Bakgrund

Optimal beläggning av parkeringsavgifter är en balans mellan två saker. Å ena sidan vill man utnyttja parkeringsplatserna i hög grad: parkeringsplatser som står tomma är en outnyttjad resurs. Å andra sidan ska det inte ta för lång tid att hitta en ledig parkeringsplats, dels för att det är en tidsförlust för dem som ska parkera, dels för att söktrafiken kan orsaka externa effekter (t ex trängsel för övriga trafikanter). Det första argumentet talar för en högre beläggning, och det andra för en lägre. Den optimala beläggningen är alltså en balans mellan dessa två överväganden. Den optimala prissättningen är det pris som åstadkommer den optimala beläggningen i jämvikt.

I denna uppsats presenterar jag först en enkel teoretisk modell för hur optimal beläggning och pris beror på omsättningen av parkerande, söktrafikens externaliteter samt de parkerandes tidsvärde och kostnadskänslighet. Resultaten är intuitivt förväntade: ju högre omsättning desto lägre optimal beläggning (eftersom det är fler som måste leta parkering), ju högre tidsvärde och ju lägre sökhastighet desto lägre optimal beläggning (eftersom det gör parkeringssökning ”dyrare”).

Det verkligt intressanta är de empiriska resultaten när modellen tillämpas med hjälp av utvärderingen av Stockholms nyss införda parkeringsavgifter i förorterna. Dessa erfarenheter är intressanta i sig eftersom det är sällsynt med empiriska data om parkeringskostnadskänslighet.

Metod

Före avgifterna var beläggningsgraden i flerfamiljshusområden 85% dagtid och över 90% nattetid. Parkeringsavgifterna dagtid minskade antalet parkerande fordon dagtid med 27%, men eftersom antalet gatu-p-platser en tid därefter minskades så minskade bara beläggningsgraden till strax under 80% dagtid. I ytterstadens småhusområden var beläggningsgraderna låga redan före avgiftsbeläggningen. Närmast innerstaden minskade beläggningsgraden dagtid från 43% till 23% (och hade minskat ännu mer om inte antalet p-platser minskats), medan beläggningsgraden i förorter längre bort från innerstaden var oförändrat drygt 20%.

Resultat och slutsats

Med hjälp av data om kostnadskänslighet, omsättningstakt och beläggningsgrad kan man beräkna de optimala beläggningsgraderna och de optimala priserna i olika områden. De optimala beläggningsgraderna visar sig vara klart högre än den ofta citerade tumregeln på 85% beläggning, vilket beror på att omsättningstakten är ganska låg – dvs det är relativt få som letar efter parkering, så det ”lönar sig” att ha ganska högt utnyttjande av parkeringsplatserna i förorterna. Detta leder till relativt låga optimala parkeringsavgifter. I synnerhet gäller det förstås i områden där beläggningen var låg redan utan avgifter, men även i relativt högt belagda områden visar sig de optimala avgifterna vara klart lägre än de som faktiskt införts.

Ett tänkbart motiv för höga parkeringsavgifter är att det är en effektiv intäktskälla för kommunen. Det strider visserligen mot parkeringslagstiftningen att införa gatuparkeringsavgifter av fiskala skäl, men det kan ju vara samhällsekonomiskt motiverat ändå – och fiskala skäl ligger naturligtvis bakom många kommuners parkeringspolitik i verkligheten. De optimala avgifterna är högre ju högre marginalkostnaden för offentliga medel (”skattefaktor 2”) är, men kunskapen om vad marginalkostnaden för kommunala skatteintäkter faktiskt är är begränsad.

Uppsatsens bidrag torde vara till nytta för alla kommuner som överväger parkeringsavgifter eller funderar på vad deras nivå bör vara, i synnerhet i områden som domineras av bostäder (dvs utanför de direkta stadskärnorna).

Bakgrund

När man prognoserar nyttor av infrastrukturinvesteringar för att upprätta samhällsekonomiska kalkyler brukar man vanligen anta att lokaliseringen av befolkning och arbetsplatser inte förändras av investeringen. Inte sällan hävdas att detta underskattar – eller på annat sätt snedvrider – nyttoberäkningarna. Man kan tänka sig att en investering drar till sig mer lokalisering, vilket gör att fler drar nytta av investeringen, vilket då skulle underskatta nyttan. Få studier har dock undersökt hur stort detta problem är. I denna uppsats använder vi en generell simuleringsmodell för att beräkna nyttorna av ett stort antal infrastrukturinvesteringar med respektive utan att ta hänsyn till lokaliseringseffekter, och jämför resultaten vad gäller nyttorna storlek, rangordning av investeringarna och skillnad i total uppnådd nytta när man använder nyttoberäkningarna för att välja ut vilka investeringar som bör byggas.

Metod

Simuleringsmodellen är generell, och beskriver resande- och lokaliseringsmönster i en stad. Vi simulerar fyra olika ”städer” med olika geografier och transportnätverk. Invånarna har olika preferenser och lönenivåer, och väljer bostad, tomtstorlek och arbetsplats baserat på detta. Lönerna beror av matchningseffekter (olika arbetare är olika väl lämpade för olika jobb) och överspillningseffekter (fler jobb nära varandra ökar produktiviteten och därmed lönerna). Löner och markpriser bestäms så att jämvikt uppstår på bostads- och arbetsmarknad.

Modellens parametrar är kalibrerade för att återskapa typiska elasticiteter, resmönster, befolkningstätheter osv.

Modellen är också intressant eftersom vi ur den kan härleda hur samhällsekonomiska nyttor ska beräknas när det finns skatter och överspillningseffekter i ekonomin, vilket betyder att det finns s k ”wider economic benefits”. Uppsatsen utvidgar därmed resultat från Eliasson och Fosgerau (2019) till en modell som även tillåter endogen lokalisering, invånartäthet (”tomtstorlek”) och markpriser.

Resultat och slutsats

Om lokaliseringseffekterna försummas kan investeringarnas nyttor såväl under- som överskattas. Felen kan i vissa fall bli ganska betydande: det absoluta relativa felet varierar mellan 12% och 36% för de olika städerna. Dessa fel påverkar dock oftast inte rangordningen av investeringar så mycket. Om en planerare väljer de bästa investeringarna givet en viss investeringsbudget så kommer i de flesta fall bara 5-10% av investeringarna bli ”felaktigt valda” om man inte tar hänsyn till lokaliseringseffekter. Skillnaden i uppnådd nytta, dvs den förlust som planeraren gör totalt sett om denne inte tar hänsyn till lokaliseringseffekter i nyttoberäkningarna, är ännu mindre – omkring 1-2 % i de flesta fall, utom i den mest extrema stadsgeografin där förlusten blir ca 5%.

Sammanfattningsvis är samhällsekonomiska kalkyler förvånansvärt robusta för denna typ av approximationsfel i beräkningarna, när de används som urvals- och prioriteringsinstrument. Däremot kan felet vara relativt stort – åtminstone inte försumbart – när man betraktar nyttan av en enskild investering.

Bakgrund

Discussions about light-vehicle LEZ:s have been fueled further by the “dieselgate” scandal in 2015, when it was revealed that many diesel cars’ emissions of nitrogen oxides were far above the Euro standard in real driving conditions.This has led several cities to introduce or consider low-emission zones (LEZ:s), often banning relatively young vehicles. Still, no previous paper has consistently computed the social costs and benefits. This paper sets up and defines a methodology for computing the social benefits as well as the social cost of LEZ, and then apply the evaluation framework to a proposed LEZ for the inner city of Stockholm, banning light petrol vehicles below Euro 5 emission standard and light diesel vehicles below Euro 6 by 2022.

Metod

We use results obtained by the Stockholm Environmental Administration, using a combination of an atmospheric emission dispersion model and an exposure/health relationship. The social costs primarily consist of losses for drivers of banned cars, who either have to refrain from driving in the LEZ or trade their car to a LEZ-compliant car. The calculation is based on how an increase in user cost affects traffic volumes in the inner city using data from the increase in the congestion charges in 2016.

Prices for used diesel cars that would be banned in the LEZ (model years 2014 and earlier) sank by over €400 per vehicle on average. We show that drivers’ total loss can in principle be inferred by such price changes on the used car market. We compare the more conventional user cost calculation of drivers’ loss with a calculation based on used car price changes.

Resultat och slutsats

Adaptation costs are several times larger than the value of the health benefits: 300- 2000 M€. The health benefit is estimated to 70 M€. CO₂ emissions increase by 3-7 M tons, incurring a welfare loss of at least -322 M€.

The impact on the emissions of the LEZ rapidly declines over time due to natural vehicle renewal. Light diesel vehicles with Euro 6d emission standard and heavy vehicles of Euro VI standard have much lower health damaging emissions. The natural vehicle renewal, primarily of heavy goods vehicles, reduces health damaging emissions more than the light LEZ in just a couple of years.

The raise of the LEZ standard for heavy trucks to require Euro VI standard gives a more than twice as large effect as the LEZ for light vehicles. And a LEZ for heavy vehicles impacts much fewer vehicles (heavy veicles just make up 1%). For this reason, enforcement of LEZ for heavy vehicles is cheaper and easier than a LEZ than for light vehicles. And the adaptation cost is much lower for a LEZ for heavy vehicles, and this would also not increase carbon emissions.

It is possible that the LEZ has some impact on congestion at least the first years. As much as 8% all visits to the LEZ the first year is likely non-compliant vehicles that do not visit frequently enough to benefit from upgrading their car.

Bakgrund

I korttidsprocessen (”ad hoc:en”) fördelas tåglägen enligt först till kvarn-principen, men vid kapacitetsbrist skulle ett system med banavgifter som balanserar tillgång och efterfrågan kunna ge en samhällsekonomiskt effektivare trafik. Vi argumenterar i (Broman et. al, 2018) för att dynamisk prissättning är intressant i den kontexten. Det är därför viktigt att avgöra hur stor ökningen av samhällsnyttan blir av att införa dynamisk prissättning som allokeringsinstrument i korttidsprocessen.

I det här pappret studerar vi en förenklad prisalgoritm som maximerar väntevärdet av den planerade trafikens samhällsnytta. För att testa algoritmen simulerar vi ett antal aktörer (tågoperatörer) med randomiserad betalningsvilja, som ansöker om kapacitet vid randomiserade tidpunkter i förhållande till det sökta avgångsdatumet. Vi studerar flera scenarier: efterfrågan som varierar kring ett historiskt medeltal, oväntat hög respektive låg efterfrågan, samt plötsliga förändringar av efterfrågemönstret nära avgångsdatumet.

Metoden utvärderas utifrån flera parametrar: den planerade trafikens bidrag till samhällsnyttan, systemets prisvolatilitet, och pålitlighet i betydelsen att det alltid finns tillgång till ledig kapacitet fram till en specificerad tid relativt avgångsdatumet. Metoden jämförs med ”först till kvarn” (utan ytterligare banavgifter utöver de som täcker marginellt spårslitage) samt den samhällsekonomiskt optimala statiska prisstrategin.

Metod

Prismekanismen är designad på följande vis. Kapacitetsutnyttjandet per bandel och tidpunkt uppdateras kontinuerligt. En default-avgift sätts som är lika med den optimala statiska prisstrategin. Algoritmen beräknar ett pris som är högre än default-avgiften när det finns mindre ledig kapacitet än förväntat utifrån historiska värden, och omvänt. Banavgiften beräknas som summan av avgifter för de bandelar som ska passeras vid de tidpunkter som de ska passeras.

Avgiften sätts för varje tidpunkt så att väntevärdet av den samhällsekonomiska nyttan maximeras:

V(Qt)=max[pt]E[(^pt+pt)/2*min(Qt,D(pt;βt))+rV(max(Qt-D(pt;βt),0))]

där Q0=0; D(pt;βt)=0 för alla t>T; ^pt definieras av D(^pt;βt)=0 för alla t, Qt är den lediga kapaciteten vid tidpunkt t, βt är en stokastisk variabel med känd fördelning, E(βt)=0 för alla t och r är diskonteringsräntan. Eftersom den andra termen i uttrycket, som är väntevärdet av kapaciteten som sparas till nästkommande period, är lika med noll när t=T, så kan uttryckes skrivas som

V(Qt)=max[pt]E[(^pt+pt)/2*min(QT-2,(1+T-t)D(pt;βt))]

Resultat och slutsats

Preliminära resultat visar att den testade algoritmen presterar bättre i termer av samhällsekonomisk nytta än de två jämförelsealternativen, samtidigt som den presterar rimligt bra utifrån de andra utvärderingskriterierna.

Referenser

Emanuel Broman, Jonas Eliasson och Martin Aronsson. (2018) “A Mixed Method for Railway Capacity Allocation.” Presenterad vid the 21^st Meeting of the Euro Working Group on Transportation 2018.

Bakgrund

Värderingen av reseparametrar som väntetid och trängsel är viktig för samhällsekonomisk analys av kollektivtrafikförsörjningen. Såna värderingar baseras ofta på passagerarnas val. Subsidierad kollektivtrafik ska återspegla den optimala samhällsnyttan. Detta är inte fallet om frekvensen är långt ifrån det som enligt passagerarpreferenserna för väntetid och/eller trängsel visar sig vara samhällsekonomiskt optimal.

I det här bidraget estimerar vi operatörens värdering av väntetid och trängsel baserat på en samhällsekonomisk analys av frekvensen med fokus på pendeltågstrafik.

Metod

En analytisk samhällsekonomisk modell används för att studera den totala samhällskostnaden för att genomföra pendeltågstrafiken med en viss frekvens. Modellen redovisar kostnader för konsumenterna (passagerare) och producenten (tågoperatören) och jämför därefter den optimala frekvensen med den som används av tågoperatören.

Producentöverskottet inkluderar operativa kostnader som beror på frekvensen. Konsumentöverskottet står för restiden inklusive trängsel på tåget såväl som väntetiden. Parametrarna för att beräkna konsumentöverskottet är valdes enligt rekommendationerna från ASEK 6.0 [Trafikverket], de för producentöverskottet är huvudsakligen från SAMS 2.0 [SLL].

Dessutom gör vi en känslighetsanalys av värdet av väntetid, trängsel samt båda i kombination. Detta visar operatörens värdering av dessa parametrar som förklarar valet av den nuvarande antagna frekvens, dvs tågplanen.

Resultat och slutsats

Studien genomfördes med data från Stockholms pendeltågsnät. Vi fokuserar på en linje och riktning som passerar genom centralstationen. Vi studerar tre olika tidsintervall, dvs. 6:00 - 9:00, 9:00 - 15:00 och 15:00 - 18:00. Vi använder data om pendeltågens frekvens och distributionen av passagerare (dvs. OD-matris) från september 2015.

Modellen gör det möjligt att hitta den optimala frekvensen i varje tidsintervall. Operatörens värdering av väntetid och trängsel fås genom att hitta värdet (av väntetid eller/och trängsel) som gör att den nuvarande antagna frekvens blir samhällsekonomisk optimal.

Jämförelsen visade att pendeltågs frekvens (under 2015) överskattas, dvs. man kör fler tåg än det optimala (upp till 43% i mitten av dagen). Detta resulterar i en överskattning av värdet på väntetiden (upp till 47%) med passagerarnas angivna preferensvärden. Trängsel ocskå överskattas men ett fallstudie med mer trängsel borde ge mer insikter om värderingen.

Dessa överskattningar har flera möjliga förklaringar. Till exempel kan politiska skäll påverka utbudet mer än det samhällsoptima och därmed leda till ett dyrt subventionerat pendeltågssystem som betalas av skattebetalare.

Bakgrund

Optimal beläggning av parkeringsavgifter är en balans mellan två saker. Å ena sidan vill man utnyttja parkeringsplatserna i hög grad: parkeringsplatser som står tomma är en outnyttjad resurs. Å andra sidan ska det inte ta för lång tid att hitta en ledig parkeringsplats, dels för att det är en tidsförlust för dem som ska parkera, dels för att söktrafiken kan orsaka externa effekter (t ex trängsel för övriga trafikanter). Det första argumentet talar för en högre beläggning, och det andra för en lägre. Den optimala beläggningen är alltså en balans mellan dessa två överväganden. Den optimala prissättningen är det pris som åstadkommer den optimala beläggningen i jämvikt.

I denna uppsats presenterar jag först en enkel teoretisk modell för hur optimal beläggning och pris beror på omsättningen av parkerande, söktrafikens externaliteter samt de parkerandes tidsvärde och kostnadskänslighet. Resultaten är intuitivt förväntade: ju högre omsättning desto lägre optimal beläggning (eftersom det är fler som måste leta parkering), ju högre tidsvärde och ju lägre sökhastighet desto lägre optimal beläggning (eftersom det gör parkeringssökning ”dyrare”).

Det verkligt intressanta är de empiriska resultaten när modellen tillämpas med hjälp av utvärderingen av Stockholms nyss införda parkeringsavgifter i förorterna. Dessa erfarenheter är intressanta i sig eftersom det är sällsynt med empiriska data om parkeringskostnadskänslighet.

Metod

Före avgifterna var beläggningsgraden i flerfamiljshusområden 85% dagtid och över 90% nattetid. Parkeringsavgifterna dagtid minskade antalet parkerande fordon dagtid med 27%, men eftersom antalet gatu-p-platser en tid därefter minskades så minskade bara beläggningsgraden till strax under 80% dagtid. I ytterstadens småhusområden var beläggningsgraderna låga redan före avgiftsbeläggningen. Närmast innerstaden minskade beläggningsgraden dagtid från 43% till 23% (och hade minskat ännu mer om inte antalet p-platser minskats), medan beläggningsgraden i förorter längre bort från innerstaden var oförändrat drygt 20%.

Resultat och slutsats

Med hjälp av data om kostnadskänslighet, omsättningstakt och beläggningsgrad kan man beräkna de optimala beläggningsgraderna och de optimala priserna i olika områden. De optimala beläggningsgraderna visar sig vara klart högre än den ofta citerade tumregeln på 85% beläggning, vilket beror på att omsättningstakten är ganska låg – dvs det är relativt få som letar efter parkering, så det ”lönar sig” att ha ganska högt utnyttjande av parkeringsplatserna i förorterna. Detta leder till relativt låga optimala parkeringsavgifter. I synnerhet gäller det förstås i områden där beläggningen var låg redan utan avgifter, men även i relativt högt belagda områden visar sig de optimala avgifterna vara klart lägre än de som faktiskt införts.

Ett tänkbart motiv för höga parkeringsavgifter är att det är en effektiv intäktskälla för kommunen. Det strider visserligen mot parkeringslagstiftningen att införa gatuparkeringsavgifter av fiskala skäl, men det kan ju vara samhällsekonomiskt motiverat ändå – och fiskala skäl ligger naturligtvis bakom många kommuners parkeringspolitik i verkligheten. De optimala avgifterna är högre ju högre marginalkostnaden för offentliga medel (”skattefaktor 2”) är, men kunskapen om vad marginalkostnaden för kommunala skatteintäkter faktiskt är är begränsad.

Uppsatsens bidrag torde vara till nytta för alla kommuner som överväger parkeringsavgifter eller funderar på vad deras nivå bör vara, i synnerhet i områden som domineras av bostäder (dvs utanför de direkta stadskärnorna).

Bakgrund

När man prognoserar nyttor av infrastrukturinvesteringar för att upprätta samhällsekonomiska kalkyler brukar man vanligen anta att lokaliseringen av befolkning och arbetsplatser inte förändras av investeringen. Inte sällan hävdas att detta underskattar – eller på annat sätt snedvrider – nyttoberäkningarna. Man kan tänka sig att en investering drar till sig mer lokalisering, vilket gör att fler drar nytta av investeringen, vilket då skulle underskatta nyttan. Få studier har dock undersökt hur stort detta problem är. I denna uppsats använder vi en generell simuleringsmodell för att beräkna nyttorna av ett stort antal infrastrukturinvesteringar med respektive utan att ta hänsyn till lokaliseringseffekter, och jämför resultaten vad gäller nyttorna storlek, rangordning av investeringarna och skillnad i total uppnådd nytta när man använder nyttoberäkningarna för att välja ut vilka investeringar som bör byggas.

Metod

Simuleringsmodellen är generell, och beskriver resande- och lokaliseringsmönster i en stad. Vi simulerar fyra olika ”städer” med olika geografier och transportnätverk. Invånarna har olika preferenser och lönenivåer, och väljer bostad, tomtstorlek och arbetsplats baserat på detta. Lönerna beror av matchningseffekter (olika arbetare är olika väl lämpade för olika jobb) och överspillningseffekter (fler jobb nära varandra ökar produktiviteten och därmed lönerna). Löner och markpriser bestäms så att jämvikt uppstår på bostads- och arbetsmarknad.

Modellens parametrar är kalibrerade för att återskapa typiska elasticiteter, resmönster, befolkningstätheter osv.

Modellen är också intressant eftersom vi ur den kan härleda hur samhällsekonomiska nyttor ska beräknas när det finns skatter och överspillningseffekter i ekonomin, vilket betyder att det finns s k ”wider economic benefits”. Uppsatsen utvidgar därmed resultat från Eliasson och Fosgerau (2019) till en modell som även tillåter endogen lokalisering, invånartäthet (”tomtstorlek”) och markpriser.

Resultat och slutsats

Om lokaliseringseffekterna försummas kan investeringarnas nyttor såväl under- som överskattas. Felen kan i vissa fall bli ganska betydande: det absoluta relativa felet varierar mellan 12% och 36% för de olika städerna. Dessa fel påverkar dock oftast inte rangordningen av investeringar så mycket. Om en planerare väljer de bästa investeringarna givet en viss investeringsbudget så kommer i de flesta fall bara 5-10% av investeringarna bli ”felaktigt valda” om man inte tar hänsyn till lokaliseringseffekter. Skillnaden i uppnådd nytta, dvs den förlust som planeraren gör totalt sett om denne inte tar hänsyn till lokaliseringseffekter i nyttoberäkningarna, är ännu mindre – omkring 1-2 % i de flesta fall, utom i den mest extrema stadsgeografin där förlusten blir ca 5%.

Sammanfattningsvis är samhällsekonomiska kalkyler förvånansvärt robusta för denna typ av approximationsfel i beräkningarna, när de används som urvals- och prioriteringsinstrument. Däremot kan felet vara relativt stort – åtminstone inte försumbart – när man betraktar nyttan av en enskild investering.