Peter Almström Svante Berglund Maria Börjesson Daniel Jonsson Förutsättningarnas betydelse för transportinvesteringars samhällsekonomiska lönsamhet Peter Almström Svante Berglund Maria Börjesson Daniel Jonsson

Agenda Bakgrund Syfte och frågeställning Metod Resultat Slutsatser

Bakgrund CBA – många antaganden om indata Folkmängd och antal arbetsplatser, lokalisering, ekonomisk utveckling, fordonens egenskaper, bränslepriser, kollektivtrafiktaxor mm Osäkerheten i dessa faktorer genererar osäkerhet i resultaten Hur denna osäkerhet påverkar rankingen av objekt, kanske speciellt mellan väg- och spårobjekt, kan vara kontroversiellt CBA är ibland ifrågasatt av praktiker/beslutsfattare I projektet fokuserade vi i ett första steg på markanvändningen, och i ett andra steg på ett urval av övriga faktorer

Syfte och frågeställning Hur påverkar inducerade markanvändningseffekter pga en investering lönsamheten? Hur påverkas investeringars lönsamhet av olika framtida markanvändningsscenarios? Hur påverkar ändrade antaganden för andra centrala indata den samhällsekonomiska lönsamheten för investeringar? Hur robusta är CBA-beräkningar?

Metod Beräkningar för Stockholms län år 2030 Modeller: LuSIM för att skapa framtida markanvändning LuTRANS (förenkling av Sampers) för trafikprognoserna “SAMKALK Light” för att räkna samhällsekonomisk lönsamhet Varierar markanvändning, ekonomisk utveckling, rörlig kostnad för bil och kollektivtrafiktaxan (en parameter i taget) Beräkning och ranking av samhällsekonomisk lönsamhet Sex investeringar, 3 väg och 3 spår

Studerade investeringar

Scenarier, markanvändning Transport network No-Built (no investment) Built (investment) Land use Simulated no investment Simulated with investment B A C

Scenarier, markanvändning Central 78 % of the population growth in multi family housing The tolerance for high population and work place density is considerable Accessibility by public transport is important for localization of new housing and work places Trend 58 % of the population growth in multi family housing, the same as the trend during the last 30 years The tolerance for density is such that the current development structure is preserved Accessibility by public transport is important for localization of new multi family housing, accessibility by car is important for localization of new single family housing Perifer 27 % of the population growth in multi family housing, single family houses are built in the same pace as in the 70’s Low tolerance for high density, considerable exploitation of unused land Accessibility by car is important for localization of new housing and work places

Scenarier, övriga parametrar

Resultat - inducerade markanvändningseffekter Förbifart Stockholm och Roslagspilen Förbifart Stockholm mycket robust, NNK mellan 1,3 och 1,4 Roslagspilen har högre NNK för typscenario B än A och C (-0,6 jmf -0,8) Den inducerade markanvändningseffekten medför ökad tillgänglighet och reducerad bilanvändning, även utan investeringen

Resultat – 3 MA-scenarios Fordonskilometer

Resultat – 3 MA-scenarios

Resultat – ekonomisk utveckling Årlig tillväxt om 1,5 % istället för 2,0 % per capita Varför inte presentera alla känslighetsanalyser med diagram?

Resultat – rörlig kostnad för bil Lägre rörlig kostnad Högre rörlig kostnad Diagram

Resultat – kollektivtrafiktaxa Ökning av taxan med 50 % De senaste 20 åren har månadskortet i Stockholms län ökat med 100 % i fasta priser. Koll-effekt på För är -14 %.

Resultat - NNK

Slutsatser Slutsatsen från studien är att CBA resultaten på det stora hela är robusta för olika antaganden om förutsättningar Nyttan av spårinvesteringar påverkas mer av en anpassad markanvändning är nyttan av väginvesteringar (dock begränsat urval) Lokaliseringen av tillkommande bebyggelse har större inverkan på tillgänglighet och fordonskilometer än enskilda objekt Alltför optimistiska antaganden om tillväxt gynnar väginvesteringar Alltför optimistiska antaganden om kolltaxa gynnar spårinvesteringar Det är viktigt att analysera situationen i originalscenariot innan man bestämmer sig för vilka känslighetsanalyser som ska göras. Dock verkar högre rörlig kostnad för bil ha något mer påverkan än lägre rörlig kostnad.

Tack. Några frågor?

Källor till osäkerhet i CBA Background assumptions Population, income, ticket prices, timetables, fuel prices etc Transport model Calculation of trips per mode per origin and destination pair, travel times, travel costs Traffic safety effects Environmental effects Economic effects Number of trips, travel times, travel costs Valuations Cost-benefit Analysis Effect calculation model Calculation of effects on emissions, traffic safety etc Det finns osäkerheter i alla stegen i figuren. Indata Modellfel Relationen mellan trafikflöden och trafiksäkerhet Värdering av utsläpp Vissa faktorer tas inte upp i CBA:n, som tex intrångseffekter och “wider ecenomic benefits” (dock SAMLOK) Osäkerheter i investeringskostnader och framtida underhållskostader har också stor inverkan Mest studerat tidigare har varit modellfel trots att indata verkar vara den största osäkerhetskällan

Resultat - nettonuvärde

User benefits in LUTI models If the land-use/transport model was an integrated nested logit model (if models calculate rents clearing the market): But No explicit land-use prices in the land-use model. The land-use choice does not use the total benefits appearing in the transport model. We calculate only benefits in the transport market Land use adjusts to accessibility with investment built Oops. A parenthesis has been lost.

Model system Transport model Land-use model Models Data Exogenous data: Transport network Aggregated population forecast, share of house types Economic development Transport model Land-use model Demand /mode (5) /destination /trip purpose Demand /type of housing Models Model for car ownership and license holding Population Forecast Population by: age, sex and zone Lutrans (Land use Transport Model) is a simplified version av the national transport model Sampers. Simplified with regard to the number of trip types 2 – Work and other and one. Lutrans was developed The model for car ownership and licence holding is sensitive to land-use caracteristics in the zone i.e. the share of single family houses and density. We also have ”the usual variables” age structure, income (square root of). Travel damand model: nested logit: Trip generation, mode and destination choice. Accessibility for car and public transport are fed into the land use model with different weights for single and multi family houses Assignment /peak/low /car /transit Supply of land Data Total population by type of housing and zone Accessibility

Literature De Jong et al. (2007) finds that uncertainty due to input factors are larger than uncertainty due to model errors. That uncertain socioeconomic forecasts are a significant source of uncertainty in the model outcome (Rodier and Johnston, 2001; Thompson et al, 1997; Harvey and Deakin, 1995). Zhao and Kockelman (2001) Pradhan and Kockleman (2002). The literature on uncertainty due to model errors (due to such as model miss-specification, sampling, data aggregation etc) is larger than the literature on uncertainties due to the assumptions about the input factors. De Jong et al. (2007) finds that uncertainty due to input factors are larger than uncertainty due to model errors. Zhao and Kockelman (2001) explores the propagation of errors through a four-step transport demand model and finds that uncertainty is likely to inflate, except in the that the traffic assignment step That uncertain socioeconomic forecasts are a significant source of uncertainty in the model outcome (Rodier and Johnston, 2001; Thompson et al, 1997; Harvey and Deakin, 1995). Pradhan and Kockleman (2002) find that outputs of the travel demand model appear to be far less variable than outputs of the land use model. Rodier (2000; 2005) show that land use changes induced by highway investments accounts for about 50 percent of the increases in travel demand due to the investments. Marshal and Grady (2002) find, on the contrary, that land use impact have little effect on travel in cases of rapid population growth and limited road capacity because congestion limit the urban sprawl in any case. The interaction of land-use effects and traffic outcome is closely linked to the interdependence of planning and investments policies. Land-use density has an impact on travel and emissions - if combined with appropriate transit investments and auto pricing policies (Ewing and Cervero, 2001; Cervero 2001, Kenworthy and Newman, 1989; Rodier et al. 2002; Wegener and Fürst, 1999; Cervero and Kockelman, 1997; Ferdman 2005). Modeling studies using combined land use and transport models in Sacramento show that increased land use density along public transport corridors significantly reduce VMT (vehicle miles travelled), and even more so in combination with auto pricing policies (Rodier et al. 2002; Rodier and Johnston 1997; Jonston and Ceerla, 1995; Rodier and Johnstson 2002). 27 november 2009, 23

Model characteristics Transport model Lutrans (Land use Transport Model) is a simplified version of the national transport model Sampers. Simplified with regard to the number of trip types 2 – Work and other Lutrans was developed and used for the regional plan for Stockholm – Mälardalen Car ownership model Sensitive to land use characteristics in the zone i.e. the share of single family houses and density. We also have ”the usual variables” age structure, income (square root). Population forecast or population disaggregation model Uses the age of the houses and share of single/multi family houses in a zone to calculate the disaggregated population forecast Land-use model Allocates a fixed number of inhabitants/workplaces to county Accessibility, density By single/multi family houses Special model for conversion of summerhouses to permanent housing