Movia Mobilitetsplan 2021 Arbejdspapir: Ny viden om rejser og passagerer

Transkript

1 Movia Mobilitetsplan 2021 Arbejdspapir: Ny viden om rejser og passagerer Udkast 1

2 Indholdsfortegnelse 1. Status En ny analysemodel Eksempler på de nye analysemuligheder Fremtidig indsats Fra Trafikplan til Mobilitetsplan Dette arbejdspapir indgår i arbejdet med Movias Mobilitetsplan Mobilitetsplanen skal skabe bedre sammenhæng i planlægningen af den kollektive mobilitet på Sjælland, og vise de 2,6 millioner borgere og mange virksomheder, hvordan kollektiv transport skaber værdi lokalt og regionalt. Movias Mobilitetsplan rummer et strategisk net (de 100 største buslinjer og lokaltogsstrækninger) med flerårigt tilhørende budget, som trafikselskabsloven foreskriver, suppleret med et helhedsorienteret syn på mobilitet, kollektiv transport, miljø, klima, kunder og innovation. Arbejdspapirerne behandler udvalgte mobilitetsområder med invitation til dialog blandt interessenterne om mobilitetens udvikling i den sjællandske geografi. Afsættet er de kommunale og regionale mobilitetsbidrag. Det er ønsket, at arbejdspapirerne kan skabe god debat, som beriger arbejdet med Movias Mobilitetsplan Notaterne har derfor karakter af forberedende analysearbejde og er ikke politisk besluttede. De indeholder heller ikke konkrete målsætninger, men derimod faglige betragtninger, som Movia ønsker drøftet med kommuner, regioner og andre interessenter. Notaterne offentliggøres løbende på Movias hjemmeside og er derudover sendt i høring hos udvalgte interessenter. Der er i alt udarbejdet 12 arbejdspapirer. 2

3 3

4 Ny viden om rejser og passagerer - Movia har udviklet en ny datamodel, som giver et langt mere præcist indblik i kundernes brug af den kollektive transport. Når modellen er færdigudviklet, vil det give helt nye muligheder for at optimere det samlede kollektive transportnet på tværs af trafikselskaber. Dette notat beskriver en ny datamodel, som Movia har udviklet til at styrke grundlaget for planlægningen af den kollektive transport Den kollektive transport er et komplekst samspil mellem forskellige transportmidler, operatører, kundetyper og rejsebehov. Den nye model giver et nyt, langt mere præcist billede af kundernes samlede brug af den kollektive transport i Movias område. Modellen kan i detaljer beskrive rejsestrømmene, dvs. hvordan kunderne anvender bus- og lokaltogslinjer, alene eller i kombination med tog og metro, og kortlægge, hvor, hvordan og hvornår passagererne skifter mellem de forskellige transportmidler. Kommuner og regioner har i mange sammenhænge efterspurgt bedre grundlag for at optimere nettet og opfylde kundernes behov mest effektivt inden for de økonomiske rammer. Modellen kan i vidt omfang opfylde begge ønsker. Første version af modellen omfatter kun rejsestrømme, hvor bus eller lokaltog løser en del af transportopgaven. Men i næste version vil den blive udvidet til at dække alle rejsestrømme i Movias område, inkl. rejser, der kun foretages med tog eller metro. Modellen kan dermed sikre en bedre og tættere anvendelse af data på tværs af selskaberne i den kollektive transport, først og fremmest i DOT-samarbejdet mellem Movia, DSB og Metroselskabet. Den kan samtidig understøtte DOT s strategiske mål om bedre sammenhæng og kundeinformation på tværs af transportmidler, både i normal drift og i forbindelse med forsinkelser. 1. Status Passagertællinger har hidtil, sammen med kundeundersøgelserne, været den vigtigste kilde til data om kundernes brug af den kollektive transport i Movias område. Passagertællinger beskriver for hver enkelt linje, hvor mange der stiger af og på ved det enkelte stoppested, typisk opgjort for en gennemsnitlig hverdag i en måned eller en gennemsnitlig lørdag/søndag/helligdag i et kvartal. 4

5 For langt de fleste linjer sker passagertælling automatisk ved hjælp af videoregistrering af på- og afstigere. På en række linjer med lavere passagertal, foretages der dog alene manuelle tællinger, hvor chaufførerne i udvalgte uger registrerer passagertal, så her er detaljeringsgraden lavere. Det gælder især linjer uden for Hovedstadsområdet. Passagertællinger er et vitalt værktøj til planlægning af bustrafikken og rådgivning af kommuner og regioner. Så længe behovet er at belyse, hvordan passagertal på den enkelte linje eller på enkelte stoppesteder udvikler sig, er tælledata et meget stærkt værktøj, men der er to udfordringer: Man kan se, hvor mange der stiger af og på ved det enkelte stoppested, men ikke kombinationen af, hvor der stiges på og hvor der stiges af, altså rejserelationerne. Det betyder eksempelvis, at når man gennemfører linjeændringer i én kommune, har man kun et delvist billede af, hvordan det påvirker andre kommuner. Der ses på den enkelte linje isoleret, men der er ikke mulighed for at se, hvordan de enkelte buslinjer i kombination dækker kundernes rejsebehov, ligesom der ikke er mulighed for at kortlægge sammenhængene mellem busser/lokaltog og de andre kollektive transportformer (regional- og fjerntog, S-tog og metro). Andre datakilder såsom rejsehjemmelundersøgelser, kundeundersøgelser og Transportvaneundersøgelsen (TU), har delvist kunnet supplere med yderligere viden om passagererne. Indførelsen af Rejsekort har givet adgang til en ny og potentielt meget omfattende kilde til detaljeret viden om kundernes rejseadfærd med en række begrænsninger. Dels tegner Rejsekort sig endnu kun for en mindre del af rejserne (25-30 pct.), dels er der en skæv fordeling af de enkelte kundegrupper blandt rejsekortbrugerne. Især er højfrekvente pendlere, uddannelsesrejsende, pensionister m.fl. underrepræsenterede. 2. En ny analysemodel Movia har udviklet en ny analysemodel, der i vidt omfang overkommer disse begrænsninger og gør det muligt at skabe et samlet overblik over rejseadfærden. Ved at kombinere passagertælledata med rejsekortdata i en statistisk model, der udnytter de stærke sider i de to datakilder passagertællinger og rejsekortdata får man et billede af passagerernes samlede rejseadfærd. Se også bilag 1. 5

6 I første fase har fokus været rettet mod analyseformål: Hvordan kan data gøre Movia, regioner og kommuner klogere på sammenhængene i brugen af det kollektive trafiksystem? Næste fase vil fokusere på, hvordan denne viden kan bringes i spil i forhold til at styrke den kollektive transport. I Movias rådgivning og køreplanlægning vil datamaterialet bl.a. give mulighed for: Tættere tilpasning mellem efterspørgsel og udbud Optimering af linjeføringer og stoppestedsplaceringer Indsigt i hvordan køreplans- og ruteændringer påvirker andre linjer/andre kommuner Bedre prioritering af de vigtigste korrespondancer i de store knudepunkter Udpegning af relationer og korridorer, hvor den kollektive trafiks konkurrenceevne kan styrkes Modellen giver et bedre og langt mere detaljeret vidensgrundlag for arbejdet med at forbedre og effektivisere det samlede kollektive trafiktilbud. Alle selskaber i den kollektive trafik har haft den samme udfordring, så derfor er dette et projekt, som der er stor interesse for hos såvel DSB og Metroselskabet som de øvrige regionale trafikselskaber. Modellen kan kombineres med andre data, eksempelvis om bil- og cykeltrafik. Det kan give et nyt, langt mere præcist billede af rejserelationerne og f.eks. identificere korridorer, hvor den kollektive transport i dag har en lav markedsandel, men hvor der er et uindfriet potentiale. Suppleret med mere detaljeret viden om rejseefterspørgslen fordelt på formål vil det yderligere give mulighed for at målrette det kollektive trafiktilbud til pendlere, skolebørn, fritidsrejsende osv. En særskilt udfordring er at vurdere, hvordan mulige ændringer i én kommune økonomisk vil påvirke andre. Også her vil modellen give nye muligheder, idet den i detaljer kan beskrive, hvordan rejser på tværs af kommunegrænser påvirkes af ændringer i en enkelt kommune. Det kan også bruges til at analysere, hvordan mulige ændringer i net og køreplaner vil påvirke kundernes rejsemønstre. I første omgang er der udviklet et analyseværktøj, der kan vise, hvordan de nuværende kunder vil ændre rejserute, hvis der gennemføres en specifik ændring af nettet. Det kan f.eks. bruges til at analysere de ændringer, der vil ske, når Cityringen i København åbner, til at forhåndsteste idéer til små og store køreplanændringer og til at analysere, hvordan anlægsarbejder mv. kan forudses at påvirke rejsemønstrene. 6

7 Anvendelsesmulighederne rækker langt ud over den trafikale analyse. Eksempelvis vil det være oplagt at bruge data til at målrette passagerinformation og kommunikation, f.eks. ved at anbefale alternative rejseruter i forbindelse med kendte driftsforstyrrelser eller koncentrere informationsindsatsen om de vigtigste trafikstrømme. Operationelt kunne det f.eks. betyde, at selskaberne opbyggede et kommunikationsberedskab til bedre at håndtere større begivenheder i København eller afhjælpe negative konsekvenser af sporarbejder på banenettet. Også i et bredere planlægningsperspektiv giver modellen nye muligheder. I dag er den fysiske planlægning, f.eks. prioritering af udbygningsområder, ofte baseret på ret spinkel viden om, hvilke kundegrupper og rejserelationer den kollektive transport især kan understøtte, f.eks. ved at reducere trængslen på vejnettet. Med modellens data vil myndigheder og investorer få et meget mere specifikt grundlag for f.eks. at udpege potentielle, nye erhvervsområder med god kollektiv betjening. Samtidig vil datagrundlaget i høj grad kunne forbedre de trafikmodeller, der bruges i forbindelse med beslutninger om de helt store infrastrukturprojekter, både i vejnettet og i den kollektive transport. 3. Eksempler på de nye analysemuligheder Movias område udgør i vidt omfang ét sammenhængende trafikområde, hvor passagererne hver dag rejser på tværs af kommune- og regionsgrænser i forbindelse med arbejde, uddannelse eller fritidsaktiviteter. Under halvdelen (45 pct.) af alle rejser, hvori der indgår bus eller lokaltog, er kommuneinterne, mens 55 pct. krydser en eller flere kommunegrænser. Op imod 5 pct. af rejserne har i øvrigt start- eller slutpunkt uden for Movias område. Det har derfor stor værdi i planlægningsarbejdet at kunne analysere brugen af den samlede kollektive transport på tværs af linjer, transportmidler og organisatoriske grænser, så systemet kan tilpasses til den faktiske efterspørgsel. Det gør det også muligt at foretage en skarpere prioritering af de økonomiske ressourcer og i højere grad afdække potentialerne for at styrke indtægtssiden frem for udelukkende at reducere omkostningerne. 7

8 3.1. Overordnede sammenhænge på kommuneniveau De nye data giver et meget præcist billede af, hvordan rejser, der begynder eller slutter i en bestemt kommune, hænger sammen med resten af Movias geografiske område. Københavns Kommune tegner sig for over halvdelen af de daglige rejser: 54 pct. af alle rejser starter og/eller slutter i Københavns Kommune. For de rejser, der starter i Figur 1 Kollektive rejser med bus eller lokaltog (herunder kombinationsrejser med DSB) fra Faxe Kommune (rejser pr. dag) Kilde: Movia 8

9 Københavns Kommune, ligger slutdestinationen meget ofte i kommunen selv eller en af nabokommunerne. Hele 19 kommuner i Movias område har over rejser om dagen med start i København. Uden for København er der som helhed lige mange kommuneinterne og grænseoverskridende rejser. Rejser internt i de store købstæder fylder en del. Som eksempel på rejser med start i en udvalgt kommune, er der i figur 1 på forrige side set på Faxe Kommune. Her er 47 pct. af alle kollektive rejser kommuneinterne, 39 pct. ender i nabokommunerne Køge, Stevns og Næstved, mens ca. 5 pct. ender i Københavns eller Frederiksberg Kommune. Som nævnt omfatter modellen kun rejser med DSB-tog eller metro, hvis disse bruges i kombination med bus og/eller lokaltog. Inkluderes de rene DSB- og metrorejser i modellen, vil det give et langt mere præcist og komplet billede af alle rejsestrømme i den kollektive trafik i Movias område. Det vil styrke den langsigtede planlægning og muliggøre meget detaljerede konsekvensvurderinger af ændringer i nettet. Når man kender de konkrete rejsestrømme og skiftepunkter, vil man også have et bedre grundlag for f.eks. at prioritere informationsindsatsen i forbindelse med uregelmæssigheder i driften. Kort som dette kan produceres for alle kommuner, så der kan skabes overblik over de overordnede sammenhænge i rejsemønstrene for en given kommune Sammenhænge mellem linjer/transportmidler Går man mere i detaljer, kan modellens data give helt ny viden om, hvordan kombinationsmulighederne i det kollektive system anvendes. Figur 2 på næste side viser data for alle rejser, hvor passagererne har benyttet enten linje 300S eller 30E i Ring 3. Med mørkeblåt ses selve linjernes forløb, og med lysere blåt eller med rødt (afhængig af strækningsbelastning) er det markeret, hvordan brugerne har benyttet andre buslinjer eller tog i kombination med 300S/30E. Man kan se, at der er et meget tæt samspil med de tværgående baner og S-buslinjer. Det understreger vigtigheden af, at systemerne hænger bedst muligt sammen i de centrale knudepunkter. Denne type kort kan danne grundlag for analyser af, hvordan ændringer på udvalgte linjer smitter af på det øvrige system. I det konkrete tilfælde kan man analysere, hvordan etableringen af Letbanen langs Ring 3 vil påvirke driften og passagertallet på både 30E/300S og en række andre linjer. Og man kan udpege, på hvilke strækninger i nettet det især er relevant med en informationsindsats i byggeperioden. 9

10 Figur 2 Start- og slutpunkt for rejser, der benytter 300S/30E langs Ring 3 (rejser per dag) Rejsestrømme 300S og 30E Vej Hele døgnet flows Bane Hele døgnet flows Opland udvalgt linje anvendes Hele døgnet Kilde: Movia Man kan også vise, hvordan rejserne på de to linjer fordeler sig på kommunerelationer. Se tabel pct. af alle rejserne starter eller slutter i Københavns Kommune, hvilket er interessant, da linjeføringen ligger i nogen afstand fra København. 10

11 Tabel 1 10 vigtigste kommunerelationer for linje 300S/30E Fra Til Procent af rejser Lyngby-Taarbæk Lyngby-Taarbæk 4,1% Lyngby-Taarbæk Gladsaxe 4,1% Gladsaxe Lyngby-Taarbæk 3,4% København Lyngby-Taarbæk 3,3% Lyngby-Taarbæk København 3,1% Glostrup København 2,1% Lyngby-Taarbæk Herlev 2,0% Gladsaxe Herlev 1,9% Herlev Lyngby-Taarbæk 1,9% Gladsaxe Gladsaxe 1,9% Kilde: Movia Graver man sig yderligere ned i data, kan man detailstudere rejserne på stoppestedsniveau. Tabel 2 10 vigtigste stoppestedsrelationer for Lyngby-Taarbæk Kommune Startstoppested Slutstoppested Rejser/hverdag DTU (Anker Engelunds Vej) Lyngby Storcenter (Klampenborgvej) 61 Handelsskolen Kbh. Nord (Lundtoftevej) Lyngby Storcenter (Klampenborgvej) 51 Lyngby Storcenter (Klampenborgvej) Carlshøjvej (Sorgenfrigårdsvej) 31 DTU (Anker Engelunds Vej) Lyngby St. 31 Lundtofteparken (Lundtoftegårdsvej) Lyngby Storcenter (Klampenborgvej) 25 Lyngby Storcenter (Klampenborgvej) DTU (Anker Engelunds Vej) 23 Lyngby St. Carlshøjvej (Sorgenfrigårdsvej) 23 Lyngby St. DTU (Anker Engelunds Vej) 21 Carlshøjvej (Sorgenfrigårdsvej) Lyngby Storcenter (Klampenborgvej) 20 Lyngby St. Lyngby Svømmehal (Lundtoftevej) 18 Kilde: Movia Tabel 2 ovenfor viser en top ti over stoppestedsrelationer for de ca. 4 pct. af rejserne, som foretages internt i Lyngby-Taarbæk Kommune (ca. 800 rejser pr. hverdag). Listen viser, at området omkring DTU og Handelsskolen Kbh. Nord spiller en markant rolle i de kommuneinterne rejser. 11

12 Figur 3 Start- og slutpunkt for rejser, der benytter 480R (rejser pr. dag) Rejsestrømme linje 480R Vej Hele døgnet flows Rejsestrømme linje 480R Vej Hele døgnet flows Bane Hele døgnet flows Bane Hele døgnet flows Kilde: Movia Som et eksempel på et noget mere koncentreret rejsemønster kan man se på linje 480R mellem Slagelse og Næstved. Se figur 3 ovenfor. Mange af de rejser, der omfatter denne linje, foregår inden for kommunerne Slagelse, Næstved og Sorø. Men der er også betydelig aktivitet ind mod København og især på tværs af Storebælt. Modellen gør det enkelt at zoome yderligere ind på delmængder af rejsemønsteret, f.eks. de rejser med 480R, som starter i Næstved Kommune. Det giver Movia og de enkelte kommuner et stærkt grundlag for at drøfte, hvordan man kan optimere betjeningen på konkrete strækninger og i udvalgte relationer. Fuldstændig tilsvarende analyser kan laves for lokalbanerne. I figur 4 er Frederiksværkbanen vist som eksempel. Halsnæs Kommune er som forventet helt central for banen over 80 pct. af alle rejser starter eller slutter i Halsnæs Kommune. Ca. 20 pct. af rejserne på Frederiksværkbanen starter eller slutter i København eller på Frederiksberg. 12

13 Figur 4 Start- og slutpunkt for rejser med Frederiksværkbanen (rejser pr. dag) Kilde: Movia Ved at filtrere data får man også mulighed for at dissekere den enkelte linjes rolle alene eller i samspil med andre linjer og transportmidler. På den måde kan man detaljere og dokumentere, hvordan det samlede system giver langt flere muligheder end summen af de enkelte linjer. Movia arbejder med en række nye muligheder for at analysere, kombinere og filtrere rejsemønsterdata, herunder: Rejsemønstre for rejser, der starter/slutter ved udvalgte stop/stationer Rejsemønstre for rejser, der foretager skift ved udvalgte knudepunkter Rejsemønstre for rejser, der passerer udvalgte strækningssnit Kombinationer af disse mønstre, inklusive kombinationer af linje/retning Rejsemønstre før og efter en given køreplansændring 3.3 Skiftemønstre i de store knudepunkter En betydelig styrke ved modellen er, at det er muligt at vise detaljerede skiftemønstre i knudepunkter for alle rejserelationer, der involverer bus eller lokaltog. Den type 13

14 data har det traditionelt været besværligt og tidskrævende at indsamle, fordi det krævede manuelle registreringer. Dermed kan de nye data i høj grad understøtte ambitionen om at sikre bedre og mere effektive korrespondancer, med væsentlige økonomiske gevinster på både indtægtsog omkostningssiden. Figur 5 De 25 største knudepunkter i Københavns og Frederiksberg Kommuner (antal skift pr. hverdag) 14

15 Kilde: Movia I figur 5 og 6 ses de 25 største skiftepunkter henholdsvis i og uden for det centrale hovedstadsområde (Københavns og Frederiksberg kommuner). Nørreport og København H. er klart de største knudepunkter, med henholdsvis knap og ca skift til eller fra bus på en gennemsnitlig hverdag. Figur 6 De 25 største knudepunkter uden for det centrale hovedstadsområde (antal skift pr hverdag) 15

16 Kilde: Movia I det enkelte knudepunkt kan modellen afsløre, hvor meget de enkelte skifteforbindelser betyder. Tabel 3 viser som eksempel antallet af daglige skift mellem S-tog og bus/lokaltog på Hillerød Station. Det giver nye muligheder for at optimere korrespondancerne mellem bus og tog, og placeringen af stoppesteder ved terminalen. Disse data kan også bruges til at levere mere målrettet information ved uregelmæssigheder, fordi de giver bedre overblik over de store rejse- og skiftestrømme. Ved store sporarbejder og lignende kan oplys- 16

17 ningerne være med til at sikre, at betjening med togbusser osv. tilrettelægges optimalt. Tabel 3 Skift fra de enkelte bus- og lokaltogslinjer på Hillerød Station (antal skift pr. hverdag) Fra Til Antal skift 301 A A A A A A A A A R A R A S A E A 65 Bus - S-tog i alt Fra Til Antal skift 920R A R A R A R/960R A 359 Lokaltog - S-tog i alt Kilde: Movia Da data er tilgængelige for hver af døgnets 24 timer, er det også muligt at tilpasse korrespondancerne efter, hvordan rejsestrømmene varierer i antal og retning hen over døgnet. 17

18 4. Fremtidig indsats I løbet af 1. halvår 2018 vil modellen være testet og udviklet i en sådan grad, at resultaterne kan anvendes i det løbende analysearbejde. Den videre udvikling og udbredelse af modellen forventes i grove træk at foregå således: 2018 Test afsluttes og månedlig produktion af (hverdags)data igangsættes Analyseudtræk vedrørende rejsemønstre, skiftemønstre m.m. gøres tilgængelige for Movias medarbejdere Der udvikles et værktøj til at modellere, hvordan ændringer i ruter og køreplaner vil påvirke rejsemønstrene. Data vedrørende rene DSB/Metro-rejser integreres i modellen 2019 Adgang til data via webportal for brugere hos kommuner, regioner og andre samarbejdspartnere (DSB, Metro, statslige myndigheder osv.) Brugere uddannes i anvendelse af værktøjerne, for at sikre ensartet brug på tværs af organisationer Videreudvikling af udtræksmuligheder Detaljeret beregning af kollektiv trafiks markedsandel Evt. opsplitning på rejseformål Evt. udvidelse med weekenddata 2020 Tættere kobling med andre datakilder (Big Data-portal) Udvikling af grænseflade og værktøjer i forhold til operatørers driftsrettede opgaver (trafikstyring, driftsopfølgning m.m.) Evt. mere finmasket tidsinddeling (fra gennemsnitlig dag til enkelte dage) 18

19 Bilag 1. Metodemæssigt grundlag Den nye analysemodel tager udgangspunkt i de meget store datamængder fra passagertællingerne. De viser antallet af passagerer (påstigere og afstigere) i Movias busser og lokaltog på en gennemsnitlig hverdag opgjort på de enkelte ruter og stoppesteder/stationer. Disse data er suppleret med mere detaljeret rejseinformation for de rejsende, der benytter Rejsekort (i dag ca pct. af passagererne). Denne information omfatter den samlede rejse fra første påstigning til sidste afstigning på en samlet tur, der kan omfatte et eller flere transportmidler. Ved brug af en velafprøvet statistisk metode, såkaldt Multiple path matrix estimation (MPME), kan man kombinere data fra de to datakilder, suppleret med diverse støttedata om pendlerstrømme, rejseplandata m.m. Metoden som i forvejen anvendes med gode resultater i DSB S-togs passagertællesystem og i flere trafikmodeller, indebærer, at rejsestrømmene fra rejsekortdata justeres op, så de svarer til det passagertal, der kendes fra tællesystemerne. Det sker på en måde, der f.eks. korrigerer for, at rejsestrømme med en høj pendlerandel typisk har en lav rejsekortandel. De bliver vejet mere op end rejsestrømme, hvor der er mange fritidsrejser/rejsekortbrugere. Dermed fås et samlet datasæt, hvor det endelige passagertal bygger på et meget stort antal observerede eller modellerede rejserelationer, med en så retvisende geografisk fordeling som muligt. Foreløbig er metoden benyttet på et testdatasæt for hverdage i september 2016, hvor der er produceret en matrice for alle rejsestrømme til/fra samtlige ca stoppesteder og stationer i Movias område for hver af døgnets 24 timer. Rejser ind og ud af Movias område, f.eks. til/fra Fyn og Jylland, er beregnet, men ikke geografisk fordelt på den anden side af Storebælt. Matricens rejsestrømme omfatter foreløbig alle rejser, hvor der undervejs har været en delrejse med bus eller lokalbane, mens rene tog- eller metrorejser ikke indgår. Inddragelse af disse data forventes at ske i løbet af 1. halvår Overordnet set rammer den konstruerede matrice ca. 1 pct. ved siden af det officielle passagertal, hvilket er meget tilfredsstillende. Nogle steder er afvigelserne mellem modellen og passagertællingerne betydeligt større, men mange af disse afvigelser forventes minimeret, i takt med at modellen videreudvikles og forfines. Modellen er så fleksibelt opbygget, at den ret enkelt kan udnytte nye data, f.eks. tællinger og rejsekortdata fra DSB og Metro, viden om pendlerstrømme fra de nye Rejsekort-pendlerprodukter, generelt større Rejsekort-andel osv., så datakvaliteten løbende forbedres. 19

20 Udgivet af: Trafikselskabet Movia Gammel Køge Landevej Valby Telefon CVR nr Juni