek során a kifejlesztett alkalmazás javaslatokat tesz a legjobb közlekedési mód kiválasztására, és lehetőséget ad a felhasználóknak arra, hogy visszajelzést küldjenek. Az alkalmazás legfőbb innovációja, hogy fel tudja mérni a felhasználók utazási preferenciáit, és segít kiválasztani a legmegfelelőbb közlekedési módot (gyaloglás, kerékpározás, közösségi közlekedés vagy autó). A preferenciáik beállítási lehetőségeinek kibővítésével a kifejlesztett eszköz segít megérteni az utazási szokásokat, illetve hatékonyabb stratégiák és fejlett módszerek bevezetését teszi lehetővé, ami arra motiválhatja az ingázókat, hogy fenntarthatóbb közlekedési módokat válasszanak. (2. ábra)

2. ábra. Ingázással eltöltött idő havi bontásban, különböző közlekedési módokra

A gyakorlati alkalmazást tekintve, a felhasználók visszajelzései alapján, az alkalmazás innovatív eszközként segít az egyéni utazóknak a legjobb közlekedési mód kiválasztásában a napi utazási rutinok kialakítása során. Társadalmi szemszögből, ha megfelelően nagyszámú utazó használja az alkalmazást, az utazástervezésből összegyűjtött statisztikai adatok hasznosak lehetnek a közlekedés stratégiai szintű tervezésében és a közlekedésszervezési folyamatokban, mint például a közösségi közlekedés menetrendje vagy az autómegosztási szolgáltatások területén.

Az elmúlt években egyre több intelligens közlekedési rendszerhez (Intelligent Transportation System; ITS) kapcsolódó megoldást láthatunk, amelyek kemény és lágy intézkedéseket is tartalmaznak, mint például a közlekedés és a parkolás optimalizálását célzó kísérletek. A folyamatokat úgy optimalizálhatjuk, ha fejlett információs rendszereket vezetünk be, amelyek elősegítik a hatékony utazások megvalósítását. Ha az utazásokról megfelelő információ áll a rendelkezésünkre, akkor a mobilitási minták megfigyelhetők, és az optimalizálás végrehajtható. A tevékenységekhez kapcsolódó optimalizáció az egyének napi tevékenységi mintáit modellezi, ahol általában háztartásfelvételi adatokat használnak (Zhang et al., 2018). Az optimalizáció megvalósításához támogató rendszereket fejlesztenek, amelyek információt gyűjtenek a közösségi közlekedés menetrendjéből és különféle megosztott közlekedési szolgáltatásoktól (pl. autómegosztás). A megoldáshoz ismerni kell a felhasználók utazási terveit, hogy meg lehessen szervezni a tevékenységek ütemezését a személyes preferenciák alapján (Heilig et al., 2018). Ezeknek az információknak a segítségével lehetőség nyílik a mobilitási minták elemzésére és előrejelzésére, ami támogatja a hatékony menetrendtervezést, új díjszabási rendszerek bevezetését, illetve a közlekedés piaci lehetőségeinek kibővítését.

Egy innovatív megoldás bevezetése városi környezetben optimalizálja a felhasználók utazásait a teljes utazási idő csökkentésével. Egy olyan módszert alkalmaztunk, amely megoldást nyújt a tevékenységi láncok optimalizálására, és az optimalizálási folyamat során több közlekedési módot hasonlítottunk össze, kiemelten a megosztott és elektromos alternatívákat. (3. ábra)

3. ábra. Optimalizált tevékenységi lánc elektromosautó-töltéssel

A tevékenységi láncok optimalizálása fontos módszertan, ami segít hatékonyabb megoldásokat nyújtani a tevékenységalapú modellek és optimalizációs problémák keresztezésével. Az előoptimalizációs és gyorsító technikákkal a heurisztikus módszer az optimális megoldásokat determinisztikus időben tudja kiszámolni a keresési tér csökkent mérete miatt. A formalizált modell és szimuláció eredményei alapján validációs szcenáriókat dolgoztunk ki a háztartásfelvételi felmérésből kigyűjtött nagyszámú valódi utazási adatot felhasználva. (4. ábra)

4. ábra. Példa eredeti és optimalizált tevékenységi láncra

Amikor a közlekedési elemzéseket egyéni szinten végezzük, az egyes felhasználók napi tevékenységi láncait vizsgálva, az utazások alapján mobilitási mintákat lehet meghatározni. Egy nagyobb felhasználói csoport utazásainak értékelése pedig hasznos lehet a közlekedési rendszereket üzemeltetők számára, hiszen így olyan menetrendeket tudnak összeállítani, amelyek az utazók valós utazási igényeinek felelnek meg. A mobilitási minták leírása és megértése segíti a közlekedési folyamatok pontos szimulációját egy városban, ami hasznos lehet a várostervezőknek és a döntéshozóknak is.

A közlekedés területén az integráció nagyon gyorsan fejlődik, egyebek között ennek köszönhető a mobilitás mint szolgáltatás (Mobility as a Service; MaaS) megjelenése is. A MaaS egy közlekedési koncepció, amely intelligens technológiákat alkalmazva integrálja, irányítja és elosztja az egyéni és közösségi közlekedési alternatívákat, illetve külön felajánlott szolgáltatásokat kínál egyetlen felüle­ten keresztül, mint például az útvonaltervezést, a foglalást, a jegykezelést és a fizetést (Kamargianni & Matyas, 2017). A MaaS-koncepciónak megfelelő mobilitási csomagokat kellene biztosítania az utazóknak, azonban kevés kutatás foglalkozik azzal, hogy ezeket a csomagokat hogyan kel­lene összeállítani, milyen helyi tényezőket kellene figyelembe venni, és mennyire hatékonyak a MaaS-előfizetések (Smith, 2018). Ha megfelelő mobilitási csomagokat ajánlunk, akkor az utazók utazási szokásait meg tudjuk változtatni, és fenntarthatóbbá tudjuk tenni.

A kutatás során kombinált közlekedési módokat vizsgáltunk a MaaS-keretrendszerben, ami elősegíti a fenntartható alternatívák választását. Ehhez olyan módszert dolgoztunk ki, amely csomag szinteket rendel az utazókhoz, és többféle közlekedési módot is magában foglal. A cél eléréséhez olyan mobilitási csomagokat állítottunk össze az utazók számára, ahol mind a személyes, mind a helyszínspecifikus tényezőket figyelembe vettük. (5. ábra)

5. ábra. Paraméterek és választási lehetőségek mobilitási csomagok összeállításához

A MaaS-szolgáltatásokat elemezve mobilitási csomagokat dolgoztunk ki speciális paramétereket használva, ennek során az utascsoportok különbözőségét is vizs­gál­tuk a közlekedési módok használata és a viselkedési formáik alapján, így támogatható meghatározott csopor­tok szintjén a MaaS-megoldások elfogadásának elem­zése. Fejlett kérdőívtervezési módszereken és feltárt preferenciafelméréseken keresztül meg lehet ismerni a mobilitási csomagok elfogadásának különbségeit az utazási jellemzők alapján. A módszer sokrétűen alkalmazható különböző városokban és helyszíneken, lehetővé téve a speciális helyi körülmények átfogó elemzését. Kiemelt figyelmet kell szentelni azokra a területekre, ahol több közlekedési szolgáltatás is elérhető, így új üzleti model­le­ket hozhatnak létre az üzemeltetők, miközben a felhasz­nálóknak is lehetőségük nyílik a legmegfelelőbb közleke­dési módok kiválasztására.

A módszert a közlekedési rendszereket üzemeltetők is alkalmazhatják, hogy támogassák az új szolgáltatások bevezetését, valamint a módszer betekintést biztosít az utazási szokások és a felhasználók elvárásainak különbözőségére a helyi önkormányzatok és a közlekedés­tervezők számára. A közlekedési szolgáltatások üzemel­tetői és a helyi döntéshozók felhasználhatják a gyűjtött adatokat, és mobilitási csomagokat ajánlhatnak, amikor új közlekedési szolgáltatást akarnak bevezetni. 

Városi mobilitási tervek bevezetésekor is gyakran lágy intézkedéseket alkalmaznak, amelyek olyan keresletet befolyásoló stratégiákon alapulnak, amelyek várhatóan csökkentik a sajátautó-használatot (Myrovali et al., 2020). Az ilyen intézkedések befolyásolhatják az utazók döntését, és fenntarthatóbb utazási szokások kialakulá­sá­hoz vezethetnek. A fenntartható közlekedési módok népszerűsítése enyhíti a közlekedés környezetre gyako­rolt káros hatását, és közvetlen pozitív hatást gyakorol a lakosságra is (Morris & Guerra, 2015). Éppen ezért a fenntartható módválasztást segítő megoldásokat to­vább kell vizsgálni. Pontosabban személyre szabott út­vonal­ter­vező alkalmazásokat és befolyásoló módszere­ket kell használni, hogy az ingázók körében népszerűsít­sék a fenntartható közlekedésimód-választást.

Egy olyan fejlett módszertant dolgoztunk ki pilotterületeken, ami smart, vagyis okos mobilitási megoldásokat vizsgál. Ezáltal olyan módszert vezettünk be, amely kiválasztja és rangsorolja a legmegfelelőbb intézkedéseket egy adott helyszínen, egy adott intézmény számára, egy munkahelyi mobilitási terv keretében. Az intézkedések támogatják az utazáshoz kapcsolódó szokások megváltozását, és népszerűsítik az aktív közlekedési módokat. (6. ábra)

6. ábra. Munkahelyi mobilitás fenntartható közlekedési módokkal

A módszer segít a munkahelyeknek, hogy kiválasszák a megfelelő intézkedéseket, továbbá egy szabványos formátumot biztosít az adatok begyűjtésére, valamint a lehetséges intézkedések összegyűjtésével és matematikai képletek alkalmazásával segíti a döntéshozatali folyamatot is. Habár az ajánlott eszköz megfelelően támogatja a folyamatot, további egyeztetések, illetve a kiválasztott intézkedések finomhangolása szükséges egy valós kontextusban. (7. ábra)

7. ábra. Kerékpáros intézkedések a munkahelyi mobilitási terv keretében

A módszer használhatósága több szinten is megmutatkozik. Egyrészt, amikor a legmegfelelőbb intézkedéseket választják ki, több nézőpontot is figyelembe vesznek, így például a munkáltató hajlandóságát, a munkavállalók igényeit és a helyszín speciális tényezőit. Másrészt a módszer az intézkedések rangsorolt listáját adja meg, amelyek közül a legmegfelelőbbek választhatók ki, így biztosítható a pilotok hatékony végrehajtása és támogatható a munkavállalók utazási szokásainak pozitív változása. A módszer hatékonyabbá teszi a közösségi finanszírozás eloszlását, ami nemcsak célravezetőbb projekteket eredményez, de a kifejlesztett közlekedési megoldásokkal elégedettebbek lesznek a felhasználók is.

Összefoglalva: kutatásaink során célként tűztük ki a felhasználók utazásainak optimalizálását személyre szabott paraméterek alapján és a fenntartható módválasztás támogatását a városi utazások során. Ezek a célkitűzések segítik az utazási idő csökkenését és egy magasabb szintű utazási élmény elérését, valamint az aktív közlekedési módok növekvő használatát. A különböző közlekedési alternatívák kombinálása növeli a hagyományos és megosztott közlekedési módok vonzerejét, ami hosszú távon hozzájárul az autóhasználat csökkenéséhez, és emellett pozitívan befolyásolja az utazási szokásokat.•

Hivatkozások

Anagnostopoulou, E., Bothos, E., Magoutas, B., Bradesko, L., Schrammel, J., & Mentzas, G. (2018) Persuasive technologies for sustainable mobility: State of the art and emerging trends. Sustainability, 10(7), 2128. DOI: 10.3390/su10072128

Cats O., Susilo Y. O., & Reimal T. (2017) The prospects of fare-free public transport: evidence from Tallinn. Transportation, 44(5), 1083–1104. DOI: 10.1007/s11116-016-9695-5

Graham-Rowe E., Skippon S., Gardner B., & Abraham C. (2011) Can we reduce car use and, if so, how? a review of available evidence. Transportation Research Part A, 45(5), 401–418. DOI: 10.1016/j.tra.2011.02.001

Heilig, M., Mallig, N. Schröder, O., Kagerbauer M., & Vortisch, P. (2018) Implementation of free-floating and station-based carsharing in an agent-based travel demand model. Travel Behaviour and Society, 12, 151–158. DOI: 10.1016/j.tbs.2017.02.002

Hiselius, L. W., & Rosqvist, L. S. (2016) Mobility Management campaigns as part of the transition towards changing social norms on sustainable travel behavior. Journal of Cleaner Production, 123, 34–41. DOI: 10.1016/j.jclepro.2015.08.055

Kamargianni M., & Matyas M. (2017) The Business Ecosystem of Mobility as a Service. 96th Annual Meeting of Transportation Research Board (TRB), 8-12.01.2017., Washington D.C., USA

Morris, E. A., & Guerra, E. (2015) Mood and mode: Does how we travel affect how we feel? Transportation, 42(1), 25–43. DOI: 10.1007/s11116-014-9521-x

Myrovali, G., Morfoulaki, M., Mpoutovinas, A., & Kotoula, K. M. (2020) Travelers-led innovation in sustainable urban mobility plans. Periodica Polytechnica: Transportation Engineering, 48(2), 126–132. DOI: 10.3311/PPtr.11909

Smith G., Sochor J., Karlsson I. C. M. (2018) Mobility as a Service: Development scenarios and implications for public transport. Research in Transportation Economics, 69, 592–599. DOI: 10.1016/j.retrec.2018.04.001

Zhang A., Kang J.E., Axhausen K.W., & Kwon C. (2018) Multi-day activity-travel pattern sampling based on single-day data, 97th Annual Meeting of Transportation Research Board (TRB), 7-11.01.2018., Washington D.C., USA

Címlapkép: Dr. Esztergár-Kiss Domokos