Het optimaliseren van de klanttevredenheid van treinreizigers op stations bij de Nederlandse Spoorwegen met behulp van lichtkleur en lichtintensiteit. Een Interdisciplinaire Benadering. Door Aron van Baarsen, Floor Banga, Nanouk de Jong en Casper Thuis Universiteit van Amsterdam Studentnummers: 10362797, 10003975 , 10189009 , 10341943 Disciplines: Wiskunde, Bedrijfskunde, Psychologie, Kunstmatige Intelligentie Docenten: Lieke Mulder, Dr. Bernard Kruithof, Dr. Rudolf Sprik en Dr. Machiel Keestra Faculteit: FNWI Datum: 9 / 2 / 2015 Aantal woorden: 6473
Abstract
Het aantal treinreizen in Nederland neemt steeds meer toe. Wachttijd wordt hierbij door veel reizigers als vervelend ervaren en de klanttevredenheid is een belangrijk thema voor de NS. Uit eerder onderzoek is gebleken dat de wachttijdervaring verbeterd kan worden door omgevingsfactoren zoals licht aan te passen. In dit onderzoek is een model ontwikkeld dat automatisch de intensiteit en kleur van licht aanpast aan de wensen van de reiziger. Het doel hierbij was om te onderzoeken of een dergelijk systeem relevant is voor de NS. Om deze reden is er ook een kostenbatenanalyse op het voorgestelde model gedaan. Na integratie van de beiden methoden is er geconcludeerd dat het relevant is voor de NS om een dergelijk systeem in de praktijk toe te passen. Sleutelwoorden: Treinreizigers, Klanttevredenheid, Licht, NS, Wachttijdbeleving, Stimulering
Inhoudsopgave
Inleiding………...4 Methode (Opzet model) .……….8 Resultaten model………...17 Conclusie model………19 Methode kostenbaten analyse………...20 Resultaten kostenbaten analyse………20 Conclusie kostenbaten analyse……….26 Conclusie onderzoek………..27 Discussie………27 Literatuurlijst………..30 Bijlage 1: Matlab code voor model………32 Bijlage 2: Interview met van Hagen………..41 Bijlage 3: Out take interview met Urlings………..……..47Door het toenemende gebruik van de trein als vervoersmiddel (Nederlandse Spoorwegen; NS, 2012), zijn meer mensen afhankelijk van de tijd die ze spenderen op het station. De NS bekijkt jaarlijks de klanttevredenheid cijfers en hieruit blijkt dat wachttijd tijdens een treinreis als zeer vervelend wordt ervaren. Als de NS hier niets aan doet, verliezen ze mogelijk hun klanten.
De wachtervaring is door van Hagen (2011) onderzocht. Hierbij maakt hij een onderscheid tussen twee soorten reizigers, namelijk must en lust reizigers. Must reizigers nemen regelmatig de trein voor doelen zoals werk of school. Voor deze groep is tijd belangrijk en hangt hun tevredenheid af van hoe snel ze van A naar B kunnen. Hierbij is een snelle en betrouwbare service essentieel voor het tevreden houden van must reizigers. Lust reizigers daarentegen reizen af en toe met de trein voor recreatieve doelen. De tevredenheid van deze groep hangt voornamelijk af van de comfort en gemak van de reis. Een obstakel in het tevreden houden van beide soorten reizigers is wanneer ze moeten overstappen. Bij een overstap wordt namelijk de reistijd langer, en het comfort en gemak minder (Keizer, Geurs en Haarsman, 2012) .
Het wachten op een station is onvermijdelijk, maar het is wel mogelijk om de gemoedstoestand van reizigers te beïnvloeden door met aspecten van de omgeving te spelen. Er zijn twee soorten omgevingsaspecten, de een is te manipuleren zoals licht en geluid, de ander is niet te manipuleren zoals het weer. Van Hagen (2011) heeft aangetoond dat kleur licht, lichtintensiteit, geluid en infotainment invloed hebben op het welbevinden van reizigers. Het is echter zo dat must reizigers voorkeur geven aan een andere omgeving dan lust reizigers. Dit wordt aan de hand van de Reversal Theory van Apter (2007) verklaard. Binnen deze theorie van Apter worden termen van de omgevingspsychologie gebruikt.
Binnen de omgevingspsychologie kan elke emotionele ervaring beschreven worden als een combinatie vanpleasure
, arousal en dominance . Dit wordt in het PAD model beschreven die
gebruik maakt van driedimensionale schalen waar emotionele staten aan zijn toegeschreven. In principe kunnen er ook numerieke waardes aan verbonden worden. Depleasure
schaal meet hoe
plezierig een emotie is. Verdrietig en boos zijn emoties die niet als plezierig worden ervaren terwijl vrolijk een plezierige emotie is. De arousal
schaal meet hoe intens een emotie is.
Woedend en boos zijn beide onplezierige emoties, maar woedend is een intensere emotie dan boos en heeft dus een hogere arousal waarde. Verveeldheid is ook een onplezierige emotie, maar
die heeft een lagearousal waarde. De dominance
schaal meet hoeveel controle een persoon heeft
over zijn emoties. Boos en bang zijn onplezierige emoties, maar boosheid is beter onder controle te houden dan angst. (Mehrabian, 1980)
Volgens Van Hagen (2011) zijn pleasure
en arousal voornamelijk van belang bij het
beschrijven van de ervaring van een dienstverlenende omgeving zoals een station. Deze twee dimensies brengen acht emotionele staten met zich mee die in figuur 1 wordt afgebeeld.
Figuur 1 Twee emotionele dimensies en acht emotionele staten (Russel & Pratt, 1980)
Volgens de Reversal Theory van Apter (2007) zijn er twee tegenovergestelde staten waarin een persoon zich kan bevinden, namelijk telic of paratelic
. De telic staat kenmerkt zich als een
serieuze en doelgerichte staat. Wanneer iemand in de telic staat verkeert, prefereert diegene een lage stimulering (= arousal)
, omdat het als relaxend wordt ervaren. Een hoge stimulering wordt
ervaren als stress of verontrusting. De paratelic staat kenmerkt zich als een speelse, nietdoelgerichte staat. Individuen die zich in deze staat verkeren, geven voorkeur aan een hoge stimulering omdat ze dan genoeg prikkels binnen krijgen om zich te vermaken. Een lage stimulering wordt geassocieerd met verveling. In figuur 2 wordt die geïllustreerd. (Apter, 2007)
Figuur 2 Illustratie van de optimale stimulering levels van de must en lust reizigers. (Van Hagen, 2011)
De staat waarin een must reiziger in verkeerd is te vergelijken met de telic staat en die van een lust reiziger is te vergelijken met deparatelic
staat. In het onderzoek van van Hagen (2011) naar
het effect van kleur en lichtintensiteit op de treinreizigers, kwam naar voren dat reizigers afhankelijk van de drukte op een station een andere lichtintensiteit prefereert. Als het niet druk was, gaven reizigers voorkeur aan een lage intensiteit met kleur. De wachttijd werd door alle reizigers als korter beleefd in licht met lage intensiteit als het rustig was op het perron. Verder kwam uit het onderzoek van van Hagen (2011) naar voren dat must reizigers een voorkeur hebben voor koele kleuren zoals blauw en dat lust reizigers een voorkeur hebben voor warme kleuren zoals rood en geel. Dit komt doordat koele kleuren als kalmerend worden ervaren waartegen warme kleuren als stimulerend (Valdez & Mehrabian, 1994).
In praktijk betekent dit dat in de spitsuren, wanneer het druk is op het station en er relatief meer must reizigers zijn, de kleur licht blauw en de intensiteit van het licht hoog moet zijn. In de daluren wordt het tegenovergestelde aanbevolen. (Van Hagen, 2011)
In voorgaand onderzoek, met name dat van van Hagen, is uitgebreid onderzocht welke omgevingsaspecten verschillende soorten reizigers prefereren. In dit onderzoek zullen deze bevindingen samengevat worden in een model dat de optimale kleur en intensiteit van het licht bepaalt aan de hand van hoe druk het station is en de verhouding lust en must reizigers. Dit
onderzoek zal zich beperken tot de kleur en intensiteit van licht omdat uit het onderzoek van Adams & Osgood (1973) is gebleken dat alle mensen hetzelfde reageren op kleuren ongeacht hun culturele achtergrond. Daarnaast zal een kostenbatenanalyse uitgevoerd worden om te onderzoeken of het verhogen van klanttevredenheid genoeg baten met zich meebrengt ten opzichte van de kosten van het implementeren van een dergelijk systeem.
Het hoofddoel van dit onderzoek is om te onderzoeken hoe relevant een model, dat de optimale kleur en intensiteit van het licht op een perron bepaalt, is voor de NS. Hierbij is het belangrijk om uit psychologische theorieën en eerdere onderzoeken te achterhalen wat de verbanden tussen de verschillende componenten in het model zijn. Ook moet er op een goed onderbouwde manier iets gezegd kunnen worden over de benadering van bepaalde parameters in het model waar onvoldoende data voor beschikbaar is. Ten slotte moeten kosten en baten tegen elkaar worden uitgezet om te analyseren of het model in praktijk rendabel kan zijn. Figuur 3 Illustratie van integratie van de disciplines. Methoden
Voor het beantwoorden van deze hoofdvraag wordt gebruik gemaakt van een interdisciplinaire aanpak omdat er nog een leegte bestaat tussen theorie en praktijk. Als illustratie
van het onderzoek is figuur 3 gemaakt. Om theorie en praktijk met elkaar te verbinden, kan ervoor gekozen worden om direct de theorie uit te voeren in de praktijk en bijvoorbeeld een daadwerkelijk systeem in het echt toe te passen op een station. Echter zijn er kosten aan verbonden waarvan nog niet direct duidelijk is wat de opbrengst is. Om hier een beter inzicht in te krijgen is het handig om een model te maken, zodat op basis daarvan gekeken kan worden of het systeem implementeerbaar is. Dit model bepaalt wat de optimale kleur en intensiteit van het licht is op een gegeven tijdstip. Hierbij wordt er gekeken naar de wachttijdbeleving van de reizigers. Met behulp van een kosten en baten analyse worden de kosten en de baten van het in de praktijk toepassen van een dergelijk model met elkaar vergeleken.
Opzet model
De opzet van het model is grotendeels gebaseerd op het proefschrift van van Hagen (2011). In het model wordt een simulatie van een perron gemaakt en wordt er een benadering gebruikt voor het aantal reizigers op dat perron ten opzichte van de tijd. Dit hangt af van de treinen die daar aankomen en vertrekken en van reizigers die van een ander perron overstappen of van buiten het station naar het perron komen. Hier kan een schatting voor gemaakt worden. In de praktijk kan dit bepaald worden met behulp van data van bijvoorbeeld de OVchipkaart (van Hagen, persoonlijke communicatie, 16 december 2014). Vervolgens kan met behulp van data van de NS bepaald worden wat de verhouding lust en must reizigers op een bepaald moment is (van Hagen & Exel, 2014). Op basis hiervan kan de kleur en lichtintensiteit op het station veranderd worden. In de context van dit model heeft de mate van stimulering dus een andere invloed op de gemoedstoestand van de lust en de must reizigers. Hiermee kan de invloed van het licht op de wachttijdbeleving van zowel de must als de lust reizigers bepaald worden en kan gekeken worden wat bij verschillende verhoudingen van must en lust reizigers de optimale instelling van het licht is.
Het aantal reizigers en de verhouding must en lust reizigers op het perron zullen in het model invloed hebben op de kleur en intensiteit van het licht. Hoe druk het perron is, heeft invloed op de sterkte van de lichtintensiteit die reizigers prefereren. Mensen prefereren over het algemeen
een lage intensiteit, echter wanneer de drukte toeneemt heeft men behoefte aan meer licht zodat men zich beter op hun taken kan richten. De percentages lust en must reizigers hebben invloed op wat de optimale kleur van het licht is. Volgens Adams & Osgood (1973) zorgt een blauwe kleur voor minder stimuli en een rode kleur voor meer stimuli. De must reizigers prefereren aldus van Hagen (2011) minder stimuli terwijl juist de lust reiziger meer stimuli prefereert.
De twee factoren die afhangen van de tijd, namelijk het aantal reizigers en de verhouding tussen must en lustreizigers zorgen er dus voor dat het licht in het model wordt beïnvloedt. De uitkomst van het model zal een lichtintensiteit en kleurwaarde zijn die ervoor zorgt dat de stimulering zo optimaal mogelijk blijkt voor de samenstelling van reizigers. Hoe het model schematisch eruit ziet, is te zien in figuur 4.
Figuur 4 Overzicht systeem met input variabele en output.
Parameterschatting
De samenstelling van deze reizigers is moeilijk te benaderen. De manier hoe het in dit onderzoek wordt gedaan is door gebruik te maken van de landelijke ratio must en lust reizigers weergegeven in van Hagen (2011), te zien in figuur 5.
Figuur 5 Must en lust verdeling op een gemiddelde werkdag (van Hagen, 2011).
Door een rechte lijn door de waarden van figuur 5 te tekenen (de rode lijnen in figuur 5) worden landelijke aantallen must en lust reizigers met de tijd benaderd. Dit is gedaan voor drie verschillende intervallen (afgebakend door de zwarte lijnen in figuur 5): Midden in de ochtendspits (8:008:15), in het dal na de ochtendspits (9:4510:15) en in het dal na de avondspits (19:3020:00). De formules voor de lijnen zijn te zien in onderstaande tabel. Tabel 1 Overzicht van formules voor aantal must en lust reizigers. 8:008:15, t ∈ 0, 5[ 1 ] 9:4510:15, t ∈ 0, 0[ 3 ] 19:3020:00, t ∈ 0, 0[ 3 ] Mustreizigers 60000+1250015 t 16000− t 30 2000 13000− t 30 3000
Lustreizigers 3000+300015 t 10000− t 30 1000 13000+ t 30 1000
Om hieruit de verhoudingen af te leiden om te gebruiken in het model, zijn de formules genormaliseerd ten opzichte van de formule voor het totaal aantal reizigers. De verandering van de genormaliseerde aantallen lust en must reizigers over de verschillende tijdsintervallen zijn hieronder weergegeven in figuur 6, 7 en 8. Dit is een grove benadering omdat er geen andere mogelijkheid was om accurate gegevens te bemachtigen. De NS zou dit beter kunnen doen door gebruik te maken van de relatiematrix (van Hagen, persoonlijke communicatie, 16 december 2014). In deze relatiematrix staan de hoeveelheden reizen van station naar station.. Figuur 6,7,8 genormaliseerde aandelen ` lust en must reizigers op verschillende intervallen.
Het ligt voor de hand om aan te nemen dat het aantal reizigers op een perron zal toenemen naarmate het tijdstip waarop een trein vertrekt dichterbij komt. Vervolgens zal het aantal reizigers op het perron weer afnemen nadat de trein vertrokken is. Op basis van deze aannames wordt er verwacht dat het aantal reizigers op het perron zal samenhangen met een of andere periodieke golffunctie. In dit model is er gekozen voor een cosinus om het aantal reizigers op een perron te benaderen. Er is voor een cosinus gekozen in plaats van een sinus, omdat de
cosinus een maximum op tijdstip nul heeft en het zo makkelijker is om de aankomsttijd van de trein mee te nemen. Daarnaast wordt de absolute waarde van de cosinus genomen, omdat het aantal reizigers niet negatief kan zijn. De algemene vorm voor de benadering van het aantal reizigers op het perron wordt dan:
(t)
N
n
, , ..
R
= ∑
ni=1
i,s
cos(
)
|
|
|
60 f π(t−t ))i,s i,s|
|
|
, = 1 2 .
(1)
Met n het aantal treinen ,
N
i,s, i
= 1 . n
, .,
(s het getal dat aangeeft in welk tijdvak we zitten)
het aantal reizigers dat op treini
staat te wachten ,
f
i het aantal keer dat treini
in een uur komt ent
i
de eerste aankomsttijd in een uur. Zo staan hieronder de grafieken voorrespectievelijk de tijdvakken 8:008:15, 9:4510:15 en 19:3020:00.
Figuur 9, 10, 11 Benadering van percentage lust en must reizigers op het perron. Blauw is totaal aantal reizigers, rood is must reizigers en groen is lust reizigers. Bij de eerste grafiek zijn er zwarte stippellijnen toegevoegd om te illustreren hoe de treinen apart zorgen voor het total.
Tabel 2 De parameters gebruikt voor grafieken 10, 11 en 12 n f 1 N1 t1 f2 N2 t2 s = 8 2 4 200 0 5 100 5 s = 10 2 4 100 0 5 50 10 s = 20 2 2 100 5 3 50 15
Zoals eerder vermeld hangt de drukte op het perron samen met de lichtintensiteit. Bij een grotere drukte is een hogere lichtintensiteit wenselijk voor de reizigers op het perron. Om deze reden zou de formule voor de lichtintensiteit ongeveer gelijk aan formule (1) van het aantal reizigers moeten zijn, maar dan wel genormaliseerd zodat we in een percentage voor de lichtintensiteit kunnen spreken. Ook moet er een minimale waarde voor de lichtintensiteit zijn, omdat het anders op bepaalde momenten te donker kan worden op het perron. Als minimale waarde is voor dit model 50% van het hoogste niveau van intensiteit gekozen. Dit geeft een formule van de vorm:
(t)
(2)
I
=
Max
(
)
N ∈M{
i,s}
∑
n i=1N
i,sMax
(
)+ R(t)
2 1 N ∈M{
i,s}
∑
n i=1N
i,s 21gelijk gekozen aan de waarden in (1) N
{
i,s}
In de formule (2) staat
∑
voor het maximaal totaal aantal reizigers dat op het perron ni=1
N
i,s aanwezig kan zijn in dat tijdvak. Natuurlijk zal deze waarde niet de hele dag hetzelfde zijn, daarom moeten voor de waarden vanN
i,sdus al in de formule (2) voor het aantal reizigers gepaste waarden voor het tijdvak gekozen worden. Nu is M de verzameling met daarin alle verzamelingen van Ni,stjes van alle verschillende tijdvakken. Het maximum wordt genomen van
het maximaal aantal reizigers over alle tijdvakken zodat de lichtintensiteit relatief naar de grootste drukte die op de dag kan plaatsvinden zal worden aangepast. Hierdoor zal in de daluren als het aantal reizigers op een perron bijvoorbeeld tussen de 0 en 10 wisselt, de lichtintensiteit niet tussen 50% en 100%, maar tussen de 50% en 60% wisselen. Zo zullen de wisselingen in lichtintensiteit zo subtiel mogelijk blijven.
Met de percentages must en lustreizigers bekend en de verandering ervan in de loop van het uur is de volgende stap het bepalen welke kleur licht er door het station gevoerd moet worden. Zoals eerder vermeldt, hebben verschillende reizigers behoefte aan verschillende kleuren. Om te kiezen welke kleur gevoerd wordt. Moet gekeken worden naar de kleur die het beste aansluit bij de huidige situatie. De werkelijke waardes van hoe verschillende kleuren de wachttijdervaring van de verschillende types reizigers beïnvloeden zijn moeilijk te benaderen. Uit het onderzoek van van Hagen (2011) bleek dat de in het onderzoek geteste kleuren een significant effect hebben op de wachttijdervaring. Op de schaal die van Hagen in zijn onderzoek gebruikt is het verschil tussen de verschillende kleuren echter heel klein (zoals te zien is in figuur 12). Omdat er dan amper een effect waar te nemen valt in de simulatie van het model, zijn deze waarden niet handig om te gebruiken. In het model wordt het effect daarom uitvergroot en is een schaal van 1 tot 10 gekozen, waarop waarden zijn toegewezen voor het effect van de verschillende kleuren op de wachttijdervaring van de verschillende soorten reizigers.
Figuur 12 De waarde waarop de waarde voor de wachttijdervaring in tabel 3 zijn gebaseerd. (van Hagen, 2011)
Tabel 3 De waarde voor de wachttijdervaring toegekend aan de verschillende soorten reizigers per kleur (op een schaal van 010)
Geel Rood Blauw
Must Reiziger 3 5.5 6.75 Lust Reiziger 8 5.75 3.75
Resultaten model
Wanneer de waarde voor de wachttijdervaring vermenigvuldigd wordt met het percentage reizigers kan er worden bepaaldt welke kleur het beste aansluit bij de huidige samenstelling van de reizigers. Figuren 16, 17 en 18 zijn hier voorbeelden van. De figuren laten de verandering van stimulatie zien tegen de tijd. Hierin zijn de waarden (waarde wachttijdervaring percentage • reizigers) voor de must en de lustreizigers bij elkaar opgeteld zodat te zien is welke kleur zorgt voor de beste totale wachttijdervaring.
Figuur 13 , 14 ,15 Simulatie waarden tegen over de tijd, met de verandering van de soort reiziger
Om te bepalen welke kleur voor een gegeven tijdvak de beste keuze is, zijn de oppervlaktes onder de lijnen uit figuur 13, 14 en 15 uitgerekend. De lijn met de grootste onderliggende oppervlakte zorgt voor de beste totale wachttijdervaring over het tijdvak. Hieronder zijn barplots van de oppervlakte onder de lijnen te zien. De groen omlijnde bar is de keuze voor dat tijdsvak.
Figuur 16, 17, 18 Oppervlakte metingen van figuur 13, 14, 15 respectievelijk .
Doordat de kleuren veranderen aan de hand van de samenstelling van de reizigers zal de mate van stimulatie mogelijk veranderen per tijdstip van de dag, maar het meest optimaal zijn voor de meeste reizigers die zich op dat moment op het perron bevinden. De lichtintensiteit zorgt er voor dat de personen op het perron constant optimaal gestimuleerd worden. Het lijkt uit figuur 16, 17 en 18 nu inderdaad dat de waarde voor de wachttijdbeleving van de reizigers op het perron redelijk constant tussen 5,5 en 7 kan worden gehouden over de verschillende tijdvakken. Verder blijkt dat blauw de beste keuze lijkt voor de periode van 8:008:15, rood voor 9:4510:15 en geel voor 19:3020:00
Een voorstel voor het voeren van de lichtintensiteit in de drie tijdvakken is in de afbeeldingen hieronder te zien.
Figuur 19, 20, 21 De lichtintensiteit tegen de tijd.
Deze grafieken volgen de trend die de treinen hebben betreft te aankomst tijd. Zo lijkt figuur 19 erg op figuur 9, die de treinen benaderd. Dit leidt tot hogere lichtintensiteit wanneer de trein nadert en het druk is op het perron en lagere lichtintensiteit buiten deze periode van aankomst.
Conclusie model
Uit het model volgt dat op basis van de gebruikte benaderingen verschillende kleuren op verschillende tijden gevoerd moeten worden. Tussen acht uur en kwart over acht ‘s ochtends moet er blauw licht gevoerd worden, tussen kwart voor tien en kwart over tien ‘s ochtends rood licht en tussen half acht en acht uur ‘s avonds geel licht. Daarnaast volgt er uit het model een voorstel voor hoe de lichtintensiteit tijdens deze tijdsperioden gevarieerd moet worden (zie
figuur 19, 20 en 21). Bovendien is het model flexibel en kan dit op verschillende (hypothetische) perrons toegepast worden.
Methode kostenbatenalyse
Een belangrijk aspect voor de mogelijkheid tot implicatie van het model is dat het voldoende rendabel moet zijn. Als het niet rendabel genoeg is, zal het geen levensvatbaar project zijn voor de NS. Er zal worden onderzocht of het model en het verhogen van klanttevredenheid levensvatbaar is aan de hand van een schatting van de rendabiliteit door middel van een kostenbatenanalyse. Bij een kostenbatenanalyse worden de verwachte kosten en baten, uitgedrukt in een monetaire eenheid, uiteengezet. Over het algemeen heeft een kostenbatenanalyse twee doelen, namelijk: evalueren of een bepaald project een verstandige investering is en het vergelijken met andere mogelijke projecten (Cellini & Kee, 2010). In dit onderzoek zal van het eerste doeleinde gebruik worden gemaakt.
Bij het doen van een kostenbatenanalyse is het kwantificeren (monetariseren) van een aantal aspecten vaak problematisch, wat leidt tot onnauwkeurige resultaten. Zo is het bijvoorbeeld lastig om een prijs aan reputatie, effecten op de lange termijn strategie et cetera te hangen. Daarom kan de kostenbatenanalyse worden uitgebreid door een multicriteriaanalyse uit te voeren. Bij een multicriteriaanalyse wordt meer dan één onderscheidscriterium gebruikt om een rationele keuze te maken. Hierbij hoeft niet alles monetair uitgedrukt te worden (Cellini & Kee, 2010).
In dit onderzoek zal om hierboven genoemde redenen eerst een simpele kostenbatenanalyse en vervolgens een korte multicriteriaanalyse worden gedaan.
Resultaten kostenbatenalyse
Bij het doen van de kostenbatenanalyse worden er een aantal standaard stappen doorlopen. Als eerste worden de verschillende stakeholders uiteengezet. Onder de stakeholders worden verstaan: alle mensen die direct of indirect met het project in aanraking komen en op wie deze kostenbatenanalyse dus betrekking heeft. De verschillende stakeholders van het project zijn
binnen de NS: de aandeelhouders, personeel in management en research en development. Buiten de NS zijn de klanten en de overheid stakeholders.
Ten tweede wordt de gemiddelde omzet per treinreiziger per jaar berekend. De gemiddelde omzet per treinreiziger per jaar is eenvoudig uit te rekenen op basis van historische data. Hiervoor wordt de jaarlijkse omzet gedeeld door het aantal treinreizigers per jaar. De jaarlijkse omzet is terug te vinden in de geconsolideerde balans die door de NS gepubliceerd wordt in het jaarverslag (2013). Het aantal reizigers per jaar wordt gehaald uit het NS klantonderzoek (2014).
● Omzet NS = € 4606 miljoen ● Aantal reizigers = 9,4 miljoen
● Gemiddelde jaarlijkse omzet per klant = Omzet/aantal reizigers = 4606 miljoen / 9,4 miljoen = € 511,78
Vervolgens worden de verwachte kosten van het systeem geschat. Door van Hagen (2013) zijn zes verschillende stationstypes aangegeven, gerangschikt van type 1 tot 6 waarbij type 1 voor het grootste soort station staat (bijv. Amsterdam CS) en type 6 voor het kleinst mogelijke soort station (een dorps station). Voor dit project zal er uitgegaan worden van de eerste drie types. Dit omdat dit de stations zijn waarop redelijk veel tot veel overstappen plaats vinden, en daar het model dus het meest relevant is. In Nederland zijn er 47 van dit soort stations. Voor het project zal er uitgegaan worden van een realisatietijd span van tien jaar. Dit komt neer op ongeveer vijf stations per jaar. Op basis van voorgaande renovaties van stations zal er uit gegaan worden van grofweg € 1 miljoen kosten per station (Rijksoverheid, 2014). Dit project zal dan ongeveer neerkomen op € 5 miljoen per jaar.
Daarna kan met behulp van de hierboven gevonden gegevens het aantal benodigde reizigers voor het breakeven punt van het project worden berekekend. Het breakeven punt is het punt waarop de kosten van het project eruit zijn gehaald maar waar nog geen winst wordt behaald. Het breakeven punt kan simpelweg berekend worden door:
● Kosten van het project / gemiddelde jaarlijkse omzet per klant = 5 miljoen / 511,78 = +/ 10.000 klanten
Ten slotte zal de rendabiliteit worden geanalyseerd. Om iets over de rendabiliteit te kunnen zeggen, moet er eerst verder worden in gegaan op de klanttevredenheid en de relatie tussen klanttevredenheid en de omzet. Dit zal hieronder gedaan worden, vervolgens zullen er een aantal scenario’s beschreven worden met verschillende uitkomsten.
Verhoogde klanttevredenheid
Het doel van het invoeren van het model is het uiteindelijk verbeteren van de klanttevredenheid van de reizigers van de NS. Klanttevredenheid wordt bereikt door het vervullen van de wensen en behoeftes van de klant en kan resulteren in een hogere winst. (Woodside et al., 1989). Bedrijven kunnen hun diensten in de vorm van producten of service (of een mix daarvan) aanbieden. In het geval van de NS gaat het om het aanbieden van een service. Een groot verschil tussen producten en service is dat bij service de kwaliteit van te voren niet bekend is voor de consument waar dat bij tastbare producten wel zo is. Kwaliteit wordt bij een service bepaald door de vergelijking tussen de verwachtingen over de service en de daadwerkelijke prestaties van de service. Een verschil tussen deze twee beïnvloedt de kwaliteit. De verwachtingen van de consument kunnen gebaseerd zijn op eerdere ervaringen, uiterlijke kenmerken/prikkels zoals bijvoorbeeld reclame of media aandacht en bijvoorbeeld het imago van het bedrijf (Smith et al., 1999). Een uiterlijk kenmerk bij de NS is bijvoorbeeld het uiterlijk van een station of perron. Hoewel het de verwachting is dat door de licht en kleur intensiteit te optimaliseren de gevoelswachttijd korter lijkt (en daarmee de service als beter wordt ervaren) kan het invoeren van dit systeem zorgen voor andere uiterlijke kenmerken en prikkels van het station en daarmee de serviceaanbieder (de NS). Deze andere uiterlijke kenmerken kunnen zorgen voor ervaringen die de balans tussen de verwachtingen van de consument en de werkelijkheid kunnen verstoren. Zo zou het kunnen zijn dat het uiterlijk en de ervaring van het station zodanig verandert dat het aangenaam (of aangenamer) is om er te verblijven (Grönroos, 1984). Dit zou het effect van de kleur en lichtintensiteit kunnen bevorderen. Maar het kan ook
zo zijn dat de reiziger het systeem voor dit licht opvat als een overbodige luxe. Als dit het geval is, kan deze ervaring van overbodige luxe het in eerste instantie positieve effect van het licht op de gevoelswachttijd teniet doen. Dit is een belangrijke kanttekening voor de NS want ook al kan het optimaliseren van de kleur en lichtintensiteit een positief effect hebben, de uitvoering speelt ook een grote rol.
Ondanks dat de verwachting is dat het systeem met veranderende licht en kleurintensiteit leidt tot een hogere klanttevredenheid, is er (ook binnen de NS) nog onenigheid of een hogere klanttevredenheid op zichzelf ook leidt tot een directe verhoging van het aantal reizigerskilometers en daarmee een verhoogde omzet. De eventuele verhoging in omzet is nodig om de levensvatbaarheid van het project te voorspellen. Daarom worden er nu twee verschillende scenario’s besproken: één waarbij de klanttevredenheid wel tot hogere omzet leidt en één waarbij dat juist niet het geval is.
Mogelijk scenario 1
In dit scenario wordt er vanuit gegaan dat een hogere klanttevredenheid de omzet positief beïnvloedt. Volgens de afdeling MOA (Marktonderzoek en Advies) van de NS is er een verband tussen klanttevredenheid en het aantal reizigerskilometers en daarmee de omzet, deze afdeling heeft vastgesteld dat bij een hoger klantoordeel reizigers meer gaan reizen (Urlings, persoonlijke communicatie, 2015). Om deze baten te kunnen berekenen moet ten eerste de hoeveelheid stijging in klanttevredenheid bekend zijn, vervolgens moet er ook bekend zijn hoeveel effect de klanttevredenheid op de omzet heeft. Beide gegevens zijn in dit onderzoek onbekend, om toch enigszins uitspraak te kunnen doen over de kosten en baten worden er daarom algemene aannames uit de literatuur gebruikt. Deze zullen geen nauwkeurige uitkomst bieden, maar des te meer dienen als richtlijn en als illustratie hoe het berekenen van dit project in zijn werk zal gaan wanneer er in de toekomst meer historische data beschikbaar is.
Omdat er niet van te voren bekend is hoeveel de klanttevredenheid zal stijgen, wordt er een schatting gemaakt van de benodigde stijging in klanttevredenheid die dit project op zou moeten leveren. Winkler & Schwaiger (2004) stellen dat in het algemeen voor elke 1% stijging in de klanttevredenheid, de omzet met 0,209% stijgt. Op basis hiervan wordt de volgende berekening gedaan:
● De omzet in 2013 van de NS was: € 4606 miljoen
● Als de klanttevredenheid met 1% stijgt, zal de omzet (0,209*4606 miljoen)/100 = € 9,63 miljoen stijgen
● Er van uit gaande dat het project 5 miljoen per jaar kost, zal de klanttevredenheid dus 5 miljoen/9,63 miljoen = 0,5% per jaar moeten stijgen.
De streefwaarde voor reizigers die een 7 of hoger op het klantoordeel geven, ligt voor 2019 op 80% (Figuur 22). De eindwaarde voor 2014 lag op 75,4 % (Urlings, persoonlijke communicatie, 2015). In vijf jaar zou er dus een stijging van 4,6% plaats moeten vinden om te voldoen aan het streven. Dit is een stijging van gemiddeld 0,92% in klanttevredenheid per jaar. Deze stijging probeert de NS te behalen door ten eerste te voldoen aan de basisbehoeftes van de reiziger, en vervolgens door extra comfort maatregelen te nemen, zoals het plaatsen van planten, toiletten, meubilair etc. (Rijksoverheid, 2014). De streefwaarde wordt dus bereikt door vrij basale projecten. Daarom wordt verwacht dat door het invoeren van een spectaculair(der) project als hetgeen in dit onderzoek wordt beschreven, kan zorgen voor nog een extra stijging in klanttevredenheid.
Mogelijk scenario 2
De hierboven gebruikte getallen zijn algemene aannames uit de literatuur die niet voor ieder segment hoeven te gelden. Er is dan ook, zoals eerder genoemd werd, onenigheid over het feit of een verhoogde klanttevredenheid leidt tot een hoger aantal reizigerskilometers of een hogere omzet. Volgens Peter Verhoef en Maarten Gijsenberg van de Rijksuniversiteit Groningen is dit niet het geval voor de NS (Urlings, persoonlijke communicatie, 2015). In dit scenario zou daarmee het project niet direct leiden tot meer reizigerskilometers, oftewel de directe financiële baten van het project zijn gelijk aan nul. Als dit het geval is, zijn er echter alsnog baten verbonden aan het verhogen van het klantoordeel. Omdat deze niet voorkomen in een traditionele kostenbatenanalyse zullen die hieronder worden opgenomen door middel van een multicriteriaanalyse.
Uitbreiding: Multicriteriaanalyse
Bij een multicriteriaanalyse kunnen de overige criteria van de baten en kosten toegevoegd worden. In dit onderzoek zijn er twee belangrijke overige criteria geïdentificeerd. Dit zijn het voorkomen van een eventuele boete op laste van het Ministerie van Infrastructuur & Milieu en het behoud en/of verbetering van de reputatie van de NS.
Concessies van het Ministerie van Infrastructuur en Milieu
Het Ministerie van Infrastructuur en Milieu heeft een regelgeving samengesteld waar de NS zich aan moet houden. Hierin worden alle prestatiegebieden in genoemd waarin de NS een bepaald minimum percentage op moet scoren, doen ze dat niet dan hangen daar sancties aan in de vorm van een boete. Eén van de algemene prestatie gebieden is het klantoordeel: Figuur 22 bodem en streefwaarden opgelegd door het Ministerie van Infrastructuur & Milieu (2014) Wanneer de bodemwaarde niet wordt behaald, wordt er de volgende sanctie opgelegd: “Op het niet halen van een in de vervoerconcessie vastgelegde bodemwaarde volgt een direct opeisbare geldsom van 500.000 euro per prestatieindicator. Deze geldsom wordt tot twee keer toe met 250.000 euro verhoogd wanneer de concessiehouder door de bodem zakt. De jaarlijkse maximale geldsom die NS moet betalen is 6,5 miljoen euro.” (Ministerie van Infrastructuur en Milieu, 2014)
Ook wordt er verder gesproken over een door de NS te ontvangen geldsom wanneer zij aanzienlijk positievere ontwikkeling laat zien dan vereist. Per prestatie indicator ontvangt zij dan maximaal 1 miljoen euro (totaal maximaal 10 miljoen euro).
Hieruit blijkt dat het belangrijk is voor de NS om de klanttevredenheid hoog (genoeg) te houden, het voorkomen van een boete zorgt indirect voor een financiële baat, in extreme gevallen zorgt het zelfs voor een te ontvangen bonus.
Reputatie
Verder moet er nog kort worden meegenomen dat een verhoogd klantoordeel kan zorgen voor een betere reputatie. Dit kan door positieve berichtgeving in de media en sociale media een indirect positief effect hebben op het aantal reizigerskilometers. Ook zal, als de NS kan aantonen een hoger klantoordeel te hebben, de politieke druk afnemen waar de NS mee te kampen heeft.
Conclusie kostenbatenanalyse
Voor de NS is alles wat eventueel de klanttevredenheid zou kunnen verbeteren het in de gaten houden waard. Echter moet er wel wat tegenover staan voordat zij overgaan tot het investeren in een project. Uit deze kostenbatenanalyse komen een aantal punten duidelijk naar voren. Ten eerste wordt er duidelijk dat er zo’n tienduizend extra klanten moeten worden aangetrokken om het project er uit te halen. Dit is haalbaar, maar de NS heeft natuurlijk niet slechts een breakeven voor ogen maar liever een winst in reizigerskilometers en daarmee in omzet. In dat geval zal het project meer dan tienduizend extra reizigers per jaar moeten opleveren. Daarnaast, in het geval van scenario 1, zal een stijging in klanttevredenheid (wat in dat geval samenhangt met het aantrekken van extra reizigers) voor een stijging in omzet zorgen. Het project moet dan een minimale winst in klanttevredenheid van 0,5% per jaar opleveren, alles hierboven zorgt voor extra winst. In scenario twee wordt deze hoeveelheid winst niet bereikt door het verhogen van klanttevredenheid. Echter in scenario twee (en zowel in scenario 1) zal de verhoogde klanttevredenheid wel leiden tot nog andere extra baten. Dit zijn het feit dat er een boete kan worden vermeden en het verbeteren van de reputatie van de NS. Op basis van de huidige kosten en baten analyse blijkt dat het project rendabel en dus relevant kan zijn voor de NS. Op basis van de gebruikte assumpties kan geen exacte uitkomst gegeven worden, maar eerder een indicatie van de richting waarop de rendabiliteit van dit project gaat. Vooralsnog kan, op basis van deze analyse, het project worden aangeraden aan de NS als interessante investeringsoptie.
Conclusie onderzoek
Als de huidige trend dat er meer reizigers per jaar bijkomen aanhoudt, wordt het voor de NS moeilijker om het spoorwegstelsel te houden op de huidige efficiëntie. Om de klanttevredenheid en reputatie hoog te houden zou het model besproken in huidig onderzoek een uitkomst kunnen bieden. Het model zorgt voor een verbetering van de wachttijdsbeleving, wat er weer voor zorgt dat de eerder genoemde klanttevredenheid ook stijgt. Het model geeft aan dat andere tijdstippen vragen om andere kleur en lichtintensiteit instellingen. Dit maakt een systeem dat zich aanpast nodig om mensen optimaal te stimuleren en het gewenste effect op wachttijd beleving te behalen. Of de klanttevredenheid leidt tot directe omzet of tot schadebeperking is niet duidelijk, echter blijkt het wel een goede investeringsoptie gezien het budget wat de NS beschikbaar stelt voor verhoging van klanttevredenheid (Rijksoverheid, 2014). Daarnaast wordt er in van Hagen (2011) gezegd dat huidige stations voor bijna geen stimuli zorgen. Dit wijst erop dat er dat hier veel te behalen valt voor de NS. Alles te samen kan er dus geconcludeerd worden dat een dergelijk model voor NS relevant is. Bovendien is het nodig een dergelijk model te gebruiken willen ze gebruik maken van een systeem dat zich aanpast aan de mensen.
Discussie
Voordat er ingespeeld kan worden op de ervaring die reizigers opdoen op het station, moeten er aan een aantal basisbehoeftes qua service voldaan worden. De service van de NS moet in eerste instantie veilig en betrouwbaar zijn. Met veilig wordt voornamelijk sociale veiligheid bedoeld. Voor een publieke ruimte zoals een station is het essentieel dat het als veilig wordt ervaren, want anders zou het station vermeden worden. De service moet betrouwbaar zijn, want als de dienst niet beschikbaar is wanneer een reiziger dat verwacht, leidt dat tot ontevredenheid. Als niet aan deze twee eisen wordt voldaan, zal de reiziger verder geen gebruik maken van de dienst. Na deze basisbehoeftes wordt de snelheid en gemak van de reis het meest op prijs gesteld. Hoe snel een reiziger van vertrekpunt naar bestemming kan komen is belangrijk omdat treinreizigers vrijwel altijd voor de snelste optie kiezen. Een reiziger wil niet teveel gedoe als hij of zij overstapt en wil zoveel mogelijk overzicht. Als niet aan deze punten wordt voldaan, dan is
de reiziger ontevreden en zal het aanpassen van kleur licht en lichtintensiteit geen invloed, en wellicht een negatief invloed hebben op de klanttevredenheid. (Van Hagen & Peek 2006)
De negatieve invloed zou dan voortkomen uit de gedachte dat er wel tijd en moeite wordt gestopt in een licht dat van kleur en intensiteit verandert, maar dat er bijvoorbeeld geen beschutting is tegen regen op een station. Het is dus van belang voor de NS om ervoor te zorgen dat hun dienst veilig, betrouwbaar, snel en gemakkelijk is voordat ze proberen in te spelen op de gemoedstoestand van hun klanten.
Daarnaast lijkt in dit onderzoek gepresenteerde model redelijk goed toereikend te zijn voor een hypothetisch perron, waarbij waarden voor aantallen passagiers en aankomsttijden van treinen handmatig ingevoerd moeten worden. In de praktijk zou het niet handig zijn om al deze gegevens handmatig in te moeten voeren. De NS kan hiervoor echter bijvoorbeeld de data van de ovchipkaart gebruiken om op voorhand te voorspellen hoe druk het op een bepaald moment gaat worden (van Hagen, persoonlijke communicatie, 16 december 2014). Daarnaast moet er nog verder onderzoek gedaan worden naar hoe de waarden voor de invloed van de verschillende kleuren licht op de wachttijdervaring beter gekwantificeerd kunnen worden. Factoren zoals drukte, overstappen, bezigheden tijdens het wachten en natuurlijk de soort reiziger hebben allemaal invloed op deze waarden. Om goede waarden te vinden voor het effect dat een bepaalde kleur licht op een bepaald type reiziger op het perron heeft, zullen deze daarom in vervolgonderzoek met behulp van vragenlijsten of andere methoden moeten worden opgesteld. Een ander aspect dat nader bepaald zal moeten worden is de minimale en maximale lichtintensiteit die reizigers prefereren. In dit onderzoek is een ondergrens van 50% lichtintensiteit gehanteerd, echter is de intensiteit van het licht van locatie en tijdstip afhankelijk. Hierdoor is deze waarde arbitrair en zal dan ook per station bekeken moeten worden hoe het licht aangepast moet worden om de gewenste resultaten te behalen. Ook kan er in vervolgonderzoek meerdere omgevingsfactoren zoals muziek, geur of infotainment meegenomen worden in een hypothetisch model of een systeem op een station. Door het toevoegen van meerdere factoren kan de wachttijdervaring van de reiziger nog meer verbeterd worden en zo kan de klanttevredenheid voor de NS ook meer verhoogd worden.
Uit de kostenbatenanalyse bleek dat dit project een interessante investeringsoptie is om te overwegen voor de NS. Echter moet er vermeld worden dat de kostenbatenanalyse die hier wordt uitgevoerd een speculatieve aard heeft vanwege het ontbreken van voldoende data, e.g. data over renovatie kosten van een station. Ondanks dat de kostenbatenanalyse niet nauwkeurig is, geeft deze wel een idee over de mogelijkheden van het project. Voor de NS zijn de benodigde gegevens waarschijnlijk toegankelijker. Het toepassen van deze gegevens zal dan tot een nauwkeuriger kostenbatenanalyse leiden en een beter inzicht geven in hoeverre het project relevant zou zijn voor de NS. Verder worden er aannames gebruikt over de invloed van klanttevredenheid op omzet, deze kunnen tot onjuiste resultaten leiden aangezien deze aannames niet in elk marktsegment hoeven te gelden. Er is veel onenigheid over de relatie tussen klanttevredenheid en omzet en dit is een interessant punt voor vervolgonderzoek, op dit moment wordt daar dan ook nog veel onderzoek naar gedaan.
Literatuur Adams, F. M., & Osgood, C. E. (1973). A crosscultural study of the affective meanings of color. Journal of CrossCultural Psychology , 4(2), 135156. Apter, M.J. (2007). Reversal Theory: The Dynamics of Motivation, Emotion and Personality, 2nd. Edition. Oxford: Oneworld Publications. Cellini, S. R., & Kee, J. E. (2010). CostEffectiveness and CostBenefit Analysis. Retrieved from http://home.gwu.edu/~scellini/CelliniKee21.pdf Hagen, van M. (2011). Waiting experience at train stations. Eburon Uitgeverij BV. Hagen, van M., Exel, M. (2014). De reiziger centraal. Retrieved November 24, 2014, from http://www.spoorbeeld.nl/inspiratie/dereizigercentraal Van Hagen, M. & Peek, G.J. (2006). Prettiger reizen met de trein. NSklantwensenpiramide is leidraad voor trein en stationsomgeving. Verkeerskunde, 5(juni), 5055 Grönroos, Christian. (1984). "A Service Quality Model and Its Marketing Implications." European Journal of Marketing 18.4 . Keizer, B. de, Geurs, K. T. , Haarsman, G. H. (2012). Interchanges in timetable design of railways: A closer look at customer resistance to interchange between trains. NS, University of Twente. Mehrabian, A. (1980). Basic dimensions for a general psychological theory: Implications for personality, social, environmental, and developmental studies. Cambridge, MA: Oelgeschlager, Gunn & Hain.
Ministerie van Infrastructuur en Milieu (2014), Concessie voor het hoofdrailnet 20152025. Retrieved january 1, 2015, from http://www.rijksoverheid.nl/onderwerpen/openbaarvervoer/documentenenpublicaties/rapporte n/2014/12/15/bijlage1vervoerconcessie20152025.html Nederlandse Spoorwegen (2013), NS Jaarverslag. Retrieved frebruary 4, 2015, from http://2013.nsjaarverslag.nl/FbContent.ashx/downloads/NSjaarverslag.pdf Rijksoverheid (2014), Voorzieningen op het station. Retrieved february 5, 2015, from http://www.rijksoverheid.nl/onderwerpen/openbaarvervoer/hetstation. Russel, J.A. & Pratt, G. (1980). A circumplex model of affect. Journal of Personality and Social Psychology, 39, 11611178 Smets, G. (1969). Time expression of red and blue. Perceptual and Motor Skills , 29(2), 511514. Smith, Amy K., Ruth N. Bolton, and Janet Wagner. (1999). "A Model of Customer Satisfaction with Service Encounters Involving Failure and Recovery." Journal of Marketing Research 36.3 . Valdez, P. & Mehrabian, A. (1994). Effect of color on emotions. Journal of experimental psychology: general , 123(4), 394409 Winkler, G., & Schwaiger, M. S. (2004). Is Customer Satisfaction Driving Revenue – A Longitudinal Analysis With Evidence From The Banking Industry. Journal of Business & Economics Research , 2(1). Woodside, Arch G., Lisa L. Frey, and Robert T. Daly. (1989) "Linking Service Quality, Customer Satisfaction, and Behavioral Intention." Journal of Health Care Marketing 9.4 : 517.
Bijlage 1: Matlab code van model Matlab code %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Students: Casper Thuis, Aron van Baarsen , Nanouk de Jong, Floor Banga % Main function: % Input: 3 different time stamp 8, 10 or 20. % Output: shows different graphs based on the time stamp given. % These graphs show part of the caculations needed to determine the % light intensity and light colour of platform. % The graphs shown represent the following: % * 1 graph that shows the normalised percentage of different travelers % * 1 graph that shows the current best colour based on percentage % travelers % * 1 graph that shows an approximation of a train/trains arriving at % platform % * 1 graph that show flow of light intensity based on the crowdedness at % the platform % 8 8:15 veel mensen veel treinen % 9:45 10:15 minder mensen veel treinen % 19:30 minder minder % function main(timestamp) n1_8 = 200; n2_8 = 100; n1_10 = 100;
n2_10 = 50; n1_20 = 100; n2_20 = 50; % For time 8 till 8:15 if(timestamp == 8) % a rough estimation based on the graph of van Hagen(2011) t = linspace(0,15,60); percentage_must = 60000 + (12500/15)*t; percentage_lust = 3000 + (3000/15)*t; max(percentage_must); % Normalize both formula's total_percentage = percentage_lust+percentage_must; norm_percentage_must = percentage_must./total_percentage; norm_percentage_lust = percentage_lust./total_percentage; % Plot both the formula's in an graph. figure; hold on; ylabel('percantage of travelers'); xlabel('time in minutes'); title('Difference of must and lust travellers between 8 and 8:15'); plot(t, norm_percentage_lust, 'b', 'LineWidth',5); plot(t, norm_percentage_must, 'r','LineWidth',5 ); legend('Lust travelers', 'Must travelers'); set(gca,'FontSize',30)
%plot total of travelers at certrain time interval of a hour % The formula to approximate the trains arrival based on it frequenti is % explained in greater detail in the report, multiple train can be created % easily by adding another sin function. frist_train_interval = 4; second_train_interval = 5; trainformula = abs(n1_8*sin(frist_train_interval*pi*(t 7.5)/60))... + abs(n2_8*sin(second_train_interval*pi*(t)/60)); end % For time 9:45 till 10:15 if(timestamp == 10) t = linspace(0,30,60); % a rough estimation based on the graph of van Hagen(2011) percentage_must = 16000 (2000/30)*t; percentage_lust = 10000 (1000/30)*t; % Normalize both formula's total_percentage = percentage_lust+percentage_must; norm_percentage_must = percentage_must./total_percentage; norm_percentage_lust = percentage_lust./total_percentage; % Plot both the formula's in an graph. figure; hold on;
ylabel('percantage of travelers'); xlabel('time in minutes'); title('Difference of must and lust travellers between 9:45 and 10:15'); plot(t, norm_percentage_lust, 'b','LineWidth',5); plot(t, norm_percentage_must, 'r' ,'LineWidth',5); legend('Lust travelers', 'Must travelers'); set(gca,'FontSize',30) %plot total of travelers at certrain time interval of a hour % The formula to approximate the trains arrival based on it frequenti is % explained in greater detail in the report, multiple train can be created % easily by adding another sin function. frist_train_interval = 4; second_train_interval = 5; trainformula = abs(n1_10*sin(frist_train_interval*pi*(t 7.5)/60))... + abs(n2_10*sin(second_train_interval*pi*(t)/60)); end % For time 19:30 till 20:00 if(timestamp == 20) %% t = linspace(0,30,60); % a rough estimation based on the graph of van Hagen(2011) percentage_must = 13000 (3000/30)*t; percentage_lust = 13000 + (1000/30)*t; % Normalize both formula's total_percentage = percentage_lust+percentage_must;
norm_percentage_must = percentage_must./total_percentage; norm_percentage_lust = percentage_lust./total_percentage; % Plot both the formula's in an graph. figure; hold on; ylabel('percantage of travelers'); xlabel('time in minutes'); title('Difference of must and lust travellers between 19:30 and 20:00'); plot(t, norm_percentage_lust, 'b', 'LineWidth',5); plot(t, norm_percentage_must, 'r','LineWidth',5); legend('Lust travelers', 'Must travelers'); set(gca,'FontSize',30) %plot total of travelers at certrain time interval of a hour % The formula to approximate the trains arrival based on it frequenti is % explained in greater detail in the report, multiple train can be created % easily by adding another sin function. frist_train_interval = 2; second_train_interval = 3; trainformula = abs(n1_20*sin(frist_train_interval*pi*(t 7.5)/60))... + abs(n2_20*sin(second_train_interval*pi*(t)/60)); end %% % Create a graph that show the current colour arousal value based on the
% percentage travelers determined above. figure hold on; ylabel('Scale of waittime experience') xlabel('Time in minutes') str = sprintf('Waittime experience for each color at time = %i', timestamp); title(str, 'FontSize',30 ); %title('Waittime experience for each color') [must_arousal, lust_arousal] = colour_arousal('red'); colour_red_function = must_arousal*norm_percentage_must + norm_percentage_lust*lust_arousal; plot(t, colour_red_function, 'r' ,'LineWidth',4) [must_arousal, lust_arousal] = colour_arousal('blue'); colour_blue_function = must_arousal*norm_percentage_must + norm_percentage_lust*lust_arousal; plot(t, colour_blue_function, 'b' ,'LineWidth',4) [must_arousal, lust_arousal] = colour_arousal('yellow'); colour_yellow_function = must_arousal*norm_percentage_must + norm_percentage_lust*lust_arousal; plot(t, colour_yellow_function, 'Color', [0.8, 0.9, 0.3] ,'LineWidth',4) legend('Red', 'Blue', 'yellow'); set(gca,'FontSize',30) % 3 maal kopieren andere waarde voor andere tijden, % 10 uur = 150 f=3 t = 7 50 f=4 t =7
% 8 uur savond f = 4 n = 50 t1 = 7 f = 2 n = 100 t = 17 % plot the approximation of the train and the precentage of travelers in % that timestamp(not fully functional yet) figure; hold on; plot(t, trainformula, 'b' ,'LineWidth',2) plot(t, trainformula.*norm_percentage_must, 'r' ,'LineWidth',2) plot(t, trainformula.*norm_percentage_lust, 'g' ,'LineWidth',2) xlabel('Time in minutes') ylabel('Amount of travelers') %%% aanpassen str = sprintf('An approximation of a train arriving every %i and %i minutes at time = %i', 60/frist_train_interval, 60/second_train_interval, timestamp); title(str, 'FontSize',30 ); legend('Total', 'Must', 'Lust') set(gca,'FontSize',30) % Partially finished, a graph that show the light intensity based on the % trains arrival. %x = linspace(0,60, 60); figure; hold on; max_8 = n1_8 + n2_8; max_10 = n1_10 + n2_10; max_20 = n1_20 + n2_20; max_value = max([max_8, max_10, max_20]);
lightformula = (max_value 0.5*trainformula)/max_value; plot(t, lightformula, 'LineWidth',2) xlabel('Time in minutes') ylabel('Intensity') legend('light intensity') str = sprintf('Light intensity at time = %i', timestamp); title(str, 'FontSize',30 ); set(gca,'FontSize',30) %% % intergraal voor kleurkeuze figure hold on; intergral_red = sum(colour_red_function); intergral_blue = sum(colour_blue_function); intergral_yellow = sum(colour_yellow_function); intergral_colour = [intergral_red intergral_blue intergral_yellow]; [~,index] = max(intergral_colour); bar(1, intergral_red,'stacked', 'FaceColor', [0.8, 0.3, 0.3]) bar(2, intergral_blue, 'stacked', 'FaceColor', [0, 0.4, 0.8]) bar(3, intergral_yellow, 'stacked', 'FaceColor', [0.8, 0.9, 0.3]) if index == 1 bar(1, intergral_red, 'FaceColor', [0.8, 0.3, 0.3], 'EdgeColor',[0.2 .9 .3],'LineWidth',5) elseif index == 2
bar(2, intergral_blue, 'FaceColor', [0, 0.4, 0.8], 'EdgeColor',[0.2 .9 .3],'LineWidth',5) else bar(3, intergral_yellow, 'FaceColor', [0.8, 0.9, 0.3], 'EdgeColor',[0.2 .9 .3],'LineWidth',5) end str = sprintf('Measured surface to determine the color at time = %i', timestamp); title(str, 'FontSize',30 ); set(gca,'FontSize',30) end
Bijlage 2: Interview met van Hagen16 december 2014 Samen met mijn groepsgenoten ben ik op dit moment bezig met het eindonderzoek voor onze bachelor BetaGamma. Hierbij is het de bedoeling dat we een interdisciplinair onderzoek moeten uitvoeren. Ons team bestaat uit een natuurkundige, KI’er, wiskundige en bedrijfskundige. Wij zijn op uw onderzoeken gestuit naar de wachttijdervaring van treinreizigers. Wij willen graag een model opstellen op basis van uw bevindingen. We willen hierbij kijken naar een perron op een station waarbij de overstap van het ene spoor naar het andere minstens 5 minuten bedraagt. Welk perron van welk station zouden we moeten gebruiken die aan deze eisen voldoet? Den Bosch. Als je met de Intercity uit Utrecht en door naar Tilburg wil, moet je daar vaak 10 tot 15 minuten wachten Is het volgens u handiger om overstappen, en de effecten daarvan op de arousal van de reizigers mee te nemen, of het te beperken tot de invloeden op het station zelf? We weten dat overstap grote invloed heeft op stress (stress = negatieve arousal). We rekenen in de modellen, de verkeersmodellen met een penalty van 10 minuten, maar het blijkt dat dit veel te laag is, het moet zeker 30 minuten zijn. Dus de overstap, ook al duurt het maar 5 minuten, dan rekenen we al 10 minuten in het model. Rechtstreekse lijn vinden mensen prettigste en overstap vinden ze vervelend dan rekenen we wat extra. Uit recent onderzoek toont aan dat het veel zwaarder is. Alleen dat feit dat het zwaarder is, is een signaal dat mensen de tijd zwaar overschatten en ook zwaar in de stress zitten. Als je in de stress zit of in verveling dan overschat je de tijd. Dus overstap heeft wel een groot effect op de arousal en zouden we mee moeten nemen in het model? Ja. Je kunt er ook voor kiezen om twee situaties te schetsen. Een met overstap en een zonder overstap. Want de ene als je er gewoon staat en lang staat te wachten, dan is het verveling. Als je in de ene trein zit en je weet nog niet zeker of je de volgende trein gaat halen, dan slaat er stress
in en neemt de arousal toe. Zodra je weet dat je de overstap gaat halen, dan daalt de stress en na een tijdje wachten slaat de verveling in. Dat zijn beide negatieve arousals en resulteert in een negatieve tijdbeleving Om te bepalen hoeveel reizigers er op een bepaalde tijd op het station aanwezig zijn, konden we twee manieren bedenken. We kunnen dit aantal benaderen met een differentiaalvergelijking of een andere formule, of het aantal schatten. In de praktijk zou het met ovchipkaart data of beeldherkenningstechnieken bepaald kunnen worden. Hoe kunnen we het beste bepalen hoeveel reizigers er op een bepaald moment op het station zijn? Wij zelf gebruiken natuurlijk de ovchipkaart data. Ook de losse kaartverkoop. Van diverse bronnen maken we een relatiematrix (400 bij 400) van alle verbindingen van alle stations naar alle stations en daarvan ook hoeveel er dan per station zijn. Ja, hoe kunnen jullie dit doen zonder gegevens van ons krijgt? Dat is de oefening voor jullie. Voor tellingen op een perron gebruiken we ouderwets mensen met een telknots die bij de in en uitgang staan. Dan weet je hoeveel mensen er in en uit gaan. Op grotere stations (Utrecht, Schiphol, Leiden) hebben we sensoren hangen die meten hoeveel mensen in en uit gaan. Maar daar hebben jullie niet zoveel aan. Ik denk dat jullie het beste kunnen observeren. Een paar mensen staan bij de in en uitgangen en tellen hoeveel mensen in en uit lopen. Alleen als mensen echt overstappen, hoe ga je dan kijken hoeveel mensen dat zijn? Het liefst wil je dan een overzicht van bovenaf hebben. Je zou een videocamera kunnen neerzetten, wel met toestemming, en daarna tellen hoeveel mensen overstappen. Met een smartphone kan je filmen hoeveel mensen uit een trein komt en snel naar de overkant lopen. De beelden kan je achteraf analyseren om te weten hoeveel mensen uit de trein komen, hoeveel er overstappen en daaruit volgt natuurlijk hoeveel mensen weggaan. Dit is methodologisch ook goed omdat iemand anders kan checken of er goed is geteld. Dit is wetenschappelijk verantwoord. Als je niet te opvallend gaat staan dan heb je geen toestemming nodig. Welke reizigers zijn belangrijker voor de NS, de lust of must reizigers? En waarom?
Het is net alsof je een vader vraagt welk kind is belangrijker is. Ze zijn allebei even belangrijk. Er zijn meer lustreizigers, verhouding is ongeveer 8020. 80% lust. In must reizigers zit een routine. Lust reizigers zijn minder routinematig en reizen vaker in de dal. Die reizen minder vaak. ⅓ van alle reizen wordt door de lustreiziger gedaan. Toch zijn lustreiziger voor ons interessant omdat lust reizigers gemiddeld gezien 2 x zo ver reizen dan must reizigers. Wij verdienen geld per gereisde kilometer en onze kosten zijn het laagst in de dal. De kosten voor de lust reizigers zijn laagste in het dal en de opbrengsten zijn hoog. Eigenlijk verdienen we het meest aan de lustreizigers, maar tegelijkertijd voor de mustreizigers moeten we meer capaciteit, moeten we 40% meer materieel en personeel inzetten. Dus voor de bedrjfsaansturing is dat het belangrijkste moment en je moet iedereen mee kunnen nemen. Ze zijn allebei belangrijk maar hebben een andere focus. In de spits moeten we andere dingen doen dan in het dal. In de dal kun je mensen meer welkomgevoel geven, meer zorg en ruimte en aandacht bieden dan in de spits waar mensen zo snel mogelijk van A naar B willen. U raadt als vervolgonderzoek aan om de rol van arousal wat betreft informatieverwerking te onderzoeken. Dit zou inzichten kunnen geven in de tegenstrijdigheid tussen fysieke en mentale stimuli. Wat bedoelt u met de informatieverwerking? De mentale informatieverwerking. Het heeft te maken met je hersenen. Dan heb je een deel, dat is het limbische systeem, dat zit ongeveer in het midden. De grijze massa, de prefrontale cortex, dat is eigenlijk het denken waar je cognitief al het informatie verwerkt. En aandacht kan je verdelen tussen die twee. Je kunt maar een ding tegelijkertijd doen. Het limbisch systeem is vooral onbewust, dus als we niet aan het nadenken zijn dan dromen we weg en dan nemen we de omgeving in ons op. Een voorbeeld is de must reizigers die erg gehaast zijn om een trein te halen. Die hebben een tunnelvisie als ze van het ene kant van een station naar een ander moeten rennen om een trein te halen. Het prefrontale cortex is dan hard bezig. Je kijkt dan niet naar de schoonheid van het gebouw. Je hoofd heeft daar geen ruimte voor, die zijn continu bezig met het scannen van de ruimte. Als je dan de trein mist dan ben je natuurlijk eerst boos, maar dan ebt het weg en gaat de aandacht naar de omgeving en ben je niet meer cognitief bezig met nadenken.