Pyöräily on arkista touhua

keskiviikko, 4. maaliskuuta 2015

Baanalla Kuva: Hannu Oskala
Baanalla Kuva: Hannu Oskala

Aurinkoisena kesäpäivänä pyöräillään enemmän kuin talven pimeydessä. Mutta miten olosuhteet tarkalleen vaikuttavat pyöräilymääriin? Sukelsimme datajournalismin keinoin tarkastelemaan sään, vuodenajan ja muiden tekijöiden vaikutusta helsinkiläiseen pyöräilyyn. Kaupunkisuunnitteluvirasto toimitti pyöräilystä kiinnostuneille mallintajille kuuden vuoden konelaskenta-aineistot suurimmilta silloilta ja muilta keskeisiltä väyliltä. Säähavainnot saatiin Ilmatieteen laitoksen avoimen rajapinnan kautta. Yhdistettyyn aineistoon sovellettiin tilastollinen malli joka erotteli pyöräilymääriin vaikuttavat tekijät.

Vuoden ympäri säällä kuin säällä

Monet pyöräilevät vuoden ympäri, mutta pyöräilykauden pituus eli esim. lämpötilan vaikutus omaan pyöräilyyn on varsin yksilöllistä: kokonaispyöräilyn määrissä ero kymmenen pakkasasteen ja kesäisen +20 asteen välillä on noin kuusinkertainen (kuva 1).

Kuva 1: Mallin antama estimaatti lämpötilan vaikutukselle pyöräilymääriin. Tilastollinen malli antaa estimaatille myös epävarmuuden, jota kuvataan ohuemmilla viivoilla. Lisätietoa mallista artikkelin lopussa.
Kuva 1: Mallin antama estimaatti lämpötilan vaikutukselle pyöräilymääriin. Tilastollinen malli antaa estimaatille myös epävarmuuden, jota kuvataan ohuemmilla viivoilla. Lisätietoa mallista artikkelin lopussa.

Kun lämpömittari aamulla nousee plussan puolelle, alkaa pyöräilyn määrä nousta jyrkästi. Kuvasta 1 nähdään, että lämpötilan vaikutus on jyrkimmillään +5 asteen kohdalla. (Aamulämpötila, joka monen työmatkailijan kulkutapavalintaan vaikuttaa, on jonkin verran alhaisempi kuin mallissa käytetty vuorokauden keskilämpötila.) Pyöräilymäärien nousu on vauhdikasta nollan lämpöasteen tienoilta aina kymmeneen asteeseen saakka. Keväällä nämä lämpötilat osuvat yhteen aurinkoisten päivien, leskenlehtien ja jäättömien katujen kanssa. Jos pyörä on talvisäilössä, se kaivetaan esiin. 3–10 lämpöasteessa myös pukeutuminen on helpompaa kuin pakkasella.

Mutta vaikuttaako talven pimeys jos lämpötila jätetään laskuista pois? Siis jos tulisi todellinen intiaanikesä keskelle marraskuuta, niin pyöräiltäisiinkö silloin yhtä paljon kuin samassa lämpötilassa vaikkapa elokuussa? Mallimme mukaan vuodenajan vaikutus sinänsä on paljon pienempi kuin lämpötilan, mutta kuitenkin selvästi havaittavissa (ei kuvissa). Eli osa ei halua pyöräillä pimeässä tai laittaa pyörän muista syistä talviteloille.

Kuva 2: Mallin antamat estimaatit sään ja ajankohdan vaikutuksista pyöräilymääriin. Viivat kuvaavat epävarmuutta. Useampi tekijä voi vaikuttaa samaan aikaan. Esim. heinäkuussa (-20%) sataa (-10%), on yhteisvaikutus n. -28% (1 - 0,8 * 0,9 = 0,28).
Kuva 2: Mallin antamat estimaatit sään ja ajankohdan vaikutuksista pyöräilymääriin. Viivat kuvaavat epävarmuutta. Useampi tekijä voi vaikuttaa samaan aikaan. Esim. heinäkuussa (-20%) sataa (-10%), on yhteisvaikutus n. -28% (1 – 0,8 * 0,9 = 0,28).

Kuten oletettua, vesi- ja lumisade vähentävät pyöräilyn määrää selvästi (kuva 2). Ylipäätään maassa oleva lumi vähentää pyöräilyä viidenneksellä, ja sade kymmeneksellä. Lisäksi jokainen 10 cm lunta maassa, 10 cm uutta lunta ja 10 mm sadetta vähentävät kaikki pyöräilyä noin viidenneksellä. Myös pilvisyys vähentää pyöräilyä hieman.

Arkena ja vapaalla

Arkena pyöräillään huomattavasti enemmän kuin viikonloppuna. Mutta arkipäivillä on keskenäänkin mielenkiintoisia eroja. Maanantaisin pyöräilyinnostus on suurinta ja se laskee hieman loppuviikkoa kohden (kuva 3), Keskimäärin maanantaisin pyöräillään siis noin neljänneksen enemmän kuin perjantaina, ja lauantaisin puolestaan kolmanneksen vähemmän.

Kuva3: Mallin antamat estimaatit viikonpäivien vaikutuksista pyöräilymääriin. Viivat kuvaavat epävarmuutta. Kuvassa perjantai on valittu vertailutasoksi ja sen vaikutus on aina 0%. Lähtötaso kertoo viikonpäivien vaikutuksen normaalitilanteessa. Sateen ja lumen vaikutus lisätään lähtötasoon. Esim. lumisen maanantain vaikutus on noin +13% (pyöristäen 1.25 * 0.90 = 1.13).
Kuva3: Mallin antamat estimaatit viikonpäivien vaikutuksista pyöräilymääriin. Viivat kuvaavat epävarmuutta. Kuvassa perjantai on valittu vertailutasoksi ja sen vaikutus on aina 0%. Lähtötaso kertoo viikonpäivien vaikutuksen normaalitilanteessa. Sateen ja lumen vaikutus lisätään lähtötasoon. Esim. lumisen maanantain vaikutus on noin +13% (pyöristäen 1.25 * 0.90 = 1.13).

Mallissa erottuvat arkipyöräilijät ja huvin vuoksi lähinnä viikonloppuisin pyöräilevät toisistaan muutoinkin. Huono sää haittaa molempia, mutta arkipyöräilijät ovat vähemmän herkkiä säälle. Viikonloppupyöräily korostuu kesäisin. Sade vaikuttaa enemmän viikonlopun hupipyöräilyyn, kuten myös lumipeite. Pelkästään sunnuntaipyöräilyä varten ei siis pyöräväyliä kannattaa suunnitella.

Mielenkiintoisesti lumipeite puree lujasti myös suosittuun maanantaipyöräilyyn. Ilmeisesti pyöräilijät jotka jaksavat lumettomaan aikaan fillaroida vain alkuviikosta, luovuttavat lumen tullessa kokonaan. Jäljelle jää määrätietoisia pyöräilijöitä, joita sää ei lannista.

Juhlapyhien ja lomien vaikutukset näkyvät aineistossa selvästi. Vaikka niitä ei sinänsä tutkittu, piti mallin tietää työssäkäynnin poikkeuspäivistä jotta se olisi muuten luotettava. Heinäkuussa pyöräily vähenee noin viidenneksellä, ja kesän lomaviikkoina muutenkin hieman. Juhlapyhät vaikuttavat pyöräilyyn kuten viikonloput, joskin tässä on paljon vaihtelua esim. kesän ja talven välillä.

Vuodesta toiseen

Pyöräilyn määrä on Helsingissä ollut tasaisessa muttei kovin nopeassa kasvussa usean vuoden ajan. Säännöllisissä pyöräilijöiden manuaalilaskennoissa kasvua näkyy sekä kantakaupungin rajan että Helsinginniemen rajan ylityksissä noin 20000 vuosituhannen alussa yli 25000 vuonna 2010 (Helsingin ympäristöraportti 2010). Konelaskentoihin perustuvassa analyysissämme pyöräilyn kasvutrendi vuosina 2004–2010 jää epäselväksi, ehkä siksi että sitä on mahdotonta erottaa säältään erilaisten vuosien vaikutuksista. Malli myös painottaa talvipyöräilyä enemmän kuin suora lukumäärien laskenta kadulla. Mallin mukaan todennäköisin kasvutrendi on 4% kymmenessä vuodessa, ja trendi on n. 84 % todennäköisyydellä positiivinen.

Ympäri kaupunkia

Pyöräilyn konelaskentapisteitä on ympäri kaupunkia toista kymmentä. Analyysissa oli mukana kattavaa dataa yhdeksästä laskentapisteestä. (Baanan kuuluisa näyttötaulu ei päässyt mukaan.) Luonnollisesti laskentapisteen sijainnilla on suuri merkitys: esim. Lauttasaaren sillalla on tuplasti fillaroijia muihin laskentapisteisiin nähden (kuva 4). Vähäisintä pyöräily on Kehä I Vantaanjoki -nimisellä laskentapisteellä. Se on selvästi enemmän virkistysreitillä kuin muut pisteet: pyöräily lisääntyy juhlapyhinä, kun se muualla vähenee.

Kuva 4: Mallin antamat estimaatit sijainnin vaikutuksista pyöräilymääriin. Viivat kuvaavat epävarmuutta.
Kuva 4: Mallin antamat estimaatit sijainnin vaikutuksista pyöräilymääriin. Viivat kuvaavat epävarmuutta.

Laskennallinen malli ennustaa pyöräilyn määrät

Automaattisten polkupyörien laskentapisteiden keräämä data vuosilta 2004–2010 oli arkenakin pyöräileville datamaatikoille houkutteleva haaste. Mitä saisikaan aikaiseksi, jos tähän vielä yhdistettäisiin Ilmatieteen laitoksen avoin säädata?

Yhdistetystä pyöräily- ja säädatasta etsittiin tilastollisella mallilla pyöräilyyn vaikuttavia tekijöitä. Mallinnus aloitettiin miettimällä arkijärjellä mikä voisi vaikuttaa pyöräilyyn. Listalle päätyivät esim. lämpötila, sade, sijainti ja viikonpäivä. Tavoitteena oli luoda malli, joka kuvaa havaittuja pyöräilymääriä tarkasti ja kertoo luotettavasti sään ja ajankohdan vaikutuksesta pyöräilyyn.

Ympäristöolosuhteiden vaikutus pyöräilymääriin on luontevinta mallintaa kerrannollisena (multiplikatiivisena; x% lisäys tai vähennys). Malli on osittain epälineaarinen additiivinen (yleistetty) sekamalli, jonka linkkifuntio on logaritminen ja virhetermi ylidispersoituneesti Poisson-jakautunut. Kerrannollisuudesta johtuen myös visualisointien asteikko on logaritminen. Valittu malli selittää 86% pyöräilymäärien variaatiosta, mikä on erinomainen tulos. Kuvassa 5 näkyy esimerkki raakadatasta ja mallin antamasta ennusteesta. Malli on R:n mcgv-paketilla estimoitu.

Kuva 5: Esimerkki alkuperäisestä pyöräilymäärädatasta ja tilastollisen mallin antamasta ennusteesta.
Kuva 5: Esimerkki alkuperäisestä pyöräilymäärädatasta ja tilastollisen mallin antamasta ennusteesta.

Konelaskenta-aineisto saatiin tietopyynnöllä Helsingin kaupunkisuunnitteluvirastosta. Aineisto ja sen käsittelyyn käytetty koodi, mukaanlukien tilastollinen malli ja visualisaatiot tuottava koodi, on julkaistu avoimesti Githubissa. Lisäksi käytössä oli ilmatieteenlaitoksen rajapinta ja yleisten juhlapyhien päivämäärät.


 

Antti Poikola

avatar

Aktiivinen pyöräilyn edistäjä. Entinen Jyväskyläläinen ja nykyisin taas Helsinkiläinen paluumuuttaja.

Lisää tältä kirjoittajalta / Kotisivu

3 thoughts on “Pyöräily on arkista touhua

  1. Itselle +5C on sellainen mukavuusraja. Sen alle alkaa pää ja jalat jäätyä.
    Paljon erinäisiä taulukoita katseltuani olen tullut siihen johtopäätökseen, että 61% Helsingin pyöräilystä on työmatkaliikennettä.
    Se, että ruuhkaisin paikka on Lauttasaaren silta, on tragedia. Kyseessä on todennäköisesti koko Stadin huonokuntoisin kelvi. Pinta on kuin pommituksen jäljiltä ja parin metrin välein syvä siltaliitos.

  2. Erittäin mielenkiintoinen artikkeli. Tulokset vahtistavat mielikuvaa siitä, että pyöräilyinnostus on vahvasti sidonnainen sääoloihin. Voisiko olosuhteita parantamalla lisätä olennaisesti pyöräilymääriä? Pyöräteiden erottaminen kevlistä, hyvä valaistus ja erinomainen pyörätien kunnossapito? Harjaamiset ja suolaukset mustan jään aikaan.

    Toisaalta minulle tuli yllätyksenä viikonloppupyöräilijöiden eriytyminen selvästi työmatkapyöräilijöistä. Jyväskyläläisenä harrastan molempia, koska täällä etäisyydet jäävät aika pieniksi.

    Kiitos artikkelista, aineiston analysoinnista ja ennen kaikkea tavikselle kirjoitetusta tekstistä!

  3. Joo analysointi oli kiinnostavaa, siitä kiitokset kuuluvat Juusolle ja Jannelle, minä yritin tekstiä tavistaa 🙂

    Olisi kyllä hyvä jos kaikkien fillarilaskureiden data olisi avointa by default, niin voisi laittaa vaikka reaaliaikaisesti päivittymään tietyt analyysit ja tehdä kaupunkien välistä vertailua yms.

Vastaa