Modelontwikkeling Maas

Modelontwikkeling MaaS

Bijlagerapport Literatuurstudie Eindversie

Opgesteld in opdracht van: Rijkswaterstaat Water, Verkeer en Leefomgeving

Amersfoort, 26 april 2019 Projectnr: WVL024 Kenmerk:

Modelontwikkeling MaaS

Bijlagerapport Literatuurstudie

Opgesteld in opdracht van:

Rijkswaterstaat Water, Verkeer en Leefomgeving

MERSFOORT

B B

3800

2054,

OSTBUS

B.V.,

MUCONSULT Amersfoort, 26 april 2019

ONSULT ONSULT

@ C

U Projectnr: WVL024

M INFO Kenmerk:

Inhoudsopgave

1. Inleiding 2 1.1 Kader en doel van het project 2 1.2 Modellen voor prognoses MaaS 3 1.3 Deze rapportage 5 1.4 Verantwoording 6

2. Specifieke MaaS-onderdelen transportsysteem 7 2.1 Deelauto 7 2.1.1 Systeemkenmerken 7 2.1.2 Ontwikkelingen 8 2.1.3 Het gebruik van deelauto’s 13 2.1.4 Modeleren van deelauto-gebruik 16 2.2 Deelfiets 19 2.2.1 Systeemkenmerken 19 2.2.2 Ontwikkeling in het aantal deelfietsen en determinanten 21 2.2.3 Het gebruik van deelfietsen 25 2.2.4 Modellen voor toekomstige ontwikkelingen in omvang deelfietsen 27 2.3 Carpoolen 29 2.3.1 Systeemkenmerken 29 2.3.2 Ontwikkeling 29 2.3.3 Model implicaties gebruik carpoolen 30 2.4 Taxi 31 2.4.1 Systeemkenmerken 31 2.4.2 Ontwikkeling 32 2.4.3 Model implicaties gebruik taxi 33 2.5 Flexibel OV 35 2.5.1 Systeemkenmerken 35 2.5.2 Ontwikkeling naar de toekomst 38 2.5.3 Model implicaties gebruik flexibel OV 39

3. MaaS-Diensten 42 3.1 Inleiding 42

3.2 Reisinformatie 42 3.2.1 Reisinformatie en verplaatsingsgedrag 43 3.2.2 Model implicaties reisinformatie 45 3.3 Geïntegreerd betalen 46 3.3.1 Het systeem van geintegreerd betalen 46 3.3.2 Prijsstelling 47 3.4 Reserveren/boeken 48

4. Modellen voor deelname aan MaaS 49 4.1 Inleiding 49 4.2 Deelname aan MaaS-diensten 49

5. Bestaande MaaS Modellen 55 5.1 Model 1: PTV-modelbenadering shared mobility 55 5.2 Model 2: Koopal et al (2018) 56 5.3 Model 3: International Transport Forum (ITF, 2018) 57 5.4 Model 4: SimMobility 58

Bijlage : Literatuur 59

Modelontwikkeling MaaS Modelontwikkeling

1. Inleiding

1.1 Kader en doel van het project

Smart Mobility is het gebruiken van innovatieve technologie om veiliger, sneller en comfortabeler te kunnen reizen. De ontwikkeling van Mobility as a Service (MaaS) is daarvan een voorbeeld. MaaS is gedefinieerd als het aanbod van multimodale, vraag gestuurde mobiliteitsdiensten, waarbij op maat gemaakte reismogelijkheden via een digitaal platform (bv. een Mobiele app) met real-time informatie aan klanten worden aangeboden, inclusief betaling en afhandeling van transacties.

De marktpotentie van MaaS en de te verwachten effecten op het autobezit en de mobiliteit zijn van groot belang om inzicht te krijgen in de rol die MaaS kan spelen in de opgaven inzake bereikbaarheid en leefbaarheid/duurzaamheid. Zo zou MaaS een bijdrage kunnen leveren aan de reductie van de groei in de congestie op de weg indien een deel van de automobilisten een overstap maakt naar collectieve vervoerwijzen. Omgekeerd zijn er ook ervaringen in het buitenland, waarbij MaaS leidt tot een toename van het gebruik van deelauto’s ten koste van Openbaar Vervoer. Kortom, er zijn grote onzekerheden in de mogelijke bijdrage van MaaS aan de publieke doelen inzake mobiliteit.

Om deze inzichten te verwerven wordt in binnen- en buitenland een groot aantal studies uitgevoerd en worden pilots opgezet en uitgevoerd. Het KIM heeft gewerkt aan studies waarbij te verwachten effecten van MaaS worden benoemd, waaronder een literatuurstudie en een kwalitatieve en kwantitatieve verkenning1. Daarnaast wordt door verschillende universiteiten en adviesbureaus gewerkt aan verbeteringen van de inzichten. Zo wordt door de TU Eindhoven, de TU Delft, de Radbouduniversiteit en de HAN Hogeschool gewerkt aan het project SCRIPTS2. Ook TNO werkt aan de ontwikkeling van MaaS3

Bij voorspellingen over te verwachten ontwikkelingen in de mobiliteit en de effecten van maatregelen spelen de modelsystemen LMS en NRM een belangrijke rol. Deze modellen beschrijven gedragskeuzen van reizigers. Op basis van autonome ontwikkelingen (vervat in de WLO-scenario’s) en de inzet van specifieke beleidsinstrumenten worden inzichten verkregen in de ontwikkelingen en effecten ten aanzien van bereikbaarheid, veiligheid en

leefomgeving/duurzaamheid.

1 https://www.kimnet.nl/publicaties/rapporten/2018/09/17/mobility-as-a-service-and-changes-in-travel-preferences- and-travel-behaviour-a-literature-review

2 Https://www.tue.nl/universiteit/faculteiten/bouwkunde/de-faculteit/scripts/#top

3 https://www.tno.nl/nl/tno-insights/artikelen/in-een-toekomstbestendig-mobiliteitssysteem-staat-de-reiziger-centraal/

Modelontwikkeling MaaS Modelontwikkeling

Met deze modellen is het thans niet mogelijk om scenario’s inzake de ontwikkeling van MaaS door te rekenen en de effecten vast te stellen. Door RWS/WVL is een project opgestart waarmee uiteindelijk wordt beoogd om met LMS/NRM een aantal scenario’s door te rekenen die aangeven wat de marktpotentie van MaaS zou kunnen zijn, bijvoorbeeld in het kader van de NMCA. Het project kan daarnaast bruikbaar zijn voor andere organisaties die inzicht willen hebben in de marktpotentie van MaaS en de effecten daarvan op mobiliteit en publieke doelen inzake bereikbaarheid, veiligheid en kwaliteit van de leefomgeving. Daarbij merken wij expliciet op dat wij ons richten op aanpassingen van bestaande modellen, zodat op relatief korte termijn verantwoorde indicaties kunnen worden verkregen van te verwachten effecten. Bij deze uitwerking realiseren wij ons dat deze uitwerking een eerste indicatie geeft nu het marktaandeel van MaaS en de daaraan verbonden systemen nog klein is.

Bij een fors grotere rol van MaaS en de door sommige betrokkenen verwachte paradigma- verandering bij de realisatie van mobiliteitsdiensten zal deze eerste benadering niet meer volstaan (Meurs en Timmermans, 2017; Kamargianni, Yfantis, Muscat, Azevedo en Ben Akiva, 2018). Daarbij zijn de volgende punten van belang:  In toekomstige businessmodellen is het mogelijk dat vraag en aanbod van vervoerdiensten op een andere wijze wordt afgestemd dan thans het geval is. Vraag en aanbod worden dan veel dynamischer afgestemd waarbij de omvang van het aanbod, de kwaliteit en de prijs (tarief) veel meer op elkaar worden afgestemd. Dit vraagt om een ander type modellen dan waar thans mee wordt gewerkt;  Flexibilisering van het aanbod betekent meer onzekerheden voor reizigers. Daarvoor is onder meer dynamische reisinformatie nodig. Het inbouwen van dergelijke onzekerheden kan gevolgen hebben voor de agenda’s van de burgers. Dergelijke onzekerheden vragen om een zogenaamde activiteitenbenadering van het modelleren. Dergelijke modellen zijn beschikbaar (bijvoorbeeld Albatros), maar worden nog niet veel gebruikt;  Nieuwe modaliteiten, zoals de automatische voertuigen en verbeteringen aan bestaande voertuigen, zoals bij de electrische en de zelfrijdende auto, kunnen aanzienlijke extra stimulans betekenen voor MaaS. Zo zijn electrische auto’s vaak duur, zodat het delen van deze auto’s aantrekkelijk kan zijn voor bezitters. Veel recent wetenschappelijk onderzoek vindt plaats naar deze samenhang. Deze wordt in de huidige studie ook buiten beschouwing gelaten.

Om recht te doen aan deze belangrijke aspecten van MaaS zal gewerkt moeten worden aan

een nieuwe generatie verkeersmodellen waarin flexibeler aanbod en vraag aan elkaar worden

gekoppeld. Deze ontwikkeling valt buiten de scope van dit project, al worden aan het eind van het rapport wel een aantal mogelijke ontwikkelingslijnen geschetst.

1.2 Modellen voor prognoses MaaS

Om uitspraken te kunnen doen over de mobiliteitseffecten van MaaS middels aanpassingen

aan bestaande modellen is het belangrijk dat een aantal belangrijk kenmerken van MaaS goed Modelontwikkeling MaaS Modelontwikkeling

worden meegenomen in de prognosemodellen. Bij de aanpassing van LMS/NRM zijn de volgende aspecten van belang:  Beschikbaarheid “nieuwe” modaliteiten. De modaliteiten auto, trein en bus (volgens een vaste dienstregeling) zijn opgenomen als alternatieven in verkeersmodellen. Innovatievere mobiliteitsdiensten die van belang zijn in MaaS als auto- en fietsdelen, alsmede flexibele vormen van OV en taxivervoer zijn echter niet opgenomen, noch als aanbod, noch als mogelijk alternatief voor mobiliteitskeuzen.  Nieuwe diensten via de service-providers. Ten opzichte van de huidige situatie zal MaaS betere en actuele multimodale reisinformatie leveren ten behoeve van de planning van reizen, mogelijkheden om geïntegreerde mobiliteitsdiensten te betalen (in de vorm van ‘pay-as-you go’ of in de vorm van bundels van mobiliteitsdiensten) en kunnen reizigers mobiliteitsdiensten boeken. Daarnaast zou nog kunnen worden nagegaan of de additionele marketinginspanningen van de serviceproviders effect sorteren, waaronder betere afstemming van specifieke wensen van reizigers en het aanbod van vervoerdiensten.  Aansluiting bij een service-provider. Gebruikers van de MaaS-diensten zullen zich aan moeten sluiten bij één of meerdere service-providers zodat zij gebruik kunnnen maken van deze diensten. Daaraan kunnen kosten verbonden zijn. Sommige service-providers zullen werken met een abonnementssysteem, waarbij men tegen betaling een aantal reizen kan maken. Andere service-providers zullen (daarnaast) kunnen werken met een pay-as-you-go systeem. Deze expliciete keuzen zijn niet opgenomen in de bestaande modellen. Additionele complexiteit bij het voorspellen zal ook nog zijn dat aanbieders van mobiliteitsdiensten ook zelfstandig nog hun diensten zullen aanbieden aan potentiële reizigers.  Additionele aandacht voor autobezit. Reguliere prognoses met verkeersmodellen hebben vooral betrekking op mobiliteitskeuzen en de gevolgen daarvan voor de afwikkeling van het verkeer (congestie, veiligheid, kwaliteit leefomgeving). Bij de modelering van MaaS moeten daarnaast ook de effecten op het autobezit worden meegenomen. Immers, toename van het gebruik van mobiliteitsdiensten kan ertoe leiden dat een verschuiving van bezit van modaliteiten naar deelgebruik plaatsvindt. Op basis van literatuur zullen deze effecten worden geraamd.

In de onderstaande figuur zijn de nieuwe elementen van MaaS-toepassingen weergegeven (in geel) binnen de componenten van het huidige LMS/NRM (in blauw). Hierbij merken wij wel op dat dit schema een versimpelde weergave betreft van de werkelijkheid van MaaS.

Modelontwikkeling MaaS Modelontwikkeling

Figuur 1.1 Schematische weergave nieuwe elementen

1.3 Deze rapportage

Doel van deze fase is om op basis van de literatuur inzicht te krijgen in de volgende onderdelen:

Deelsystemen en flexibel aanbod (hoofdstuk 2)  Beschikbaarheid. De marktontwikkelingen van de (aanvullende) deelsystemen volgens een autonome trend, dus zonder specifieke MaaS-acties. We richten ons op ontwikkelingen in autodelen, fietsdelen, carpoolen, taxi en flexibel OV. De andere vervoerwijzen (auto, OV, fiets) laten we in deze studie buiten beschouwing; die zijn al opgenomen in LMS en/of NRM. Deze stap levert inzicht op in de beschikbaarheid van de verschillende systemen.  Afweging tussen alternatieven. Bij het inschatten van effecten van MaaS is het van

belang inzicht te hebben in de wijze waarop reizigers deze aanvullende diensten afwegen

tegen het reguliere aanbod auto, OV en fiets. Op basis van de literatuur worden de afwegingsfactoren benoemd en wordt getracht inzicht te verschaffen in het gewicht van deze factoren.

Modelontwikkeling MaaS Modelontwikkeling

Specifieke MaaS-diensten (hoofdstuk 3)  Effecten van een aantal specifieke aspecten van MaaS, waaronder dynamische reisinformatie, geïntegreerd betalen, reserveren/boeken.  Marktonderzoek naar de penetratie van MaaS-diensten. Voor de te verwachten ontwikkelingen van MaaS (omvang en gebruik) zullen we eveneens gebruik maken van een (beperkt) aantal studies uitgevoerd naar (te verwachten) potentie van MaaS, in een aantal gevallen op basis van Stated Preference onderzoek.  Analyse van de belangrijkste attributen van de deelsystemen en de bijbehorende gedragsparameters bij de verschillende deelsystemen van MaaS. Bij deelsystemen gaat het zowel om de aanvullende mobiliteitsdiensten als om de verbeteringen in de ondersteunende systemen t.b.v. planning, reservering en betaling. Op basis van de literatuur zullen in deze stap de belangrijkste vraagmodellen en bijbehorende attributen van de mobiliteitsdiensten worden benoemd en worden resultaten (bijvoorbeeld in de vorm van elasticiteiten) weergegeven die gebruikt kunnen worden om de bijbehorende gedragsparameters vast te stellen.

Deelname aan Maas-platforms (hoofdstuk 4) In deze paragraaf wordt een overzicht gegeven van de literatuur die beschikbaar is over het modelleren van de deelname aan MaaS-platforms.

MaaS in Verkeersmodellen (hoofdstuk 5) In dit hoofdstuk wordt ingegaan op de wijze waarop door onderzoekers wordt voorgesteld om modellen op te zetten voor het modelleren van de effecten van MaaS op de mobiliteit.

1.4 Verantwoording

In deze literatuurstudie hebben wij bij de beschrijving van mobiliteitsdiensten gebruik gemaakt van de literatuurstudie van het KIM “Mobility-as-a-Service and changes in travel preferences and travel behaviour: a literature review”, geschreven door Anne Durand en collega’s. Deze studie is beschikbaar4. Deze literatuur is aangevuld met andere bronnen over deze diensten, alsmede met publicaties die specifiek betrekking hebben op de modelaspecten van Maas,

4 https://www.kimnet.nl/publicaties/rapporten/2018/09/17/mobility-as-a-service-and-changes-in-travel-preferences- and-travel-behaviour-a-literature-review

Modelontwikkeling MaaS Modelontwikkeling

2. Specifieke MaaS-onderdelen transportsysteem

DIT HOOFDSTUK PRESENTEERT VOOR EEN AANTAL SPECIFIEKE ONDERDELEN VAN HET MAAS TRANSPORTSYSTEEM (A) BELANGRIJKE KENMERKEN (B) AUTONOME ONTWIKKELINGEN EN (C) BELANGRIJKE ATTRIBUTEN DIE DE AANTREKKELIJKHEID VAN HET BETREFFENDE SYSTEEM VOOR REIZIGERS WEERGEGEVEN. ACHTEREENVOLGENS KOMEN AAN DE ORDE DE DEELAUTO, DEELFIETSEN, CARPOOLEN, TAXI EN FLEXIBELE OV-DIENSTEN

2.1 Deelauto

Volgens Münzel et al (2017) is autodelen een systeem dat mensen in staat stelt lokaal beschikbare auto’s te huren op elk gewenst moment en voor elke tijdsduur. Autodelen bestaat al lang in Nederland. De deelauto staat in Nederland vanaf het begin van de jaren 1990 in de belangstelling, onder meer door acties vanuit het toenmalige ministerie van Verkeer en Waterstaat. Toen werd de naam “call-a-car” gebruikt. Verwacht werd dat het kon bijdragen aan doelstellingen ten aanzien van de reductie van het autogebruik en vermindering van de uitstoot van schadelijke stoffen. MyWheels is in 1993 opgericht en Greenwheels in 1995. De verwachtingen over de groei van het autodelen waren destijds hooggespannen. In 1993 wordt in een haalbaarheidsonderzoek geconstateerd dat 40% van de Nederlandse automobilisten van een deelauto systeem gebruik zou gaan maken (2 miljoen autodelers opleverde) (AGV 1993). Deze raming is nooit gehaald.

Echter, met de opkomst van de ICT en de deeleconomie (gebruik in plaats van bezit) is het deelautoconcept opnieuw in de belangstelling komen te staan; de ontwikkelingen leiden tot aanbod van internet)platforms waardoor het aanbod van de deelautomarkt is vergroot en gediversifieerd. Wereldwijd wordt autodelen (her)ontdekt. In grote steden als Parijs, Brussel en Berlijn is autodelen snel groter geworden. Ook Nederlandse steden als Amsterdam en Utrecht zetten in op autodelen. In vrijwel alle Nederlandse gemeenten is de deelauto inmiddels te vinden.

Met de introductie van MaaS wordt autodelen laagdrempeliger, als onderdeel van een scala

aan opties gecombineerd met slimme aanbevelingen voor de beste keuze(s) per reis.

Autodelen is overigens een noodzakelijke schakel in MaaS-oplossingen, omdat een zo breed mogelijk palet aan oplossingen nodig is voor het gebruiksgemak en om de autobezitter tot andere keuzes te bewegen.

2.1.1 Systeemkenmerken

Deelautosystemen zijn te karakteriseren naar de wijze waarop voertuigen worden ingezet

(roundtrip en oneway) en de wijze waarop het systeem is georganiseerd (b.v. bedrijven als Modelontwikkeling MaaS Modelontwikkeling

aanbieder van auto’s dan wel het zogenaamde onderlinge autodelen (peer-2-peer) al dan niet via een platform).

Figuur 2.1 Typologie autodeelsystemen (bron: Münzel et al, 2017)

Het CROW (2016) levert factsheets met een aantal indelingen en kenmerken van elk van deze systemen. Bij roundtrip carsharing worden de auto’s na gebruik op dezelfde plek teruggebracht, zoals dit bijvoorbeeld bij Greenwheels het geval is. Oneway carsharing daarentegen geeft gebruikers de mogelijkheid om de auto na gebruik op een andere plek achter te laten. In beide gevallen kan er sprake zijn van een ‘freefloating5’ systeem, in dit geval heeft de auto geen vaste plek maar kan de auto in een gebied worden geplaatst op een openbare parkeerplaats. Een voorbeeld van een free-floating systeem wordt geleverd door Car2go. Bij het traditionele autodelen stellen bedrijven hun voertuigen beschikbaar aan particulieren. Daarnaast bestaat het systeem van Peer-2-Peer carsharing, welke sterk toeneemt in Nederland. Bij P2P carsharing is er sprake van systeem waarbij vaak particuliere autobezitters hun auto’s verhuren aan gebruikers. Een voorbeeld hiervan een Snapcar. Initiatieven die zich specifiek richten op de zakelijke markt vallen onder business carsharing. Ook zijn er initiatieven waarbij een vaste groep gebruikers de kosten van een auto delen door gezamenlijk een auto aan te schaffen, de verzamelnaam hiervoor is local communities of cooperatives.

2.1.2 Ontwikkelingen

Vervolgens is de vraag welke ontwikkelingen zich voordoen in het aanbod van deelauto’s en de kenmerken van gebruik en gebruikers. Wij besteden aandacht aan de volgende vragen: 1. Welke ontwikkelingen doen zich voor in het aantal deelauto’s? Naast het inzicht in het aantal auto’s is het ook van belang inzicht te verkrijgen in wie deze deelauto’s gebruikt. Dit

betreft kenmerken zoals onder meer de huishoud samenstelling, aantal rijbewijzen in

huishouden, inkomen van huishouden, etc. Met die informatie kunnen we de modellering van het aanschaffen van MaaS abonnementen en de terugkoppeling op autobezit beter gaan modelleren. 2. Wat zijn de effecten op het autobezit? Hierbij is de vraag of bij gebruik van de deelauto afstand gedaan van een eigen auto (eventueel van de tweede auto) of wordt de aankoop van een eigen (eventueel tweede) auto uitgesteld.

5 De tegenhanger is station based Modelontwikkeling MaaS Modelontwikkeling

Ontwikkelingen in het aantal deelauto’s Internationaal gezien groeit het aantal deelauto’s sterk. Veel grote automobiel-fabrikanten bieden deelauto’s aan. In 2018 zijn er in Nederland circa 41.000 (CROW 2018) deelauto’s beschikbaar, in 2017 waren dit er 31.000. Vooral het aanbod via de zogenaamde carsharing platforms (P2P) neemt sterk toe. Het aantal klassieke “Roundtrip” autodelen met bedrijven als eigenaar van de auto’s blijft echter min of meer stabiel.

Figuur 2.2 Ontwikkeling deelauto’s (bron: KpVV 2017)

Deelauto’s kennen de hoogste penetratiegraad in zeer sterk stedelijke gebieden, in de niet stedelijke gebieden is de penetratiegraad het laagst. Mogelijk is dit een combinatiegraad van marktpotentieel de “noodzaak” van het gemak/discomfort van het zelf hebben van een auto.

Figuur 2.3 Deelauto’s per 100.000 inwoners (bron: KpVV 2017)

Bron: KpVV, 2018

Vervolgens is de vraag hoe de markt voor deelauto’s zich verder zal ontwikkelen naar de

toekomst toe. Voor de Nederlandse situatie zijn twee prognoses/doelen beschikbaar: Modelontwikkeling MaaS Modelontwikkeling

 Volgens Jorritsma (2015) geeft 20% van de Nederlanders (18+ met rijbewijs) aan open te staan voor B2C of peer-to-peer autodelen. Op basis van een aantal kentallen en veronderstellingen wordt verwacht dat er maximaal circa 800.000 gebruikers (=deelnemers) van autodeelsystemen in een toekomstig jaar zullen zijn, waarbij onbekend is hoe de groeicurve zich ontwikkelt. Merk op dat dit nog geen informatie geeft over het gebruik van deelauto’s. Uitgaande van een ratio van 1 deelauto op 7-10 gebruikers, zou dit impliceren dat sprake is van 80-120.000 deelauto’s in een toekomstjaar.  Het kabinet streeft er naar de Randstad bereikbaar te houden onder andere door het gebruik van deelauto’s. In 2021 moeten het er vanuit de zogenaamde Green Deal 100.000 zijn6 met 700.000 gebruikers. Dit is meer dan verwacht mag worden wanneer de trend van de afgelopen jaren met een groei van circa 10.000 voertuigen per jaar wordt doorgetrokken. Bij deze versterkte groei kan worden gewezen op:  Peer-to-peer platforms (bijvoorbeeld SnappCar) maken het makkelijk om als particulier je auto te delen met andere particulieren en alles op een goede manier te regelen zoals jij dat wilt (beschikbaarheid, afrekenen, verzekeren, alleen delen met bekenden, etc.). De platforms zijn ook voor deelauto-gebruikers toegankelijk en inzichtelijk (locatie, model, prijs, beschikbaarheid, etc.).  Autodeelbedrijven (bijvoorbeeld Greenwheels, MyWheels) maken standaard deelauto’s breed toegankelijk en verlenen goede service om het gebruik makkelijk te maken.  Actief beleid van een aantal (vooral grotere) gemeenten die het autodelen stimuleren, bijvoorbeeld via parkeerbeleid.  Autodelen als onderdeel van de zogenaamde werkgeversaanpak. Hierbij worden kansen benut van het (lease)autodelen. Daarbij komt dat (nieuwe) aanbieders zakelijk autodelen faciliteren met garantie op mobiliteit. Dit is bedrijfsmatig efficiënt en geeft mogelijkheid tot allerlei optimalisaties.

Naast deze “voorspellingen” voor Nederland zijn een aantal voorspellingen op Europees niveau beschikbaar: • Het economisch bureau van ING (2018) laat zien dat 30% van de Europeanen met een rijbewijs interesse toont in deelauto diensten. Ruim 60% is bereid om zijn of haar auto te delen voor geld. Nederland scoort op beide vlakken lager; 18% toont interesse om deelauto’s te gebruiken, terwijl 41% bereid is zijn/haar auto te delen voor geld. Deze waarden komen ongeveer overeen met de gegevens van Jorritsma. Op basis van het onderzoek komt men tot de conclusie dat de Europese markt voor deelauto’s sterk kan

groeien als een aantal barrieres kan worden overwonnen, zoals voldoende beschikbaarheid,

betere kwaliteit van de auto’s en gebruiksgemak. Als autodelen haar potentie weet te benutten, dan kan de vloot deelauto’s in Europa groeien van een kleine 400.000 in 2018 tot 7,5 miljoen in 2035, een factor 17. Als we deze groeikromme naar de Nederlandse situatie vertalen, dan komen we tot een raming van ongeveer 700.000 deelauto’s in 2030 op een totaal autopark van rond de 9 miljoen, dat is afgerond ongeveer 8% van het autopark in 2030. ING verwacht dat de groei van deelauto’s sterk zal toenemen na 2025. Belangrijke redenen daarvoor zijn (a) nieuwe technologie, vooral het connected zijn van auto’s, de

6 https://www.greendeals.nl/nieuws/meer-deelautos-voor-meer-vrije-ruimte-en-een-beter-milieu Modelontwikkeling MaaS Modelontwikkeling

introductie van automatische voertuigen (level 4) en de verdere groei van elektrisch vervoer (b) overheidsbeleid waarbij parkeerbeleid en toenemende variabele kosten belangrijke factoren zijn en (c) gemak, met de toename van platforms. Daarbij de volgende deelresultaten:  1 deelauto vervangt 10 eigen auto’s  Het toenemende aanbod van deelauto’s zal na 2025 merkbare effecten gaan krijgen op de verkoop van eigen auto’s (afname in nieuwverkopen tot 7,5% per jaar). 1 op de 9 verkochte auto’s zal een deelauto zijn, via zowel bedrijfsmatige als particuliere aanbieders;  Hoewel veel automobielfabrikanten gekoppeld zijn aan autodeelaanbieders met eigen vloot, zullen ze in toenemende mate ook bij P2P aanbiedingen betrokken raken  Volgens KPMG (2018) is, op basis van enquêtes, de auto-industrie ervan overtuigd dat autodelen (bijna) het nieuwe bezitten is. Een kleine zestig procent van hen denkt dat in 2025 de helft van de autobezitters niet meer per se eigenaar hoeft te zijn van een voertuig. Autobezitters zelf zijn daar iets minder stellig in, maar ook daarvan deelt een derde die kijk.  Seba (2014) voorspelt een disruptie in eigen autobezit met een 80% reductie privé autobezit tot 2030 in de USA. Van 247 miljoen voertuigen in 2020 naar 44 miljoen prive- voertuigen in 2030.  BCG (2016) voorspelt dat in 2021 van de 46 miljoen Europeanen met een rijbewijs in de grote steden 14 miljoen gebruik zullen gaan maken van autodeeldiensten, vergelijkbaar met de 2,1 miljoen die dat in 2016 deden.

Op basis van deze inzichten kunnen we een indicatie geven van de bandbreedte voor ontwikkelingen in het aantal deelauto’s tot 2030. Uitgaande van een lineaire extrapolatie van deze ontwikkelingsmogelijkheden komen wij tot de volgende inzichten in het aantal deelauto’s Deze bandbreedte is relatief groot (onderstaande figuur). De verwachting varieert van 100.000 voertuigen tot 550.000 voertuigen in 2030.

Modelontwikkeling MaaS Modelontwikkeling

Figuur 2.4 Bandbreedte ontwikkeling deelauto’s

Substitutie en/of generatie Autodelen zou kunnen voorkomen dat mensen een nieuwe auto aanschaffen en kunnen bevorderen dat mensen de in bezit zijnde auto verkopen (Millard Ball et al. 2005; Cervero et al. 2007). Ook kan sprake zijn van reductie in het gebruik van de auto, omdat gebruikers van autodeelsystemen de variabele kosten van het gebruik van de auto meer merken. Bovendien besparen ze geld door geen auto te kopen(Shaheen et al., 2004; Cervero and Tsai, 2004; Cervero et al., 2007). Autodelen kan echter ook leiden tot toename van autogebruik als de drempel voor autorijden voor rijbewijsbezitters zonder auto lager wordt. Dit zelfde kan ook gebeuren in huishoudens met meer rijbewijzen dan auto’s.

Het PBL (Nijland et et,2015) heeft onderzoek gedaan naar het effect van de deelauto op autobezit en de mobiliteit. Uit dit onderzoek komt naar voren dat het gemiddelde autobezit onder respondenten daalt van 0,85 naar 0,72. Bovendien geeft 37% van de respondenten aan

geen tweede auto te hebben gekocht door het gebruik van de deelauto en 8% zou een auto hebben gekocht wanneer ze geen gebruik zouden maken van de deelauto. Wanneer dit effect wordt geïncludeerd dan neemt het autobezit af van 1,08 naar 0,72. Een toename van 59.000 deelautogebruikers tot en met 2021 zou dan resulteren in een afname van het aantal “eigen” auto’s met 39.000 voertuigen.

Ook uit een studie uitgevoerd in Basel waarbij data van een free-floating deelauto provider is

gebruikt door Becker et al (2016) blijkt dat het autobezit onder autodelers lager is. Een jaar na Modelontwikkeling MaaS Modelontwikkeling

het starten van de studie was het autobezit 0,24 auto per huishouden onder autodelers en 0,83 auto per huishouden onder de controlegroep.

Het gebruik van autodeelsystemen heeft soms geleid tot een daling van het autobezit en dus tot een lager autogebruik, aldus Celsor en Millard-Ball (2007). Martin et al. (2010) voerde in Noord- Amerika een onderzoek uit en concludeerde op basis van cross-sectie onderzoek ook dat autodelensysteem-leden hun voertuigbezit aanzienlijk inkrimpen, van gemiddeld 0,47 voertuigen per huishouden tot 0,24 voertuigen per huishouden. Meer recent hebben Schure et al. (2012) op basis van een in 2010 uitgevoerd onderzoek naar 13 appartementen in San Francisco geconcludeerd dat het gemiddelde voertuigbezit voor huishoudens die autodeelsystemen gebruiken 0,47 voertuigen/ huishouden is in vergelijking met 1,22 voertuigen / huishouden voor die dat niet doen.

2.1.3 Het gebruik van deelauto’s

In deze paragraaf gaan we in het gebruik van een deelauto. Uit onderzoek gerapporteerd door Jorritsma (2015) blijkt dat het aantal mensen dat gebruik maakt van één of meer vormen van autodelen in Nederland gering is. Slechts 1% van de Nederlanders van achttien jaar en ouder maakt er gebruik van. Dat komt overeen met ongeveer 90.000 autodelers in Nederland. Meer dan de helft van deze autodelers huurt via een organisatie, circa 20% huurt een auto via een particulier en ruim een kwart gebruikt beide mogelijkheden. De autodelers gebruiken de auto vooral voor het bezoek aan vrienden en familie en voor winkelen en het vervoeren van zware spullen.

De toename in het aantal aangeboden voertuigen laat zich niet één op één vertalen naar een toename in gebruik. Het CROW komt gemiddeld op 10 autodelers op iedere deelauto (zie tabel 2.1). Andere inschattingen komen lager uit waarbij 7 autodelers op 1 deelauto wordt genoemd. Het aantal gebruikers per deelauto sterk wisselt per vorm van autodelen.Het aantal gebruikers per deelauto van oneway carsharing is verreweg het hoogst. Uit onderzoek blijkt echter dat het effect van deze vorm van autodelen op het autobezit vrij klein is. Bij local communities gaat het vaak om kleine, besloten groepen van gebruikers. Bij business carsharing worden deelauto’s gebruikt door één of meer bedrijven.

Tabel 2.1 Gebruikers per vorm (bron: CROW, 2018)

Vorm Gemiddeld aantal gebruikers per deelauto

Roundtrip carsharing 20 Oneway carsharing 130 Carsharing platforms 9 Local communities 3 Business carsharing 4 Alle vormen 10

Uitgaande van een extrapolatie komen wij tot de volgende inschatting van de ontwikkeling in het

aantal deelautogebruikers. Modelontwikkeling MaaS Modelontwikkeling

Figuur 2.5 Bandbreedte ontwikkeling autodelers

De kilometers gemaakt met een deelauto zouden volgens Jorritsma in 38% van de gevallen met een reguliere auto gemaakt zijn en in 35% van de gevallen met de trein indien er geen gebruik wordt gemaakt van de deelauto (zie onderstaande tabel).

Tabel 2.2 Aandelen per vervoerwijze (bron:Jorritsma 2015) Modaliteit Kilometers (aandeel (%)) Auto 38 Trein 35 BTM 4 Fiets 2 Auto passagier 1 Overig 4

Niet reizen 16

De deelauto wordt vooral gebruikt voor werk/zakelijk, halen/brengen goederen en bezoek aan familie/vrienden (Jorritsma et al., 2015). Zo hebben voor de laatste twee ritten die gebruikers van deelauto’s hebben gemaakt gevraagd naar het motief. Vanwege de geringe aantallen is daarbij geen onderscheid gemaakt naar soorten deelautogebruik (gehuurd via organisatie of particulier). Het meest genoemde motief om gebruik te maken van een deelauto betreft het bezoek aan vrienden en familie (figuur 3). Aan ruim een kwart van alle deelautoritten ligt dit

motief ten grondslag. Daarna zijn winkelen en/of het vervoeren van zware spullen (denk bijv. Modelontwikkeling MaaS Modelontwikkeling

aan het bezoek aan een meubelboulevard), recreatieve motieven (een dagje uit) en zakelijke ritten de meest genoemde motieven (allemaal goed voor ongeveer 15% van de ritten). Het reizen van en naar het werk of opleiding zijn goed voor ongeveer eentiende van de deelautoritten.

Figuur 2.6 Motief verplaatsing waarbij de deelauto is gebruikt (bron: Jorritsma et al., 2015)

Effecten op autokilometers zijn ook gevonden door Shaheen et al. 2005, Cervero et al. 2007; Lane 2005; Cervero and Tsai 2004; Cervero 2003; Martin et al., 2010 en Stasko et al., 2013).

Autodelen heeft een positief effect op de stedelijke mobiliteit, vooral omdat elke auto efficiënter wordt gebruikt en alleen voor de verplaatsingen waar een auto echt voor nodig is (Litman, 2000; Schuster et al., 2005). Deelauto’s kunnen veel hogere benuttingsgraden hebben dan privéauto's omdat elk voertuig meer tijd op de weg doorbrengt en minder tijd parkeert. Als er auto's worden gebruikt, bezetten ze geen parkeerplaatsen, dus bij hogere middellange tot lange benuttingsgraden zal ook het aantal benodigde parkeerplaatsen lager zijn (Mitchell et al., 2010). Bovendien, een recente studie door Sioui et al. (2010) concludeerde dat autodelers minder

kilometers rijden; er was een verschil van 30% tussen beide. Dit idee wordt versterkt door

Martin en Shaheen (2011), die via een enquête in de Verenigde Staten en Canada ontdekten dat de gemiddelde waargenomen voertuigkilometers (VKT) door respondenten vóór deelname aan autodelen 6468 km / jaar waren, terwijl het gemiddelde VKT na deelname aan autodelen 4729 km / jaar was, wat een daling is van 27% (1749 km / jaar). Merk hierbij wel op dat hier sprake kan zijn van zelfselectie; mensen die minder autokilometers willen gaan maken kunnen besluiten om deze met autodeelsystemen uit te voeren. Bovendien lijken de resultaten van

recente enquêtestudies erop te wijzen dat autodeelsystemen positieve milieueffecten kunnen Modelontwikkeling MaaS Modelontwikkeling

hebben. Martin en Shaheen (2011) merkten uit de bovenstaande VKT-schattingen op dat de uitstoot van broeikasgassen (BKG) van auto’s van autodeelorganisaties in de VS en Canada statistisch significant lager zijn. Bovendien hebben Firnkorn en Müller (2011) een onderzoek uitgevoerd bij een Duits autodelenbedrijf en geconcludeerd dat de CO2-emissies met 312 tot 146 kg CO2 / jaar per gemiddelde gebruiker zijn gedaald, al kan hier ook zelfselectie een rol spelen.

2.1.4 Modeleren van deelauto-gebruik

Het modeleren van autodelen gebeurt vaak met agent-based modellen waarin de aankomst en vertrektijden van de onderdelen van de verplaatsingen worden gemodelleerd. Voorbeelden hiervan zijn:  Lopes et al (2014). Zij stellen een gedetailleerd en realistisch model op voor one-way systemen. Er wordt zowel aandacht besteed aan de economische effecten voor de operators als voor de gebruikers waarbij aandacht wordt besteed aan beslissingen ten aanzien van de fleet size, station or free-floating, locatiebeslissingen en tarievenbeleid. Ook wordt aandacht besteed aan reserveringsmogelijkheden en onderhoud. Het model kan ook door overheden worden gebruikt om de effecten van autodelen in te schatten. Uit de analyses blijkt dat vooral de verdeling van de auto’s over de stations een belangrijk vraagstuk is;  Ciari et al (2013), Balax et al( 2015) Ciari et al (2011) gebruiken MATSim als programma in een activiteitenbenadering en agent-based simulaties. In het programma is een nutsfunctie opgenomen waarmee de aantrekkelijkheid van autodelen wordt opgenomen. Daarbij zijn de toegang tot het autodeelstation en het tarief belangrijke elementen. Het model gaat vooral in op de round-trip autodeelsystemen  Er zijn verschillende macroscopische modellen, waarbij steeds veel aandacht wordt besteed aan de ongelijke verdeling van de vraag naar deelauto’s in tijd en ruimte. Deze modellen gebruiken vooral OV-achtige toedelingen van deelauto’s naar de netwerken, waarbij zogenaamde headways de kernvariabele zijn.  Tenslotte zijn er veel relocatiemodellen, waarbij de ongelijke verdeling van deelauto’s in tijd en ruimte een belangrijk vraagstuk zijn.

Bij de keuze van een autodeelsysteem als alternatief ten opzichte van andere modaliteiten is het van belang inzicht te verwerven in de attributen die van invloed zijn op de aantrekkelijkheid

van de deelauto en de gedragsparameters bij deze attributen. Daarnaast worden persoonlijke- en ruimtelijke kenmerken opgenomen in de nutsfuncties. In reviewstudies (Kortum, 2012; Jorge en Correia, 2013; Durand et al, 2018) wordt uitgebreid ingegaan op de relatie tussen het gebruik van autodelen en deze ruimtelijke en persoonlijke kenmerken:  Laag autobezit leidt tot grotere kans op gebruik deelauto’s. Deze relatie kan in beide richtingen werken: autodelen kan ook leiden tot een daling van het autobezit (Martin en Shaheen, 2011).  Overwegend jongere rijbewijsbezitters (twintig en begin veertig jaar oud.

 Eén en twee-persoons huishoudens (Burkhardt en Millard-Ball, 2006). Modelontwikkeling MaaS Modelontwikkeling

 Hoog opleidingsniveau (Shaheen en Rodier, 2005; Steininger et al., 1996).  Hoger dan gemiddeld inkomen (Shaheen en Rodier, 2005; Steininger et al., 1996).  Milieubewustzijn (Shaheen en Rodier, 2005).  Innovatiegerichtheid en gevoelig voor het uitproberen van nieuwe dingen (Burkhardt en Millard-Ball, 2006; Shaheen & Rodier, 2005).  Vaker gebruik alternatieve modaliteiten dan auto, zoals openbaar vervoer, fietsen en wandelen (Cervero, 2002).  Hoge dichtheden van woonomgeving (Burkhardt en Millard-Ball, 2006).  Veel parkeerbeperkingen of beperkingen in parkeermogelijkheden in de woonomgeving (Abraham, 1999).  Korte afstand tot de meest dichtstbijzijnde deelauto (Abraham, 1999)

Op basis van een uitgebreide literatuurstudie komt Ank van Paassen (2018) tot het volgende samenvattende overzicht van de belangrijke verklarende variabelen in bestaande studies die de participatie in autodeelsystemen verklaren (+ betekent positief effect, - betekent een negatief effect op de participatie in autodeelsystemen).

Tabel 2.3 Verklarende variabelen autodeelsystemen (bron: Paassen, 2018) Woon- en huishoudkenmerken Transport kenmerken Land-use characteristics Transportation related characteristics + Household density + Public transport accessibility + Population size + Public transport usage - Distance to facilities + Commuters by foot - Commuters by car Household characteristics - Car accessibility + Single household composition - Car ownership - Car travel demand Other Individual characteristics + Carsharing awareness + Education + Carsharing participants among family and friends + Middle aged + Environmental concern - Age 65+ + Shared car availability - Carsharing costs - Shared car access time

Er is een (beperkt) aantal studies uitgevoerd waarbij vervoerwijzekeuze wordt gemodelleerd

met de deelauto als een mogelijk alternatief. Deze studies baseren zich op “nutsfuncties” die de waardering van autodelen beschrijven als functie van de looptijd naar de ophaallocatie voor de deelauto, de tijdsduur van gebruik van de auto, de afstandskosten en de kosten van de deelauto per tijdseenheid. Deze studies laten een grote variatie aan uitkomsten zien:  Becker et al (2017) vinden in een studie naar de waardering van attributen in een free- floating car systeem dat de looptijd naar een autodeelstation fors minder weegt dan de

looptijd naar een OV-halte. Het gaat dan om een tijdswaardering lager dan 2 zwitserse Modelontwikkeling MaaS Modelontwikkeling

franken. Ze verklaren dit zelf door aan te geven dat deze reistijd wordt goed gemaakt door een hogere snelheid van de auto dan het OV;  Kato et al (2013) vinden in een gecombineerde SP-RP analyse van de aantrekkelijkheid van autodelen dat de tijd in het voertuig in sommige steden in Japan hoger weegt dan de looptijd naar het autodeelstation, terwijl in andere steden het omgekeerde het geval is.  Heindrichs (2017) introduceert autodelen in een vervoerwijzekeuzemodel door te veronderstellen dat de parameters dezelfde zijn als autobestuurders in het bezit van een auto; alleen de coëfficiënten die bij leeftijd zijn opgenomen zijn aangepast, zodat recht wordt gedaan aan het feit dat autodelen vooral wordt gebruikt door jongeren;  Een SP-onderzoek uitgevoerd in Nederland (Kim et al., 2017) resulteert in onderstaande elasticiteiten en kruis-elasticiteiten bij deelautogebruik en de alternatieven (eigen auto en OV). Hieruit trekken de auteurs de volgende, niet altijd navolgbare, conclusies:  De gevoeligheid voor wachttijd voor de beschikbaarheid van de deelauto is iets lager dan die voor OV, maar vrijwel vergelijkbaar. Merk op dat de elasticiteit voor wachttijd fors groter is dan die voor de looptijd naar het autodeelstation. Bij de eigen auto is sprake van wachttijd als men moet wachten op het gebruik van de auto omdat bijvoorbeeld een familielid de auto in gebruik heeft.  De gevoeligheid voor looptijd naar een deelautostation is iets hoger dan die voor de looptijd naar een OV-halte.  Reistijd met deelauto’s heeft wat grotere effecten dan die van de reistijd met OV, maar lager dan de auto.  De betrouwbaarheid van de reistijd met deelauto’s is wat belangrijker dan bij de auto, maar vrijwel gelijk aan die van het OV.  De tijdsgebaseerde kosten elasticiteiten van deelauto’s zijn uiteraard negatief en opvallend is dat de parkeerkosten relatief grote effecten hebben.

Tabel 2.4 (Kans)elasticiteiten en kruiselasticiteiten voor autodelen ten opzichte van OV en gebruik eigen auto (bron: Kim et al, 2017) Attribute Transport mode Elasticities Own-car Shared-car Public transport Waiting time for a mode to become Own-car −0,188 0,297 0,297 available (min) Shared-car 0,062 −0,584 0,062 Public transport 0,153 0,153 −0,492 Access time to a mode (min) Own-car −0,023 0,049 0,049 Shared-car 0,022 −0,217 0,022

Public transport 0,062 0,062 −0,177

Travel time: mean (min) Own-car −0,277 0,518 0,518 Shared-car 0,077 −0,719 0,077 Public transport 0,199 0,199 −0,596 Travel time: standard deviation (min) Own-car −0,044 0,079 0,079 Shared-car 0,011 −0,111 0,011 Public transport 0,031 0,031 −0,092 Time-based cost (€/h) Shared-car 0,052 −0,463 0,052 Fare (€/km) Public transport 0,12 0,12 −0,364

Parking cost (€) Own-car −0,434 0,683 0,683 Modelontwikkeling MaaS Modelontwikkeling

Shared-car 0,079 −1,038 0,079

2.2 Deelfiets

2.2.1 Systeemkenmerken

In toenemende mate is sprake van aandacht van overheden en bedrijfsleven voor het fietsdelen. De oorspronkelijke acties bestonden uit het gratis beschikbaar stellen van fietsen, bijvoorbeeld het Witte fietsenplan in Amsterdam in de jaren 60 en 70. Later zijn nieuwe ontwikkelingen gekomen, waaronder slimme stations waarbij gebruikers zich aanmelden bij een station om gebruik te maken van een fiets en brengen deze weer terug naar een station. Bij latere ontwikkelingen binnen deze generatie komt er ook real time info over de beschikbare fietsen beschikbaar, ook kun je je ter plekke registreren. Registratie werkt via het station of via apps. Daarna is de ontwikkeling naar slimme fietsen begonnen, waarbij de techniek is geïntegreerd in de fiets en niet langer in de stations. Dit zorgt ervoor dat de deelfiets- toepassingen veel flexibeler opgezet kunnen worden: zowel naar snelheid van uitrol en optimalisatie, als ook naar de mogelijke locaties in de stad en naar type fietsen. Registratie en toegang verschuift van terminals naar smartphones. Het meest recent is de ontwikkeling van de interoperabiliteit, waarbij de reiziger gebruik maken van verschillende systemen met behulp van één registratie / toegangspas.

Operationeel zijn deelfietssystemen grofweg in drie categorieën in te delen :  Back to one; hierbij dient de fiets teruggebracht te worden naar de begin locatie. Een bekend voorbeeld in Nederland is de OV-fiets7.  Back to many; hierbij kan de fiets op andere aangewezen locaties worden ingeleverd. Een bekend voorbeeld is Vélib in Parijs.  Free Floating; Hierbij kan de fiets achtergelaten worden op elke willekeurige locatie (al dan niet binnen een gedefinieerd gebied), Mobike is een voorbeeld van dit concept.

OV Fiets was hoofdzakelijk bedoeld om de trein als vervoersoplossing aantrekkelijker maken met een fiets in het voor-, maar vooral het natransport. Hierbij is het belangrijk om naar de deelfiets te kijken als onderdeel van de verplaatsingsketen. De toename van de ‘rationalisatie’ van OV-netwerken, waarbij het OV in toenemende mate is gebaseerd op snelle gestrekte lijnen (het ‘kernnet’) gaat samen met vermindering van de dienstverlening in meer perifere gebieden.

De (deel)fiets kan hier worden ingeschakeld als deel van het aanbod voor de ‘first’ en ‘last mile’.

Zo’n deelfietssysteem kan alleen gewaarborgd worden in een “back-to-one”systeem, waarbij fietsen op één centraal punt uitgeleend en teruggebracht worden. Verwacht mag worden dat in de toekomst de deelfiets dan ook meer dan alleen het voor- en natransport van treindiensten zal gaan verzorgen.

7 Inleveren op een andere locatie is mogelijk tegen een meerprijs van circa 2,5 keer de huurprijs. Modelontwikkeling MaaS Modelontwikkeling

In stedelijke agglomeraties ontwikkellen zich in toenemende mate freefloating deelfiets systemen (zie tabel 2.5 voor systeemkenmerken). Private marktpartijen ontwikkelen hier ‘slimme’ deelfietsen op maat van stedelijke agglomeraties. Verplaatsingen binnen zo’n agglomeratie zijn omwille van afstand en tijd sowieso aantrekkelijk om met de fiets af te leggen. Door het type van fiets dat men aanbiedt en de gehanteerde tarieven zullen private aanbieders specifieke doelgroepen trachten aan te spreken. Het aanbod speelt vaak ook in op het creëren van nieuwe verplaatsingen – met de fiets dan – en slaagt er in om nieuwe doelgroepen (opnieuw) met de fiets te laten kennismaken. Landelijke gebieden of kleinere gemeenten met lagere ruimtelijke dichtheden vallen niet meteen binnen de scope van deze deelfietsbedrijven. Freefloating deelfietsen bieden de gebruiker een gemakkelijke toegang, maar er is geen gegarandeerd aanbod. De deelfietsen staan waar de vorige gebruiker ze achterliet. Dat is niet noodzakelijk bij een station of bushalte. Integendeel, ze worden hoofdzakelijk gebruikt om de verplaatsing zonder overstap te maken. Waar bedrijven, kantoren, diensten en woningen goed gemixt door elkaar liggen, worden ze het meest gebruikt. Het is lastig om ze te verknopen met het openbaar vervoer. Er is geen gegarandeerd “openbaar” aanbod of ticketintegratie.

Tabel 2.5 Voorbeelden van systeemkenmerken fietsdeelsystemen. De kleuren geven de voor- en nadelen weer van verschillende systemen. Bij groen is sprake van een aantrekkelijk systeemkenmerken, bij rood is sprake van een minder gunstige score voor gebruikers (bron: Jongen, 2017) Santan Kenmerk / OV- Keo Call-a- Velo Publi Next Blauwe der Bedrijfs Systeem Fiets Bike Bike spot Bike Bike Fietsen Cylce fietsen (NL) (NL) (DUI) (ZWI) (ZWI) (ZWI) (Ehv) (GB) Netwerk- 1 -1 -1 -1 -1 -1 -1 1 1 dichtheid Beschikbaar 0 -1 -1 -1 -1 -1 -1 1 1 heid Inleveren op alle locaties -1 1 1 1 1 1 1 -1 1 mogelijk Reserveren -1 1 0 0 0 0 0 1 1 Registratie -1 -1 -1 -1 -1 -1 -1 1 1 Herverdeling 1 -1 -1 -1 -1 -1 -1 1 1 Kosten 0 0 0 -1 1 -1 0 (systeem) Abonnement 0 0 -1 1 1 1 1 starief

Inbegrepen

bij -1 1 1 1 1 abonnement Variabel tarief per 1 0 0 0 0 0 (half)uur Max. 1 1 -1 0 -1 -1 -1

dagtarief Modelontwikkeling MaaS Modelontwikkeling

2.2.2 Ontwikkeling in het aantal deelfietsen en determinanten

Binnen Nederland is de OV-fiets het meest gebruikte deelfietssysteem. In 2017 werden er 3,2 miljoen ritten gemaakt met een OV-fiets met deelfietsen op circa 300 huurlocaties (NS 2018). Er zijn echter diverse andere alternatieven, denk hierbij bijvoorbeeld aan Keobike en Hopperpoint. Elk systeem kent haar eigen registratie-, betaalsysteem en locaties. Er is dan ook sprake van een versnipperde markt (Van Zessen 2017). Er zijn in Nederland circa 20.000 deelfietsen waarvan het grootste deel afkomstig is van NS en Obike (zie onderstaande tabel).

Tabel 2.6 Deelfietssystemen in Nederland Naam Plaats Aantal hubs Aantal fiets Bikeshare050 Groningen 20 Blauwe Fietsenplan Vestigingsdriehoek / Slot Loevestein 5 50 Bikeshare Maastricht Maastricht 6 60 Haagsche Stadsfiets Den Haag 400 Hello Bike Amsterdam 22 500 Hopperpoint / WeMobile 6 50 Urbee 10 150 Uw Deelfiets 300 Velocity Kerkrade 1 10 GoBike Rotterdam Rotterdam 20 OV-fiets Nederland 300 15.82408 Keobike Veluwe en Leusden 26 340 Flickbike Amsterdam 1.000 Obike Amsterdam en Rotterdam 300 8.500 Bron: (Aangepaste) Rapportage kopgroep huur- en deelfietsinitiatieven CROW (2017)

De vraag naar bikesharing systemen is in het verleden gemodelleerd als onderdeel van systemen die het herpositioneren van de vloot optimaliseren en ook om de manier te bestuderen waarop gebruikers van bikesharing-systemen zich gedragen. Veel van deze modellen voorspellen het gebruik van fietsdeelsystemen op basis van werkelijk gebruik (historische data) om inzichten te krijgen in het aantal deelfietsen dat nodig is op specifieke locaties. Steeds staat de vraag centraal hoeveel deelfietsen nodig zijn op verschillende stations, al dan niet met herverdeling gedurende de dag.

Situering fietsdeellocaties Voor fietsdeelsystemen zijn een aantal locaties aantrekkelijk:

 Kansrijke bestemmingstypen:

 OV-knooppunt (hoge vervoerswaarde, hubs and spokes systeem). Gaat om het versterken van de OV-keten met als potentiele doelgroep de OV-reizigers. Hierdoor is het noodzakelijk dat OV-knooppunten en/of haltes onderdeel worden van het netwerk.  Onderwijsinstellingen. Uit de bredere internationale literatuur kwam naar voren dat veel jongeren en jong volwassenen gebruikmaken van fietsdeelsystemen. Naast

8 Deze waarde komt van https://www.ovfietsbeschikbaar.nl/statistieken Modelontwikkeling MaaS Modelontwikkeling

scholieren en studenten is er ook personeel aanwezig op de onderwijsinstellingen, deze groep kan ook gebruikmaken van het fietsdeelsysteem.  Werklocaties. Wanneer een bedrijventerrein of kantoorgebied wordt aangesloten op het OV kunnen er afwegingen gemaakt rondom de potentiele groep werknemers die gebruik kan maken van het OV. Fietsdeelsysteem kunnen 24 uur per dag beschikbaar zijn bij onbemande uitgiftepunten.  Recreatieve bestemmingen. Het fietssysteem kan aantrekkelijk zijn om naar bepaalde recreatieve bestemming te fietsen.  Stadscentra. Locaties in het centrum van een stad kunnen ook potentiele locaties zijn voor de uitrol, marktpleinen of andere bezienswaardigheden kunnen uitgiftelocaties zijn.  Kleine afgelegen kernen (OV-Shuttle). Het OV versterken door een aansluitend systeem te bieden kan een van de doelen van het systeem zijn. Hierdoor wordt het systeem ook aantrekkelijk voor locaties die nu niet of nauwelijks met het OV zijn ontsloten.  Afstanden  Afstand OV-bestemming. Het systeem moet aansluiten op het OV waardoor het als natransport kan functioneren. Voor natransportmogelijkheden heeft het CROW een aantal normen vastgesteld die de maximale fietsafstand aangeven. Voor nationale overstappunten wordt een natransportafstand van 2,2 km aangegeven, voor regionale overstappunten ligt de afstand op ongeveer 1,7 km. De combinatie van fiets en OV wordt in diverse onderzoeken als sterk aangegeven (Goudappel & TU Delft, 2017; Staps, 2014; Vleugel & Bal, 2016).  Beschikbare fietsroutes (directheid). De beschikbare route tussen de ov halte en de bestemming kan bepalend zijn voor het gebruik. Een van de eigenschappen voor het vaststellen van de kwaliteit van de fietsroute is de mate van directheid, uitgedrukt in de omrijfactor. De omrijfactor is de verhouding tussen de hemelsbrede afstand en de kortste afstand over de aanwezige infrastructuur (CROW, 2016).  Omvang Er zijn geen harde eisen aan het minimumaantal omwonenden voor fietsdeel systemen, maar de onderstaande kenmerken kunnen potentiële aanbieders helpen bij het afwegen van de locaties ten opzichte van elkaar.  Omgevingsadressendichtheid. De omgevingsadressendichtheid (OAD) geeft het gemiddeld aantal adressen aan per vierkante kilometer binnen een cirkel met een straal van 1 kilometer. Voor de locaties van het fietsdeelsysteem kan de concentratie

van menselijke activiteiten rondom het geselecteerde punt van belang zijn. Hoe hoger

de concentratie op een punt is, hoe meer kans dat er meer mensen gebruik zullen gaan maken van dit uitgiftepunt.  Aantal werknemers/studenten/bezoekers. Het aantal gebruikers op de bestemming is bepalend voor de mate waarin het systeem een succes kan worden. Hoe meer (potentiele) gebruikers, hoe meer kans op het slagen van het systeem. Het gemiddelde gebruik van de fietsen dat nodig is om het systeem draaiende te houden, staat in

Europa op ongeveer 5 ritten per dag per fiets. Wanneer er meer dan 7 ritten per dag Modelontwikkeling MaaS Modelontwikkeling

worden afgelegd op één fiets zal het systeem onder druk komen te staan door knelpunten in de beschikbaarheid (Ligtermoet & de With, 2013). De meeste studies laten zien dat bij treinstations in gebieden met een hogere baan of bevolkingsdichtheid of bij stations met een hoger aantal attractiepunten (zoals restaurants, winkels en universiteiten) in de omgeving vaker gebruik wordt gemaakt van fietsdelen (Rixey, 2013 en Faghih-Imani et al., 2014).  Alternatieven  Kwaliteit OV (Verplaatsingstijdfactor). Veel fietsdeelsystemen hebben als doel om het OV aan te vullen en hierdoor te versterken. Wanneer op de verbinding naar de bestemming al een kwalitatief goede OV verbinding ligt, zal het systeem gaan concurreren met het OV. De huidige bereikbaarheid per OV wordt uitgedrukt in de reistijd (kwaliteit) van de OV verbinding ten opzichte van de auto, hierbij wordt gebruik gemaakt van de verplaatsingstijdfactor.  Toekomstige VF-factor na lancering fietsdeelsysteem. Wanneer het laatste gedeelte van de verplaatsing wordt vervangen door de fiets, kan de totale reistijd voor OV reizigers veranderen. Hierdoor verandert ook de VF verhouding tussen het OV en de auto.  Verschil tussen de VF-waarden. Het verschil tussen de VF-waarde bij de huidige OV- verbinding en de OV-verbinding + fietsdeelsysteem wordt ook gebruikt om de verwachte sterkte (van de werking) van een fietsdeelsysteem te meten per locatie.  Aanwezigheid bedrijfsfietsen / eigen regeling. De aanwezigheid van eigen bedrijfsfietsen kan een belemmerende werking hebben op het gebruik van een fietsdeelsysteem. Verschillende studies tonen bijvoorbeeld aan dat het verbeteren van het aantal uitgiftepunten en capaciteit of het verbeterenvan fietsroutes rond stations het gebruik van fietsdeelsystemen verhoogt (Buck en Buehler, 2012, Faghih-Imani et al., 2014 en Wang et al., 2015). Faghih-Imani en Eluru (2014) laten wel zien dat zelfselectie een rol speelt, wat aangeeft dat de besluitvorming om een fietsdeelstation te realiseren wel expliciet moet worden meegenomen omdat anders het effect op de markt voor fietsdeelsystemen wordt overschat. Immers, met in eerste instantie worden de meest aantrekkelijke uitgiftepunten gerealiseerd en toekomstige uitgiftepunten zullen minder aantrekkelijk zijn

Aantal fietsen per deellocatie Vervolgens wordt per locatie het aantal benodigde fietsen gemodelleerd. Het gaat meestal om

korte termijn voorspellingen.

 Een van de eerste pogingen om de vraag van een bikesharing-systeem te modelleren is gedaan door Borgnat, Abry, & Rouquier (2011) als onderdeel van hun studie naar Lyon's Vélo'V. Hun voorspellingsmodel combineerde statistische modellen om de cyclische fluctuaties met lineaire regressie te voorspellen.  Barcelona’s Bicing is minstens twee keer bestudeerd:  Het werd voor het eerst bestudeerd door Froehlich, Neumann en Oliver (2009) die

Bicing-gegevens gebruikten om de mobiliteit van de stad te bestuderen. Ze gebruikten Modelontwikkeling MaaS Modelontwikkeling

voorspellingsmethoden van toenemende complexiteit: laatste waarde, historisch gemiddelde, historische trend en Bayesiaanse netwerken.  Kaltenbrunner, Meza, Grivolla, Codina en Banchs (2010) onderzochten ook de patronen van Bicing. Om het aantal fietsen op een station te voorspellen, gebruikten ze enkele eenvoudige modellen, evenals een aantal tijdreeksanalysetools zoals het Auto-Regressive Moving Average (ARMA) .  Een ander voorbeeld van een stad waar bikeshare-systemen zijn bestudeerd is Wenen, waarin in de studie van Vogel, Greiser en Mattfeld (2011) Vienna's Citybike Wien is onderzocht door middel van clusteranalyse. K-means clustering, verwachtingsmaximalisatie en sequentiële information-bottlenecks waren de gekozen algoritmen om de fietsvloot over de stad te optimaliseren  Ten slotte ontwierp Caggiani & Ottomanelli (2013) een model voor het herpositioneren van de fietsvloot op basis van simulaties. Om de vraag te voorspellen gebruikten ze neurale netwerken.

Daarnaast worden voorspellingen van de vraag verkregen door gebruik te maken van stated dan wel revealed preference gegevens, omdat methoden voor het vaststellen van goede systemen voor het delen van fietsen (dell'Olio, Ibeas en Moura, 2011). Hierbij wordt een relatie gelegd met het profiel van de gebruikers en potentiële gebruikers, de factoren die de vraag kunnen beïnvloeden (als de geografische omstandigheden, de variatie van de vraag gedurende de dag of over de seizoenen, en uiteenlopende kenmerken van de reiziger (zoals leeftijd, geslacht en/of baan, enz.):  Het fietsdeelsysteem van New York City werd ontworpen mop basis van analyse van gebruikersgroep patronen van succesvolle fietsdeelprogramma's: Velib'in Parijs, Velo'v in Lyon en Bicing in Barcelona; waaruit drie typische gebruikersgroepen werden geïdentificeerd: pendelaars, recreatieve/winkelende rijders en toeristen. De auteurs schatten het aantal mensen in elke potentiële gebruikerscategorie in New York en pasten hen verschillende acceptatiesnelheden toe (3%, 6% en 9%) om het aantal potentiele gebruikers van bike-share-programma te kwantificeren. De opnamepercentages worden bepaald op basis van enquêtes bij Londen en Parijs;  Krykewycz, Puchalsky, Rocks, Bonnette en Jaskiewicz (2010) schatten de vraag naar een nieuw fietsdeel-programma in Philadelphia (USA). De auteurs definieerden twee marktgebieden met behulp van een op rasters gebaseerde geografische informatiesysteemanalyse en pasten drie fietsdeel acceptatiesnelheden toe, bepaald door

enquêtes in Lyon, Parijs (Frankrijk) en Barcelona (Spanje) om de modal shift te schatten bij

verschillende vraagscenario's (laag, midden en hoog).  De studie in Seattle is gebaseerd op het onderzoek in Philadelphia. De marktgebieden werden echter gedefinieerd met GIS-rastergegevens van indicatoren die van invloed zijn op het gebruik van fietsdelen, zoals de bevolkingsdichtheid, baandichtheid in totaal, dichtheid van banen in de detailhandel, toeristische attracties, parken/recreatiegebieden, topografie, regionale OV-stations, fietsvriendelijke straten, straten met fietsstroken en haltes van de lokaal OV). Tariefgevoeligheden uit studies in Lyon, Parijs en Barcelona zijn gebruikt

(Gregerson et al, 2010). Modelontwikkeling MaaS Modelontwikkeling

 Daddio (2012) presenteert een regressiebenadering om de vraag naar deelfietsen te voorspellen op basis van de omgevingskenmerken van een station. Dit model is geschat op basis van het aantal fietsen dat in werkelijkheid door een fietsdeelbedrijf is uitgeleend.

Het merendeel van de kwantitatieve studies richt zich op voorspelling met behulp van tijdreeksmodellen. Borgnat et al. (2009a, 2009b, 2010), Kaltenbrunner et al. (2010) en Vogel & Mattfeld (2010). Froehlich et al. (2008, 2009) gebruiken Bayesiaanse netwerken en clustering om de beschikbaarheid van fietsen te voorspellen. Meer recent zijn er verschillende kwantitatieve onderzoeken geweest naar fietsdeelsystemen.

2.2.3 Het gebruik van deelfietsen

De deelfiets kan enerzijds worden gezien als modaliteit op zichzelf, bijvoorbeeld als systeem om ritten in een binnenstad te maken. Anderzijds kan de deelfiets worden gezien als voor- en natransport middel bij een ketenverplaatsing. Dit kan een auto en fiets ketenverplaatsing zijn zoals bijvoorbeeld een rit via een Park + Bike veelal zal dit echter een fiets en OV ketenverplaatsing zijn. In deze sectie wordt ingegaan op beide functies van de deelfiets.

Naast de kosten en de beoogde reistijd zijn ook nabijheid en het reserveringssysteem relevant voor de omvang van het gebruik van deelfietssystemen. Deze twee aspecten laten zich vertalen in het gemak waarmee deelfietssystemen kunnen worden gebruikt.

Baas (2017) laat zien dat fietsdeelsystemen vooral reizigers trekken die de reis anders hadden volbracht per openbaar vervoer of te voet. Fietsdeelsystemen kunnen in Nederland worden gebruikt omwille van het verlichten van de drukte in het openbaar vervoer in de spitsen, zoals bijvoorbeeld gebeurd in de MaaS-pilot Heyendaal in Nijmegen. Een fietsdeelsysteem inzetten om automobilisten te verleiden wordt zowel in het buitenland als in Nederland genoemd als een voorname rol voor een fietsdeelsysteem maar Baas (2017) constateert dat maar 11 procent van de gebruikers zonder dit deelsysteem de auto zouden hebben gebruikt, een relatief beperkte subsitutie. In combinatie met P&R-locaties zou hier wel een bijdrage kunnen worden verwacht. Ook zou er een rol van fietsdeelsysteem bij het verminderen van de hinder door wegwerkzaamheden kunnen zijn.

Het gebruik van de fiets is afhankelijk van verschillende factoren. Functioneert het systeem namelijk als vervanging (substitutie) voor het OV of als aanvullend en versterkend middel om de

eerder genoemde “last-mile” te overbruggen? Uit onderzoek (Audikana e.a., 2017) is zichtbaar dat bij lange woon-werkafstanden de laatste doelstelling zichtbaar is, aangezien er dan een groot deel van het traject met het OV moet worden afgelegd. De opmars van e-bikes kan de aantrekkelijkheid van de deelfiets als modaliteit op zichzelf vergroten aangezien het met elektrische fietsen mogelijk is om een grotere actieradius te bereiken met dezelfde inspanning (Dill & Rose, 2012).

Een aantal andere factoren die een rol spelen in het gebruik zijn: Modelontwikkeling MaaS Modelontwikkeling

 Netwerkdichtheid/gebrek aan uitgiftepunten(Bachand-Marleau, Lee, & El-Geneidy, 2012, Heijningen 2016 en Campbell, 2016): de locaties spelen een grote rol in het succes, de afstand tussen de uitgifte/inneempunten en het startpunt/de eindbestemming van de reis moet kort zijn.  Beschikbaarheid van een alternatief: wanneer men niet beschikt over alternatieve vervoerswijzen is de kans op het gebruik van het deelsysteem uiteraard groter.  Congestie in een bepaald gebied (Midgley, 2009, Heijningen 2016 en Campbell, 2016): vooral in stedelijk gebied kan het verplaatsen per fiets sneller zijn dan het verplaatsen met een auto.  Prijs van het systeem/gebruik: aan de ene kant zal de prijs een beperkt effect hebben op het gebruik aangezien (een groot deel van) de kosten worden vergoed door de werkgevers bij het gebruik van de fiets door forenzen/zakelijk verkeer. Echter, dit geldt alleen voor bepaalde doelgroepen, de prijs en tarifering kunnen dus van invloed zijn op welke doelgroepen nu geschikt zijn voor het gekozen systeem (Ligtermoet & de With, 2013).  Voorkeur eigen fiets (Bachand-Marleau e.a., 2012): in Nederland kan dit een (grote) rol spelen aangezien veel mensen over een eigen fiets beschikken.  Weersomstandigheden (Thomas, Jaarsma, & Tutert, 2013, Heijningen 2016 en Campbell, 2016): slechte weersomstandigheden kunnen ertoe leiden dat men niet gaat fietsen en met een alternatief gaat reizen.  Imago (Audikana e.a., 2017): de fietsdeelsystemen kennen vaak een (milieu)vriendelijk imago maar uit onderzoek is gebleken dat 47% van de reizigers de locaties binnen een bepaald systeem niet kent.

Uit analyses uit eerdere fietsdeelsystemen komen bepaalde gebruikersprofielen naar voren. Bij het onderzoek van Buck (2013) kent het profiel de volgende kenmerken:  34 jaar en jonger  Hoger opgeleid (85% heeft minstens een HBO-bachelor opleiding afgerond)  Bestemming: School of Werk Het relatieve jonge publiek wordt bevestigd in een onderzoek van OV-fiets zelf naar de gebruikers van de OV-fiets. Echter, de fiets wordt ook gebruikt door ouderen (65+) (Nieuwenhuis, 2016).  25% is tussen de 30-39 jaar oud  15% is 65 jaar of ouder Daarnaast wordt er gesproken over de volgende specifieke doelgroepen die baat hebben bij de

aanwezigheid van een fietsdeelsysteem.

 OV reizigers: Voor reizigers met het openbaar vervoer kan de fiets belangrijk zijn in de last- mile. Deze last-mile is het stukje van de reis vanaf de eindhalte (OV) tot de daadwerkelijke eindbestemming van de totale reis.  Universiteiten/hogescholen + bedrijven: Met deze partners wordt in verschillende steden (Arriva, 2017; NextBike, 2016) samengewerkt zoals op universiteitscampussen waarbij er uitgiftepunten verspreid over de campussen zijn gerealiseerd. Dit kan zowel een gesloten

(alleen voor studenten en werknemers) of een open systeem (voor iedereen toegankelijk) Modelontwikkeling MaaS Modelontwikkeling

zijn. Identificatie kan bij gesloten systemen verlopen via de reeds beschikbare student/medewerkerspassen.  Studenten (individueel): Voor Utrecht is onderzocht of studenten gebruik kunnen maken van een fietsdeelsysteem in plaats van de huidige buslijn. Hierbij is uitgegaan van het gebruik van de OV-fiets en de eventuele aanpassingen aan dit systeem. Uit het onderzoek is gebleken dat studenten graag een alternatief per deelfiets ziet als natransport vanuit een treinstation maar dat deze groep wel erg prijsgevoelig is (Steegman, 2016).  Toeristen: Voor toeristen zijn er ook voorbeelden te noemen waarbij systemen worden genoemd in lokale reisgidsen (bijv. Lonely Planet) en hierdoor ook bekendheid krijgen onder de toeristen. Opvallende conclusie uit Audikana e.a. (2017) is dat het gebied wel zeer toeristisch moet zijn om dit tot een succes te maken, er is vrijwel altijd een combinatie nodig van toeristische gebruikers en dagelijkse gebruikers. Dit staat verder in contrast met aanbevelingen in het onderzoek van Frade & Ribeiro (2014) over het feit dat bij het ontwikkelen van een fietsdeelsysteem er altijd moet worden gefocust op één specifieke doelgroep met zijn/haar wensen en eisen aan het systeem.  Inwoners die niet over een eigen fiets beschikken: in de buitenlandse voorbeelden komt deze groep vaak naar voren, in Nederland zal deze groep waarschijnlijk zeer beperkt zijn aangezien Nederland meer fietsen telt dan inwoners, ongeveer 84% van de Nederlandse bevolking heeft namelijk één of meer fietsen in bezit (Fietsplatform, 2016).

2.2.4 Modellen voor toekomstige ontwikkelingen in omvang deelfietsen

De vraagschatting voor niet-gemotoriseerde reismodaliteiten is redelijk goed bestudeerd (zie Rietveld et al., 2001, Cao et al., 2006, Chatman, 2005, Handy et al., 2006, Kitamura et al., 1997 en Schwanen en Mokhtarian, 2005; Heinen et al, 2010). Het FHWA-rapport (FHWA, 1999) beschrijft de belangrijkste factoren voor tripgeneratie voor niet-gemotoriseerde modi. Andere studies hebben de vraaganalyse van het fietsgebruik en de ritpercentages geprobeerd (Chatman, 2005), gebruik en moduskeuze (Baltes, 1996, Beck en Immers, 1996, Cervero en Duncan, 2003 en Hunt en Abraham, 2007) en gebruik en reizen kilometerstand (Ewing et al., 2005). Echter, er zijn veel minder onderzoeken over fietsdeelsystemen in relatie met het fietsgebruik.

De deelfiets als modaliteit Uit onderzoek uitgevoerd in Taiyan (China) blijkt dat reductie van de toegangstijd meer effect heeft dan de reductie van de prijs (zie onderstaande tabel), de gevoeligheid is een factor 2,3

groter.

Tabel 2.7 Elasticiteiten en kruiselasticiteiten deelfiets (bron: Li et al., 2018) Choice probability of Bike-sharing travel cost Bike-sharing access time Bike-sharing (direct) −0,118 −0,274 Walk (cross) 0,038 0,084 Bus (cross) 0,035 0,072 Car (cross) 0,034 0,066

Modelontwikkeling MaaS Modelontwikkeling

Deelfiets verplaatsingen substitueren veelal OV verplaatsingen en verplaatsingen te voet. In 1% van de gevallen betreft het een rit die anders niet zou worden gemaakt. Het valt hierbij op dat in het onderzoek van Li et al. de auto substitutie hoger is dan in het onderzoek van Baas (zie onderstaande tabel).

Tabel 2.8 Substitutie door deelfiets. Zo zou 1% van de reizen niet zijn gemaakt als geen sprake zou zijn van een deelfiets (bron: Baas, 2017) Modaliteit Gemiddelde Nieuwe reis 1% Taxi 3% lopen 32% Fiets 7% OV 47% Auto 11%

Deelfiets in de OV-keten Het effect van reiskosten op mobiliteitsgedrag van studenten is onderzocht (Steegman 2016). Dit is gedaan middels een SP-onderzoek naar de vervoerwijze keuze voor de verplaatsing tussen Utrecht CS en de Uithof. Wanneer de bus gratis is en voor de OV-fiets moet worden betaald zegt 5,5% procent van de respondenten gebruik te maken van de fiets. Indien de OV- fiets ook gratis is dan stijgt het aandeel fietsgebruikers naar 64% (zie onderstaande figuur). Indien de prijs van de OV-fiets daalt naar één euro zegt 19,7% de fiets te gaan gebruiken. Studenten zijn een doelgroep die bovengemiddeld prijsgevoelig zijn. Ondanks dat laat dit onderzoek zien dat de het substitutie- effect tussen bus en fiets in het voor- en natransport groot is. Circa 85% van de gebruikers maakt, afhankelijk van de ritprijs gebruik van de bus dan wel de deelfiets. Dit wordt onderschreven in het onderzoek van Heijningen (2016).

Figuur 2.8 Vervoerwijzekeuze bus of OV-fiets (bron: Steegman, 2016)

Modelontwikkeling MaaS Modelontwikkeling

Dit substitutie effect komt ook naar voren in een onderzoek naar de bepalende factoren voor deelfietsgebruik in Beijing (Campbell, 2016). Naast de substitutie van BTM naar deelfiets en vice versa in het voor- en natransport mag worden verondersteld dat het verbeteren van de OV- keten door het aanbieden van een deelfiets zal leiden tot een toename in het OV gebruik. Er is echter niet bekend wat de impact van dit effect is.

2.3 Carpoolen

2.3.1 Systeemkenmerken

Carpoolen is het met één of meer personen gebruik maken van een auto, ofwel het delen van een rit. Een traditioneel voorbeeld is het samen rijden met collega’s. De opkomst van de mobiele telefoon en het internet heeft echter ook de deuren geopend voor platformen om vraag en antwoord bij elkaar te brengen, het bekendste voorbeeld is wellicht wel BlaBlaCar.

In beleid wordt iemand als carpooler beschouwd, wanneer men minimaal twee keer per week, met anderen in één auto naar het werk rijdt, waarbij die anderen ook op weg zijn naar het werk. Carpoolen onderscheid zich van Ridesourcen (Uber, Lyft), waarbij iemand een “zitplaats” huurt in de auto van een ander. Het carpoolbeleid is dus gericht op het woon-werkverkeer. Vandaar dat, wanneer er gesproken wordt over het aantal carpoolers, carpoolers in het woon- werkverkeer wordt bedoeld.

2.3.2 Ontwikkeling

Uit het project het Nieuwe Werken (Kim 2017) zien we dat in 2016 5% van de werkenden geeft aan wel eens te carpoolen, voor 2% van de werkenden is carpoolen meest gebruikte modaliteit. Dit resulteert in 1% aandeel carpoolverplaatsingen in het woon-werkverkeer (geclusterde effectmetingen Maastricht en Haaglanden 2018). Woon-werkverplaatsingen zijn 18,6% van het totaal aantal verplaatsingen (OViN 2017). Geschat wordt dat rond 2000 het aantal carpoolers schommelt rondom 750.000 mensen.

Volgens onderzoek uit 1996 (ITS, 1996), bestond er toen een potentieel van 1,2 miljoen autosolisten, waarvan er 468.000 zeer kansrijk zijn. Deze mensen hebben geen beperkingen die een belemmering vormen voor carpoolen (zoals onregelmatige werktijden), staan positief

tegenover carpoolen en zijn bereid het te proberen. Beleid in 1997 formuleerde dan ook als doelstelling dat er in 2000 een miljoen carpoolers zouden moeten zijn (Ligtermoet et al, 1998). Deze aantallen zijn nooit gehaald. Belangrijke verklaringen daarbij zijn de zogenaamde omrijfactor, het beperkte belang van de reiskosten, de geringe reistijdvoordelen voor carpoolers en problemen met de flexibiliteit inzake de terugreis. Juist op dit laatste punt zou MaaS een additionele bijdrage kunnen leveren. Dit zou een voortzetting zijn van de vele matching-acties

die in het verleden zijn uitgevoerd, zowel met Rijks- als regionale steun. Modelontwikkeling MaaS Modelontwikkeling

2.3.3 Model implicaties gebruik carpoolen

Op basis van onderzoek naar de factoren die bij de keuze voor carpoolen een rol spelen kunnen de volgende factoren worden benoemd (ITS 1996’; Eirass, 1994):

Voordelen:  Kostenbesparing  Iemand anders kan de auto gebruiken die thuis wordt gelaten  Rust als passagier

Nadelen:  Beperkte flexibiliteit (afhankelijker van anderen, moeilijk om werktijden af te stemmen)  Moeite en geregel om met anderen te matchen  Het gevoel steeds rekening met iemand anders te moeten houden (“sociale aspect”;

Gevoeligheid attributen Er zijn een groot aantal modellen beschikbaar waarmee carpoolen kan worden gemodelleerd (zie HCG, 1993). Uit onderzoek op basis van het bestaande verplaatsingsgedrag in Stockholm en literatuurstudies blijkt dat carpoolgebruikers in 27% van de gevallen hun rit niet zouden maken als carpool geen optie was en in 41% van de gevallen gebruik zouden maken van een eigen auto (zie onderstaande figuur). Hierbij neemt men echter aan dat carpooling veel wordt gebruikt voor ritten met een sociaaleconomisch motief, hierbij is een prijselastische vraag van - 1,4 aangenomen. Deze resultaten laten zich niet een op een vertalen naar het Nederlandse woon-werkverkeer, deze ritten zijn immers lastiger te vermijden.

Figuur 2.9 Substitutie carpoolen (bron: Stefansdotter, 2015)

Onderzoek van Concas en Winters (2005) laat zien dat bij vanpoolen sprake is van een prijselasticiteit van -0,73 op basis van werkgeverssubsidies voor de opstart van vanpooldiensten.

Modelontwikkeling MaaS Modelontwikkeling

Iers onderzoek (Carroll, 2017) laat de volgende uitkomsten zien voor carpoolen en autodelen, op basis van SP-onderzoek.

Tabel 2.9 Elasticiteiten carpool en autpdelen (bron: Caroll, 2017) Convenience (wachttijd en accesstijd) Carpool Car-share Car Carpool 0,173 0,18 0,18 Car-share 0,094 0,26 0,094 Car 0 0 0 Time (totale verplaatsingstijd) Carpool Car-share Car Carpool 0,185 0,18 0,18 Car-share 0,093 0,272 0,093 Car 0 0 0 Cost (totale variabele kosten) Carpool Car-share Car Carpool 0,231 0,228 0,228 Car-share 0,118 0,341 0,118 Car 0 0 0

De model elasticiteiten zijn weergegeven in de bovenstaande tabel. Ze geven weer hoe een 1% daling in de reistijden en kosten en een 1% stijging in de gemaks-parameters (door daling van wacht en toegangstijd) uitwerken op het aandeel van verschillende modaliteiten. Vooral de kosten laten hoge (kans) “elasticiteiten” zien: een 1% daling in de kosten leidt tot een stijging in het gebruik van autodelen met 0,34% en stijging van het carpoolen met 0,231%

2.4 Taxi

2.4.1 Systeemkenmerken

In de taximarkt wordt er onderscheid gemaakt tussen contractvervoer en straattaxivervoer. Contractvervoer wordt verricht ter uitvoering van een schriftelijke overeenkomst, waarbij gedurende een bij die overeenkomst vastgestelde periode meermalen taxivervoer wordt verricht tegen een in die overeenkomst vastgelegd tarief. In de straattaximarkt kunnen drie deelmarkten worden onderscheiden: (1) taxivervoer vanaf taxistandplaatsen (standplaatstaxi), (2) taxi’s die door de klant aangehouden wordt op straat (aanhoudtaxi) en (3) taxi’s die door de klant telefonisch wordt besteld (beltaxi). Deelmarkten 1 en 2 worden samen de opstapmarkt genoemd.

De taxibranche is sterk in ontwikkeling. Belangrijke aspecten zijn:  Duurzaam vervoer en milieuvriendelijke voertuigen. Een aantal gemeenten zijn bezig om een duurzaam taxibeleid te ontwikkelen, bijvoorbeeld via elektrisch vervoer. Als onderdelen van dit beleid denken deze gemeenten aan het creëren van incentives voor ondernemers die duurzaam taxivervoer verlenen, zoals het inrichten van (voorkeurs)standplaatsen voor elektrisch vervoer.  Anders betalen voor de taxirit. Contant betalen in de taxi gebeurt steeds minder. Er wordt

steeds meer gebruik gemaakt van online betalen, betalen via pin en/of creditcard en Modelontwikkeling MaaS Modelontwikkeling

betaling via apps. Tevens wordt bekeken of betalen via de OV-chipkaart in het taxivervoer mogelijk kan worden gemaakt. In een amendement op de Wp2000 uit 2011 is het mogelijk gemaakt dat taxivervoerders verplicht worden om de OV-chipkaart te accepteren, maar dit is nog niet geeffectueerd.  Technologische innovaties in het samenbrengen van vraag en aanbod. Het bestellen van een taxi via een app raakt steeds meer ingeburgerd. Door de opkomst van apps vervaagt het bestaande onderscheid tussen de opstapmarkt en de belmarkt. Is het bestellen van een taxi via een app een aanvulling op de bestaande belmarkt. Je kiest als klant immers voor een bepaalde organisatie.  Alternatieve vervoersconcepten voor taxi zoals carpoolen, autodelen en particuliere chauffeurs. Deze vervoersconcepten zijn grotendeels niet nieuw, maar lijken aan populariteit te winnen. Vooral in grote steden en onder jongeren. Technologische ontwikkelingen zoals websites en apps zorgen dat partijen elkaar gemakkelijker vinden. Uber heeft recent een nieuw vervoersconcept geïntroduceerd waarin personen tegen betaling door particuliere chauffeurs worden vervoerd (UberPOP). Uber is één van de aanbieders die via een app diensten aanbiedt gericht op het samenbrengen van vraag en aanbod. Uber is een internationaal opererende partij die in Nederland actief is in Amsterdam, Rotterdam en Den Haag. Uber levert in Nederland op dit moment 3 type taxidiensten: (1) UberLux, (2) UberBlack en (3) UberPOP. De UberPOP service is in december 2014 actief in de gemeente Amsterdam, Rotterdam en Den Haag. Uber heeft de ambitie om de verschillende diensten in de toekomst uit te breiden naar verschillende andere steden. UberLux en UberBlack zijn voor een groot deel vergelijkbaar met regulier taxivervoer, al voldoen ze op enkele punten niet aan de landelijke taxiwetgeving. Ten eerste beschikt een gedeelte van de auto’s niet over de op de straattaximarkt verplichte taxameter. Dit wordt mede veroorzaakt door het feit dat een aantal chauffeurs daarnaast niet actief is op de straattaximarkt, maar rijdt op de (zakelijke) contractmarkt. Daarnaast hebben Uber chauffeurs geen (zichtbare) tarievenkaart in het voertuig. Ten slotte verhoudt de totstandkoming van het tarief zich spanningsvol tot de huidige bepalingen in wet- en regelgeving. Uber hanteert voor Lux en Black hogere starttarieven dan het maximum gesteld in de Regeling maximumtarieven en bekendmaking tarieven taxivervoer en hanteert (afhankelijk van de drukte) tarieven die kunnen variëren. UberPOP is een vervoersconcept waarin particuliere chauffeurs vervoersdiensten verlenen tegen betaling. Deze dienst van Uber is in de zomer van 2014 als pilot beschikbaar gekomen voor een geselecteerde groep gebruikers binnen Amsterdam. Voordat chauffeurs voor UberPOP kunnen gaan rijden geldt

min of meer dezelfde procedure als voor Uber chauffeurs, alleen met minder vereisten.

Chauffeurs die UberPOP aanbieden beschikken niet over de benodigde taxipapieren, terwijl ze wel personenvervoer tegen betaling verrichten. Ritten via UberPOP worden gedefinieerd als illegaal taxivervoer en chauffeurs worden behandeld als ‘snorders’.

2.4.2 Ontwikkeling

De totale taximarkt bestaat uit circa 63.000 chauffeurs, 5.750 bedrijven en 32.922 voertuigen. Hiervan rijdt bijna 80% in de G4 steden (Amsterdam, Rotterdam, Den Haag en Utrecht) en circa

71,5% in Amsterdam. Het taxivervoer in met name de opstapmarkt speelt zich hoofdzakelijk in Modelontwikkeling MaaS Modelontwikkeling

de grote steden af. Het straattaxivervoer heeft een marktaandeel van circa 19% en de opstapmarkt omvat slechts circa 10% van de totale taximarkt. In Amsterdam wordt echter 45% van de omzet in de taxibranche in de opstapmarkt behaald.

Het grootste deel van de gebruikers zijn gelegenheidsgebruikers die incidentele ritten maken, 71% van de gebruikers maken één tot elf keer per jaar. 70% van de taxiritten heeft een sociaal recreatief motief (TNS NIPO 2004).

2.4.3 Model implicaties gebruik taxi

Gevoeligheid attributen Uit onderzoek van Weda en Poort (2008) komt een prijselasticiteit van taxivervoer in Europa naar voren van -0,3 tot -0,4. Het beeld is echter dat straattaxi vervoer in Nederland relatief inelastisch is, doordat het hoge aandeel gebruikers zonder alternatieven, laag frequent gebruik en of de bewuste keuze voor comfort en snelheid. Ondanks dat elasticiteiten voor de Nederlandse markt ontbreken mag worden verwacht dat Nederland, ook voor Europesche begrippen, aan de inelastische kant van het spectrum zit. Op basis van SP-gegevens schatten Rose en Hensher een aantal elasticiteiten.

Tabel 2.11 Elasticiteiten (bron: Rose en Hensher, 2017) Tourism Business Day to Day Night Time Weighted Segment Segment Activity Travel segment Average Segment Attribuut Absolute change

Waiting time (10% -0.603 -0.226 -0.273 -0.393 -0.340 inc.) In-vehicle time (10% -0.430 -0.123 -0.657 -1.314 -0.573 inc.) Fare (10% inc.) -1.478 -0.645 -0.753 -1.132 -1.042

In de literatuur zijn een groot aantal studies uitgevoerd die inzicht geven in de tariefelasticiteiten van de taxi. In de onderstaande tabel zijn de resultaten weergegeven

Modelontwikkeling MaaS Modelontwikkeling

Tabel 2.10 Elasticiteiten overzicht taxi (bron: Rose en Hensher, 2017) Bron Locatie Type Definitie Elasticiteit Elasticiteit Elasticiteit onderzoek Toner (2010) Four UK Stated Number of -1.0 -0.10 -0.07 cities Preference trips (SP)/Transfer Price (collected in 1989-91) Rouwendal (1998) the SP (collected in Number of All taxi users: - Business: -0.44 Business: -0.58 Netherlands 1997) trips 1.14 Going out: -0.52 Going out: - Business: -0.76 Going to the 0.62 Going to Going out: - railway station: the railway 1.75 Going to 0.35 station: -0.48 the railway station: 0.69 Beesley (1979) London, UK Time series Kilometres -0.35 (1951-52) driven Wong (1971) cited Washington N/A Number of -1.4 in Frankena and DC, USA trips Pautler (1984) Applied Seattle, N/A Number of -1.0 Economics USA trips Associates (1978) cited in Frankena and Pautler (1984) Kitch et al. (1979) Chicago N/A Number of -0.80 cited trips in Frankena and Pautler (1984) McGillivray Danville, Time series: Number of -0.60 (1979), cited in USA 1975-77 trips Frankena and Pautler (1984) Brown and 21 cities, N/A Number of -0.80 Fitzmaurice USA trips (1978) cited in Frankena and Pautler (1984) Orfeuil and Hivert Paris, France N/A N/A -0.50 (1989), cited in BITRE Database Queensland Queensland, N/A Number of Brisbane: -0.36

Transport (2000) Australian trips Other cities: 0.50 Booz Allen Canberra, SP (collected in Number of All taxi users: - All taxi users: Hamilton (2003) Australia 2002) trips 0.36 0.10 Peak hour: - 0.23 Off peak: - 0.41

Modelontwikkeling MaaS Modelontwikkeling

Er moet worden opgemerkt dat er zeer weinig empirische studies beschikbaar zijn van voldoende kwaliteit om te kunnen worden gebruikt als een set van referentie-taxi-elasticiteiten. Wanneer de elasticiteitswaarden geïnterpreteerd worden zijn de directe elasticiteiten van de taxi voor het zakelijke segment lager dan die van de andere segmenten. De relatief lage reistijdelasticiteit voor zakelijke reizigers suggereert dat het gemak van taxigebruik (van deur tot deur) wordt ingebouwd in de reistijdrespons, in een context waarin veel zakenreizen ook niet door de werkelijke reiziger worden betaald, maar door de werkgever of klant van de reiziger.

Toeristen en reizigers die laat op de avond reizen, hebben de hoogste tariefelasticiteit. Van degenen die 's avonds laat reizen, kan worden verwacht dat ze een relatief hogere tariefelasticiteit hebben in vergelijking met andere segmenten, aangezien een groot deel van het segment reizen van en naar hotels en nachtclubs omvat. Nachtreizigers lijken relatief gevoeliger te zijn voor veranderingen in de reistijd van de taxi dan andere segmenten.

Alle elasticiteiten vallen binnen het bereik van elasticiteiten dat wordt gevonden in de literatuurstudie. De taxi-tariefelasticiteit varieert bijvoorbeeld van -0,22 tot -1,75 met de grootste gerapporteerde waarde betrekking hebbend op "uitgaan". Dit is vergelijkbaar met het segment van de nacht-reizen, met ook de grootste tariefelasticiteit heeft. Verder lijken onze wachttijdelasticiteiten in overeenstemming te zijn met die van de gerapporteerde literatuur, evenals de relatieve ranglijst van de elasticiteiten van tarief en reistijd. Merk op dat deze elasticiteiten overeenkomen met de waarden zoals gehanteerd door Rouwendal en Meurs (1998).

2.5 Flexibel OV

2.5.1 Systeemkenmerken

Voor reizigers die geen toegang hebben tot ander vervoer is het openbaar vervoer soms de enige manier om te reizen. Een fijnmazig netwerk, met vaste lijnen en bedieningstijden past steeds minder goed op plaatsen en tijden waar de vraag beperkt is. Delen van het openbaar vervoer worden te duur om goed te exploiteren en komen in een negatieve spiraal van minder gebruik, bezuinigen, minder aanbod en nog minder gebruik. Daarmee neemt de kwaliteit van de beschikbare mobiliteitsvoorzieningen op sommige plekken sterk af. Deze ontwikkelingen zijn zichtbaar in het landelijk gebied, maar ook op bepaalde verbindingen in meer verstedelijkte

regio’s en in bepaalde stadsdelen.

Nieuwe diensten ontstaan door commerciële of maatschappelijke initiatieven, maar niet als eerste waar de vraag gering is. Er komt een omslag naar een vraaggericht, flexibel mobiliteitssysteem, ook op plekken waar dit niet vanzelf tot stand komt. In OV- of mobiliteitsconcessies komt meer ruimte voor dit soort diensten; bundeling van de mobiliteitsvraag en integreren met doelgroepen- en werknemersvervoer. Er is een sterk verband tussen de flexibiliteit van een bepaalde dienst en de functie ervan Daarbij kunnen de

volgende typen worden onderscheiden (Intermode,2004). Modelontwikkeling MaaS Modelontwikkeling

 “Overstap-DRT - gekenmerkt door feederverbindingen met conventioneel openbaar vervoer.  “Netwerk-DRT", dat het openbaar vervoer verbetert door aanvullende diensten aan te bieden of niet-economische diensten op een bepaalde plaats of op bepaalde tijden te vervangen.  “Bestemmings-specifieke DRT", een gespecialiseerde vorm van netwerk-DRT die specifieke bestemmingen zoals luchthavens of werklocaties bedient.  "Substitutie DRT" die voorkomt wanneer, in plaats van conventionele busdiensten aan te vullen, een DRT-systeem deze volledig (of in hoofdzaak) vervangt.

In tegenstelling tot regulier OV biedt flexibel OV de mogelijkheid om te variëren in route en/of vertrekmomenten, waarbij voertuigen al dan niet reizen van en naar op voorhand gedefinieerde halteplaatsen. Flexibel OV kan worden ingezet in gebieden waar de vraag naar verplaatsingen relatief laag is. Een voorbeeld hiervan is de belbus. Voorbeelden van productformules zijn; Breng Flex, Kolibri en de Texelhopper. Een variant die je hierbij van deur tot deur brengt is de deeltaxi, Abel was hier een voorbeeld van. Door als gebruiker flexibeler om te gaan met reistijd en aankomsttijd kunnen ritten worden gemaakt die goedkoper zijn dan de reguliere taxi service.

Deze ontwikkelingen passen in de trends binnen OV gericht op het efficiënter besteden van overheidsmiddelen. Dit heeft geleid tot steeds meer aandacht voor de zogenoemde ‘dikke’ bundels. Dit zijn de plekken waar veel reizigers tegelijkertijd van het openbaar vervoer gebruik (willen) maken. Om de reis voor deze grote stromen reizigers zo snel, direct en comfortabel mogelijk te maken, worden lijnen gestrekt, frequenties verhoogd en de kwaliteit van de voertuigen verbeterd. Er is ook sprake van een andere trend: op plekken en tijden waar(op) reizigersstromen beperkt en diffuus zijn, neemt het traditionele openbaar vervoer steeds verder af. Een relatief kleine groep mensen is afhankelijk van het OV dat verdwijnt. Daarbij worden de (loop-)afstanden tot de sterke OV-bundels groter door het strekken van deze lijnen. Dit vraagt om meer aandacht voor de zogenoemde ‘first and last mile’, zodat reizigers deze sterke OV- bundels goed kunnen bereiken. Daarnaast spelen OV-bedrijven en OV-autoriteiten in op nieuwe vervoersconcepten die zij in samenhang met het traditionele openbaar vervoer kunnen aanbieden. Een aantal van deze pilots zoekt nadrukkelijk aansluiting bij nieuwe carpool-, auto- en fietsdeeldiensten om de mobiliteit op een andere manier te organiseren, zowel in het stedelijk gebied als in het landelijk gebied (Vervoerstuinen, FlipnKlaar, MobielGedeeld). De traditionele vervoerders experimenteren met nieuwe deeltaxi-concepten als BrengFlex en

nieuwe vraaggestuurde last mile-oplossingen als Nachtvlinder en Keobike. Ook reisplanners en

informatiediensten zijn nadrukkelijk bezig om de verschillende mobiliteitsdiensten beter aan elkaar te koppelen en in samenhang aan te bieden (Combitrip, 9292, Platform ‘Ikwilvervoer’). Ook zien we een aantal projecten die niet zozeer gedreven worden door technologische of bredere maatschappelijke ontwikkelingen, maar vooral ontstaan zijn vanuit de wens om op een laagdrempelige manier bij te dragen aan het welzijn van (kleine) groepen mensen binnen de eigen sociale omgeving met een specifieke hulpvraag (Vlearmoesbus, Naoberbus, AutoMobiel, dorpsauto’s). De ontwikkelingen gaan snel, zo blijkt uit de

onderstaande voorbeelden in Gelderland. Modelontwikkeling MaaS Modelontwikkeling

Het (sterk) stedelijk gebied Binnen stedelijke gebieden is de vervoersvraag groot. Het huidige OV-aanbod is daarom van een goede kwaliteit, zeker op de zware bundels. Deze gebieden zijn ook aantrekkelijk voor nieuwe mobiliteitsdiensten. Nieuwe auto- en fietsdeeldiensten ontstaan hier, hebben hier de meeste deelnemers en kunnen op deze locaties dus (op commerciële basis) het beste aanbod realiseren. Ditzelfde geldt voor nieuwe taxidiensten. Een aantal innovatieve systemen betreffen  BrengFlex, een halte-halte deeltaxi-systeem in de regio Arnhem-Nijmegen. BrengFlex komt op alle haltes van de gewone bus, plus enkele virtuele haltes en buurtbushaltes. BrengFlex rijdt de hele dag tot 24 uur ’s avonds, ook in het weekend. Er is een vast tarief per rit van €3,50. Op het moment dat de reiziger vervoer wil, reserveert hij via een app of per telefoon een zitplaats. De app berekent binnen enkele seconden de vertrek- en aankomsttijd. De wachttijd ligt gemiddeld tussen de 15 en 20 minuten en bedraagt maximaal 30 minuten. De App geeft continu actuele informatie over de locatie van het voertuig en de ophaaltijd. Op dit moment maakt deze pilot als experiment onderdeel uit van de reguliere OV-concessie, gezien de aard van het product past het echter beter binnen de taximarkt. Vanuit de overheid ligt het daarom voor de hand om ook de regiotaxi bij deze ontwikkeling te betrekken. Combinatie van beide concepten biedt goede kansen om enerzijds een hoogwaardig alternatief toe te voegen aan het bestaande mobiliteitsaanbod en tegelijkertijd de huidige regiotaxi kwalitatief naar een hoger plan te tillen. Zo kan BrengFlex hopelijk uitgroeien naar een vraaggestuurd product, waarbij per rit de geboden kwaliteit en de bijbehorende kosten worden afgestemd op de wensen (en de portemonnee) van de reiziger. Wil men graag alleen reizen, dan betaalt men een hoog tarief, heeft men er geen bezwaar tegen om de taxi met andere reizigers te delen dan wordt de rit goedkoper, is men bereid om naar een OV-halte te lopen dan zal het tarief lager zijn dan wanneer men vraagt om deur-tot-deur vervoer, et cetera.  Nachtvlinder. De Nachtvlinder rijdt in De Achterhoek vanaf de stations in Terborg en Zutphen in de avonduren. Het gaat om vraaggestuurd vervoer waarbij de route per rit wordt aangepast aan de feitelijke vraag. De Nachtvlinder vertrekt vanaf de drukste halte (station). Vanaf hier brengt de Nachtvlinder de reiziger zo rechtstreeks mogelijk naar de gewenste halte in een van de omliggende kernen. Haltes waar niemand heen wil, worden daarbij overgeslagen. Wanneer men op het station instapt, hoeft men niet te reserveren. Wanneer men vanaf of tussen de kernen wil reizen, moet vooraf worden gereserveerd via een servicenummer. De vooraanmeldtijd bedraagt (minimaal) een uur. Op de Nachtvlinder geldt

het normale OV-tarief.

Het lijkt er sterk op dat in het stedelijk gebied het lijngebonden openbaar vervoer zich (op korte termijn) steeds meer zal concentreren op de zware bundels. Tegelijk ontstaat er een geïntegreerd vraaggestuurd en flexibel (taxi)systeem, waarbij ook de (deel-)fiets in de stad een steeds belangrijkere feederende functie lijkt te krijgen. Een systeem als BrengFlex kan hiervoor een goede basis vormen. Zeker als dit wordt geïntegreerd met het doelgroepenvervoer (regiotaxi) liggen er kansen. De techniek is inmiddels in staat om een dergelijk flexibel

taxisysteem mogelijk te maken. De uitdaging ligt dan ook vooral op organisatorisch vlak. Modelontwikkeling MaaS Modelontwikkeling

Nachtvlinderachtige concepten zouden een mooie aanvulling kunnen zijn op een dergelijk systeem, bijvoorbeeld door het benoemen van geprioriteerde haltes/vertreklocaties, waar taxi’s op bepaalde momenten direct kunnen voorrijden zodra er een aanvraag is (bijvoorbeeld op stations in de avonduren of bij ziekenhuizen op het einde van het bezoekuur).

Het landelijk gebied Door de veel kleinere mobiliteitsvraag zijn deze gebieden echter veel minder aantrekkelijk voor nieuwe (commerciële) mobiliteitsdiensten. Hier ligt daarom een belangrijke maar lastige opgave voor de overheid om toch een passend antwoord te bieden voor (de relatief kleine groep) mensen die niet zelf in hun mobiliteitsbehoefte kunnen voorzien. Een groot aantal pilots binnen het Flexnet in Gelderland richt zich op deze opgave. Het blijkt dat de kleinschalige mobiliteitsoplossingen die vanuit de bevolking ontstaan en ook echt gedragen worden door de gemeenschap, het best functioneren (Naoberbus,Vlearmoesbus, dorpsauto’s Oude IJsselstreek). Deze initiatieven spelen, juist door hun kleinschaligheid en verankering binnen de dorpsgemeenschap, optimaal in op de behoeften en wensen van de doelgroep. Het gaat daarbij om meer dan mobiliteit alleen: ze brengen mensen bij elkaar, versterken de sociale cohesie en bieden een moment van gezelligheid). Ook de pilot Automobiel Tiel, ontstaan vanuit het servicepunt Thuiswonen, is erg succesvol. Succesfactoren zijn ook hier de gedrevenheid van individuele initiatiefnemers en de sociale component (directe link met huisartsen, thuiszorginstellingen en ziekenhuizen). Bovendien vervult de gemeente een positieve rol door zich aan het concept te verbinden.

2.5.2 Ontwikkeling naar de toekomst

Thans is niet veel bekend over de toekomstige ontwikkeling in flexibel OV (Alonso-Gozales et al, 2017). Voor reizigers die geen toegang hebben tot ander vervoer is het openbaar vervoer soms de enige manier om te reizen. Het Toekomstbeeld OV van het ministerie van I&W geeft aan dat een fijnmazig netwerk, met vaste lijnen en bedieningstijden steeds minder goed past op plaatsen en tijden waar de vraag beperkt is. Delen van het openbaar vervoer worden te duur om goed te exploiteren en komen in een negatieve spiraal van minder gebruik, bezuinigen, minder aanbod en nog minder gebruik. Daarmee neemt de kwaliteit van de beschikbare mobiliteitsvoorzieningen op sommige plekken sterk af. Deze ontwikkelingen zijn zichtbaar in het landelijk gebied, maar ook op bepaalde verbindingen in meer verstedelijkte regio’s en in bepaalde stadsdelen. Verwacht wordt dat hier nieuwe diensten zullen ontstaan door commerciële of maatschappelijke initiatieven, maar niet als eerste waar de vraag gering is.

Overheden kunnen zorgen voor een omslag naar een vraaggericht, flexibel mobiliteitssysteem, ook op plekken waar dit niet vanzelf tot stand komt. Dat doen ze door in OV- of mobiliteitsconcessies meer ruimte te creëren voor dit soort diensten; ze bundelen op een slimme manier de mobiliteitsvraag en integreren deze waar mogelijk met doelgroepen- en werknemersvervoer. Soms kan het nodig zijn om in perifere gebieden te zorgen voor een goede digitale infrastructuur voor digitale diensten en zelfsturende techniek. Het mobiliteitsaanbod zal

grotere verschillen vertonen in de verschillende regio’s van Nederland Modelontwikkeling MaaS Modelontwikkeling

2.5.3 Model implicaties gebruik flexibel OV

Het modelleren van een grootschalig collectief taxisysteem is een forse uitdaging(Atasoy et al, 2015). Het gebruik van traditionele vervoermodellen blijkt moeilijk te zijn (Shaheen en Rodier, 2004). Belangrijk is om te werken met een hoge ruimtelijke en temporele resolutie omdat toegangstijd tot de service een fundamentele parameter is bij de keuze van de reiziger. Een expliciete weergave van trip chaining van individuen zou het mogelijk maken om te detecteren wie de taxiservice zinvol zou kunnen gebruiken in zijn / haar out-of-home-tour. Hiervoor is een representatie van reizen op individueel niveau met expliciete modellering van de modale keuze noodzakelijk. De weergave van individuele reisbehoeften zou de precisie van het model (winkelen, werken, vrije tijd, etc.) verder vergroten. Vaak worden dan ook agent-based microsimulatie-benaderingen voorgesteld. Deze techniek maakt het mogelijk om het systeem te modelleren met een hoge ruimtelijke resolutie, maar ook om het gedrag van individuele personen te beschouwen. Agent-based modellering is een geschikt hulpmiddel om directe interactie tussen vraag (agenten) en levering (collectieve taxi's) te implementeren en daarom het potentieel van een grootschalig collectief taxisysteem te voorspellen en de operationele haalbaarheid ervan te evalueren.

In deze benaderingen wordt een nutsfunctie opgesteld die reizigers gebruiken om alternatieven te waarderen. Op basis van de (kwalitatieve) literatuur kunnen de volgende attributen van belang worden geacht in de “nutsfunctie” voor flexibele transport systemen:  Reistijd  Kosten  Aanmeldtijd  Route  Haltes  Servicegebied

Arentze en Molin (2013) voerden een 'stated-preference'-experiment uit om afwegingen te maken in reiskosten, tijd en ongemakken die de keuze tussen persoonlijk voertuig, openbaar vervoer en multimodale opties beïnvloeden, voor verschillende reisafstanden. Arentze en Molin (2013) trekken verschillende conclusies over flexibel OV. Ten eerste hebben reizigers met toegang tot een voertuig een forse compensatie nodig voordat ze de minder handige vormen van openbaar vervoer en park-and-ride faciliteiten gebruiken, in combinatie met restrictief parkeerbeleid in binnensteden. Transit is minder aantrekkelijk als er sprake is van vertraging en

onzekere beschikbaarheid van zitplaatsen. Ze vinden een wachttijd naar de in- voertuigreistijdratio van 1,23 (voor ritten van 20 km) en 1,50 (voor ritten van 60 km), vergelijkbaar met Wardman’s (2004) -bevinding van 1,50. Wardman vindt een 1,8 ratio van toegangstijd tot in-voertuigtijd, terwijl Arentze en Molin 1,85 (20 km trip) en 2,25 (65 km trip) vinden. Ten slotte vinden de auteurs een grote penalty voor transfers, in het bereik van die gerapporteerd door eerdere studies (Wardman, 2004; Currie, 2005).

Modelontwikkeling MaaS Modelontwikkeling

Ryley et al (2014) vinden in een RP-SP onderzoek dat kosten, reistijd, wachttijd tussen schedule en werkelijke ophaaltijdstippen belangrijk zijn bij de overstap naar DRT, net als wachten voortransporttijd. De tariefelasticiteit was vergelijkbaar met die van de bus.

Op basis van een SP-onderzoek uitgevoerd in Chicago (Frei et al., 2017) blijkt dat de tijd die reizigers doorbrengen in een flexibel vervoer systeem als minder prettig wordt ervaren dan de tijd die gebruikers doorbrengen in regulier OV en de eigen auto, mede door de onzekerheden ten aanzien van de reisduur. Het wachten op een flexibel vervoersysteem wordt daarentegen als minder bezwarend ervaren (zie onderstaande figuur). Dit kan worden verklaard doordat gebruikers bij dit systeem thuis danwel op hun bestemming kunnen wachten in plaats van bij een halte (zoals bij Abel).

Tabel 2.12 VOT van flexibel OV (bron: Frei et al., 2017) Modaliteit VOT ($/h) In voertuig tijd Auto 16,3 Flex-OV 21,1 OV 18,3

Loop tijd Auto Niet significant Flex-OV Niet significant OV 25,6

Wacht tijd Flex-OV 11,3

(de Vot van de wachttijd voor OV is niet weergegeven in dit paper)

De elasticiteiten zijn te herleiden uit de onderstaande figuur. Zo resulteert een afname van de kosten voor flexibel vervoer met 20% in een toename van 1% ten koste van het reguliere OV.

Modelontwikkeling MaaS Modelontwikkeling

Figuur 2.10 Mode shares for verschillende beleidsmaatregelen (bron: Wonchul Kim et al., 2016)

Op basis van een SP-onderzoek in het rurale gebieden in Korea blijkt dat de betalingsbereidheid bij flexibel OV een factor 1,6 hoger zijn dan voor een reguliere bus (Wonchul Kima et al, 2016)

Echter, bij deze resultaten moet wel worden aangetekend dat steeds de preciese kenmerken van het systeem en de ruimtelijke situering van groot belang lijken te zijn bij de effecten.

Daarnaast zal sprake zijn van grote verschillen tussen doelgroepen.

Modelontwikkeling MaaS Modelontwikkeling

3. MaaS-Diensten

3.1 Inleiding

Een succesvolle MaaS-dienst vereist integratie en afstemming om aantrekkelijke producten te kunnen bieden. De integratie van vervoerswijzen is de eerste vereiste van MaaS. Bij de door de MaaS providers geleverde diensten zijn het beschikbaar stellen van multimodale reisinformatie, de integratie van betalingen en integratie van reserveringen/boekingen de belangrijkste componenten (Kamargianni et al., 2016):  Reisdata en -informatie. De integratie van informatie is van vitaal belang en een pijler in MaaS: het is wat de eindgebruiker ontvangt en waar het hele netwerk van leveranciers op voortbouwt. De geïntegreerde en real-time multimodale informatie die aan de reiziger wordt verstrekt, kan de perceptie van de reiziger van de reisalternatieven dynamisch bijwerken (Chorus, Molin en Van Wee, 2006) en de perceptie van hun waargenomen nut met betrekking tot niet-auto alternatieven verbeteren (Kenyon & Lyons, 2003) met eventuele verschuivingen in de vervoerwijzekeuze. Daarnaast zal informatie moeten worden verstrekt over de beschikbaarheid van alternatieven (aan reizigers) en over de vraag naar systemen (aan de aanbieders). Deze informatie wordt verkregen door het koppelen van zeer verschillende typen en bronnen van de gegevens. De fusie van deze gegevens is nog steeds een van de belangrijkste technische uitdagingen (Masuch et al., 2013).  Integratie van betalingen. Mobiele betalingen (beschouwd als virtuele smartcards) zijn van recenter datum (Fontes et al, 2016). Integratie van modaliteiten en de betaling voor het gebruik ervan zou niet nuttig zijn in MaaS wanneer geen goede, actuele informatie over deze services beschikbaar was. Daarom zijn de ontwikkelingen ten aanzien van ICT- platforms belangrijk voor MaaS-systemen.

Doel van dit hoofdstuk is om een eerste inzicht te verschaffen in bestaande inzichten in de effecten van elk van deze componenten. In paragraaf 3.2 komen inzichten aan de orde over de effecten van reisinformatie. In paragraaf 3.3 gaat het om de effecten van geintegreerd betalen. In paragraaf 3.4 gaat het om de effecten van boeken en reserveren.

3.2 Reisinformatie

Een essentiële stap is dat serviceproviders (en reizigers) de beschikking krijgen over actuele, real-time data over reistijden en andere kwaliteitsaspecten van elk van de modaliteiten die zijn aangetakt op het platform. Thans worden dienstregelingen bijna altijd beschikbaar gesteld voor alle soorten ritten en er is een groeiende vraag naar aanvullende info zoals bezettingsgraden en verstoringen (Chorus et al., 2006; Matsumoto & Hidaka, 2015). Bij MaaS zullen daarnaast de aanbieders moeten worden geïnformeerd over de gewenste verplaatsingen door de reizigers, zodat de aanbieders van deelauto’s en flexibele transportsystemen op de hoogte gebracht

worden van de wensen van de (potentiële) klanten. Zo worden reizigers op de hoogte gebracht Modelontwikkeling MaaS Modelontwikkeling

van de beschikbaarheid van deelauto’s op een bepaalde locatie en worden de aanbieders van deelauto’s op de hoogte gebracht van een wens om van een auto gebruik te maken op een bepaalde locatie, tijdstip en tijdsduur. Er zijn een aantal studies uitgevoerd naar de rol van reisinformatie in het verplaatsingsgedrag. De uitkomsten daarvan worden in het navolgende samengevat.

3.2.1 Reisinformatie en verplaatsingsgedrag

Het bieden van verschillende reisopties in real-time, informatiesystemen zoals ATIS (Advanced Traveller Information Systems) kan voor gebruikers een trigger zijn om over hun verplaatsingsgedrag na te denken. Reisgedrag kan worden beïnvloed door apps die uitgebreide informatie leveren zoals parkeren, congestie, bezettingsgraad in het OV, planning, routeren, bereik tot deelmodaliteiten en kosten, maar ook de mogelijkheid bieden tot boeken en betalen (Gössling, 2017).

Collis et al. (2001) laat zien dat informatiediensten een bijdrage kunnen leveren aan kostenbesparing, tijdwinst, betrouwbaarheid en het sociaal kapitaal.  Besparing van kosten en/of tijd. In veel gevallen gaat het bij het gebruik van een informatiedienst om het besparen van kosten en tijd. Actuele en betrouwbare informatie over de situatie op de weg of in het openbaar vervoer zijn de ‘selling points’ van veel apps. Daarmee kom je eerder aan op de plek van bestemming.  Meer zekerheid door betrouwbare reistijd. Apps kunnen informatie verschaffen over waar het verkeer vast staat en/of vertragingen plaatsvinden. Hierdoor verbetert de (ervaren) betrouwbaarheid van de reistijd en daarmee de zekerheid die reizigers hebben over hun verwachte aankomsttijd.  Meer vertrouwen door betrouwbare informatie. Een aantal apps komen voort uit informatie aangeleverd door medereizigers. Veel mensen vinden dergelijke informatiebronnen betrouwbaarder dan die van professionele organisaties (Casaló et al.,2011; Yoo en Gretzel, 2011).  Vergroten sociaal kapitaal. Veel reisinformatieapps maken op een of andere manier gebruik van sociale media. De “social presence” van andere deelnemers is voor apps met een sociale mediacomponent een belangrijke succesfactor. Overigens kan een gebrek aan privacy een belangrijke keerzijde vormen van het gebruik van apps al laat onderzoek in de Verenigde Staten laat zien dat Amerikanen er over het algemeen weinig moeite mee

hebben deze informatie prijs te geven (Consolvo et al., 2005).

Het KIM (2015) gebruikt het G-model om het belang van applicaties te beoordelen. Volgens dit schema slaan ze vooral aan wanneer ze voorzien in gewin (het product heeft nut, de gebruiker heeft er iets aan), gemak (de applicatie is makkelijk te bedienen, het gebruik wijst zich vanzelf) en genot (een mooie vormgeving, mogelijkheden tot spel en plezier, enzovoort). Deze drie G’s zijn niet allemaal even belangrijk, er is sprake van een hiërarchie. Het gewin of nut staat voorop; dit is een basisbehoefte. Wanneer een applicatie niet in betrouwbare reisinformatie voorziet, zal

iemand deze niet snel opnieuw gebruiken. De dimensie ‘gemak’ wordt wel getypeerd als Modelontwikkeling MaaS Modelontwikkeling

dissatisfier: wanneer de applicatie hier niet in voorziet, maakt dit de gebruiker minder tevreden. De dimensie ‘genot’ is in dit verband een satisfier: gebruikers zijn aangenaam verrast wanneer de applicatie in genotsaspecten voorziet, maar zijn niet ontevredener over de app wanneer deze ontbreken. Of een app écht wordt gebruikt (en dus niet alleen maar gedownload), hangt af van bovenstaande aspecten. ).

Door Durand et al (2018) wordt ingegaan op de effecten van reisinformatie, zo blijkt uit de studie van Watkins et al, 2011) dat ATIS kan resulteren in reducties van de werkelijke en ervaren wachtijden. Ook vermelden zij dat verrijkte reisinformatie kan leiden tot en toename van gebruikers, een conclusie gebaseerd op Chorus et al., 2006; Kenyon and Lyons, 2003; Tang and Thakuriah, 2011). Er zijn echter ook studies aangetroffen waaruit blijkt dat betere reisinformatie niet altijd tot significante veranderingen leidt in reisgedrag, zelfs wanneer de reisplanner de tijdwinsten tussen bijvoorbeeld OV en auto reistijden (Skoglund & Karlsson, 2012) laat zien. Durand et al (2018) concluderen dat ATIS toegevoegde waarde kan leveren om de gebruikers te overtuigen om vaker het OV te gebruiken maar niet genoeg om significant minder autogebruik te stimuleren (gebaseerd op Pronello et al., 2017; Skoglund & Karlsson, 2012). Bovendien kon geen verband worden gevonden tussen de beoordeling door de respondenten van de reisplanner en de gerapporteerde verandering van vervoerwijze (dat wil zeggen meer met het openbaar vervoer / minder met de auto) als gevolg van toegang tot de reisplanner.

Grotenhuis et al. (2007) gebruikte de term "geïntegreerde multimodale reisinformatie" voor ICT- integratie in het openbaar vervoer en identificeerde de gewenste kwaliteit door passagiers voor deze diensten via een enquête in Nederland. De resultaten toonden aan dat hoewel "pre-trip" de favoriete fase was om gebruik te maken van het centraal informatieplatform (voor het plannen van een reis), ook en route informatie afkomstig uit "wegkantsystemen" en systemen "in het voertuig " belangrijk voor reizigers bleken te zijn. Stopka (2014) identificeerde de belangrijkste gebruikersvereisten voor smartphoneplatform om deur-tot-deur mobiliteit in het openbaar vervoer te ondersteunen. Zoals verwacht, toonden reizigers grote belangstelling voor persoonlijk reisadvies door de app, terwijl ze verwachtten dat de app slim zou zijn om optimaal reisadvies te bieden op basis van hun persoonlijke gegevens. Als gevolg hiervan groeide de verscheidenheid aan functies van 'deur-tot-deur'-apps op basis van de toenemende verwachting van gebruikers over de intelligentie van ICT-integratie.

Het overall beeld dat uit de literatuur naar voren komt is dat multimodale informatie momenteel

een ondergeschikte rol speelt in de vervoerwijzekeuze (in tegenstelling tot de rol die het speelt in reisplanning en -uitvoering voor een gekozen vervoerwijze). Gewoontegedrag draagt bij aan het gebrek aan aandacht. Zelfs wanneer het individu een nieuwe verplaatsing onderneemt is de rol van gewoontegedrag zodanig dat vervoerwijze alternatieven zelden worden (her) overwogen. Daarnaast spelen percepties een rol; deelnemers denken dat reizen met het openbaar vervoer ongemakkelijk en onveilig is zelfs als ze nooit gereisd hebben met OV of er informatie over hebben ingewonnen.Beperkte bewustheid van de beschikbaarheid van

infornatie verergert het lage gebruik ervan. Kenyon et al (2003) concluderen dan ook dat het Modelontwikkeling MaaS Modelontwikkeling

gebruik van ATIS om reizigers over de vervoerwijzekeuze te informeren slechts een beperkt effect op gedrag heeft. Dit betekent niet dat reisinformatie niet nuttig is. De informatie vervult twee rollen. Allereerst een informatieve rol, zowel om de gebruiker te informeren over de reis. Ten tweede kan reisinformatie op termijn een rol spelen bij de aanpassing van de houding ten opzichte van alternatieve modaliteiten, zodat op langere termijn het effect groter kan zijn.

3.2.2 Model implicaties reisinformatie

Reisinformatie is voor veel modaliteiten, veelal via verschillende kanalen, beschikbaar. Voor MaaS-ritten is het echter van belang deze informatie te koppelen. Deze koppeling stelt gebruikers in staat een betere keuze te maken en dit maakt het MaaS-platvorm aantrekkelijker. Daarnaast is deze reisinfo van belang voor de aanbieders. Het modelleren van de effecten van informatievoorziening op gedrag is een forse opgave, zie voor een overzicht het review-paper van Chorus et al (2006).Reistijden variëren van dag tot dag, en zijn daarmee inherent onzeker. Bij de keuze van vertrektijd en route dienen reizigers rekening te houden met deze onzekerheid, vooral als de activiteit die men wenst of dient te verrichten, een tijdige aanwezigheid vereist. Bij de modellering van route en vertrektijdkeuze onder onzekerheid heeft men hiermee rekening te houden door bijvoorbeeld penalties in te voeren voor zowel te vroege als te late aankomsttijden. Afhankelijk of een reiziger dan risicozoekend of risicomijdend is, zal met een ander gedrag voorspellen. Reisinformatie zal deze onzekerheid reduceren. Persoonlijke verwachtingen met betrekking tot reistijd worden aangepast aan de verkregen informatie. Op basis daarvan dient dan een afweging en keuze gemaakt te worden. Het concept van verwacht nut heeft lang aan de basis gelegen van deze afwegingen. De subjectieve kans op een bepaalde toestand (reistijd) wordt vermenigvuldigd met het nut dat aan die toestand wordt ontleend. Het verwachte nut is dan gelijk aan de gewogen optelling van het nut per toestand over de toestanden. De subjectieve kansen fungeren hierbij als de gewichten. Men heeft echter ook alternatieve theorieën en modellen geformuleerd zoals de mean-variance models (e.g., Sen e.a., 2001), regret theory (Chorus e.a., 2006a) en de (cumulative) prospect theory (Tversky en Kahneman, 1979).

Figuur 3.1 Modelkader voor besluitvorming om informatie te verzamelen (bron: Chorus et al,

2016).

Modelontwikkeling MaaS Modelontwikkeling

3.3 Geïntegreerd betalen

Een belangrijk kenmerk van MaaS is dat de aangesloten modaliteiten via een geintegreerde app kunnen worden benaderd en dat de gebruikte diensten via deze app kunnen worden betaald. Daar is zowel sprake van als sprake is van een ‘pay-as-you-go systeem (betalen per verplaatsing) als bij een ‘bundel’ waarbij mensen een abonnement hebben voor een aantal verplaatsingen of verplaatsingskilometers voor iedere modaliteit. Bij MaaS zijn, voor deze studie, twee aspecten van groot belang:  Het systeem van geintegreerd betalen  De prijsstelling van de gezamenlijke diensten

Tabel 3.1 Enige resultaten van studies naar effecten integratie (gebaseerd op Kamargianni, 2016) Authors Thema Area Method Relevant Insights Blythe and Holm, Ticket Tampere, Survey Gemaak Combi-card gelegen in 2002 integratie Finland Statistics gemakkelijkere en snellere transacties, sneller en gelijkmatiger instappen. Cheung, 2006 Ticket Nederland MKBA Invoering Chipkaart leverde meer op dan het integratie kostte. Ook extra reizigers.

NEA, 2003 Integratie Parijs, France Case study Ontwikkeling in gebruik van OV omgedraaid kaart van een daling van (-12% tussen 1945 en 1975) tot een stijging van 33% van 1975 tot 1993. Auteurs koppelen dit aan integratie kaartsoorten. Prakasam, 2009 Payment Singapore Case study Sterke stijging aantal forenzen dat overstapt integration tussen systemen bediend door verschillende bedrijven. Lathia and Capra, Mobility London, Trend & user Abonnementhouders laten sterkere stijgingen 2011 package United behaviour zien dan pay-as-you-go reizigers integration Kingdom analysis Schad et al., Mobility Switzerland Survey Hier toch wel een reductie van het autobezit 2005 package Statistics geconstateerd integration

Thøgersen, Mobility Copenhagen, Field Blijvend positief effect op gebruik

2009 package Denmark experiment mobiliteitsdiensten integration

3.3.1 Het systeem van geintegreerd betalen

Geïntegreerd betalen wordt geregeld via een app die geldig is voor de gehele reis met verschillende vervoermiddelen. Om te beginnen is interoperabiliteit de belangrijkste opgave, waarbij de betaalsystemen zowel bij OV als voor andere vervoerdiensten kunnen worden

gebruikt. Dit vraagt om innovatieve betaalsystemen. In de toekomst zullen met een smartphone Modelontwikkeling MaaS Modelontwikkeling

alle vervoerdiensten kunnen worden geboekt en betaald. Dit wordt nu vaak geregeld met gebruik van smart card technologie. Merk overigens op dat dit vraagt om forse aanpassingen aan de kant van de aanbieders van vervoerdiensten; zij zullen hun betaalsystemen moeten openstellen voor derden. Dit is geen eenvoudige opgave.

Er is alleen gedeeltelijk inzicht in de effecten van dergelijke systeemintegraties op het reisgedrag. Uit onderzoek naar de integratie van vervoerbewijzen met OV is gebleken dat tarief, ticket en betaal integratie een positief effect heeft op het OV-gebruik. Het heeft geleid tot meer gemak, meer vrijheid in vervoermiddel keuze en af en toe tot een afname in reiskosten of toename in aantal gebruikers. Dit komt naar voren in verschillende Europese steden (Abrate et al., 2009; Blythe & Holm, 2002; NEA and partners, 2003). Verwacht mag worden dat deze integratieeffecten ook zullen plaatsvinden indien andere modaliteiten dan OV worden toegevoegd.

3.3.2 Prijsstelling

Een tweede kenmerk van MaaS is dat de prijs die reizigers betalen voor de mobiliteitsdiensten anders zal zijn dan de prijs voor de afzonderlijke modaliteiten. Deze prijzen kunnen zowel gevraagd worden per reis als in de vorm van een abonnement. Over deze prijsstelling en de effecten daarvan op het reisgedrag is nog weinig onderzoek gedaan. Met een mobiliteitsbundel kunnen reizigers verschillende vervoerwijzen voor een langere periode gebruiken, maar ook het pakket als één product aanschaffen. De theorie hierbij is dat reizigers dan de vervoerwijzen met nul marginale kosten kunnen gebruiken met een vast bedrag vooraf. Ervaringen over de effecten zijn gebaseerd op de literatuur over de vervoerspas/abonnementen voor openbaar vervoer. Axhausen et al. (2000) gebruikte een Zwitserse enquête uit 1999 om de onderlinge relaties tussen autobezit, eigendom van abonnementen voor openbaar vervoer te kwantificeren. De resultaten toonden aan dat het bezit van het abonnement een significante positieve relatie had met het gebruik van het openbaar vervoer. Verder toonden Simma en Axhausen (2001) aan dat het gebruik van andere vervoerwijzen door het kopen van een abonnement werd werd beperkt. Dit betekende dat beslissingen op de lange termijn, zoals het kopen van een abonnement het reisgedrag op korte termijn beïnvloeden.

Bandoe en Yendeti (2007) onderzochten de impact van het eigendom van OV-abonnementen op het dagelijkse aantal verplaatsingen met stedelijk OV in Toronto. Hun resultaten

ondersteunden de bevinding van Axhausen: eigendom van OV-abonnementen is een belangrijkste factor voor het transitgebruik. Lathia en Capra (2011) analyseerden verplaatsingsgedrag met de London Oyster-kaartgegevens. Ook zij laten een positief effect zien van een abonnement op het reisgedrag: ze gebruiken vaker de bus.

Schad et al. (2005) analyseerde de Zwitserse markt, waar het mobiliteitspakket een seizoensgebonden abonnement bevatte, zoals de voorbeelden hierboven, maar ook de toegang tot autodelen en autoverhuur. Uit de resultaten bleek dat bijna 90% van de gebruikers

in de steekproef niet langer hun eigen auto had en een deel van de gebruikers hun laatste auto Modelontwikkeling MaaS Modelontwikkeling

op hetzelfde moment verkocht als zij een mobiliteitspakket kochten. Als het marktpotentieel van dergelijke geintegreerde mobiliteit zou worden benut, zou er jaarlijks in Zwitserland 15 tot 50 miljoen liter benzine bespaard kunnen worden (0,4% tot 1,4% van de nationale consumptie)..

3.4 Reserveren/boeken

Met de introductie van MaaS wordt toegang tot mobiliteit belangrijker dan het bezit van vervoermiddelen. Hiermee samenhangend wordt ook de flexibiliteit die wordt geboden met on- demand diensten belangrijk, die inspelen op de behoeften van individuele reizigers. Om deze twee vernieuwingen mogelijk te maken zullen wel systemen moeten worden gerealiseerd waarmee de on-demand en flexibele mobiliteitsdiensten kunnen worden geboekt. Wanneer je een deelauto wilt gebruiken, dan vergt dit een bewuste handeling. Je moet er een reserveren en waarschijnlijk staat de auto niet voor je deur. Bovendien betaal je per rit. Dat maakt de kosten transparant. In veel gevallen is de deelauto dan ook een ‘achtervang’ voor als het even echt niet anders kan. Makkelijke reserveringssystemen kunnen deze opgave vergemakkelijken. Ook carpoolen kan op deze wijze aantrekkelijker worden; wanneer de carpoolpartner langer moet werken kan via de app makkelijk een andere dienst worden geregeld. Echter, over de directe

bijdrage van deze mogelijkheden hebben wij geen literatuur kunnen vinden.

Modelontwikkeling MaaS Modelontwikkeling

4. Modellen voor deelname aan MaaS

4.1 Inleiding

In dit hoofdstuk geven we de resultaten weer van een aantal modellen waarmee inzicht wordt verschaft in de vraag of mensen een MaaS-abonnement gaan aanschaffen.

4.2 Deelname aan MaaS-diensten

Een van de vernieuwende elementen van MaaS is dat het de reizigers de mogelijkheid biedt om maandelijkse mobiliteitsbundels te kopen die een bepaald aantal gebruiksopties van elke vervoerdienst bevatten, zodat ze tezamen voldoen aan al de mobiliteitsbehoeften van reizigers. Afhankelijk van de regionale situatie, omvatten de plannen niet alleen de verschillende opties voor het openbaar vervoer, die in veel steden al worden aangeboden, maar ook taxi's, autodelen, fietsen delen, autoverhuur, langeafstandstreinen etc. Dergelijke bundels zijn op conceptueel niveau vergelijkbaar met bestaande bundels voor bijvoorbeeld de mobiele telefoons, waar gebruikers elke maand betalen voor een bepaald aantal diensten (oproepen, teksten en gegevens). Er bestaat nog niet veel kennis over deze mobiliteitsbundels, zodat sprake is van een kloof in kennis over het ideale ontwerp van de mobiliteitsplannen. Aangezien de behoeften van reizigers enorm heterogeen zijn, moeten de plannen tegemoet kunnen komen aan de verschillende voorkeuren van alle socio-demografische gebruikersgroepen.

Maria Kamargianni heeft met haar collega’s (Mayas en Kamargianni, 2016) voor London een SP-onderzoek uitgevoerd waarin de samenstelling van dergelijke bundels is onderzocht. Bij het kiezen van attributen zijn twee typen attributen onderscheiden: specifieke attributen voor transportmiddelen en niet-vervoerwijze-specifieke attributen. De eerste omvat de eigenlijke vervoerwijzen die in de bundels zijn opgenomen, evenals de extra mogelijkheden die beschikbaar zijn voor elke vervoerwijze, zoals toegang tot “minivans” voor autodelen of 10 minuten taxi garantie. Het andere omvat kenmerken van de bundels zoals prijs en het al dan niet overdraagbaar zijn van ongebruikte diensten naar volgende maand.

Er is onderscheid gemaakt tussen een vaste bundel en een menu-bundel waarbij mensen

kunnen kiezen tussen verschillende opties. In elke taak kregen de respondenten de keuze tussen vier verschillende hypothetische bundels. De vier alternatieven waren: drie vaste bundels en één menuoptie waar de gebruikers kunnen bepalen welke en hoeveel van elke vervoerwijze ze zouden willen. Deze werden naast elkaar gepresenteerd, maar er kan slechts één van worden gekozen. De menuoptie wordt naast de andere gepresenteerd om analyse van de afweging tussen flexibiliteit en complexiteit mogelijk te maken. Verder is de flexibiliteit van de menu-optie geprijsd, wat betekent dat de prijs van het menu altijd groter is dan dat van alle andere bundels. Deze aanpak werd gekozen om analyse mogelijk te maken van de

betalingsbereidheid voor flexibiliteit binnen MaaS-bundels (afwezigheid dominante optie). Dit Modelontwikkeling MaaS Modelontwikkeling

geeft aan dat voor alle mobiliteitsbundels hogere prijzen resulteren in lagere aandelen van MaaS voor de respondenten. Er zijn opvallende verschillen in de parameterwaarden voor tussen vaste en flexibele bundels. Dit geeft aan dat er (forse) verschillen zijn in voorkeuren tussen de twee soorten plannen. Dit ondersteunt het idee van het opnemen van zowel vaste als flexibele plannen. Interessant is dat het openbaar vervoer de enige modaliteit is met positieve coëfficiënten voor beide soorten plannen. Dit ondersteunt de hypothese dat openbaar vervoer erg belangrijk is in MaaS.

Het onderzoek wordt uitgebreid beschreven in Mayas en Kamargianni. De attribuut-levels zijn zoveel als mogelijk persoon-specifiek uitgewerkt, op basis van informatie over het reisgedrag zoals die in de vragenlijst aan de orde is gesteld. Het onderzoek is uitgevoerd in Londen.

Tabel 4.1 Overzicht van attributen in SP-onderzoek van Mayas en Kamargianni (2016) Mode specific attribute Attribute levels Attribute levels for menu Modes Public transport Unlimited bus Unlimited bus Unlimited public transport in your zones Unlimited public transport in the zones you are using None Bike sharing Unlimited access + 30 min use Unlimited access + 30 min None use None Taxi If taxi distance >10 miles 0-200 miles in increments of None, taxi distance*0.8, 1, 1.1, 1.3, 1.5 2 miles If taxi distance < 10 miles None, 5, 8, 10, 12, 15 miles Car sharing If car sharing time >0 0-20 hours in increments of None, car sharing time*0.8, 1, 1.1, 1.3, 1 hours; 1.5 If car sharing time = 0 0-7 days in increments of 1 None, 1 hour, 2 hours, 4 hours, 6 hours 1 day day, 2 days, 3 days + 2 hours Features

Pooled taxi an option Yes No

Transferability None of your credits can be transferred to the next NA month All of your credits can be transferred to the next

month Modelontwikkeling MaaS Modelontwikkeling

Special Present None NA Free luxury car for a weekend Free grocery delivery for a month Free food delivery for a month Free dinner for two Free dinner for two (up to the value of £50)

In (Ratilainen, 2017) is een stated preference onderzoek beschreven naar de voorkeuren van reizigers voor de invulling van MaaS abonnementen met een vaste maandprijs. Aan het onderzoek deden 252 respondenten uit de agglomeratie Helsinki mee. Uit dit onderzoek komt (onder andere) naar voren dat de abonnementskosten, de mate waarin openbaar vervoer opgenomen is in het pakket, of er sprake is van een gegarandeerde maximum wachttijd (voor deelauto’s en taxi’s), de leeftijd, het inkomen en de mogelijkheid om het abonnement te delen met andere leden in het huishouden bepalend zijn bij de keuze voor een MaaS abonnement. Opvallend is dat het opnemen van taxi en deelfietsen in de propositie geen noemenswaardig effect heeft en dat het opnemen van deelauto’s zelfs een licht negatief effect heeft.

Tabel 4.2 Reizigersvoorkeuren (bron: Ratilainen, 2017) Attribute Model 2: MNL+ interaction Current services effects Name Count VVTP WTP for Price Difference to increase WTP Bike sharing 6 trips € 1,20 € 1,20 € 5,00 -€ 3,80

Unlimited € 6,65 € 5,50 € 4,20 € 2,42 Car sharing 4h -€ 21,71 € 0,00 40.0 € -€ 40,00

8h -€ 24,93 € 0,00 € 80,00 -€ 80,00 Public Transport 15 trips € 56,50 € 56,50 € 32,70 € 23,80 (HSL) Unlimited € 117,14 € 60,60 € 52,40 € 64,74 Taxi 3 x 10 km € 11,57 € 11,57 € 63,00 -€ 51,43

6 x 10 km € 16,00 € 4,40 € 126,00 € 110,00 Pick-up speed 30 min € 29,93 € 29,93 n/a n/a

15 min € 28,00 € 0,00 n/a n/a Sharing the HH: 1 person -€ 25,21 € 0,00 n/a n/a package HH: >= 2 persons € 71,29 € 71,29 n/a n/a

Mensen zijn bereid meer te betalen voor een pakket als OV is opgenomen dan wanneer OV afzonderlijke. Ook is men bereid 21,71 € te betalen indien 4 uur deelautogebruik is opgenomen en 24,93 € indien er 8 uur is opgenomen in de bundel. Dit bevestigt uitkomsten van Bakos en Brynjolfsson (1999) waarbij blijkt dat mensen bundels hoger waarderen dan individuele items.

Verder vindt hij:  Consumenten zijn erg prijsgevoelig. Vooral gebruikers van het openbaar vervoer willen

graag MaaS, maar om autogebruikers aan te trekken moet de service aanzienlijk Modelontwikkeling MaaS Modelontwikkeling

goedkoper zijn dan de privéauto. Oudere klanten worden bereikt door middel van kortingsregelingen.  Openbaar vervoer als kern. Om de toegankelijkheid zonder privéauto's te maximaliseren, moet MaaS rond het openbaar vervoer worden gebouwd.  Consumenten fietsen veel of helemaal niet. Daarom zou het opnemen van het delen van fietsen in de pakketten onbeperkt moeten zijn.  Betrouwbaarheid van de service is belangrijk. Consumenten zijn bereid om te betalen voor betrouwbaarheid en een belofte van ophaalsnelheid in de pakketten zal hun vraag toenemen.  Taxiritten mogen de prijs niet verhogen. Hoewel taxi's in de pakketten worden gewaardeerd, is de kans groter dat mensen op zoek zijn naar een alternatieve vervoerwijze dan de extra prijs van een taxi te betalen;  Consumenten hebben ervaringen nodig met het delen van auto's. Voordat autodelen in MaaS bundels moet worden opgenomen, hebben consumenten ervaringen nodig om ze te gebruiken. Momenteel is de drempel om ze te gebruiken te hoog en daarom zijn consumenten niet bereid hiervoor te betalen.  Gezinnen zijn geïnteresseerd in het delen van het pakket. Om tegemoet te komen aan de behoeften van verschillende gezinnen, is het beter om delen met huishouden een extra functie te geven in plaats van alleen familiepakketten te bieden.

In een recente studie van Ho et al (november 2018) wordt een SP-onderzoek uitgevoerd voor Australie (co-auteurs David Hensher en Corinne Mulley) waarin mobiliteits-pakketten voor MaaS worden onderscheiden met als doel vast te stellen of mensen daar gebruik van gaan maken.

Zij onderscheiden de attributen zoals weergegeven in tabel 4.3.

Tabel 4.3 Attributen SP-onderzoek (bron: Ho et al, 2018) Mode Attribute Apply for respondents w/current travel record of Public transport Days with unlimited use of PT Low level of PT use Car-share Hours use of car-share in bundle (0 or 1day/week) Public transport Days with unlimited use of PT Medium level of PT use Car-share Hours use of car-share in bundle (2–4days/week)

Public transport Days with unlimited use of PT High level of PT use

Car-share Hours use of car-share in bundle (5–7days/week) Public transport Days with unlimited use of PT Low level of PT use (0 or 1day/week) Public transport Days with unlimited use of PT Medium level of PT use (2–4days/week) Public transport Days with unlimited use of PT High level of PT use (5–7days/week)

Car-share Hours use of car-share in bundle Low level of car use Modelontwikkeling MaaS Modelontwikkeling

(< 3 h/week)

Car-share Hours use of car-share in bundle Medium level of car use (3–5h/week) Car-share Hours use of car-share in bundle High level of car use (> 5 h/week) Car-share Car-sharing scheme All respondents w/licence Car-share Advance booking time All respondents w/licence Car-share Hourly rate if PayG All respondents w/licence Taxi % discount off every taxi bill All respondents UberPOOL % discount off UberPOOL bill All respondents Unused credit All respondents Plan price All respondents

In de onderstaande figuur is een voorbeeld weergegeven van een keuzeset zoals die aan respondenten is voorgelegd.

Fig 4.1 Voorbeeld van een keuzeset voorgelegd aan respondenten (Ho et al, 2018)

Zij onderzoeken of met alternatieve bundels reizigers bereid zijn om over te stappen naar de voorgelegde MaaS-bundels. Zij vinden een aantal (opvallende) uitkomsten:  Uit de door hen voorgelegde bundels komt naar voren dat mensen die vooral het OV gebruiken minder de toekomstige gebruikers zijn van MaaS. Mensen die vooral het OV gebruiken zijn, naar de mening van de onderzoekers, waarschijnlijk tevreden met hun huidige OV-abonnement. Het zijn vooral de autogebruikers die naar MaaS toegaan;

 Grotere huishoudens (met meer kinderen) zijn ook minder vaak potentiële MaaS-gebruikers Modelontwikkeling MaaS Modelontwikkeling

 De kosten van een MaaS-abonnement zijn erg belangrijk. De auteurs vinden dat deze makkelijk aanpasbare kosten zelfs belangrijker zijn dan de lange termijn, vaste kosten van het bezit van een auto.  Er is sprake van een grote verscheidenheid aan voorkeuren voor de alternatieve modaliteiten in het pakket, soms samenhangend met de huidige verplaatsingspatronen. Zo is het voor mensen die nu de taxi gebruiken of ridesharen belangrijk dat deze modaliteiten onderdeel worden van het MaaS-pakket.  Specifieke kwaliteitsaspecten zijn ook nog van belang, denk aan de boekingstijd voor autodeelsystemen en dergelijke.

Op basis van hun onderzoek komen zij tot de volgende inzichten in de betalingsbereidheid van MaaS-reizigers

Tabel 4.4 WTP MaaS-reizigers (bron :Ho et al, 2017) MaaS component WTP ($/fortnight) An hour access to car-share $6.39 A full day access to car-share (10 h) $63.85 One-way car-share $7.27 Round-trip car-share $0.00 Every 15 min increase in advance booking time −$1.06 A day of unlimited PT use $5.92 10% discount to every taxi bill $3.68 10% discount to every ride-sharing bill $7.18

De tabel laat zien dat de reizigers gemiddeld bereid zijn $ 6,40 te betalen voor een uur toegang tot autodeelsysteem of ongeveer $ 64 per dag als een volledige dag van toegang wordt geprijsd. Opties voor autodelen omvatten ook de autodeelvormen (eenrichtingsverkeer of retour) en de reserveringstijd vooraf. Gemiddeld genomen is men bereid om een extra $ 7,30 per twee weken te betalen om te kunnen autodelen in één richting (bovenop de prijs per uur) en ongeveer $ 1,05 minder voor elke 15 min toename in de reserveringstijd. De gemiddelde WTP voor een dag met onbeperkt PT-gebruik in een tweewekelijks MaaS-abonnement is $ 5,92, maar dit varieert in de steekproef met een standaardafwijking van $ 2,40 en een maximum van

$ 11,85.

Modelontwikkeling MaaS Modelontwikkeling

5. Bestaande MaaS Modellen

DIT HOOFDSTUK GEEFT EEN OVERZICHT VAN THANS IN GEBRUIK ZIJNDE MODELLEN WAARBIJ OOK EEN UITSPRAAK WORDT GEDAAN OVER DE VERKEERSEFFECTEN

5.1 Model 1: PTV-modelbenadering shared mobility

In deze benadering wordt MaaS als nieuwe vervoerwijze (n) in een verkeersmodel opgenomen, zoals geillustreerd in het onderstaande schema (Nökel en Oliver, 2017):

Figuur 5.1 MaaS model (bron: Nökel en Oliver, 2017)

In het model zijn zowel mogelijkheden voor voertuigdelen als voor ritdelen opgenomen. Hoewel de documentatie niet geheel duidelijk is, lijken deze opties te worden toegevoegd als onderdeel van een OV-toedeling. Er worden daartoe stations onderscheiden waar het voertuig kan worden opgehaald en naar toe worden gebracht. De dynamiek in het gebruik wordt gemodelleerd door een groot aantal tijdsegmenten te onderscheiden (wanneer het voertuig of de zitplaats bezet is). De kosten worden bepaald met een evenwichtstoedeling. MaaS-betrokkenen (zie bijv. Karmagianni 2018) geven aan dat deze benadering geen recht doet aan de essentiële kenmerken van MaaS, hetgeen zij beschouwd als meer dan een aantal additionele

vervoerwijzen.

Modelontwikkeling MaaS Modelontwikkeling

5.2 Model 2: Koopal et al (2018)

Door deze auteurs wordt uitgegaan van het onderzoek dat hiervoor beschreven is van Ho (2018). Het, nog te ontwikkelen, model wordt gebruik om de effecten op bereikbaarheid en leefbaarheid uit te werken. De onderstaande figuur geeft de hoofdlijnen weer.

Figuur 5.2 MaaS model (bron : Goudappel, 2018)

Bij de uitrol onderscheiden ze drie stappen: • Stap 1 is de koppeling van het huidig verkeersmodel met de MaaS potentiescan. Door deze koppeling kunnen de matrices opgedeeld worden in traditioneel en mogelijk MaaS gebruik. • Stap 2 van de puzzel bevat nog een kennishiaat naar de effecten op de vervoerwijzekeuze en het gebruik van deelproducten. De vraag is welke keuzes abonnementhouders maken. Welke ritten worden vervangen door het MaaS abonnement (reguliere of enkele ritten, welk motief, openbaar vervoer ritten of autoritten) om de matrix op te kunnen delen in wel een MaaS abonnement, maar gebruik traditioneel vervoer en abonnementhouders die gebruik maken van MaaS. • De laatste stap is om via een multi-user class toedeling om de 3 matrices samen te voegen tot het verwacht verkeersbeeld voor de gewenste propositie en het gewenste scenario.

Modelontwikkeling MaaS Modelontwikkeling

5.3 Model 3: International Transport Forum (ITF, 2018)

Gebruikt een aantal modules in een agent-based benadering om effecten van shared mobility te bepalen. Het model is gebruikt voor toepassingen in Auckland en Helsinki. De preciese modelomschrijving is bij het schrijven van deze literatuurstudie nog niet openbaar.

Figuur 5.3 MaaS model (bron : ITF, 2018)

Modelontwikkeling MaaS Modelontwikkeling

5.4 Model 4: SimMobility

Kamargianni, Yfantis, Muskat, Azevedo en Ben Akiva (2018) doen een voorstel voor een nieuw modellensysteem (SimMobility) die alle relevante kenmerken van MaaS bevatten. Nu nog voornemen tot ontwikkeling.

Figuur 5.4 MaaS model (bron: Kamargianni et al., 2018)

Modelontwikkeling MaaS Modelontwikkeling

Bijlage : Literatuur

Abraham, J.E. (1999). A Survey of Carsharing Preferences.World Transport Policy and Practice, 5(3), 189-200. Abrate, G., Piacenza, M., & Vannoni, D. (2009). The impact of Integrated Tariff Systems on public transport demand: Evidence from Italy. Regional Science and Urban Economics, 39(2), 120-127. doi:10.1016/j.regsciurbeco.2008.05.014 AGV (1993) eindrapport Call-a-car. Rapport in opdracht van het ministerie van Verkeer en Waterstaat. Alonso-González, M., Van Oort, N., Cats, O., & Hoogendoorn, S. (2017). Urban Demand Responsive Transport in the Mobility as a Service ecosystem: its role and potential market share. Paper presented at the International Conference Series on Competition and Ownership in Land Passenger Transport (Thredbo 15), Stockholm, SwedenAn, M., & Chen, M. (2006). Estimating Non-motorized Travel Demand. Transportation Research Record: Journal of the Transportation Research Board, 07-2410, 18–25. Arentze, T., Hofman, F., Van Mourik, H., & Timmermans, H., (2000) ALBATROSS: A multiagent rule-based model of activity pattern decisions, Transportation Research Record, 1706, 136-144. Arentze, T.A., & Molin, E.J.E., 2013. Travelers’ preferences in multimodal networks: design and results of a comprehensive series of choice experiments. Transport. Res. Part A: Policy Pract. 58, 15–28. Arriva. (2017). Arriva Nextbike: het deelfietssysteem van Arriva. Atasoy, B., Ikeda, T., & Ben-Akiva, M.E., 2015. Optimizing a flexible mobility on demand system. Transport. Res. Rec.: J. Transport. Res. Board 2536, 76–85. Audikana, A., Ravalet, E., Baranger, V., & Kaufmann, V. (2017). Implementing bikesharing systems in small cities: Evidence from the Swiss experience. Transport Policy, 55, 18–28. MuConsult, De praktijk van carpoolmatching bij bedrijven, 1999, Rotterdam Axhausen, K.W., Simma, A., & Golob, T.. 2000. Pre-commitment & Usage: Season Tickets, Cars & Travel. Paper presented at the RSA World Congress 2000, Lugano, May. Baas, R. J. (2017). Fietsdelen in Nederland: Een onderzoek naar de rol van een fietsdeelsysteem in de Nederlandse stedelijke context (Master's thesis). Bachand-Marleau, J., Lee, B., & El-Geneidy, A. (2012). Better Understanding of Factors Influencing Likelihood of Using Shared Bicycle Systems and Frequency of Use. Transportation Research Record: Journal of the Transportation Research Board, 2314, 66–71. Bakker, P. (2018) Prijsgevoeligheid diensten personenvervoer. Kennisinstituut voor mobiliteitsbeleid (KiM), Den Haag. Baltes, M., Factors influencing nondiscretionary work trips by bicycle determined from 1990 U.S. census metropolitan statistical area data. Transportation Research Record: Journal of the Transportation Research Board 1538, 96– 101 (1996). BCG (2018) What is ahead for car sharing. Research perspectives. Beck, M., Immers, L.H. Bicycle ownership and use in Amsterdam. Transportation Research Record: Journal of the Transportation Research Board 1441, 141–148 (1996). Becker, H., Ciari, F., & Axhausen, K.W. (2016). Comparing Car-Sharing Schemes in Switzerland: User Groups and Usage Patterns. 16th Swiss Transport Research Conference. Monte Verità, Ascona. Becker, H., Ciari, F., & Axhausen, K. . (2017). Modeling free-floating car-sharing use in Switzerland: A spatial regression and conditional logit approach. Transportation Research Part C: Emerging Technologies, 81, 286- 299. Becker, H., Loder, A., Schmid, B., & Axhausen, K. W. (2017). Modelling car-sharing membership as a mobility tool: A multivariate Probit approach with latent variables. Travel Behaviour and Society, 8, 26-36. Beecham, R., & Wood, J.. Exploring gendered cycling behaviours within a large-scale behavioural data-set. Transportation Planning and Technology. 2014;37(1):83–97. Beesley, M. E. (1979) Competition and Supply in London Taxis, Journal of Transport Economics and Policy, 13(1), 102–131. Beige, S., & Axhausen K.W. (2006) Long-term mobility decisions during the life course: Experiences with a

retrospective survey, paper presented at the 11th International Conference on Travel Behaviour Research,

Kyoto, August 2006. Bellemans, T., Kochan, B., Janssens, D., Wets, G., Arentze, T., & Timmermans, H. (2010). Implementation Framework and Development Trajectory of FEATHERS Activity-Based Berbeglia, G., Cordeau, J., & Laporte, G., 2010. Dynamic pickup and delivery problems. Eur. J. Oper. Res. 202 (1), 8–15. Bert, J., Collie, B., Gerrits, M., & Xu, G. (2016, February 23). What's Ahead for Car Sharing? The New Mobility and Its Impact on Vehicle Sales. Boston Consulting Group. Retrieved 10 27, 2017, from https://www.bcgperspectives.com/content/articles/automotive-whats-ahead-car-sharing-newmobility-its-impact- vehicle-sales/#chapter1 Blythe, P.T., & Holm, C., 2002. ADEPT III: Piloting Combi-cards for Public Transport Ticketing in Finl&. Traffic

Engineering & Control, Vol. 43, No. 1, pp. 16–20. Modelontwikkeling MaaS Modelontwikkeling

Borgnat, P., Abry, P., Flandrin, P., Robardet, C., Rouquier, J.B., & Fleury, E.. (2011) SHARED BICYCLES IN A CITY: A SIGNAL PROCESSING AND DATA ANALYSIS PERSPECTIVE. Adv Complex Syst. 2011;14(3):415–38. Buck, D., Buehler, R., Happ, P., Rawls, B., Chung, P., & Borecki, N. (2013). Are Bikeshare Users Different from Regular Cyclists? Transportation Research Record: Journal of the Transportation Research Board, 2387, 112– 119. https://doi.org/10.3141/2387-13 Burkhardt, J., & Millard-Ball, A. (2006). Who Is Attracted To Carsharing? Journal of the Transportation Research Board, 1986(1), 98–105. https://doi.org/http://dx.doi.org/10.3141/1986-15 Caggiani, L., & Ottomanelli, M. (2013). A dynamic simulation based model for optimal fleet repositioning in bikesharing systems. Procedia-Social and Behavioral Sciences, 87, 203-210. Campbell, K.B., & Brakewood, C. (2017). Sharing riders: How bikesharing impacts bus ridership in New York City. Transportation Research Part A: Policy and Practice, 100, 264-282. Chorus, C., & Dellaert, B. (2012). Travel Choice Inertia: The Joint Role of Risk Aversion and Learning. Journal of Transport Economics and Policy (JTEP), 139-155. Cao, X., Handy, S., Mokhtarian, P., The influences of the built environment and residential selfselection on pedestrian behavior: Evidence from Austin, TX. Transportation pp. 1–20 (2006). Carroll, P., Caulfield, B., & Ahern, A. (2017, August). Encouraging sustainable commuting behaviour through smart policy provision: a stated preference mode-choice experiment in the Greater Dublin Area. In Irish Transport Research Network Conference 2017, University College Dublin, Ireland, 31 August-1 September 2017. Irish Transport Research Network. Casaló, L.V., Flavián, C., et al. (2011). Understanding the intention to follow the advice obtained in an online travel community.Computers in Human Behavior 27 (2): 622-633. CBS. (2013). Automobilist het snelst op plaats bestemming [webpagina]. Geraadpleegd 6 juni 2017, van http://www.cbs.nl/nl-nl/achtergrond/2013/28/automobilist-het-snelst-op-plaats-bestemming CBS. (2017). CBS StatLine - Omgevingsadressendichtheid. http://statline.cbs.nl Celsor, C., & Millard-Ball, A. (2007). Where Does Carsharing Work?: Using Geographic Information Systems to Assess Market Potential, Transportation Research Record: Journal of the Transportation Research Board, 1992, 61-69. Cervero, R. (2003). City CarShare: First-Year Travel Demand Impacts, Transportation Research Record: Journal of the Transportation Research Board, 1839, 159-166. Cervero, R., & Tsai, Y. (2004). City CarShare in San Francisco , California Second-Year Travel Demand and Car Ownership Impacts, (1887), 117–127. Cervero, R., & Duncan, M. (2003). Walking, bicycling, and urban landscapes: evidence from the San Francisco Bay Area. American journal of public health, 93(9), 1478-1483. Cervero, R, A. Golub en B. Nee (2007). City carshare: longer term travel demand and car ownership impacts. Transportation Research Record 1992: 70-80 Chatman, D., How the Built Environment Influences Non-work Travel: Theoretical and Empirical Essays. Ph.D. Dissertation. Department of Urban Planning, University of California, Los Angeles (2005). Cheung, C.M., Chiu, P.-Y., et al. (2011). Online social networks: Why do students use facebook? Computers in Human Behavior 27 (4): 1337-1343. Cheung, F., 2006. Implementation of Nationwide Public Transport Smart Card in the Netherlands. In Transportation Research Record: Journal of the Transportation Research Board, No. 1971, Transportation Research Board of the National Academies, Washington, D.C., pp. 127–132. CUBIC., Undated. Case Study: London Oyster Card System. Chintakayala, P.K., & Maitra, B. (2010) Modeling generalized cost of travel & its application for improvement of taxis in Kolkata, Journal of Urban Planning & Development (ASCE), 136 (1), 42-48. Chorus, C.G., Molin, E.J.E, et al. (2005). Kennispercepties en hun invloed op de behoefte aan reisinformatie onder automobilisten en OV-reizigers. Tijdschrift Vervoerswetenschap 41 (3): 15-20. Chorus, C.G., Molin, E.J.E., & Van Wee, B. (2006). Use and Effects of Advanced Traveller Information Services (ATIS): A Review of the Literature. Transport Reviews, 26(2), 127-149. Chorus, C.G. (2007). Traveler Response to Information. Delft: TRAIL Research School. Ciari, F., Schuessler, N., & Axhausen, K.W., (2011). Estimation of Carsharing Dem& Using an ActivityBased

Microsimulation Approach: Model Discussion & Some Results, International Journal of Sustainable

Transportation Ciari, F., Schuessler, N., & Axhausen, K.W. (2013a). Estimation of Carsharing Demand Using an Activity-Based Microsimulation Approach: Model Discussion and Some Results. International Journal of Sustainable Transportation, 7(1), 70–84. Consolvo, S., Smith, I. E., Matthews, T., LaMarca, A., Tabert, J., & Powledge, P. (2005, April). Location disclosure to social relations: why, when, & what people want to share. In Proceedings of the SIGCHI conference on Human factors in computing systems (pp. 81-90). ACM. CROW-KpVV. (2006). Overstapwijzer Overstappunten (Vol. 235). Ede: CROW, afdeling Uitgeverij. CROW (2016) . Zie website. https://www.crow.nl/kennis/bibliotheek-verkeer-en- vervoer/kennisdocumenten/factsheets-autodelen-2016

CROW. (2016). Ontwerpwijzer fietsverkeer Modelontwikkeling MaaS Modelontwikkeling

CROW. (2018-09-27). Stormachtige groei deelauto’s houdt aan. Crow.nl Currie, G., 2005. The demand performance of bus rapid transit. J. Publ. Transport. 8 (1), 41–55. Daddio, D.W.; Maximizing bicycle sharing: an empirical analysis of capital bikeshare usage. Master Thesis: University of North Carolina at Chapel Hill; 2012. Available from: http://rethinkcollegepark.net/blog/wpcontent/uploads/2006/07/DaddioMP_Final-Draft.pdf Dell’Olio, L., Ibeas, A., & Moura, J. L. (2011). Implementing bike-sharing systems. Municipal Engineer, 000, 1–13. Dill, J., & Rose, G. (2012). Electric Bikes and Transportation Policy. Transportation Research Record: Journal of the Transportation Research Board, 2314, 1–6. Duran, A., L. Harms, S. Hoogendoorn en T. Zijlstra (2018). Mobility-as-a-Service and changes in travel preferences and travel behaviour: a literature review. https://www.kimnet.nl/publicaties/rapporten/2018/09/17/mobility-as-a- service-and-changes-in-travel-preferences-and-travel-behaviour-a-literature-review EIRASS, Voorwaarden en eisen rond carpoolen, Een onderzoek met behulp van de “decision plan net” methode, 1994, Amsterdam Ewing, R., Schroeer, W., Greene, W., School location and student travel analysis of factors affecting mode choice. Transportation Research Record: Journal of the Transportation Research Board 1895, 55–63 (2005). Faghih-Imani, A., Eluru, N., El-Geneidy, A.M., Rabbat, M., & Haq, U. (2014) How land-use and urban form impact bicycle flows: evidence from the bicycle-sharing system (BIXI) in Montreal. Journal of Transport Geography. 2014;41:306–14 Faghih-Imani, A., & Eluru, N., (2015) Analysing bicycle-sharing system user destination choice preferences: Chicago’s Divvy system. Journal of Transport Geography. 2015;44:53–64. Faghih-Imani, A., & Eluru, N. (2016) Incorporating the impact of spatio-temporal interactions on bicycle sharing system demand: A case study of New York CitiBike system. Journal of Transport Geography. 2016;54:218–27. FHWA, F.H.A., Guidebook on methods to estimate non-motorized travel: Overview of methods. Technical report, 1999. Fietsersbond. (2003). Onderzoek: Hoe bevalt de OV-fiets? https://www.fietsersbond.n Fietsersbond. (2011). OV-fiets onverminderd populair. https://www.fietsersbond.nl Fietsplatform. (2016). Cijfers en trends | Landelijk Fietsplatform / Bovag-RAI 2016. Firnkorn, J., & Müller, M. (2011). What will be the environmental effects of new free-floating car-sharing systems? The case of car2go in Ulm. Ecological Economics, 70(8), 1519-1528. Fontes, T., Costa, V., Ferreira, M. C., Shengxiao, L., Zhao, P., & Dias, T. G. (2017). Mobile payments adoption in public transport. Transportation research procedia, 24, 410-417. Frade, I., & Ribeiro, A. (2014). Bicycle Sharing Systems Demand. Procedia - Social and Behavioral Sciences, 111, 518–527. https://doi.org/10.1016/j.sbspro.2014.01.085 Frankena, M.W.&Pautler, P.A. (1984) An Economic Analysis of Taxicab Regulation, US Federal Trade Commission, Bureau of Economics Staff Report. Frei, C., Hyland, M., & Mahmassani, H.S. (2017). Flexing service schedules: Assessing the potential for demand- adaptive hybrid transit via a stated preference approach. Transportation Research Part C: Emerging Technologies, 76, 71-89. Froehlich, J., Neumann, J., Oliver, N., & editors. (2009) Sensing & Predicting the Pulse of the City through Shared Bicycling. 21st International Joint Conference on Artificial intelligence; Pasadena, California, USA. Giesel, F., & Nobis, C. (2016). The Impact of Carsharing on Car Ownership in German Cities. Transportation Research Procedia(19), 215-225. Gössling, S. (2017). ICT and transport behaviour: A conceptual review. International journal of sustainable transportation, 12(3), 153-164. Goudappel, & TU Delft. (2017). Combinatie fiets én OV leidt tot maatschappelijke meerwaarde. Geraadpleegd 6 juni 2017, van https://www.goudappel.nl/nl / Green Deal. (2015). C-183 Green Deal autodelen: naar 100.000 deelauto's in 2018. Retrieved from http://www.greendeals.nl/wpcontent/uploads/2015/06/GD183-Autodelen.pdf Gregerson, J., Hepp-buchanan, M., Rowe, D., Sluis, J., Vander Wygonik, E., Xenakis, M., & McCormack, E. (2010). Seattle Bicycle Share - Feasibility Study. Grotenhuis, J.W., Wiegmans, B.W., & Rietveld, P., 2007. The Desired Quality of Integrated Multimodal Travel

Information in Public Transport: Customer Needs for Time & Effort Savings. Transport Policy, Vol. 14, No. 1, pp.

27–38. Handy, S., Cao, X., & Mokhtarian, P. L. (2006). Self-selection in the relationship between the built environment and walking: Empirical evidence from Northern California. Journal of the American Planning Association, 72(1), 55- 74. HCG, Carpoolmodellen; literatuur en aanzet tot ontwikkeling in Nederland (samenvatting), 1993,Rotterdam HCG, Predicting the impact of carpooling policies: outcomes of a fundemental research project, 1993, Rotterdam Heijningen, van, H. M. C. (2016). Exploring the design of urban bike sharing systems intended for commuters in the Netherlands. Heindrichs M. D. Krajzewicz, R. Cyganski en A. von Schmidt (2017). Introduction to car sharing into existing car fleets

in microscopic travel demand modelling. Personal; and Ubiquous computing 1617-4917, pp 1-11 Modelontwikkeling MaaS Modelontwikkeling

Heinen, E., Van Wee, B., & Maat, K. (2010). Commuting by Bicycle: An Overview of the Literature. Transport Reviews, 30(1), 59–96. doi:10.1080/01441640903187001 Hensher, D.A., Rose, J.M. & Greene, W.H. (2005) Applied Choice Analysis: A Primer, Cambridge University Press, Cambridge. Hietanen, S. (2014). ‘Mobility as a Service’ - the new transport model? ITS & Transport Management Supplement. Eurotransport., 12(2), 2-4. Hine, J., & Mitchell, F. (2003) Transport Disadvantage & Social Exclusion, Ashgate Publishing Limited, Hants. Ho, C., Hensher, D. A., Mulley, C., & Wong, Y. (2017). Prospects for switching out of conventional transport services to mobility as a service subcription plans - A stated choice study. Paper presented at the International Conference Series on Competition and Ownership in Land Passenger Transport (Thredbo 15). Stockholm, Sweden. Hunt, J. D., & Abraham, J. E. (2007). Influences on bicycle use. Transportation, 34(4), 453-470 Idris, A.O., Habib, K.M.N., & Shalaby, A., 2014. Dissecting the role of transit service attributes in attracting commuters: lessons from a comprehensive RP-SP study on commuting mode switching behavior in Toronto. In: Compendium of Papers. Presented at the Transportation Research Board 93rd Annual Meeting, Washington, DC. ING (2018) Carsharing Unlocked. https://www.ing.nl/media/ING%20-%20Car%20sharing%20unlocked_tcm162- 155634.pdf ITDP-China. China Bikesharing. Available from: http://www.publicbike.net/defaulten.aspx. ITF (2018). https://www.itf-oecd.org/itf-work-shared-mobility ITS, C arpoolen, een kansrijk alternatief; segmentatie van het carpoolpotentieel in het woon-werkverkeer, 1996, Nijmegen Jongen, D. (2017) Welke locaties zijn potentieel aantrekkelijk voor het realiseren van het nieuwe fietsdeelsysteem (“NextBike”) in de Westelijke Mijnstreek?. Stageonderzoek Universiteit Hasselt. Jorge, D., & Correia, G. H. (2013). Carsharing systems demand estimation and defined operations: a literature review. European Journal of Transport and Infrastructure Research, 13(3), 201-220. Jorritsma, P., Harms, L., & Berveling, J. (2015) Mijn auto, jouw auto, onze auto. Kennisinstituut voor mobiliteitsbeleid (KiM), Den Haag. Jorritsma, P., Harms, L., & Berverling, J. (2016). Wijzigend verplaatsingsgedrag. Vexpansie Kaltenbrunner, A., Meza, R., Grivolla, J., Codina, J., & Banchs, R. (2010) Urban cycles and mobility patterns: Exploring and predicting trends in a bicycle-based public transport system. Pervasive and Mobile Computing. 2010;6(4):455–66. Kamargianni, M., Matyas, M., Li, W., & Schäfer, A. (2015). Feasibility Study for “Mobility as a Service” concept in London. MaaSLab UCL Energy Institute Report. Kamargianni, M., Matyas, M., Li, W., & Schafer, A., 2015. Feasibility Study for “Mobility as a Service” concept in London. Report – UCL Energy Institute & Department for Transport. Kamargianni, M., Li, W., & Matyas, M. (2016). A Stated Preference Experiments for Mobility-as-a-Service Plans Kamargianni, M., Li, W., Matyas, M., & Schäfer, A. (2016). A Critical Review of New Mobility Services for Urban Transport. Transportation Research Procedia, 14, 3294-3303. doi:10.1016/j.trpro.2016.05.277 Kamargianni, M., Matyas, M., & Li, W. (2018). Londoners’ attitudes towards car-ownership and Mobilityas-a-Service: Impact assessment and opportunities that lie ahead. MaaSLab UCL Energy Institute Report, Prepared for Transport for London. Impact assessment and opportunities that lie ahead. MaaSLab UCL Energy Institute Report, Prepared for Transport for London. Kamargianni, M., Yfantis, L., Muscat, J., Azevedo, C.L., & Ben-Akiva, M., 2018. Incorporating the Mobility as a Service concept into transport modelling and simulation frameworks. MaaSLab Working Paper. Kato, H.; A. Inagi en T. Igo (2013) Potential choices of travel mode including car sharing and carsharing membership. Journal of Eastern Asia Society for Transportation Studies Vol 10, pp 630-646Keijer, M.J.N., & Rietveld, P. (2000) How do people get to the railway station? The Dutch experience. Transportation Planning and Technology. 2000;23(3):215–35. Kenyon, S., & Lyons, G. (2003). The value of integrated multimodal traveller information and its potential contribution to modal change. Transportation Research Part F: Traffic Psychology and Behaviour, 6(1), 1-21. Laws, R.

(2009). Evaluating publicly-funded DRT schemes in England and Wales. PhD Thesis, Loughborough University.

KiM, J., Rasouli, S., & Timmermans, H. J. (2017). The effects of activity-travel context and individual attitudes on carsharing decisions under travel time uncertainty: A hybrid choice modeling approach. Transportation Research Part D: Transport and Environment, 56, 189-202. KiM, J., Rasouli, S., & Timmermans, H. J. (2017a). Investigating heterogeneity in social influence by social distance in car-sharing decisions under uncertainty: A regret-minimizing hybrid choice model framework based on sequential stated adaption experiments. Transportation Research. Part C: Emerging Technologies, 85, 47-63. doi:https://doi.org/10.1016/j.trc.2017.09.001 KiM, J., Rasouli, S., & Timmermans, H. J. (2017b). Satisfaction and uncertainty in car-sharing decisions: An integration of hybrid choice and random regret-based models. Transportation Research Part A, 95, 13-33.

doi:https://doi.org/10.1016/j.tra.2016.11.005 Modelontwikkeling MaaS Modelontwikkeling

KiM, S., Lee, K., & Choi, K. (2014). Preferences Factors Analysis for Car-sharing. Journal of the Korean Society of Civil Engineers, 34(4), 1241-1249. KiM. (2015a). Chaffeur aan het stuur? https://doi.org/978-90-8902-137-3 KiM. (2015b). Mijn auto, jouw auto, onze auto, 66. Retrieved from http://www.kimnet.nl/publicatie/mijn-auto-jouw- auto-onze-auto KiM. (2017), Effecten van Het Nieuwe Werken op mobiliteit en congestie 2000-2016 Kitamura, R., Mokhtarian, P., Laidet., L., A micro-analysis of land use and travel in five neighborhoods in the San Francisco bay area. Transportation pp. 125–158 (1997). Koopal, R., Bredenrode, L. en Boomsma, R. (2018). MaaS-potentiescan voor heel Nederland op basis van gsm-data Kortum, K. (2012). Free-Floating Carsharing Systems: Innovations in Membership Prediction, Mode Share, and Vehicle Allocation Optimization Methodologies. Ph.D. Thesis, University of Texas at Austin, May 2012. KPMG (2018). Automotive executive survey 2018. https://assets.kpmg.com/content/dam/kpmg/nl/pdf/2018/sector/automotive/global-automotive-executive-survey- 2018.pdf KpVV. (2017 -09). Autodelen, Dashboard duurzame en slimme mobiliteit. Geraadpleegd van https://kpvvdashboard- 4.blogspot.com/ Krykewycz, G. R., Puchalsky, C.M., Rocks, J., Bonnette, B., & Jaskiewicz, F. (2010). Defining a Primary Market and Estimating Demand for Major Bicycle-Sharing Program in Philadelphia , Pennsylvania. Transportation Research Record, 117–124. doi:10.3141/2143-15 Lane, C. (2005). First-Year Social and Mobility Impacts of Carsharing in Philadelphia , Pennsylvania. Journal of the Transportation Research Board, 1927(1), 158–166. Lathia, N., & Capra, L., 2011. How Smart is Your Smartcard? Measuring Travel Behaviours, Perceptions, & Incentives. In Proceedings of the 13th international conference on Ubiquitous computing, Beijing, pp. 291–300. ACM. McLysaght, C., Gao, Y., & Chen, X., Undated. The Hong Kong Octopus Card. Li, W., & Kamargianni, M. (2018). Providing quantified evidence to policy makers for promoting bike-sharing in heavily air-polluted cities: A mode choice model and policy simulation for Taiyuan-China. Transportation research part A: policy and practice, 111, 277-291. Ligtermoet, D., & Louwerse BV, (1998) Status: kansrijk, De ontwikkeling van vervoermanagement in Nederland, Gouda Ligtermoet, D., & de With, G. (2013, augustus). BikeShare: Maatschappelijke baten van leenfietsen. Geraadpleegd 18 april 2017, van http://www.fietsberaad.nl/library/repository/bestanden/130830_BikeShareRegio- Haaglanden_Eindrapport.pdf Lin, J.R., Yang, T.H., & Chang, Y.]\C. (2013). A hub location inventory model for bicycle sharing system design: Formulation and solution. Computers & Industrial Engineering, 65(1), 77–86. Litman, T. (2000). Evaluating Carsharing Benefits, Transportation Research Record: Journal of the Transportation Research Board, 1702, 31-35. Lopes, M. M., Martinez, L. M., & de Almeida Correia, G. H. (2014). Simulating carsharing operations through agent- based modelling: an application to the city of Lisbon, Portugal. Transportation Research Procedia, 3, 828-837. Marleau, J.B., Larsen, J., & Geneidy, A. E. (2011). CYCLE TRANSIT INTEGRATION AN OPPORTUNITY TO EXPAND SUSTAINABLE TRANSPORT OPTIONS. Transportation Research, Martin, E.W., Shaheen, S. & Lidicker, J. (2010). Impact of Carsharing on Household Vehicle Holdings – Results from North American Shared-Use Vehicle Survey, Transportation Research Record: Journal of the Transportation Research Board, 2143, 150-158. Martin, E.W., & Shaheen, S. (2011). The Impact of Carsharing on Household Vehicle Ownership. Transportation Research Record, 38, 22–27. Martin, E.W., & Shaheen, S.A. (2014). Evaluating public transit modal shift dynamics in response to bikesharing: a tale of two U.S. cities. Journal of Transport Geography, 41, 315-324. Martin, E.W., & Shaheen, S. (2016). Impacts of car2go on vehicle ownership, modal shift, vehicle miles traveled and greenhouse gas emissions: an analysis of five North American cities [working paper]. Richmond, CA: Transportation Sustainability Research Center. Masuch, N.; M. Lützenberger, J. Keiser (2013) . An open extensible platform for intermodal mobility assistance.

Procedia computer science pp 396-403

Matsumoto, T., & Hidaka, K. (2015). Evaluation the effect of mobile information services for public transportation through the empirical research on commuter trains. Technology in Society, 43, 144-158. d Meurs, H., & Timmermans, H. (2017) Mobility as a Service as a multi-sided market: Challenges for modeling. No. 17- 00830. Midgley, P. (2009). The Role of Smart Bike-sharing Systems in Urban Mobility. Geraadpleegd van https://www.lta.gov.sg/ltaacademy/doc/LTA%20JOURNEYS_IS02 Millard-Ball, A., G. Murray, J. ter Schure, C. Fox & J Burkhardt (2005) Car-Sharing: Where & how it Succeeds - TCRP Report 108, TRB, Washington D.C. Mitchell, W., C. Borrini-Bird en L. Burns (2010). Reinventiving the automobile: personal urban mobility fort he 21st century. MIT press. Cambridge Ma.

MuConsult (2018). Effectmeting Goedopweg Q2-2018 Modelontwikkeling MaaS Modelontwikkeling

MuConsult (2018). Geclusterde effectmeting Bereikbaar Haaglanden – meting 2 Münzel, K., Boon, W., Frenken, K., Blomme, J., & Van Der Linden, D. (2017). Explaining Carsharing Diffusion Across Western European Cities [working paper]. Innovation Studies Utrecht (ISU): Utrecht. Münzel, K., & et al. "Carsharing business models in Germany: characteristics, success and future prospects."Information Systems and e-Business Management (2017): 1-21. NEA & partners. (2003). Integration and regulatory structures in public transport. Study commissioned by the European Commission, DG TREN. Neumann-Saavedra, B.A., Vogel, P., Mattfeld, D.C.(2015) Anticipatory Service Network Design of Bike Sharing Systems. Transportation Research Procedia. 2015;10:355–63. NextBike. (2016). NextBike Company Profile 2016. Nieuwenhuis, M. (2016, januari 15). OV-fiets zo populair dat het aantal fietsen omhoog moet. Geraadpleegd 13 april 2017, van http://www.ad.nl/economie/ov-fiets-zo-populair-dat-het-aantal-fietsen-omhoog-moet~a15123cd/ Nijland, H., van Meerkerk, J., & Hoen, A. (2015). Impact of car sharing on mobility and CO2 emissions. Den Haag: Planbureau voor de Leefomgeving. Nöckel, K, M. Oliver (2017). Modeling shared mobility in city planning. PTV group. NS. (2018-01-05). Recordaantal ritten met de OV-fiets in 2017. Geraadpleegd van https://nieuws.ns.nl/recordaantal- ritten-met-de-ov-fiets-in-2017/ NS. (2014). NS breidt fietsverhuurnetwerk steeds verder uit. OECD ITF. (2017). Shared Mobility Simulations for Helsinki. Case-Specific Policy Analysis. Orfeuil, J. P., Bieber, A., Lefol, J. F., Troulay, P., MASSOT, M., Monjaret, B., ... & Fontaine, H. (1989). Un milliard de déplacements par semaine. La mobilité des français. OVPro.nl. (2017). Arriva vult regulier OV aan met fietsdeelsysteem in Maastricht. Prakasam, S., (2009). Evolution of E-payments in Public Transport – Singapore’s Experience. JOURNEYS, Issue 3, pp. 53–61. Pronello, C., Duboz, A., & Rappazzo, V. (2017). Towards Smarter Urban Mobility: Willingness to Pay for an Advanced Traveller Information System in Lyon. Sustainability, 9(10), 1690. doi:10.3390/su9101690 Queensland Transport (2000). National Competition Policy Review of the Transport Operations (Passenger Transport) Act 1994, September 2000. Ratilainen, H. (2017). Mobility-as-a-Service: Exploring Consumer Preferences for MaaS Subscription Packages Using a Stated Choice Experiment. Research voor beleid (1995). Nederlanders en carpoolen, 4-meting Beleidsmonitor Vervoermanagement, Leiden Research voor beleid (1997) Vervoermanagement en carpoolen, Aanknopingspunten voor beleid, Leiden Rietveld, P., Hensher, K., Button, D., Biking and walking: The position of non-motorized transport modes in transport systems. Handbook of Transport Systems and Traffic Control pp. 299–319 (2001). Rixey, R. (2013) Station-level forecasting of bikesharing ridership: Station Network Effects in Three U.S. Systems. Transp Res Record. 2013;46–55. Rose, J.M., Bliemer, M.C.J., Hensher, D.A. & Collins, A.T. (2008). Designing efficient stated choice experiments in the presence of reference alternatives, Transportation Research Part B, 42 (4), 395-406. Rose, J.M. & Bliemer, M.C.J. (2009) Constructing efficient stated choice experimental designs, Transport Reviews, 29(5), 587-617. Rose, J.M. & Bliemer M.C.J. (2013) Sample size requirements for stated choice experiments, Transportation, Rose. J.M. & Hensher, D.A. (2017). Demand for taxi services: New elasticity evidence for a neglected mode. Working Paper ITLS-WP-13-20 . Sydney. Rouwendal, J., Meurs, H. & Jorritsma, P. (1998) Deregulation of the Dutch taxi sector, Proceedings of Seminar F, European Transport Conference, 37-49. Ryley, T., Stanley, P., Zanni, A., Quddus, M., & Enoch, M., (2014). An examination of the potential use of demand responsive transport services. Presented at the Transportation Research Board 93rd Annual Meeting, Washington, D.C. Schad, H., Flamm, M., Wagner, C., & Frey, T. (2005). New, Integrated Mobility Services, NIM. Project A3 of the National Research Programme (NRP) 41 ‘Transport and Environment’. National Research Program. Schuster, T., Byrne, J., Corbett, J., & Schreuder, Y. (2005). Assessing the potential extent of carsharing - A new

method and its applications, Transportation Research Record: Journal of the Transportation Research Board,

1927, 174-181. Seba (2014) Clean Disruption of energy and transportation: how Silicon Valley will make oil, nuclear, natural gas, coal, electric utilities and conventional cars obsolete by 2030 Shaheen, S.A, Sperling, D. & Wagner, C. (1999). A Short History of Carsharing in the 90's, Journal of World Transport Policy & Practice, 5(3), 16-37. Shaheen, S.A. & C. Rodier (2004) Carsharing & Carfree Housing: predicted travel, emission, & economic benefits, paper presented at the the 83th Annual Meeting of the Transportation Research Board, Washington, D.C., January 2004. Shaheen, S.A., & Rodier, C. J. (2005). Travel Effects of a Suburban Commuter Carsharing Service: CarLink Case

Study. Transportation Research Record: Journal of the the Transportation Research Board, 1927, 182188. Modelontwikkeling MaaS Modelontwikkeling

Shaheen, S.A., Guzman, S., & Zhang, H. (2010). Bikesharing in Europe, the Americas, and Asia. Transportation Research Record: Journal of the Transportation Research Board. https://doi.org/10.3141/2143-20 Shaheen, S.A., Zhang, H., Martin, E., & Guzman, S. (2011). China’s Hangzhou Public Bicycle. Transportation Research Record: Journal of the Transportation Research Board, 2247(-1), 33–41. doi:10.3141/2247-05 Shaheen, S.A., Mallery, M., & Kingsley, K. (2012). Personal vehicle sharing services in North America. Research in Transportation Business & Management(3), 71-81. Shaheen, S.A., & Cohen, A.P. (2013). Carsharing and Personal Vehicle Services: Worldwide Market Shaheen, S.A., Chan, N.D., & Micheaux, H. (2015). One-way carsharing's evolution and operator perspectives from the Americas. Transportation(42), 519-536. Simma, A., & Axhausen, K.W., 2001. Structures of Commitment in Mode Use: A Comparison of Switzerland, Germany & Great Britain.Paper presented at 1st Swiss Transport Research Conference, Monte Verita, March. Sioui, L., Morency, C., Trépanier, M., Viviani, M. & Robert, B. (2010). How Carsharing Affects the Travel Behavior of Households: A Case Study of Montréal, Canada, International Journal of Sustainable Transportation (In press). Skoglund, T., & Karlsson, I.C.M. (2012). Appreciated - but with a fading grace of novely! Traveller’s assessment of, usage of and behavioural change given access to a co-modal travel planner. Procedia - Social and Behavioral Sciences, 48, 932-940. Smart Card Alliance., 2003. Smart Card Case Studies and Implementation Profiles: A Smart Card Alliance Report. Smart Card Alliance Publications. SmartAgent. (2011). Utrechts Autodelen : perceptie en praktijk. Sociaal Fonds Taxi (2018). Arbeidsmarktcijfers Taxibranche, Cijfers en trend 2012 – 2017. Staps, E.F.M. (Erik). (2014). Voor- en natransport bij hoogwaardig openbaar vervoer : Een modaliteitskeuzeonderzoek. Masters thesis RU Stasko, T.H. A.b. Buck en H.O. Gao (2012) Impacts of car sharing in a university setting: changes in vehicle ownership. In: TRB, 91th annual meeting. Paper 12-4053 Steegman, S. (2016). Brains on Bikes. Utrecht: Universiteit Utrecht - Economische Geografie (Faculteit Geowetenschappen). Stefansdotter, A., Von Utfall Danielsson, C., Nielsen, C.K., & Sunesen, E.R. (2015). Economic benefits of peer-to- peer transport services. Copenhagen Economics. Steininger, K., Vogl, C., & Zettl, R. (1996). Car-sharing organizations. Transport Policy, 3(4), 177–185. Stopka, U., 2014. Identification of User Requirements for Mobile Applications to Support Door-to-Door Mobility in Public Transport. Human-Computer Interaction. Applications and Services, pp. 513-524. Springer International Publishing. Storm, M.,Berveling, J., & Harms, L. (2015) Mobiel met mobieltjes. KIM. Den Haag Tang, L., & Thakuriah, P. (2011). Will the psychological effects of real-time transit information systems lead to ridership gain? Transportation Research Record: Journal of the Transportation Research Board, 2216. Ter Schure, J., Napolitan, F., & Hutchinson, R. (2012). Cumulative Impacts of Carsharing and Unbundled Parking on Vehicle Ownership and Mode Choice. Transportation Research Record: Journal of the Transportation Research Board, 2319, 96–104. Thøgersen, J., 2009. Promoting Public Transport as a Subscription Service: Effects of a Free Month Travel Card. Transport Policy, Vol. 16, No. 6, pp. 335–343. Thomas, T., Jaarsma, C. F., & Tutert, S. I. A. (2013). Exploring temporal fluctuations of daily bicycle demand on Dutch cycle paths: the influence of weather on cycling. Transportation, 40(1), 1–22. Transport for London. (2017). Santander Cycles - Transport for London. TNS NIPO (2004). Monitoring en evaluatie deregulering taxivervoer 1999-2003 Factors influencing the choice of shared bicycles and shared electric bikes in Beijing, Campbell (2016) Toner, J.P. (2010) the welfare effects of taxicab regulation in English towns, Economic Analysis and Policy, 40(3), 299-312. Transport for London. (2017). Santander Cycles - Transport for London. https://tfl.gov.uk/modes/cycling/santander- cycles Van Paassen, A., (2018) Car: Book or buy: An explorative study towards the modelling of carsharing participation in the Dutch travel demand model (LMS)

Van Zessen, P.C. (2017). De deelfiets in Nederland.

Vleugel, J.M., & Bal, F. (2016). Hoe SMART willen we rijden; De autonome auto als stedelijke vervoersoplossing of - probleem? Hoe slim is SMART nou eigenlijk? Delft Vogel, P., Greiser, T., & Mattfeld, D.C.(2011). Understanding Bike-Sharing Systems using Data Mining: Exploring Activity Patterns. Procedia—Social and Behavioral Sciences. 2011;20:514–23. Voorthuijsen, A. v. (2016). Wie een OV-fiets wil, vangt vaak bot. OV magazine: Wang, X., Lindsey, G., Schoner J.E., & Harrison, A.. (2016) Modeling Bike Share Station Activity: Effects of Nearby Businesses and Jobs on Trips to and from Stations. J Urban Plan Dev. 2016;142(1):04015001. Wang, S., Liu, L., Zhang, J., & Duan, Z. (2008). BIKE-SHARING--A NEW PUBLIC TRANSPORTATION MODE: STATE OF THE PRACTICE & PROSPECTS. Traffic Engineering, 222–225. Wang, X, G. Lindsey, J. Schoner en A. Harrison (2015) Modeling bike share station activity: effects of nearby

business and jobs on trips to and from stations. Journal of Urban Planning and development, vol 142: pp 1-9 Modelontwikkeling MaaS Modelontwikkeling

Wardman, M. (2004). Public transport values of time. Transp. Policy 11 (4), 363–377. Watkins, K.E., Ferris, B., Borning, A., Rutherford,G. S., & Layton, D. (2011). Where Is My Bus? Impact of mobile real- time information on the perceived and actual wait time of transit riders. Transportation Research Part A: Policy and Practice, 45(8) Weda, J. & Poort, J. (2008). De prijs van een taxirit. Het effect van lokale factoren en marktfalen. Tijdschrift Vervoerswetenschap, 44, 88-97. Kim, Wonchul en Namgung, Moon. (2015). A Study on Fare Estimation for Demand Responsive Transport. The Journal of The Korea Institute of Intelligent Transport Systems. 14. 103-111. Yoo, K. H., & Gretzel, U. (2011). Influence of personality on travel-related consumer-generated media creation. Computers in Human Behavior, 27(2), 609-621.

Modelontwikkeling MaaS Modelontwikkeling