Estimation of social costs resulting from mobility changes caused by COVID-19 pandemic

• Autorzy: Brzeziński, Andrzej , Dybicz, Tomasz , Jesionkiewicz-Niedzińska, Karolina , Olszewski, Piotr , Osińska, Beata , Szagała, Piotr , Szymański, Łukasz

Warianty tytułu

PL

Szacowanie kosztów społecznych wynikających ze zmian mobilności spowodowanych pandemią COVID-19

• Języki publikacji: EN

Abstrakty

EN

The COVD-19 pandemic has changed the mobility patterns of city dwellers worldwide. These changes apply to the number of trips made, their durations and directions as well as transport modes chosen for travelling purposes. In general, although the number of trips decreased, the use of cars increased and that of public transport declined. These mobility changes were induced by the fear of travelling in crowded vehicles and the extent of restrictions introduced by the governments. The effects of such changes are hard to assess and their evaluation is a complex issue. Based on data available about the transportation system in Warsaw and analysis of Big Data (comprising SIM card movements, acquired from mobile phone network operators), a research project has been carried out under the “IDUB against COVID-19” programme. Transportation models had been built which enabled estimation of the number of trips made at each stage of the pandemic in the spring 2020 and identification of differences through comparison with the models developed for the pre-pandemic conditions (year 2019). The calculations enabled assessment of the social costs of the pandemic associated with the urban transportation system, brought about mostly by changes in using private and public transport modes. The cost efficiency of public transport decreased as a result of limits on the number of passengers per vehicle introduced by transport authorities.

PL

Pandemia Covid-19 wywołała wiele zmian w funkcjonowaniu gospodarki oraz życia społecznego. Dotyczyło to w dużej mierze transportu, zarówno indywidualnego, jak i zbiorowego. Zmieniły się wzorce mobilności mieszkańców miast na całym świecie. Zmiany te dotyczyły liczby odbytych przejazdów, czasu ich trwania i kierunków, a także wybieranych środków transportu. Zmiany mobilności były powodowane strachem przed podróżowaniem w zatłoczonych pojazdach i zakresem ograniczeń wprowadzonych przez rządy. Skutki takich zmian są trudne do oszacowania, a ich ocena jest zagadnieniem złożonym. W ramach pracy badawczej „Method of assessing the social impact of changes in personal mobility in an epidemic state together with tools to support transport management” będącej częścią programu „IDUB against COVID” realizowanego w Politechnice Warszawskiej podjęto próbę zbudowania modeli obliczeniowych odwzorowujących zachowania transportowe sprzed i w czasie pandemii. To z kolei umożliwiło oszacowanie wielkości zmian kosztów społecznych pandemii, przy zastosowaniu standardowej metodyki wykorzystywanej w analizach kosztów i korzyści społecznych (AKK), z dostosowaniem jej do charakteru i zakresu danych, którymi dysponowano. Porównano dwa okresy funkcjonowania systemu transportowego: rok 2019, traktując go jako okres odniesienia przed pandemią, z okresem pandemii, wiosną 2020 (sytuacja po wprowadzeniu obostrzeń). Ze względu na konieczność badania porównywalnych sytuacji, w analizach obu okresów opracowano multimodalne (ruch samochodowy i transport zbiorowy) modele podróży dla Warszawy dla godziny szczytu porannego. Tworząc modele posługiwano się dostępnymi danymi o sieci transportowej oraz pomiarami ruchu, uzupełnianymi danymi o przemieszczeniach kart SIM, pozyskanymi od operatora telefonii komórkowej. Obliczenia pozwoliły ocenić koszty społeczne pandemii związane z systemem transportu miejskiego, spowodowane głównie zmianami w korzystaniu z transportu prywatnego i publicznego. Przeprowadzone analizy potwierdziły, że w efekcie wprowadzonych obostrzeń w mobilności oraz zmian zachowań komunikacyjnych nastąpiło ogólne zmniejszenie liczby podróży, co w konsekwencji doprowadziło do zmniejszenia prac przewozowych mierzonych w pojazdo-km i pojazdo-godz. Zmiany te obliczano jako różnice pomiędzy fazą pandemii a okresem odniesienia (ten sam okres rok wcześniej). Umożliwiło to wyznaczenie korzyści użytkowników stanowiących redukcję kosztów: czasu pasażerów, eksploatacji pojazdów, wypadków, zanieczyszczenia powietrza, zmian klimatycznych i oddziaływania hałasu.

Słowa kluczowe

PL

pandemia COVID-19; modelowanie podróży; mobilność; koszt społeczny; transport publiczny; Big Data

EN

pandemic COVID-19; trip modelling; mobility; social cost; public transport; Big Data

• Czasopismo: Archives of Civil Engineering
• Rocznik: 2024
• Tom: Vol. 70, nr 3
• Strony: 257--274
• Opis fizyczny: Bibliogr. 26 poz., il., tab.

Twórcy

autor

Brzeziński, Andrzej

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland,

autor

Dybicz, Tomasz

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland,

autor

Jesionkiewicz-Niedzińska, Karolina

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland,

autor

Olszewski, Piotr

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland,

autor

Osińska, Beata

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland,

autor

Szagała, Piotr

• Warsaw University of Technology, Faculty of Civil Engineering, Warsaw, Poland,

autor

Szymański, Łukasz

• Transeko, Warsaw, Poland,

Bibliografia

• [1] Road Safety Annual Report 2021: the Impact of Covid -19. OECD Publishing, Paris: ITF, 2021.
• [2] A. Brzeziński and T. Dybicz, “Possibility of Big Data application for OD-Matrix calibration in transport demand models”, Archives of Civil Engineering, vol. 67, no. 1, pp. 215-232, 2021, doi: 10.24425/ace.2021.136470.
• [3] P. Szrywer, J.Wachnicka, W. Kustra, and O. Pellegrino, “Study on the prevalence of mobile use by car drivers – the case of Poland”, Archives of Civil Engineering, vol. 67, no. 4, pp. 225-242, 2021, doi: 10.24425/ace.2021.138496.
• [4] K.T.V.K Reddy and S.P. Challagulla, “Travel data collection using a smart phone for the estimation of multimodal travel times of intra-city public transportation”, Archives of Civil Engineering, vol. 68, no. 3, pp. 397-409, 2022, doi: 10.24425/ace.2022.141893.
• [5] A. Brzeziński and A. Waltz, “Construction of the passenger rail traffic generation model”, Archives of Civil Engineering, vol. 68, no. 3, pp. 107-123, 2022, doi: 10.24425/ace.2022.141876.
• [6] A. Aloi, B. Alonso, J. Benavente, et al., “Efects of the COVID-19 Lockdown on Urban Mobility: Empirical Evidence from the City of Santander”, Sustainability, vol. 12, no. 9, art. no. 3870, 2020, doi: 10.3390/su12093870.
• [7] P. Bucsky, “Modal share changes due to COVID-19: The case of Budapest”, Transportation Research Interdisciplinary Perspectives, vol. 8, art. no. 100141, 2020, doi: 10.1016/j.trip.2020.100141.
• [8] E. Jenelius and M. Cebecauer, “Impacts of COVID-19 on public transport ridership in Sweden: Analysis of ticket validations, sales and passenger counts”, Transportation Research Interdisciplinary Perspectives, vol. 8, art. no. 100242, 2020, doi: 10.1016/j.trip.2020.100242.
• [9] C. Eisenmann, C. Nobis, V. Kolarova, B. Lenz, and C. Winkler, “Transport mode use during the COVID-19 lockdown period in Germany: The car became more important, public transport lost ground”, Transport Policy, vol. 103, pp. 60-67, 2021, doi: 10.1016/j.tranpol.2021.01.012.
• [10] J. Molloy, T. Schatzmann, B. Schoeman, C. Tchervenkov, B. Hintermann, and K.W. Axhausen, “Observed impacts of the Covid-19 first wave on travel behaviour in Switzerland based on a large GPS panel”, Transport Policy, vol. 104, pp. 43-51, 2021, doi: 10.1016/j.tranpol.2021.01.009.
• [11] P. Borkowski, M. Jażdżewska-Gutta, and A. Szmelter-Jarosz, “Lockdowned: Everyday mobility changes in response to COVID-19”, Journal of Transport Geography, vol. 90, art. no. 102906, 2021, doi: 10.1016/j.jtrangeo.2020.102906.
• [12] A. Przybylowski, S. Stelmak, and M. Suchanek, “Mobility Behaviour in View of the Impact of the COVID-19 Pandemic – Public Transport Users in Gdansk Case Study”, Sustainability, vol. 13, no. 1, art. no. 364, 2021, doi: 10.3390/su13010364.
• [13] F. Schlosser, B.F. Maier, O. Jack, and D. Brockmann, “COVID-19 lockdown induces disease mitigating structural changes in mobility networks”, PNAS, vol. 117, no. 52, 2020, doi: 10.1073/pnas.2012326117.
• [14] C. Chivers, “How COVID-19 is affecting public transit use”, CBC News, 2020. [Online]. Available: https://www.cbc.ca/news/canada/coronavirus-covid19-public-transit-1.5509927.
• [15] S. Jeffords, “Transit ridership, revenue in steep decline during COVID-19 pandemic”. Toronto: The Canadian Press, 2020. [Online]. Available: https://nationalpost.com/pmn/news-pmn/canadanews-pmn/go-transit-ridership-down-90-per-cent-as-people-stay-home-during-pandemic.
• [16] T. Hughes, “Poor, essential and on the bus: Coronavirus is putting public transportation riders at risk”. USA TODAY, 2020. [Online]. Available: https://eu.usatoday.com/story/news/nation/2020/04/14/public-transportation-users-risk-coronavirus-spreads-across-us/2979779001/.
• [17] M. de Haas, R. Faber, and M. Hamersma, “How COVID-19 and the Dutch ‘intelligent lockdown’ change activities, work and travel behaviour: Evidence from longitudinal data in the Netherlands”, Transportation Research Interdisciplinary Perspectives, vol. 6, art. no. 100150, 2020, doi: 10.1016/j.trip.2020.100150.
• [18] K. Gkiotsalitis and O. Cats, “Public transport planning adaption under the COVID-19 pandemic crisis: literature review of research needs and directions”, Transport Reviews, vol. 41, no. 3, pp. 374-392, 2020, doi: 10.1080/01441647.2020.1857886.
• [19] A. de Mauro, M. Greco, and M. Grimaldi, “A Formal definition of Big Data based on its essential Features”, Library Review, vol. 65, no. 3, pp. 122-135, 2016, doi: 10.1108/LR-06-2015-0061.
• [20] Zachowania transportowe warszawiaków w dobie koronawirusa – raport z badania. The Capital City of Warsaw, 2020.
• [21] A. Brzeziński, K. Brzeziński, P. Dąbkowski, T. Dybicz, K. Jesionkiewicz-Niedzińska, Ł. Szymański, and P. Włodarek, “The application of a logistic regression model for predicting preferences of transport system users”, Archives of Civil Engineering, vol. 64, no. 4, pp. 145-159, 2018, doi: 10.2478/ace-2018-0049.
• [22] Warszawskie Badanie Ruchu 2015 wraz z opracowaniem modelu ruchu. The Capital City of Warsaw, 2016.
• [23] A. Brzeziński, T. Dybicz, and Ł. Szymański, “Zasady prognozowania ruchu drogowego z uwzględnieniem innych środków transportu”. DZP/RID-I-62/11/NCBR/2016 – raport z pracy badawczej. Politechnika Warszawska, 2019.
• [24] A.E. Boardman, D.H. Greenberg, A.R. Vining, and D.L. Weimer, Cost-Benefit Analysis: Concepts and Practice, 2nd ed. Upper Saddle River, New Jersey: Prentice Hall, 2001.
• [25] J. Dyduch, “Wykorzystanie analizy kosztów i korzyści do oceny projektów inwestycyjnych”, Ekonomia Menedżerska, no. 10, pp. 95-108, 2011.
• [26] The Blue Book, Niebieska Księga. Sektor Transportu Publicznego w miastach, aglomeracjach, regionach (Blue Book. Sector of public transport in cities, metropolitan areas and regions). Jaspers, 2015 (in Polish).

Identyfikatory

DOI

10.24425/ace.2024.150982