Du finner dem overalt, fra Berlin til Beijing, fargerike sykler som du kan låne og komme deg rundt i byen med uten bil.
Disse ordningene, sammen med elsparkesykler, gir folk en rask og praktisk løsning for å komme seg rundt i urbane strøk. De er et velkomment redskap for byplanleggere i tider da byer forsøker å finne løsninger for å møte klimamålene sine.
– Å sørge for at sykler og elsparkesykler er der de trengs er litt av en utfordring, men det er også selve nøkkelen for å få tilbudet til å bli en suksess, sier Steffen Bakker, forsker ved Institutt for industriell økonomi og teknologiledelse.
Bakker studerer måter å gjøre transport grønnere og mer effektiv.
– Om et system som dette skal virke, må brukerne være fornøyde med det, sier Bakker.
– Folk vil at syklene skal være der når de vil bruke dem, og de bruker bare systemet om løsningen er god.
Bakker var medforfatter på en fersk artikkel. Den beskriver en modell som skal hjelpe byer og selskaper til å gjøre en bedre jobb med å gjøre sykkeldelingskundene glade.
Som å skyte et bevegelig mål
Bare tenk på utfordringene ved å sørge for at syklene og elsparkesyklene skal være der folk vil til enhver tid. Du vet jo ikke når kundene vil plukke opp syklene eller hvor de vil sette dem fra seg igjen.
Forskere beskriver problemet som dynamisk, fordi det hele tiden endrer seg, og stokastisk fordi det endrer seg på tilfeldige måter som det ofte er vanskelig å forutse, forklarer Bakker.
– Brukerne plukker opp sykler ett sted og flyter den til et annet sted. Systemet endrer seg fordi plutselig er syklene ikke der de startet, som da er den dynamiske delen, sier han. – Men på toppen av det hele vet du ikke når kundene vil plukke opp syklene eller hvor de vil sette dem fra seg. Det er den stokastiske delen. Så om du vil planlegge for dette på begynnelsen av en dag, kan du ikke vite hva som kommer til å skje.
For å forutsi atferdsmønsteret til kundene kan Bakker og kollegaene hans studere den store skattkisten av data som samles inn av sykler og elsparkesykler når de er i bruk. Men det finnes ingen garanti for at måten folk brukte syklene forrige tirsdag er det samme mønsteret neste tirsdag, sier Bakker.
– Du må justere etter slikt som skjer i løpet av dagen, sier han. – Kanskje dukker det plutselig opp et arrangement, eller været endrer seg. Da bruker kundene kanskje ikke tilbudet og behovsmønsteret endrer seg, noe som påvirker planleggingen.
Å sette sammen bitene
Bakker og kollegaene har utviklet en optimaliseringsmodell som kan gi anbefalinger om hva de som tilbyr servicen bør gjøre. Denne inkluderer hva servicekjøretøyene bør gjøre på stasjonen de er på til enhver tid, for eksempel om de skal sette fra seg eller plukke opp sykler, eller bytte batterier på elsparkesyklene eller syklene, og hvor de bør dra etterpå.
Beregningene som ligger under er basert på hva som har skjedd hittil i løpet av dagen, og hva modellen forventer skal skje i den nære framtida.
Sånn kan Norge gå foran for å kutte plast
Gruppas forskning er delvis finansiert gjennom et prosjekt til 10 millioner fra Forskningsrådet. Dette kalles Future of Micro mobility (FOMO). Firmaet Urban Sharing AS står sentralt.
– Gjennom Pilot-T planlegger vi å bruke eksisterende sykkelsystemer som testplattformer. Ved å utvikle nye verktøy for å ta avgjørelser, er målet å øke effektiviteten med 30 prosent og levetida til syklene med 20 prosent, sier Jasmina Vele. Hun er prosjektsjef ved Urban Sharing.
– Dette kan vi oppnå gjennom bedre avgjørelser relatert til rebalansering og preventivt vedlikehold. Gjennom dette kan vi gi store kostnadsreduksjoner for eksisterende sykkelsystemer.
Å flytte syklene mest mulig effektivt
Prosessen med å samle inn og flytte sykler fra en sykkelparkeringsplass til en annen kalles altså «rebalansering». Ved å bruke optimaliseringsmodellen, som fremdeles er under utvikling, kan sjåførene få en ny plan hver gang de ankommer en sykkelstasjon.
– Du lager ikke bare én plan på begynnelsen av dagen. Isteden lager vi en ny plan hver gang et kjøretøy ankommer sykkelstasjonen, sier Bakker. – Så når bilen ankommer stasjonen kan vi fortelle dem «OK, plukk opp så mange sykler eller dropp av så mange sykler».
Men dette er den biten hvor det blir komplisert. Det er viktig å ikke bli nærsynt og bare se på hvordan systemet er akkurat på et gitt tidspunkt. Spesielt gjelder det om vi kan anta at visse stasjoner får et større press den kommende timen eller så.
– Det er svært komplekst, for det er et stort system, sier han. – Kanskje kommer det til å bli stort behov ved en stasjon om en times tid. Allerede da vil du helst bringe noen sykler dit. Men på samme tid finnes det kanskje stasjoner som er nesten tomme, og de trenger også sykler. Så du må avveie situasjonen. Det er også viktig å koordinere utsetting og henting mellom de forskjellige kjøretøyene som betjener nettverket.
Digitale tvillinger og datasimuleringer
Bakker og kollegene samarbeider med NTNUs Institutt for datateknologi og informatikk for å skape en digital tvilling, eller en datasimulering, av systemene de lager en modell av. Sånn kan de prøve ut forskjellige tilnærminger uten å være nødt til å teste dem i den virkelige verdenen.
De innledende testene viste at modellen som gruppen lagde kan redusere antallet problemer med 41 prosent sammenlignet med det å ikke rebalansere i det hele tatt. Altså at det enten ikke er nok sykler der brukerne vil ha dem, eller at det er for mange sykler sånn at brukerne ikke kan parkere dem.
Han gjorde betong grønnere: – Jeg stilte alle de dumme spørsmålene
Sammenlignet med praksisen ved samarbeidspartneren Oslo City Bikes, kan antallet problemer reduseres med 24 prosent. Bakker sier at nyere versjoner av modellen viser enda større potensial.
Enklere tilnærminger mulig også
Ikke overraskende skal det komplekse kalkulasjoner til for å få modellen til å virke. Forskerne må finjustere de forskjellige parameterne som påvirker hvor godt modellen virker.
Bakker og kollegaene har også jobbet med en del av optimaliseringsmodellen kalt kritisk score. Denne er litt enklere, og kan brukes uavhengig av den større optimaliseringsmodellen. En kritisk score er i grunnen en score som blir gitt til ulike parkeringsområder for sykkeldeling basert på antallet sykler som allerede er der eller som trengs der. Dette er relativt enkelt å kalkulere, og kan gis til sjåførene mens de kjører rundt i byen for å rebalansere antallet sykler på hver stasjon.
– Denne scoren forteller sjåføren hvilken stasjon det haster mest med å besøke, sier Bakker. – Om du kan presentere stasjonene med høyest kritisk score for sjåføren, kan vi raskt tilby noe som kanskje ikke er optimalt, men som sannsynligvis er bra, og uansett mye bedre enn det sykkeldelingsselskaper gjør nå.
Vele fra Urban Sharing sier at det å bruke denne typen optimaliseringsmodeller kan hjelpe til med å gjøre sykkeldeling til en viktig del av bytransporten.
– Urban Sharings visjon for fremtidens mobilitet er et transportsystem som er responsivt og tilpasningsdyktig. Ved å bruke data og maskinlæring og optimaliseringsalgoritmer kan vi kombinere det beste fra både tradisjonelle og moderne transportsystemer, og skape et ressurseffektivt system som responderer på behovene og tilpasser seg brukernes individuelle behov, sier hun.
Referanse: Marte D. Gleditsch, Kristine Hagen, Henrik Andersson, Steffen J. Bakker, Kjetil Fagerholt. A column generation heuristic for the dynamic bicycle rebalancing problem. European Journal of Operational Research. 2022.
Seter i «fullbookede» tog står tomme – her er forklaringen
