Update 48 ‘Data special’ is uit en bevat de volgende twee artikelen:

• Parkeerdata: van profiel naar prognose
• Parkeerbarometer: Weer meer autobezoekers in binnenstad

Klik op onderstaande afbeelding om Update 48 in te zien. Of lees beide artikelen hieronder.

Parkeerdata: van profiel naar prognose

Iedere parkeergarage genereert data. Op steeds grotere schaal wordt deze data verzameld door gemeenten. Maar wat kun je er mee? In hoeverre kun je deze inzichten gebruiken om beleidsvragen te beantwoorden, beleid te maken of tijdig bij te sturen? In deze special gaan we in op het gebruik van parkeerdata.

Stel dat je jouw P+R locatie nieuw leven wilt inblazen of dat je je parkeergarage aantrekkelijker wilt maken voor parkeerders door het aanbieden van een nachttarief. Wat is dan het effect op een koopavond? En welk effect heeft dit op kantoren in de omgeving? Stel dat je een nieuwe garage wilt bouwen, hoe gebruik je de data om te bepalen hoeveel parkeerplaatsen er daadwerkelijk gebouwd moeten worden om enerzijds piekmomenten op te kunnen vangen en anderzijds te voorkomen dat je iets bouwt dat het grootste deel van de tijd leeg staat?

Om antwoord te kunnen geven op bovenstaande vragen, hebben we de bezetting van de kortparkeerders van 40 parkeervoorzieningen in 10 Nederlandse  gemeenten geanalyseerd. Uit deze parkeerdata hebben we algemene profielen kunnen afleiden. Deze profielen kunnen gebruikt worden bij beleidsvraagstukken als er slechts beperkte data en informatie beschikbaar is.

Uren van de dag
Uit die gezamenlijke analyse van 40 parkeervoorzieningen blijkt dat de parkeerurenverdeling elke weekdag een soortgelijk patroon vormt, met de hoogste piek halverwege de middag tussen 14:00u – 15:00u (figuur 1). Op donderdag vormt zich nog een duidelijke tweede piek in de avond (oranje lijn). Dit geeft de koopavond weer die in elke betrokken gemeente op donderdag valt. Het aandeel parkeeruren wijkt op de koopavond tussen 20:00u – 21:00u over het algemeen dus niet veel af van het aandeel parkeeruren tussen 14:00u – 15:00u. De gemeentegrootte (aantal inwoners) lijkt hierin overigens geen invloed van betekenis te hebben.

Het verdelingspatroon van parkeergarages in en aan de rand van een stadscentrum is nagenoeg identiek aan het hiervoor besproken algemene patroon. Op koopavond ligt de tweede piek zelfs hoger dan in de middag. Bij parkeergarages waarbij vanaf 18:00u of 19:00u lagere tarieven gelden dan overdag (en tevens lager dan op straat) is dagelijks rond 20:00u een duidelijke tweede piek zichtbaar. De inzet van tariefdifferentiatie als instrument om parkeervoorzieningen in de daluren beter te benutten, draagt hier wellicht aan bij.

Bij P+R voorzieningen is het in de avonden een stuk rustiger en is er geen sprake van een tweede piek. Parkeervoorzieningen in of nabij het stadscentrum worden in de avonduren over het algemeen dus aanzienlijk beter gebruikt dan P+R voorzieningen.

Dagen van de week
In de verdeling over de dagen van de week vinden op zaterdag de meeste kortparkeeruren plaats; tweemaal zoveel als op de maandag. Ook hier is de invloed van de koopavond zichtbaar; na de zaterdag worden op donderdag gemiddeld de meeste uren geparkeerd (respectievelijk 20% en 17%). Parkeervoorzieningen vlakbij een treinstation of meerdere kantoren of bedrijven kennen een gelijkmatigere parkeerurenverdeling over de dagen van de week.

Maanden van het jaar
In vergelijking tot andere maanden worden in april, oktober en december relatief veel uren geparkeerd. Uitzondering hier- op vormen parkeervoorzieningen in kustgebieden waar relatief veel parkeeruren in de zomermaanden plaatsvinden. Deze parkeervoorzieningen worden over het algemeen sterk beïnvloed door seizoenswisselingen en weersomstandigheden.

Van profiel naar prognose
Het is mogelijk om met parkeerdata inzicht te krijgen in patronen. Om met behulp van data tot een profiel en vervolgens tot een prognose te komen:

1) bepaal je eerst het type parkeervoorziening. Kijk naar het patroon in de week en de maand en bepaal daarmee de optimale omvang van de (te realiseren) parkeervoorziening.

2) Om tariefdifferentiatie o.b.v. dagen/ weken/maanden toe te kunnen passen kan gebruik worden gemaakt van patronen uit het verleden/voorgaande jaren.

Hoe meer patronen, hoe nauwkeuriger het beeld dat wordt geschetst van uw klanten. Hiermee kan een prognose gemaakt worden van de toekomstige parkeerbehoefte op een specifieke locatie. En kunnen we deze gebruiken om beleidsvragen te beantwoorden of beleid te maken.