Impact van zelfrijdende wagens op de Transportsector in België · AI Arti cial Intelligence EC...

Faculteit Economie en Bedrijfskunde

Vakgroep Algemene Economie

De impact van zelfrijdende wagens op de

transportsector in België.

door

Jelmer Mons

Promotor: Prof. A. Spithoven

Thesis ingediend tot het behalen van de academische graad van

Master of Science in de Algemene Economie

Academiejaar 2017–2018

VERTROUWELIJKHEIDSCLAUSULE i

Vertrouwelijkheidsclausule

PERMISSION

Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of

gereproduceerd worden, mits bronvermelding.

I declare that the content of this Masters Dissertation may be consulted and/or reprodu-

ced, provided that the source is referenced.

Naam student/name student : Jelmer Mons

Handtekening/signature

VERTROUWELIJKHEIDSCLAUSULE ii

Lijst van afkortingen/acroniemen

(C)AV (Connected) Autonomous Vehicles

AI Artificial Intelligence

EC European Commission

IoT Internet of Things

ITF International Transport Forum

ITLB Instituut voor Transport en Logistiek België

ML Machine Learning

SAE Society of Automotive Engineers

SoC System on Chip

ABSTRACT iii

Abstract

Autonome Voertuigen (AV’en) klinken als verre toekomstmuziek, maar niets is minder waar. De

verwachtingen zijn dat rond 2025-2030, AV’en gëıntroduceerd zullen worden. Deze technologie

maakt het mogelijk om ’driverless’ personen en goederen te transporteren. Dit zal een grote schok

in de transportsector teweeg brengen, aangezien de loonkosten van chauffeurs een groot aandeel

hebben in de totale kosten van transportbedrijven.

In deze thesis wordt een poging ondernomen om deze impact op de transportsector in België zo

goed mogelijk in te schatten. Er wordt een baseline situatie opgesteld tesamen met een schatting

voor de adoptiepercentages van AV’en voor 2030 en 2050. Vervolgens wordt de impact van AV’en

op de baseline situatie ingeschat, er wordt gekeken naar bepaalde factoren zoals tewerkstelling en

congestie.

De verwachtingen zijn dat AV’en zullen zorgen voor een enorme stijging in de vraag naar vervoer

over de weg, wat ook zal zorgen voor een stijging van de congestie. Deze stijging wordt echter

teniet gedaan aangezien AV’en de congestie ook verminderen door een verbeterde doorstroming

en vehicle sharing. De tewerkstelling in zowel het personen- als goederenvervoer zal zware klap-

pen krijgen. Zo zullen bijvoorbeeld (traditionele) taxi’s onhoudbare concurrentie ondervinden

van ’Mobility as a Service’ of ’vehicle sharing’ modellen. Op basis van deze inzichten worden er

in de conclusie aanbevelingen weergegeven.

INHOUDSOPGAVE iv

Inhoudsopgave

Vertrouwelijkheidsclausule i

Abstract iii

Inhoudsopgave iii

1 Inleiding 1

1.1 Situering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Transportsector in België: Situering 6

2.1 Huidige situatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1.1 Personenvervoer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1.2 Goederenvervoer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2 Voorspelling tijdlijn autonome voertuigen . . . . . . . . . . . . . . . . . . . 13

2.2.1 Introductiedatum van autonome voertuigen . . . . . . . . . . . . . 14

2.2.2 Adoptie snelheid . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.2.3 Overzicht . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3 Toekomstverwachtingen (Baseline) 29

3.1 Personenvervoer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.1.1 Aantal afgelegde reizigerkilometers . . . . . . . . . . . . . . . . . . 30

3.1.2 Tewerkstelling Personenvervoer . . . . . . . . . . . . . . . . . . . . 31

3.2 Goederenvervoer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.2.1 Vervoerde tonkilometer . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.2.2 Tewerkstelling Goederenvervoer . . . . . . . . . . . . . . . . . . . . 38

3.2.3 Brandstofverbruik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.3 Congestie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

4 Gevolgen van Autonome Voertuigen 44

4.1 Personenvervoer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.1.1 Aantal afgelegde reizigerkilometers . . . . . . . . . . . . . . . . . . 44

INHOUDSOPGAVE v

4.1.2 Tewerkstelling personenvervoer . . . . . . . . . . . . . . . . . . . . 51

4.2 Goederenvervoer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.2.1 Vervoerde tonkilometer . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.2.2 Tewerkstelling Goederenvervoer . . . . . . . . . . . . . . . . . . . . 59

4.2.3 Brandstofverbruik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4.3 Congestie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.3.1 Rijstijl AV’en . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.3.2 Minder ongevallen . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4.3.3 Extra toename vervoersvraag . . . . . . . . . . . . . . . . . . . . . 73

4.3.4 Vehicle Sharing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4.3.5 Overzicht impact congestie . . . . . . . . . . . . . . . . . . . . . . . 76

5 Conclusie 78

5.1 Aanbevelingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

5.2 Zelfreflectie & Toekomstig werk . . . . . . . . . . . . . . . . . . . . . . . . 80

Bibliografie 82

Lijst van figuren 87

Lijst van tabellen 89

INLEIDING 1

Hoofdstuk 1

Inleiding

Het concept van Autonome Voertuigen (AV’en) is vandaag de dag één van de veelbesproken

’emerging technologies’. Het is een technologie die reeds in primitieve vorm beschikbaar

is, en zich snel ontwikkelt met behulp van andere technologieën zoals Machine Learning

(ML) en Internet of Things (IoT).

Er bestaan verschillende interpretaties van het concept ”zelfrijdend”. In deze studie wordt

uitgegaan van de classificatie van de Society of Automotive Engineers (SAE) International

(figuur 1.1). Deze classificatie classificeert AV’en aan de hand van competenties, waarbij

een hoger niveau weergeeft dat een systeem over meer competenties beschikt. Momenteel

zitten de meeste nieuwe systemen op SAE niveau 2 of 3 en gebeuren er reeds expirimenten

met systemen op SAE niveau 4 (Waymo, Uber, ...).

Deze studie focust zich op de impact die AV’en met de hoogste niveaus (SAE niveaus 4 en

5) zouden hebben op de transportsector in België. Vanaf deze niveaus wordt het mogelijk

wordt om ’driverless’ te werk te gaan. Het verschil tussen niveaus 4 en 5 is dat op niveau 4

enkel in gekende situaties driverless zou zijn (bv. geen sneeuw), terwijl niveau 5 theoretisch

overal inzetbaar zou zijn.

Deze revolutie zal voor enorme veranderingen zorgen in de transportsector aangezien mo-

menteel de loonkosten van chauffeurs een groot deel uitmaken van de totale kosten. Uit de

kerncijfers van het Instituut voor Transport en Logisitek België (ITLB) [6] blijkt immers

dat de loonkosten van chauffeurs in een gemiddeld Belgische transportbedrijf meer dan een

derde uitmaakt van de totale kosten (figuur 1.2). Aangezien er in de transportsector in

België meer dan 200.000 mensen tewerkgesteld zijn (∼ 5% actieve bevolking - data RSZ,2018 [7]), dan is het duidelijk dat deze technologie zware socio-economische gevolgen kan

hebben.

INLEIDING 2

Figuur 1.1: Overzicht van SAE-niveaus [3]

.

Figuur 1.2: Overzicht van aandeel kosten per post bij Belgisch transportbedrijf [6]

.

1.1 Situering 3

1.1 Situering

Het idee van een AV is niet nieuw, maar was nog nooit praktisch haalbaar wegens tech-

nologische limitaties. Vandaag de dag kent deze technologie echter een zéér explosieve

vooruitgang wegens krachtigere chipsets en enorme vooruitgang in technologieën zoals IoT

en ML.

Echter kunnen we momenteel nog niet spreken van volledig autonome voertuigen. Mensen

moeten nog steeds het grootste deel van de handelingen uitvoeren, waarbij er commerciële

opties beschikbaar zijn die deels de controle over het voertuig overnemen. Deze opties

hebben echter eerder een ondersteunende functie (Adaptive cruise control, Lane assist, ...)

en verlichten de last van de bestuuder. Deze systemen bevinden zich op SAE niveau 1.

Momenteel zijn er ook enkele autoproducenten bezig met primitievere versies van auto-

noom rijden (SAE niveau 2/3 - zie figuur 1.1) te commercialiseren. Deze versies kunnen

in bepaalde specifieke situaties (bv. snelweg) gebruikt worden om het rijden grotendeels

te automatiseren, maar opnieuw moet de bestuurder hier aandachtig blijven en de handen

op het stuur houden. De wagen kan hierbij zelf accelereren/decelereren en sturen. Deze

opties zijn voornamelijk enkel op luxe wagens beschikbaar. Voorbeelden van producenten

die deze opties aanbieden zijn Tesla, Volvo en Audi. Zo heeft Audi eind 2017 een nieuw

model van de A8 gelanceerd, waarbij Audi claimt dat deze in de nabije toekomst zou be-

schikken over een SAE niveau 3, wat de eerste commerciëel beschikbare wagen zou zijn

met dit niveau.

Tot slot zijn er ook nog tal van bedrijven bezig met het testen van hogere SAE niveaus.

Deze voertuigen zijn prototypes waarmee men expirementeert, en zijn dus (nog) niet com-

mercieel beschikbaar. Deze bedrijven zijn overigens niet enkel autobouwers zoals Volvo,

Mercedes, etc. maar ook technologie bedrijven zoals Google (Waymo) en Uber. Aan de

hand van ML ’leren’ deze voertuigen alsmaar beter autonoom te rijden, door te rijden

(wegens een grotere beschikbaarheid van data). Dit ’leerproces’ gaat echter niet zonder

slag of stoot, zo kwam er in maart 2018 in Arizona (VS) een vrouw om het leven, nadat

een zelfrijdend testvoertuig van Uber haar niet had opgemerkt [2].

Toekomst

Zoals reeds aangehaald zouden AV’en (SAE niveaus 4 en 5) relatief snel de markt kunnen

betreden. In een paper van S. Underwood (2015) [5] is er een enquête afgenomen bij exper-

ten, die voornamelijk uit de automobielsector komen. Uit de resultaten van deze enquête

1.1 Situering 4

Figuur 1.3: Sensoren van Audi A8 model 2017 (mogelijkheid tot SAE niveau 3) [1]

.

blijkt dat deze experten geloven dat de eerste AV’en een intrede zouden kunnen doen rond

2025. We komen later in dit onderzoek nog terug op de resultaten van deze paper.

De relatief snelle intrede van AV’en kan men ook deels verklaren aan de hand van de snelle

ontwikkelingen in Artificiële Intelligentie (AI), waarvan ML een onderdeel is. Deze tech-

nologie vereist enorm veel bewerkingen en heeft dus nood aan zeer krachtige chipsets. De

laatste jaren is ook op dit vlak ook een enorme vooruitgang geboekt, zo kondigde NVIDIA

onlangs een System-on-Chip (SoC) ’Xavier’ aan op CES (Consumers Electronics Show)

2018 [4]. Deze SoC is speciaal ontwikkeld voor zelfrijdende voertuigen en zou dertig bil-

joen (30.000.000.000.000) operaties per seconde kunnen uitvoeren, wat belangrijk is voor

zelfrijdende systemen, aangezien deze veel bewerkingen moeten uitvoeren.

Deze ontwikkelingen in SoC’s zijn niet te onderschatten aangezien deze in essentie ’het

brein’ van AV’en zijn. Hoe sneller deze chipsets zijn, hoe beter een zelfrijdend systeem

informatie kan verwerken en hoe beter (en veiliger) het systeem dus zal werken.

Tot slot zijn de toekomstverwachtingen ook dat voertuigen meer geconnecteerd zullen zijn

met elkaar, en data met elkaar zullen uitwisselen. Deze technologie kan men paren met

AV’en om zo ”Connected Automated Vehicles” (CAV) te bekomen. In deze studie focussen

we ons echter op AV’en, en wordt er abstractie gemaakt van het feit of deze geconnecteerd

1.1 Situering 5

zijn of niet.

Het feit dat er in de nabije toekomst AV’en beschikbaar zullen zijn die volledig driver-

less tewerk gaan, zal voor een enorme verandering zorgen in de maatschappij. De sector

die hierdoor waarschijnelijk het hardst getroffen zal worden, is de transportsector, waar de

loonkosten van chauffeurs een groot deel van de totale kosten uitmaken. Het zal voor deze

sector vrijwel zeker interessant zijn om te investeren in deze technologie, aangezien dit zich

vrijwel zeker in een kostenbesparing zal vertalen. Hierbij komen ook nog eens bijkomende

voordelen van AV’en zoals het feit dat ze niet gebonden zijn aan rij- en rusttijden (fre-

quenter inzetbaar), en dat ze minder kans hebben om ongevallen te veroorzaken.

AV’en zullen dus zorgen voor een grote socio-economische impact op de transportsector,

met als wellicht belangrijkste effect een verlies aan jobs. Aangezien dat er in België in de

transportsector meer dan 200.000 mensen (∼ 5% actieve bevolking - data RSZ [7]) tewerk-gesteld zijn, kan deze technologie mogelijks voor een golf aan werkloosheid zorgen.

Het doel van deze studie is om deze impact op de transportsector in België te voorspellen

en zo goed mogelijk in kaart te brengen.

In hoofdstuk 2 wordt er een overzicht gemaakt van de huidige situatie van de transportsec-

tor in België. Vervolgens wordt er een tijdlijn opgebouwd van AV’en, waarbij er gekeken

wordt wanneer deze hun introductie hebben, en hoe snel de adoptie van AV’en verloopt.

In hoofdstuk 3 wordt vervolgens een toekomstverwachting voor de transportsector ge-

schetst, waarbij er geen rekening gehouden wordt met AV’en (baseline situatie). In deze

toekomstverwachting wordt er gekeken naar factoren zoals de vraag naar vervoer, aantal

jobs, ...

In hoofdstuk 4 wordt bekeken welke impacten AV’en kunnen hebben op de toekomstver-

wachtingen uit hoofdstuk 3, alsook hoe zwaar deze impacten mogelijks zullen zijn.

Tot slot wordt in hoofdstuk 5 een conclusie weergegeven, alsook aanbevelingen voor be-

leidsmakers, mogelijke verbeteringen en uitbreidingen voor toekomstig werk.

TRANSPORTSECTOR IN BELGIË: SITUERING 6

Hoofdstuk 2

Transportsector in België: Situering

In dit hoofdstuk wordt eerst een algemeen beeld geschetst van de transportsector in België.

Eerst wordt de huidige situatie weergegeven, er wordt gekeken naar zaken zoals tewerk-

stelling, vervoersvraag en verschillende modi. Uit deze inzichten zal ook duidelijk worden

waarom deze studie van belang is.

Vervolgens wordt er ook een ruwe inschatting gemaakt van de tijdlijn van AV’en. Wanneer

worden deze gëıntroduceerd en hoe verloopt de adoptie hiervan? Deze tijdslijn is belang-

rijk aangezien het inzicht geeft in de overgangsperiode, dit inzicht wordt gebruikt bij de

voorspellingen van de impacten van AV’en in hoofstuk 4.

Inzake vervoer maakt men onderscheid tussen twee categorieën: personenvervoer en goe-

derenvervoer. Het is belangrijk om deze opsplitsing te maken aangezien dit twee zeer

verschillende types vervoer zijn met verschillende doeleinden en bepalende factoren.

Bij personenvervoer is het doel typisch woon-werk, shopping, recreatief, ... en wordt dit

bepaald door zaken zoals inkomen, wagenbezit, aantal inwoners, ...

Goederenvervoer heeft voornamelijk een economisch doel, het transporteren van goede-

ren maakt economische activiteiten mogelijk, waaruit men winsten probeert te realiseren.

Goederenvervoer is voornamelijk een afgeleide vraag van de economische activiteit, hoe be-

ter het gaat met de economie (hoogconjunctuur), hoe groter de vraag naar goederenvervoer.

Bij zowel personen- als goederenvervoer moet men overigens ook rekening houden met

de verschillende modi (weg, spoor, binnenvaart). Bij het analyseren van de transportsector

wordt er dan ook speciaal rekening gehouden met deze verschillende vervoersmodi. Men

kan deze in feite zien als subsectoren van de transportsector, aangezien ze verschillende

karakteristieken hebben.

2.1 Huidige situatie 7

De focus ligt in deze studie voornamelijk op wegvervoer, aangezien dit de meest dominante

vervoersmodus is voor zowel personen- als goederenvervoer (zie sectie 2.1). Ook wordt voor

de toekomst voorspeld dat deze dominantie behouden blijft, en mogelijks nog zal groeien

(Federaal Planbureau, 2015 [17]). Overigens is er momenteel ook een ’hype’ rond zelfrij-

dende wagens, wat de bevorderingen hierin enkel maar zal stimuleren. Dit neemt echter

niet weg dat ook bij de andere modi gekeken wordt naar zelfrijdende systemen, zoals op

het spoor en in de binnenvaart.

Noot: Er wordt in deze studie geen rekening gehouden met lucht- of zeevaart. Deze

studie focust zich op transport met kortere afstanden.

2.1 Huidige situatie

In deze sectie wordt een kort overzicht gegeven over de essentiële aspecten van de huidige

situatie van de transportsector in België. Het gaat voornamelijk over relevante factoren

die voor deze studie van belang zijn.

2.1.1 Personenvervoer

Uit de kerncijfers van FOD mobiliteit België (2017) [8] blijkt dat het personenvervoer (in

reizigerskm/jaar) licht aan het stijgen is en dat wegvervoer dominant is (∼ 80%) t.o.v.de overige modi (figuur 2.1). Deze dominantie is deels te verklaren via zaken zoals het

overheidsbeleid (bv. bedrijfswagens), de infrastructuur (bv. lintbebouwing), en ontevre-

denheid over het openbaar vervoerssysteem. De ontevredenheid over het openbaar vervoer

in België kan men zien via de ”Consumer Scoreboard” van de Europese Commissie (2018)

[18], waar België op vlak van ’tevredenheid over spoordiensten’ (0-10) slecht scoort t.o.v.

de eurozone (5,4 t.o.v. 6,6)


Figuur 2.1: Evolutie personenvervoer (in reizigerskm) per modi [8].

De recente evolutie van het aantal tewerkgestelden in het personenvervoer is redelijk

stabiel (figuur 2.2). Deze sector is amper getroffen door de recente crissisen in tegenstelling

tot het goederenvervoer. Een mogelijke verklaring hiervoor is het feit dat een zeer groot

deel van de tewerkstelling zich in het openbaar vervoer bevindt (NMBS/SNCB, De Lijn, ...)

en dit typisch overheidsbedrijven zijn. Grote ontslagen gebeuren in deze overheidsbedrij-

ven ook minder vaak, aangezien deze vaak gebruikt worden voor tewerkstellingspolitiek.

Een andere verklaring voor deze stabiliteit is dat, in tegenstelling tot goederenvervoer,

personenvervoer niet enkel een afgeleide vraag is van economische activiteit. Zelfs als het

slechter gaat met de economie, zal er vraag blijven naar personenvervoer. Als een persoon

bijvoorbeeld werkloos is, dan heeft deze persoon nog steeds nood aan vervoer om bijvoor-

beeld boodschappen te doen, te soliciteren, etc.


Figuur 2.2: Evolutie tewerkstelling goederenvervoer vs. personenvervoer (NACE-5 categorie H,

met uitzondering van opslag- en dienstencategorieën - data RSZ [7]).

2.1.2 Goederenvervoer

Ook in het goederenvervoer is wegvervoer dominant volgens de kerncijfers van FOD mo-

biliteit (2017) [8]. In figuur 2.3 kan men deze dominantie duidelijk zien, deze dominantie

(∼ 70%) gaat overigens gepaard met een stijgende trend. Deze stijgende trend kan ver-klaard worden via de aantrekkende economie, de vraag naar goederenvervoer is immers

een afgeleide vraag van de economische activiteit. In het laatste decennium is deze groei

echter wat afgeremd wegens de economische crisis van 2007 en de eurocrisis van 2012.

De dominantie van wegvervoer kan men ook veklaren aan de hand van verschillende fac-

toren. Wegvervoer is voor de meeste bedrijven de gemakkelijkste keuze aangezien het een

zeer flexibele sector is met veel concurentie (= lage prijzen) en een lage instapdrempel.

Als men dit vergelijkt met bijvoorbeeld het spoor, waar men reeds lange tijd op voorhand

ritten moet inplannen, en veel meer documenten moet invullen (instapdrempel), kan men

inzien waarom wegvervoer voor zoveel bedrijven interessanter is. Overigens is wegvervoer

typisch ook sneller dan spoor of binnenvaart (origin-to-destination), en heeft men over het

algemeen voor de ”first mile” en de ”last mile” alsnog wegvervoer nodig.


Figuur 2.3: Evolutie goederenvervoer (in tonkm) per modi [8].

Zoals men reeds kon zien in figuur 2.2, heeft de tewerkstelling bij het goederenvervoer

een enorme klap ontvangen na de crissisen wegens de lagere economische activiteit.

Vandaag de dag trekt de economie echter weer aan, waardoor de vraag naar transport

stijgt. Dit zien we ook in de evolutie van tewerkstelling in figuur 2.2, waarbij er zich in het

laatste jaar opnieuw een lichte stijging voordoet. Er heerst momenteel zelfs een tekort aan

truckchauffeurs [11] en treinbestuurders [12]. Met stijgende vooruitzichten zal dit tekort

enkel nog maar toenemen, dit kan in de toekomst de golf van mogelijke ontslagen door

AV’en verzachten.

In de white paper 2011 van de Europese Commissie (EC) [10] wordt een toekomstvisie

geschetst van transport in Europa. Één van de belangrijkste punten in deze white paper

is een toename van multimodaliteit, vooral over langere afstanden. Dit zou inhouden dat

voor personenvervoer, mensen meer gebruik zouden moeten maken van treinen etc. over

lange afstanden. Dit is momenteel in Europa echter eerder moeilijk gezien de grote hete-

rogeniteit van het netwerk. Europa heeft ook hier plannen om één groot Europees netwerk

op te bouwen, het Trans-European Transport Network (TEN-T). Dit zou op lange termijn

kunnen helpen om de dominantie van wegvervoer aan te kaarten.


Voor goederenvervoer betekent deze multimodaliteit dat men goederen zou aggregeren over

lange afstanden via spoor of binnenvaart om ze daarna weer te verdelen op basis van hun

eindbestemming. Het doel zou zijn dat goederen het grootste deel van hun reis dus via al-

ternatieve modi afleggen. Het uiteindelijke effect zou dan een verschuiving van wegvervoer

naar spoor en binnenvaart moeten betekenen, waardoor de dominantie van wegvervoer

af zou moeten nemen. Wat de huidige verwachtingen zijn van deze multimodaliteit zijn

weergegeven in sectie 3.2.1.

Transportbedrijven in deze alternatieve transportmodi (spoor en binnenvaart) zijn echter

ook gëınteresseerd in zelfrijdende of zelfvarende technologie: zo blijkt onder andere uit een

statement van de CEO van Lineas Intermodal (het voormalige B-cargo) [13]:

”Pauwels droomt ervan het spoorgoederenvervoer in Europa technologisch naar

een heel ander tijdperk te voeren. Nu de zelfrijdende auto’s voor de deur

staan, moet het volgens hem zeker haalbaar zijn om zelfrijdende treinen te

introduceren. ’Dat is zelfs makkelijker, want een trein zit vast aan twee sporen.’

In een eerste fase denkt Pauwels aan experimenten met zelfrijdende machines

op rangeerstations, waar wagons samengekoppeld of losgemaakt worden. Pau-

wels is er rotsvast van overtuigd dat zijn bedrijf zo heel wat geld en tijd kan

uitsparen.”

Het is duidelijk dat niet enkel wegvervoer de mogelijkheden en voordelen van automa-

tisering inziet. Het is dus te verwachten dat men zelfrijdende systemen in alle modi zal

aantreffen.

Goederenvervoer over de weg

Aangezien het wegvervoer bij goederen zo dominant is, en dit dus de belangrijkste modus

bij uitstek is, gaan we hier nog iets verder op in.

De marktstructuur van wegvervoer in België leunt volgens de Europese Commissie [18]

zeer dicht tegen volkomen concurrentie (figuur 2.4), het is een competitieve sector waar

flexibiliteit en prijs een cruciale rol spelen.

Figuur 2.4: Marktstructuren per modus in België volgens de Europese Comissie [18].


Overigens blijkt uit de kerncijfers van het ITLB (Instituut voor Transport en Logistiek

België) [6] dat goederenvervoer typisch uitgevoerd wordt voor rekening van derden (∼ 75%van tonkm), wat aangeeft dat een groot deel van bedrijven in de transportsector diensten

aanbiedt aan derden.

Dit wijst er op dat competitiviteit een belangrijke component is in deze sector. Dit kan

bijvoorbeeld betekenen dat bedrijven die in de toekomst investeren in AV’en, onder de

prijs van concurrenten kunnen duiken die deze investering niet hebben gedaan. Dit zou

als gevolg kunnen hebben dat investeren in deze technologie als noodzakelijk gezien wordt

indien men competitief wil blijven.

Als we naar de kostenstructuur binnen een gemiddelde Belgische onderneming kijken, dan

zien we dat de loonskosten voor chauffeurs het grootste aandeel heeft met ongeveer 40%,

gevolgd door brandstofkosten op 20% (Kerncijfers ITLB (2017) [6])) (figuur 1.2).

Dit zijn net twee posten waarbij AV’en forse kostenbesparingen kunnen opleveren. AV’en

hebben geen (minder) nood aan een chauffeur, waardoor men de grootste post van de kos-

ten (deels) kan schrappen. Hiernaast kunnen AV’en veel dichter op elkaar rijden, waardoor

ze minder luchtweerstand ondervinden en dus brandstof kunnen besparen. Dit effect is

extra groot bij vrachtwagens, en is vandaag de dag al aangetoond bij expirementen van

platooning1 waarbij de autonoom-volgende vrachtwagens een brandstofbesparing kunnen

bereiken van ongeveer 10% [15].

Deze kostenreducties zullen een grote incentive vormen voor ondernemingen om in

AV’en te investeren. Overigens hebben AV’en extra voordelen zoals een verlaagde kans

op ongevallen, en het niet gebonden zijn aan rij- en rusttijden. Het is dus aannemelijk

dat investeringen in AV’en (eens deze commercieel beschikbaar zijn) zeer aantrekkelijk, en

mogelijk zelfs noodzakelijk zullen zijn voor ondernemingen.

Dat een kostenbesparingen een grote incentive kan zijn om te investeren blijkt ook uit

de recent ingevoerde kilometerheffing op vrachtwagens in België. Sinds zijn invoering op 1

april 2016 is het aantal Euro 6-trucks in België zo goed als verdubbeld [16], waardoor meer

dan de helft van de vrachtwagens vandaag de dag Euro 6-trucks zijn. Dit zijn de minst

vervuilende vrachtwagens, waarop men minder kilometerheffing betaald. Men kan dus met

1Platooning is een technologie waarbij men voertuigen (typisch vrachtwagens) samenvoegt tot een kon-

vooi. In dit konvooi zit enkel in het eerste voertuig een bestuurder, de overige voertuigen (zonder (actieve)

bestuurder) volgen autonoom de leider. Aangezien de ’volgers’ bestuurd worden door computersystemen,

hebben deze veel snellere reactietijden dan mensen, en kunnen deze volgers dus dicht op elkaar rijden.

2.2 Voorspelling tijdlijn autonome voertuigen 13

redelijke zekerheid concluderen dat de kostenbesparing van deze Euro 6-trucks een grote

incentive is voor ondernemingen om hierin te investeren.

Figuur 2.5: Aandeel Vrachtwagens volgens Euro-norm sinds invoering kilometerheffing in België

(ViaPass (2018) [16]).

2.2 Voorspelling tijdlijn autonome voertuigen

Vooralleer we de toekomstsituatie van de transportsector kunnen inschatten, is het be-

langrijk om te weten over welke tijdlijn dit gedaan moet worden. Daarom wordt in dit

hoofdstuk gekeken naar voorspellingen van zowel de introductiedatum als de adoptiesnelheid

van AV’en. Aangezien dit onzekere voorspellingen zijn (lange termijn) wordt er rekening

gehouden met verschillende scenario’s.

Voor zowel de introductiedatum als de adoptiesnelheid wordt een onderscheid gemaakt

tussen privé- en commerciële doeleinden. Bij commerciële doeleinden is er veel meer geld

te verdienen wegens de grote incentives die bedrijven hebben om deze technologie te inves-

teren, wat onder andere zal leiden tot een snellere adoptiesnelheid en zelfs mogelijks een

vroegere introductiedatum. Bij commerciële doeleinden worden de voertuigen dus gebruikt

als ’asset’, terwijl dit voor privé doeleinden meer een ’liability’ vormt.

Noot: Bij gebrek aan data voor de modi spoor en binnenvaart, worden bij deze modi

dezelfde cijfers gebruikt als wegvervoer. Ook is bijvoorbeeld voor het spoor de ontwikke-

ling van deze systemen zeer specifiek (verschillende controle signalen, infrastructuur, ...),

wat het voorspellen van de introductie moeilijker maakt.


De focus in deze studie ligt dus voornamelijk op wagens, maar bij het voorspellen van de

impact hiervan wordt er vanuit gegaan dat zelfrijdende systemen bij andere modi zich aan

een gelijkaardig tempo ontwikkelen.

2.2.1 Introductiedatum van autonome voertuigen

Privé doeleinden

In een studie van Steven Underwood (2015) [5] is één van de onderzoekspunten de in-

troductiedata van deze zelfrijdende systemen. Hiervoor werd een internationale enquête

uitgevoerd bij meer dan driehonderd experten van verschillende organisaties, waaronder

SAE (Society of Automotive Engineers), dezelfde organisatie die de classificatie van zelf-

rijdende wagens ontworpen heeft (figuur 1.1).

Als we naar de resultaten van de geschatte introductiedata van deze enquête kijken (figuur

2.6), zien we eerst en vooral dat er een redelijke consensus is tussen organisaties wat be-

treft de geschatte introductiedata. Deze schattingen zijn opgedeeld in drie delen: eerste

kwartiel (75% data hoger), de mediaan (50% data hoger), en het derde kwartiel (25% data

hoger). In feite kan men deze kwartielen zien als een optimistische visie (eerste kwartiel),

een gemiddelde visie (mediaan), en een pessimistische visie (derde kwartiel).


Figuur 2.6: Resultaten enquête van S. Underwood [5]. Geschatte introductiedata tot de markt

van verscheidene zelfrijdende technologieën.

De introductiedata die bij deze studie het meest interessant zijn, zijn die van SAE

niveau 4 (High - freeway & urban). Vanaf dit niveau is er reeds een hoge vorm van au-

tomatisering mogelijk, en kan men dus voor een groot deel reeds ’driverless’ tewerk gaan.

We zien dat de experten hiervoor een introductiedatum schatten van 2024 (optimistisch),

2025 (gemiddeld), en 2030 (pessimistisch).

De stap van SAE niveau 4 naar 5 impliceert dat de AV’en overweg kunnen met alle situa-

ties, zonder dat een bestuurder hierbij moet ingrijpen. Dit is een redelijke stap, aangezien

er veel verschillende soorten situaties zijn (bv. sneeuw). Dit betekend echter niet dat sys-

temen met SAE niveau 4 incapabel zijn, het zijn geavanceerde systemen die zich zonder

bestuurder kunnen verplaatsen in gekende situaties. Deze systemen kunnen dus ’driverless’

ingezet worden in deze gekende situaties, zoals bijvoorbeeld vrachtvervoer over gemiddelde

afstanden bij gekende weersituaties. Indien een onbekende situatie zich voordoet, zal het

systeem zorgen voor een ”fail-safe”, waarbij het voertuig op een veilige manier tot stilstand

wordt gebracht.

Volgens de meningen van deze experts zouden systemen met SAE niveau 5, ongeveer vijf


jaar later gëıntroduceerd worden dan systemen met SAE niveau 4. Dit zou betekenen dat

deze systemen hun introductie zullen kennen rond (of kort na) 2030.

Dat hier slechts vijf jaar tussen zit, kan verklaard worden door het feit dat deze overgang

naar SAE niveau 5, voornamelijk een verbetering van software betekent. Men zou the-

oretisch de bestaande voertuigen met SAE niveau 4 kunnen upgraden naar SAE niveau

5, via een softwareupdate. Het is ook niet ondenkbaar dat men oudere voertuigen kan

’retrofitten’ met deze nieuwe technologie. Dit betekent dat men deze oudere voertuigen

eenvoudig kan uitrusten met deze nieuwe technologie (sensoren, processing unit, ...). Dit is

mogelijk aangezien de meeste voertuigen vandaag de dag, ”drive by wire” zijn, waardoor

een computersysteem de besturing van het voertuig volledig overneemt. Hierdoor kan de

investeringskost gedrukt worden, waardoor de kloof tussen deze systemen nog kleiner wordt.

Deze geschatte introductiedata zijn echter voor de Verenigde Staten. We veronderstel-

len in deze studie dat de introductie van deze zelfrijdende systemen in de westerse wereld

gelijktijdig gebeurt.

De introductiedata kunnen echter wel vertraagd worden door bijvoorbeeld een restrictief

overheidsbeleid, die extra eisen oplegt aan AV’en.

Overheidsbeleid zal ook nodig zijn, een voorbeeld hiervan is certifiëring: dit is noodzakelijk

zodat de zelfrijdende systemen die op de markt uitgebracht worden goed getest zijn en aan

de eisen voldoen. Het is dan ook belangrijk dat de overheid tijdig een raamwerk opzet voor

de regulering van AV’en. Op deze manier zouden AV’en vlotter de markt kunnen betreden.

Aangezien deze enquête reeds in 2015 werd uitgevoerd, kunnen we vandaag de dag reeds

enkele van deze voorspellingen beoordelen. Voor de situatie met SAE level 3 (freeway

automation) worden voorspellingen weergegeven van 2017 tot 2021. Het reeds gegeven

voorbeeld van de recent gëıntroduceerde Audi A8 (figuur 1.3) past hier mooi in. Deze

wagen heeft alle benodigde sensoren om hieraan te voldoen, en Audi claimde dan ook dat

deze wagen binnenkort deze mogelijkheid zou hebben [1]. Ook het voorbeeld van geauto-

matiseerde shuttle diensten klopt, zo hebben De Lijn en Brussels Airport onlangs nog een

project opgestart om geautomatiseerde shuttles te gebruiken op de luchthaven [26].

Het is dus waarschijnelijk dat de voorspellingen van deze experten goed aansluiten bij de

realiteit voor deze scenario’s, en geeft dus extra credibiliteit voor de voorspellingen omtrent

2025-2030. Deze voorspellingen bevinden zich echter wel op langere termijn, waardoor er

inherent meer onzekerheid is.

Een studie van Todd Litman (Victoria Transport Policy Institute, 2018 [19]) beaamt deze


geschatte introductieperiode, het is een schatting die niet enkel opduikt in de paper van

Underwood [5]. Litman voegt er wel bij dat dit een optimistische visie is. Volgens Litman

zal deze technologie bij introductie zéér duur zijn, en gedurende langere tijd niet werken in

situaties zoals sneeuw en zware regen (SAE niveau 4). Ook over de adoptie snelheid is Lit-

man pessimistischer, auto’s zijn duurzamer en prijziger dan ooit, en kan men bijvoorbeeld

niet vergelijken met de adoptiesnelheid van smartphones. Hierbij komt de verwachting dat

de meerprijs van autonome systemen gedurende langere periode hoog zal blijven. De visie

van Litman ziet er als volgt uit (figuur 2.7):

Figuur 2.7: Geschatte introductiedata tot de markt van AV’en (SAE niveau 4) [19].

Hier ligt de verwachting dus dat men rond het einde van 2020s (2025 - 2030) de intro-

ductie zal krijgen, en deze pas zal aanzwengelen in de volgende twee decennia. Ook moet

men rekening houden met het feit dat deze voorspellingen gebaseerd zijn op voorgaande

innovaties in de automobielsector zoals bijvoorbeeld automatische transmissies. Dit kan

een goede indicatie zijn voor privé doeleinden, maar niet voor commerciële doeleinden.

Commerciële doeleinden

Het is niet ondenkbaar dat naast een snellere adoptie, zelfrijdende systemen voor com-

merciële doeleinden ook vroeger op de markt kunnen komen dan systemen voor privé

doeleinden. Bedrijven hebben een grotere incentive om te investeren: loonkosten van

chauffeurs zijn een groot deel van de totale kosten en er is momenteel al een tekort aan

truckchauffeurs, en dit tekort zal enkel nog maar stijgen in de toekomst. Hiernaast zijn

voor bedrijven deze voertuigen typisch activa (brengen geld op), terwijl deze voor huishou-

dens typisch liabilities zijn (kosten geld).

Ook hebben deze voertuigen in de bedrijfswereld (bv. vrachtwagens) andere gebruikspatro-

nen dan personenwagens: zo besteden vrachtwagens bijvoorbeeld veel tijd op de snelweg,

wat makkelijker is om te automatiseren dan bijvoorbeeld stadsrijden, waar vrachtwagens


amper komen. waardoor vrachtwagensystemen met SAE niveau 4 in principe ’eenvoudiger’

zijn vergeleken met systemen in personenwagens.

Daarnaast kan men in de bedrijfswereld ook praktisch gebruik maken van verscheidene

tussenvormen van ’autonoom’ rijden gebruiken. Voorbeelden van deze tussenvormen zijn

platooning of monitoring vanop afstand (figuur 2.8), waarbij men kan interveniëren indien

nodig. In het geval van monitoring zullen in het controle centrum chauffeurs aanwezig zijn

die bijvoorbeeld via virtual reality de controle over een voertuig kunnen overnemen vanop

afstand.

Hiervoor is echter wel een goed en robuust communicatienetwerk nodig met een lage net-

werklatentie. Het 5G netwerk biedt hier een oplossing voor met een hoge throughput en

lage netwerklatentie. Er wordt verwacht dat het 5G netwerk rond 2020 zijn introductie

doet, wat op tijd zou zijn voor de AV’en. We gaan er in deze studie dan ook vanuit dat

dit netwerk geen probleem vormt.

Deze tussenvormen zijn minder complex en kunnen sneller gecommercialiseerd worden,

mogelijks al in het begin van de 2020s. Vrachtwagens die reeds de nodige hardware heb-

ben om bijvoorbeeld aan platooning te doen, kunnen deze zelfde hardware gebruiken om

bijvoorbeeld de overstap naar SAE niveau 4 te maken. Bij deze overstap zijn aanpassingen

nodig aan de software en mogelijks (enkele) aanpassingen aan de hardware (retrofitting).

Het ITF (International Transport Forum, 2017) [22] verwacht dat AV’en (SAE niveau

4) in het goederentransport een introductie kunnen kennen rond 2025, om tegen 2030 al

een significant aandeel te hebben (zie subsectie 2.2.2).

We gaan er in deze studie vanuit dat zelfrijdende systemen voor goederenvervoer (SAE

niveau 4) op de markt verschijnen rond 2025 voor alle scenario’s, in tegenstelling tot

personenwagens die rond 2025-2030 een intrede zullen kennen. De redenen hiervoor zijn

voorheen genoemd.


Figuur 2.8: Zelfrijdende vrachtwagens die gemonitord worden via een controle centrum. Indien

de zelfrijdende vrachtwagen in de problemen komt, kan een chauffeur in het con-

trole centrum vanop afstand de besturing overnemen. Hierdoor kan men meerdere

vrachtwagens besturen met minder chauffeurs [22].

2.2.2 Adoptie snelheid

Nu dat er een idee is van wanneer de eerste AV’en gëıntroduceerd zullen worden, is de

vraag hoe snel deze technologieën geadopteerd zullen worden. Dit is echter moeilijk te

voorspellen aangezien er veel onzekerheden zijn omtrent zaken zoals regulering, conjunc-

tuur, koopkracht, ...

We gaan er vanuit dat deze adoptie de vorm zal aannemen van een S-curve (figuur 2.9), dit is

een patroon waaraan de adoptie van de meeste nieuwe technologieën voldoet (smartphones,

DVD, ...). Zoals men kan zien duurt het even vooralleer de meerderheid deze technologie

aanschaft. Deze technologie is in het begin te duur, of men ziet het nut er nog niet van in.

Eens deze meerderheid deze technologie begint aan te schaffen explodeert het marktaan-

deel. Na verloop van tijd vertraagt de groei weer wegens saturatie.


Figuur 2.9: Innovatie S-curve.

In deze studie wordt niet de gehele tijdslijn bestudeerd, maar zal men uitgaan van

twee tijdsmomenten ter vereenvoudiging. Er wordt uitgegaan van de jaren 2030 en 2050.

In 2030 wordt namelijk verwacht dat AV’en hun introductie kennen, of reeds een (klein)

marktaandeel hebben en dus in hun beginnende fase zitten.

In 2050 zouden AV’en waarschijnelijk een groot aandeel in de markt kunnen hebben aan-

gezien de meerderheid over deze technologie zou kunnen beschikken.

Door deze vereenvoudiging, kan men zich hier focussen op twee tijdspunten. Tussen deze

twee tijdspunten wordt ervan uitgegaan dat de adoptiepercentages de vorm aannemen van

de innovatie S-curve.

Opnieuw wordt hier een onderscheid gemaakt tussen privé- en commerciële doeleinden,

aangezien er verwacht wordt dat voor commerciële doeleinden zich een snellere adoptie (=

stijlere S-curve) zal voordoen.

Privé doeleinden

Voor huishoudens zal het al dan niet aanschaffen van deze nieuwe technologie afhangen

van de persoonlijke voor- en nadelen van deze technologie. Dit betekend dat de beslissing

om deze technologie aan te schaffen, voornamelijk een afweging is tussen de kost van deze

technologie en de betalingsbereidheid (BTB) van mensen voor deze technologie.

In een studie van Bansal en Kockelman (2015) [20] heeft men onderzoek gedaan naar


de BTB voor deze technologieën bij 2.167 Amerikanen. Hieruit bleek dat de gemiddelde

BTB voor een systeem met SAE niveau 4 ongeveer $14.196 bedraagt, en dat een grootdeel (∼ 59%) van de ondervraagden een BTB van $0 had. Er werd echter geargumenteerddat dit aandeel zou zakken eens mensen inzien wat de mogelijkheden van deze technologie

zijn, omdat ze bijvoorbeeld meer in contact komen met de technologie. Hierdoor zal een

steeds groter deel van de bevolking een BTB hebben die groter is dan $0.

Op basis van dit onderzoek voerden Bansal en Kockelman ook voorspellingen uit omtrent

de adoptie snelheid van AV’en in verschillende scenario’s. Men deed dit door rekening

te houden met de BTB, alsook de geschatte kostprijzen van deze technologieën. In deze

studie worden opnieuw drie scenario’s bekeken, een pessimistisch scenario, een ’gemiddeld’

scenario, en een optimistisch scenario. Een overzicht van de resultaten uit deze (geselec-

teerde) scenario’s van de studie van Bansal en Kockelman zijn weergegeven in tabel 2.12.

In elk scenario wordt uitgegeaan van een annuele procentuele stijging (daling) van de

BTB (kostprijs). Een stijging van de BTB kan men verklaren door het feit dat mensen het

nut van deze wagens beter inzien, en hierdoor bereid zijn om meer te betalen voor deze

technologie. Ook kan men hier een component van inflatie in zien, wat in de studie van

Bansal en Kockelman ontbreekt. Men kan ook argumenteren dat de bedrijfswagen cultuur

in België zal bijdragen tot een ”stijging” van deze BTB door de fiscale voordelen en de

snellere vervanging van wagens.

Men kan met enige zekerheid zeggen dat prijsreducties zich zullen voordoen, zoals bij de

meeste technologieën. Aangezien deze systemen voornamelijk software gebaseerd zijn, is er

vooral een grote ontwikkelingskost (up front), en een onderhoudskost. Het is ook niet on-

denkbaar dat fabrikanten hierdoor deze technologie gaan aanbieden als ”service”, waarbij

gebruikers een maandelijks bedrag betalen om gebruik te mogen maken van deze zelfrij-

dende systemen, die als diensten aangeboden worden. Fabrikanten kunnen deze diensten

bijvoorbeeld ook verbeteren, om op deze manier een betere service aan te bieden en meer

klanten te lokken (Bv. overgang van SAE 4 naar 5).

Deze trend is in de bedrijfswereld al enige tijd bezig, vooral in de software wereld waar

klanten periodiek betalen om een softwarepakket als dienst te gebruiken. Bij zelfrijdende

systemen zouden bedrijven in extreme vormen zelf een ”taxivloot” kunnen aanbieden aan

klanten, dit concept wordt later besproken (zie MaaS - Mobility as a Service).

2De adoptiepercentages in 2050 zijn geëxtrapoleerde schattingen aangezien deze studie slechts tot 2045

voorspellingen geeft. Bij deze schattingen is rekening gehouden met de vorm van de innovatie S-curve.


Scenario Adoptie in 2030 Adoptie in 2050

Pessimistisch - 5% BTB en 5% prijs 19,0% 50,5%

Gemiddeld - 10% BTB en 5% prijs 25,5% 75,0%

Optimistisch - 10% BTB en 10% prijs 33,8% 93,2%

Tabel 2.1: Overzicht van de verschillende gebruikte scenario’s uit de studie van Bansal en Koc-

kelman [20]. Elk scenario heeft een verschillende jaarlijkse stijging in betalingsbereid-

heid en jaarlijkse daling van de kostprijs. Adoptiepercentages van privé doeleinden

slaan op SAE niveau (van minimum) 4. Cijfers van 2050 zijn eigen schattingen

aangezien data tot 2045 liep.

Deze studie gaat echter wel uit van een introductiedatum van 2025, waardoor het pessi-

mistisch scenario (vooral in 2030) niet echt overeenstemt met de geschatte introductiedata

uit de vorige sectie.

Als we deze voorspellingen (tabel 2.1) van Bansal en Kockelman vergelijken met de vi-

sie van Litman (figuur 2.7), zien we dat de visie van Litman het meest overeenkomt met de

pessimistische visie. Dit komt overeen aangezien Litman zelf aangeeft dat hij de toekomst

zelf pessimistischer inziet dan de meesten.

Een studie van Alonso Raposo M. et al. (Europese Commissie, 2018 [21]) heeft ook on-

derzoek gedaan naar de introductie van autonome voertuigen in de Europese Unie. Dit

onderzoek maakt overigens ook onderscheid tussen personen- en goederenvervoer, de cij-

fers van goederenvervoer kunt u vinden in de volgende paragraaf. De voorspellingen van

adoptie van personenwagens zijn weergegeven in tabel 2.2.

Scenario Adoptie in 2025 Adoptie in 2030 Adoptie in 2050

Pessimistisch 0,0% (L3: 14%) 0,0% (L3: 30%) 4,0% (L3: 62%)

Gemiddeld 15,0% 30,0% 88,0%

Optimistisch 58,0% 60,0% 99,0%

Tabel 2.2: Adoptie van zelfrijdende systemen bij privé doeleinden met een minimum SAE niveau

4 volgens Alonso Raposo M. et al. [21]. De cijfers voor 2030 zijn eigen geëxtrapoleerde

schattingen aangezien deze studie werkt met twee momenten (2025 en 2050).

Wat duidelijk is is dat deze schattingen optimistischer zijn dan deze van Bansal en Koc-

kelman (met uitzondering van het pessimistische scenario). Bij het pessimistische scenario


gaat men in deze studie uit van een lage opname van deze zelfrijdende wagens, wat men in

België kan betwisten gezien de bedrijfswagen cultuur die er heerst. Hierdoor lijkt de voor-

spelling van amper 4% in 2050 eerder onrealistisch voor België. De meeste studies gaan

er vanuit dat tegen 2050 zelfrijdende technologie een standaard optie is voor de meeste

voertuigen.


Bedrijven hebben zoals reeds gezegd een grotere incentive om te investeren in deze zelfrij-

dende technologie wegens onder andere de grote kostenbesparingen die het kan opleveren.

Hoe groot deze voordelen net zijn (en hoe groot de incentive dus is) is onzeker, en hangt

af van verschillende zaken zoals:

1. De gemiddelde loonkost van een chauffeur. Aangezien deze loonkosten in België

gëındexeerd zijn (∼inflatie), zit hier over het algemeen een stijgende trend in.

2. De meerkost van deze zelfrijdende technologie, welke men kan omrekenen naar een

maandelijks equivalent (afschrijvingen, service-kosten, ...). Naarmate deze techno-

logie meer gestandardiseerd wordt zal de meerkost hiervan dalen (gegeven zelfde

technologisch niveau). Hierdoor zullen steeds meer bedrijven deze techonologie aan-

schaffen.

3. De overige besparingen / voordelen die de technologie kan opleveren. Voorbeelden

hiervan zijn brandstofbesparing, minder ongevallen, het continu inzetbaar zijn (geen

rij- en rusttijden), ...

4. De overheid kan beslissen om extra taksen te heffen op deze zelfrijdende syste-

men. Aangezien er veel jobs verloren kunnen gaan door deze technologie (meer dan

200.000), is het aannemelijk dat de overheid deze taksen ook zal invoeren.

Het is belangrijk dat voor deze taksen een goede balans gevonden wordt. Indien de

taksen te laag zijn kan dit leiden tot een zeer snelle overschakeling, met een plotse

golf van werkloosheid als gevolg. Indien de taksen te hoog zijn, wordt innovatie

ontmoedigd, en is er het risico dat de competitiviteit van de transportsector op in-

ternationaal vlak daalt, waardoor er alsnog veel Belgische bedrijven failliet zouden

kunnen gaan wat opnieuw werkloosheid tot gevolg zal hebben.

In principe kan men de beslissing tot het aanschaffen van zelfrijdende technologie dus

vereenvoudigd voorstellen via de volgende vergelijking:

Lcost > Tcost + tgov − |zextra| (2.1)


Waarbij Lcost de loonkosten van chauffeurs is, Tcost de meerkosten van de technologie, tgov

de extra belastingen die de regering heft, en zextra de extra voordelen (uitgedrukt in geld-

hoeveelheid) die deze technologie geeft.

De wisselwerking tussen deze factoren is een complex gegeven, met veel onzekerheden

(taksen, evolutie economie, ...). Wat men wel kan stellen is dat na verloop van tijd deze

technologieën zullen stijgen in populariteit. De stijgende loonkosten en de dalende meer-

kosten van deze zelfrijdende technologieën zullen er voor zorgen dat deze investeringen op

termijn aantrekkelijker worden.

De adoptie van zelfrijdende voertuigen kan ook bëınvloed worden door externe factoren.

Zo kan de adoptie ook afgeremd worden door zware sociale tegenstand wegens het nakend

jobverlies. Anderzijds kan deze adoptie ook bevorderd worden door bijvoorbeeld subsidies.

Omdat er hier veel factoren mee spelen, en deze over het algemeen onvoorspelbaar zijn,

wordt hier opnieuw gewerkt met drie scenario’s: een pessimistisch, gemiddeld, en optimis-

tisch scenario.

Bij het pessimistisch scenario gaat men er vanuit dat de het verschil tussen beide leden in

vergelijking 2.1 klein is, waardoor bedrijven een mindere incentive hebben om te investeren

in deze zelfrijdende technologie. In dit scenario is er ook meer tegenslag in termen van

regulering en sociale weerstand, wat er ook voor zorgt dat de adoptie moeilijker verloopt.

Bij het optimistisch scenario is dit verschil in vergelijking 2.1 net groot, waardoor bedrijven

een zéér grote incentive hebben om te investeren. De sociale- en reguleringsomgeving is in

dit scenario ook gunstig voor AV’en

In de studie van Alonso Raposo M. et al. (Europese Commissie, 2018 [21]) worden de

voorspellingen in verband met de adoptie van zelfrijdende systemen in goederentransport

ook gedaan. De voorspellingen van deze studie zijn weergegeven in tabel 2.3. Deze studie

doet deze voorspellingen voor de jaartallen 2025 en 2050. Aangezien deze studie uitgaat

van de jaartallen 2030 en 2050, wordt een geëxtrapoleerde schatting gemaakt van de cijfers

voor 2030, opnieuw rekening houdende met de vorm van de innovatie S-curve.


Scenario Adoptie in 2025 Adoptie in 2030 Adoptie in 2050

Pessimistisch 0% (L3: 50%) 15,0% 60,0%

Gemiddeld 45,0% 60,0% 95,0%

Optimistisch 70,0% 80,0% 100,0%

Tabel 2.3: Adoptie van zelfrijdende systemen bij commerciële doeleinden met een minimum

SAE niveau 4 volgens Alonso Raposo M. et al. [21]. De cijfers voor 2030 zijn eigen

geëxtrapoleerde schattingen.

De verklaring voor de lagere cijfers in het pessimistisch scenario liggen hier in het feit

dat SAE niveau 4 nog niet mogelijk is in 2025. Anderzijds wordt er in dit scenario ook

uitgegaan van een lage overstapsnelheid, waardoor het marktaandeel trager groeit dan bij

de andere scenario’s (vlakkere S-curve).

Ook vertonen de overige scenario’s redelijk hoge adoptiepercentage voor het jaar 2025.

Aangezien deze studie uitgaat van een introductie in 2025, beschouwen we de (zelf ge-

schatte) cijfers van 2030 als absolute bovengrens.

Het ITF (International Transport Forum, 2017) [22] verwacht in 2030 een adoptie tus-

sen de 50% en de 70% voor het goederenvervoer, wat ongeveer overeen komt met het

gemiddelde en optimistische scenario van de studie van Alonso Raposo M. et al. [21].

In 2050 zijn er zeer grote adoptiepercentages, wat niet ondenkbaar is gezien de grote voor-

delen die de transportsector uit deze AV’en kan halen. We verwachten dat zelfrijdende

technologie in 2050 reeds matuur is en zich op SAE niveau 5 zal bevinden, wat betekend

dat transportbedrijven volledig driverless tewerk kunnen gaan. Deze cijfers zijn overigens

ook hoger dan het personenvervoer (tabel 2.1 en 2.2), vooral in 2030, wat verwacht werd.

2.2.3 Overzicht

Uiteindelijk komen we tot voorspellingen in drie scenario’s (pessimistisch, gemiddeld, op-

timistisch) op twee tijdstippen (2030 en 2050). In deze sectie wordt een overzicht gegeven

over de uiteindelijk gekozen voorspellingen die men zal gebruiken, gemaakte keuzes worden

hierbij verder toegelicht.


Privé doeleinden

De introductiedata van autonome personenwagens (minimum SAE niveau 4) worden ge-

schat rond 2024 tot 2030. In deze studie wordt uitgegaan van een introductiedatum van

2024 (optimistisch), 2025 (gemiddeld), en 2030 (pessimistisch). Dit zijn de data afkomstig

uit de studie van Steven Underwood (2015) [5] weergegeven in figuur 2.6.

Om de adoptie van autonome personenwagens weer te geven in 2030 en 2050 wordt rekening

gehouden met deze introductiedata. Aangezien zowel de studie van Bansal en Kockelman

[20] en van Alonso Raposo M. et al. [21] uitgaan van vroegere introducties , zijn deze

studies tegenstrijdig met ons pessimistisch scenario. Dit is vooral een probleem voor de

voorspellingen van 2030. Hierdoor wordt gekozen om in het pessimistisch scenario (2030)

te opteren voor de cijfers van Alonso Raposo M. et al. [21] (0%). Voor de overige cijfers

wordt gekozen voor de visie van Bansal en Kockelman, aangezien een studie op basis van

BTB beter aansluit bij de verwachtingen van consumenten (personenwagens).

De cijfers van Alonso Raposo M. et al. liggen eerder aan de hoge kant (vooral in 2030). In

2050 zien we dat de cijfers van deze twee studies niet zo ver uit elkaar liggen.

Scenario Introductiedatum Adoptie in 2030 Adoptie in 2050

Pessimistisch 2030 0,0% 50,5%

Gemiddeld 2025 25,5% 75,0%

Optimistisch 2024 33,8% 93,2%

Tabel 2.4: Overzicht van de verschillende gebruikte scenario’s van introductie en adaptie van

zelfrijdende systemen (min. SAE niveau 4) bij privé doeleinden. De introductiedata

zijn afkomstig uit een studie van Steven Underwood [5]. De cijfers zijn voornamelijk

afkomstig uit de studie van Bansal en Kockelman (2015) [20], met uitzondering van

het pessimistisch scenario in 2030.

In 2050 wordt er vanuit gegaan dat zelfrijdende technologie (minimum SAE niveau 4)

reeds matuur is, en dat deze technologie dus een redelijke adoptie kent, wat men kan zien

aan de geschatte adoptiecijfers.

Als we deze voorspellingen vergelijken met de visie van Litman [19] (figuur 2.7), dan zien we

dat de visie van Litman aan de pessimistische kant is, wat overeenkomt aangezien Litman

zelf aangeeft dat hij de toekomst pessimistischer inziet.



Voor de introductiedata van zelfrijdende systemen in de bedrijfswereld gaat men uit van

een vroegere introductiedatum met minder spreiding dan bij personenwagens. De redenen

hiervoor zijn reeds uitgelegd en liggen grotendeels bij de grotere incentives die er zijn voor

bedrijven. In deze studie gaat men uit van een introductiedatum rond 2025. Op deze

introductiedatum zit geen spreiding in tegenstelling tot het personenvervoer, gezien de

grote voordelen die zelfrijdende technologie voor bedrijven kan bieden.

Ook de adoptie van zelfrijdende systemen bij goederenvervoer verloopt sneller dan bij

personenwagens. De adoptiecijfers in 2030 en 2050 die in deze studie gebruikt worden zijn

deze uit de studie van Alonso Raposo M. et al., deze cijfers zijn weergegeven in tabel 2.5.

Men moet echter wel opmerken dat deze studie eerder optimistische cijfers weergeeft, al

zijn deze niet ondenkbaar. Het kan bijvoorbeeld voor bedrijven nodig zijn om te investeren

in deze technologie, omdat ze anders weggeconcureerd worden. We zien deze adoptiecijfers

echter als absolute bovengrens, dit wordt in de tabel aangeduid via het symbool ’


dat het overgrote deel van de adoptiepercentages SAE niveau 4 weergeven.

Voor 2050 gaan we er vanuit dat SAE niveau 5 in zijn mature fase zit, waardoor het een

groot aandeel in de adoptiepercentages zal hebben. Deze aanname wordt gemaakt aange-

zien SAE niveau 5 opnieuw een kostenbesparing kan opleveren t.o.v. SAE niveau 4 (nog

minder personeel), alsook dat het zeer waarschijnelijk geacht wordt dat deze zelfrijdende

systemen aangeboden worden als service. Dit zou betekenen dat tegen het maandelijks

betaald bedrag, het zelfrijdend systeem onderhouden wordt en verbeterd wordt, de sprong

naar SAE niveau 5 kan gezien worden als een van de mogelijke verbeteringen.

TOEKOMSTVERWACHTINGEN (BASELINE) 29

Hoofdstuk 3

Toekomstverwachtingen (Baseline)

Vooralleer men kan spreken over de gevolgen die AV’en op de transportsector in België

zullen hebben, is het belangrijk om te weten wat de toekomstverwachtingen zijn van deze

sector. Er wordt een overzicht gevormd van zaken die mogelijks een impact zullen onder-

vinden door de introductie van AV’en zoals tewerkstelling, congestie, ...

Hierbij gaan we uit van ”business-as-usual” situatie. De mogelijke impacten van AV’en

worden hier nog niet in rekening gebracht. Men construeert in dit hoofdstuk in feite een

”baseline” situatie, waarop in het volgende hoofdstuk de impact van AV’en bestudeerd

wordt.

Voor deze voorspellingen wordt er gebruik gemaakt van de publicaties van het verschei-

dene instellingen, welke altijd vernoemd zullen zijn. Vooral voor de voorspellingen omtrent

2030 worden deze bronnen gebruikt. Voorspellingen naar 2050 toe zijn echter amper be-

schikbaar, en worden hierom mogelijks geëxtrapoleerd uit beschikbare data waarbij enkele

veronderstellingen gemaakt worden. Gezien de grote onzekerheden (ultra lange termijn)

moet men deze resultaten niet exact interpreteren, maar eerder zien als een algemene in-

dicator voor de toekomst.

3.1 Personenvervoer

Zoals besproken in hoofdstuk 2, is wegvervoer dominant in personenvervoer met een aandeel

van meer dan 70%. In deze studie wordt er gefocust op twee modi in het personenvervoer:

weg en spoor. Personenvervoer over binnenvaart is niet courant aangezien dit voorname-

lijk pleziervaarten zijn, het stelt overigens ook maar een klein aantal mensen tewerk (Data

RSZ, 2018 [7]).

3.1 Personenvervoer 30

3.1.1 Aantal afgelegde reizigerkilometers

Om een overzicht te krijgen van de verplaatsingen die gebeuren binnen het personenver-

voer, wordt er gekeken naar het aantal reizigerkilometers. Bij deze grootheid wordt er

rekening gehouden met zowel het aantal reizigers, als hun afgelegde afstand. Dit is ver-

schillend van voertuigkilometers, die rekening houdt met het aantal voertuigen i.p.v. het

aantal reizigers. Een voertuig met bijvoorbeeld drie passagiers die 40km aflegd, zal zo

40vkm en 120rkm afleggen.

Volgens de voorspellingen van het Federaal Planbureau (2015) [24] stijgt het aantal reizi-

gerkilometers lineair met een jaarlijkse gemiddelde groeivoet van 0,6% tussen 2012 en 2030.

Als we er vanuit gaan dat deze lineaire trend zich blijft doorzetten kunnen ook cijfers voor

2050 berekend worden. Op deze manier bekomen we de cijfers weergegeven in tabel 3.1.

2018 2030 2050

Procentuele wijziging t.o.v. 2018 - +7,4% +21,1%

Reizigerkilometers (miljard) 143,14 153,73 173,34

Tabel 3.1: Overzicht van de voorspellingen van het aantal reizigerkilometers aan een jaarlijkse

groeivoet van 0,6%.

Het Federaal Planbureau voegt hieraan toe dat deze stijging voornamelijk te wijten is

aan een stijging in de gemiddelde afgelegde afstand, en minder aan een stijging van het

aantal reizigers.

Deze evolutie van reizigerkilometers kan men ook opsplitsen per vervoerswijze, weerge-

geven in figuur 3.1 (Federaal Planbureau, 2015 [24]), waarbij de focus ligt op de bovenste

vier categoriën. Uit deze cijfers blijkt dat voornamelijk de (privé)wagen en de trein een

stijging van het aantal reizigerkilometers zullen kennen, terwijl de bus een daling kent.

Als we opnieuw veronderstellen dat deze gemiddelde jaarlijkse groeivoeten constant blijven,

zijn de verwachte aandelen van deze vervoersmiddelen weergegeven in tabel 3.2. Uit deze

voorspellingen blijkt dat wagens in de toekomst een nog groter aandeel krijgen en dus nog

dominanter zullen worden. Er wordt dus een shift verwacht weg van het openbaar vervoer

naar personenwagens.


Er zijn ook mogelijke argumenten tegen de visie dat deze trends zich lineair zullen door-

zetten. Eén van deze argumenten is dat er wegens stijgende congestieproblemen, meer

mensen afstappen van het wegvervoer naar het spoor, dit wordt besproken in sectie 3.3.

Aangezien deze potentiële shift moeilijk te voorspellen is, wordt dit aspect niet opgenomen

in de voorspellingen. Het is wel belangrijk om deze mogelijke shift in het achterhoofd te

houden, aangezien het ervoor kan zorgen dat de voorspelde toenemende dominantie van

personenwagens deels ingeperkt zou worden.

Figuur 3.1: Overzicht van de evolutie van het aantal reizigerkilometers per vervoersmiddel [24].

2030 2050

Aandeel wagens (bestuurder) 65,42% 69,42%

Aandeel wagens (passagier) 22,22% 20,11%

Aandeel trein 8,24% 7,92%

Aandeel bus 4,11% 2,54%

Tabel 3.2: Overzicht van de voorspelde aandelen in reizigerkilometers van verschillende ver-

voersmiddelen.

Het uitdrukken van de vraag kan voor wegvervoer ook in voertuigkilometers, dit is

vooral handig om de impact te berekenen op congestie. In deze studie wordt congestie

behandeld in sectie 3.3.

3.1.2 Tewerkstelling Personenvervoer

In de sectoren van het personenvervoer die hier beschouwd worden zijn rond de 75.000

mensen tewerkgesteld, dit aantal is redelijk stabiel en vertoont een lichte daling (figuur


2.2). Een groot deel (> 80%) van deze tewerkstelling ligt in het openbaar vervoer (Data

RSZ, 2018 [7]). De beschouwde NACE-5 categorieën in deze studie zijn:

• Personenvervoer per spoor (49100): deze categorie is voornamelijk het (in-ter)nationaal vervoer van personen. Dit is in België zo goed als allemaal in handen

van de NMBS/SNCB. In 2018 waren er zo’n 32.000 mensen tewerkgesteld in deze

categorie.

• Personenvervoer te land binnen (voor)steden (49310): deze categorie omvatvoornamelijk het overige openbaar vervoer zoals bussen, trams, metro’s, en shuttles.

Deze rijden volgens een dienstregeling via op voorhand uitgestippelde routes. In 2018

waren er ongeveer 26.500 mensen tewerkgesteld in deze categorie.

• Exploitatie van taxi’s (49320): deze categorie omvat taxi’s en huurbare voertui-gen met chauffeur. In 2018 stelde deze categorie zo’n 6.000 mensen tewerk.

• Overig personenvervoer te land, n.e.g.(49390): Deze categorie omvat busver-voer over lange afstanden (bv. FlixBus), autocar vervoer, schoolbussen, ...

In 2018 stelde deze categorie zo’n 6000 mensen tewerk.

De bovenste twee categorieën kunnen aanzien worden als het openbaar vervoer, tesamen

stellen deze ongeveer 60.000 mensen tewerk. Dit is een veel groter deel dan de 10.000 van

de overige twee categorieën. Figuur 3.2 geeft de recente evolutie van de tewerkstelling weer

in elk van deze categorieën. In alle categorieën met uitzondering van het spoor ziet men een

een duidelijk lineaire trend. In 2013 werd echter wel een statuutverandering doorgevoerd,

wat de sprongen in de werkgelegenheid verklaart.

Deze data gaat slechts terug tot 2008 aangezien er in 2008 overgeschakeld is op de NACE-5

indeling. Als men verder zou teruggaan dan 2008 zou er geen consistentie zijn aangezien

de categorieën volledig veranderd zijn.


Figuur 3.2: Overzicht van de evolutie van de tewerkstelling in het personenvervoer (data RSZ,

2018 [7]).

.

Zoals reeds gezegd is de tewerkstelling in het personen vervoer niet conjunctuur-gevoelig

(figuur 2.2), in tegenstelling tot goederenvervoer. Om deze reden wordt voor deze vier

categorieën de toekomst voorspelt via een lineaire fitting, rekening houdende met gekende

toekomstige plannen van ondernemingen (zie spoor). Het nadeel aan deze methodiek

is dat eventuele toekomstige hervormingen (bv. privatisering van De Lijn) niet worden

opgenomen, waardoor de voorspellingen (zeker naar 2050 toe) kunnen afwijken.

Steden / Voorsteden (49310)

Gezien de sprong die gemaakt wordt in 2013 wegens de statuutverandering, wordt deze

data opgesplitst in twee reeksen (voor en na de statuutverandering). Bij beide reeksen

wordt een lineaire fitting berekend, waarmee men de jaarlijkse gemiddelde stijging (= rich-

tingscoëfficiënt) kan benaderen. Als jaarlijkse absolute stijging wordt het gemiddelde van

deze twee genomen.

Voor deze categorie komt dat overeen met een gemiddelde jaarlijkse stijging van 267,9 te-

werkgestelden per jaar. Dit zou betekenen dat tegen 2030, 29.784 mensen (+12% t.o.v.

2018) tewerkgesteld zijn in deze categorie. In 2050 zou dit leiden tot een tewerkstelling

van 35.142 mensen (+32% t.o.v. 2018).


Enerzijds zou deze stijging niet logisch zijn als men kijkt naar de voorspellingen in reiziger-

kilometers van bussen in figuur 3.1. Men zou verwachten dat als de vraag naar openbaar

vervoer daalt, de tewerkstelling mee zou volgen. Bij de tram en metro (die ook tot deze

categorie behoren) verwacht men wel een stijging in reizigerkilometers, maar deze is kleiner

dan de verwachtte daling bij de bus.

Anderzijds zijn de bedrijven die actief zijn in deze categorie voornamelijk overheidsbedrij-

ven, welke tewerkstellingspolitiek ondervinden. Er is ook nog geen sprake van herstruc-

tureringen binnen De Lijn, MIVB, en TEC die chauffeurs zouden treffen, waardoor een

systematische daling (analoog aan het spoorvervoer) uit zou kunnen blijven. Er zijn echter

wel al enige tijd geruchten dat De Lijn mogelijks zou privatiseren, waardoor de kans op

een herstructurering zal stijgen, en de geschatte toenames mogelijks overschat zijn.

Taxi’s (49320)

Via de lineaire fitting bekomen we een jaarlijkse gemiddelde stijging van 37,28 tewerkge-

stelden. Gebruik makende van dit gemiddelde, bekomen we een geschatte tewerksteling

van 6.239 (+6% t.o.v. 2018) in 2030, en 7.075 (+20% t.o.v. 2018) in 2050.

Overig (49390)

Voor deze categorie wordt dezelfde werkwijze gehanteerd als de categorie ’(voor)steden’.

Op deze manier bekomen me een jaarlijkse gemiddelde stijging van 119 tewerkgestelden.

Zo bekomen we voor 2030 een tewerkstelling van 7.798 personen (+22% t.o.v. 2018), en

10.177 personen (+60% t.o.v. 2018) voor 2050.

Deze geschatte stijgingen komen ongeveer overeen met de geschatte stijgingen in het aantal

reizigerkilometers in sectie 3.1.1, wat plausibel lijkt.

Spoor (49100)

Het spoor is duidelijk een andere situatie dan de overige categorieën aangezien de tewerk-

stelling in deze categorie in de laatste jaren aan het dalen is, terwijl het aantal reizigerki-

lometers aan het stijgen is.

In België is deze categorie zo goed als gelijk aan de NMBS en hun dochterondernemingen

(Thalys, ...) wegens het monopolie. De NMBS heeft een lange geschiedenis van tewerk-

stellingspolitiek, waarbij het geen geheim is dat de NMBS teveel personeel in dienst heeft.

De daling van de tewerkstelling sinds 2010 kan men hier dus zien als een herstructure-

ring zonder (rechtstreekse) ontslagen. Men werft minder personen aan dan er het bedrijf


verlaten (voornamelijk door pensioen), waardoor de tewerkstelling daalt over de tijd. Uit

het ondernemingsplan van de NMBS (2017) [27] blijkt dat er plannen zijn om tegen 2022,

4.400 banen te schrappen, ondanks de voorspelde stijging in reizigerkilometers. Opnieuw

zal deze daling voornamelijk bestaan uit mensen die op pensioen gaan. Als we er vanuit

gaan dat deze daling verspreid zal gebeuren, bekomen we een daling van 1.100 jobs per jaar.

Als we de periode van 2010 tot eind 2017 benaderen via een lineaire fitting, bekomen

we een jaarlijkse daling van ongeveer 900 jobs per jaar. Dit komt dicht in de buurt met

de verwachtte 1.100 jobs per jaar van de komende vier jaar. In 2022 zouden er met deze

verwachtingen zo’n 27.500 banen zijn in deze categorie. Deze herstructureringen richten

zich voornamelijk op het niet-rijdend personeel, rijdend personeel zou hierbij niet getroffen

worden.

Deze jaarlijkse daling kan zich echter niet blijven doorzetten, aangezien we op deze manier

zelfs een negatief getal zouden uitkomen voor 2050. We verwachten dan ook een verdere

(geremde) afname in het niet-rijdend personeel wegens een stijging in efficiëntie (bv. on-

line ticketverkoop). Het rijdend personeel wordt verwacht een stijging te kennen door de

voorspelde stijging in reizigerkilometers (figuur 3.1), en elke trein nood heeft aan een be-

stuurder en conducteur.

Het rijdend personeel bestaat uit ongeveer 6.000 tewerkgestelden in 2018, een klein aandeel

t.o.v. de ongeveer 25.000 niet-rijdende personeelsleden.

Voor het niet-rijdend personeel zou de tewerkstelling in 2022 volgens het hervormingsplan

afnemen tot ongeveer 20.000 tewerkgestelden. Als men er vanuit gaat dat de jaarlijkse

dalingen zich hierna afnemend zullen doorzetten (stijgende efficiëntie, automatisering), be-

komen we een schatting van 16.000 in 2030 en 10.000 in 2050.

Het rijdend personeel wordt verwacht een toename te kennen, gezien de stijging in reizi-

gerkilometers. Als we de jaarlijkse verwachte stijging in reizigerkilometers nemen als proxy

voor de jaarlijkse stijging in bekomen we een schatting van 6.466 tewerkgestelden in 2030,

en 7.144 in 2050. Hierachter zit wel de assumptie dat het gemiddeld aantal reizigers per

voertuig niet wijzigt.

Dit brengt de totale schatingen voor 2030 op 22.466 tewerkgestelden, een daling van 30%

t.o.v. 2018. Voor 2050 ligt dit aantal op 17.144 tewerkgestelden, een daling van 46%.

3.2 Goederenvervoer 36

Overzicht

Onderstaande tabel (3.3) geeft een overzicht weer van de voorspellingen van de tewerk-

stelling in het personenvervoer. Deze voorspellingen zijn gemaakt met de beschikbare

informatie die er vandaag de dag is. De daling in het spoor is te verklaren aan de hand van

de herstructureringen van de NMBS. Bij de overige categorieën zijn hier nog geen indicaties

van, waardoor deze categorieën stijgingen vertonen. Toekomstige herstructureringen zijn

niet uitgesloten (bv. privatisering van De Lijn) waardoor de voorspellingen hier mogelijks

een overschatting zijn.

aantal tewerkgestelden 2018 2030 2050

Spoor 31.932 22.466 17.144

Voor(steden) 26.570 29.784 35.142

Taxi’s 5.882 6.239 7.075

Overig 6.371 7.798 10.177

Totaal 70.775 66.287 69.538

Tabel 3.3: Overzicht voorspellingen van het aantal tewerkgestelden in het personenvervoer per

NACE-5 categorie.

3.2 Goederenvervoer

Zoals aangehaald in hoofdstuk 2 is de vraag naar goederenvervoer een afgeleide vraag van

de economische activiteit. Hoe meer economische activiteit, hoe meer vraag naar goe-

derenvervoer er zal zijn. Dit heeft onder andere tot gevolg dat de tewerkstelling in het

goederenvervoer (vertraagd) gecorreleerd is aan de conjunctuur, dit is opnieuw verschil-

lend van het personenvervoer (sectie 3.1.2). Overigens is, zoals bij het personenvervoer,

wegvervoer dominant bij het goederenvervoer.

In tegenstelling tot personenvervoer, houden we hier wel rekening met binnenvaart. Deze

modus heeft zelfs een hogere vervoerde tonkilometer dan het spoor (zie sectie 3.2.1).

3.2.1 Vervoerde tonkilometer

Om een indicatie te krijgen over de hoeveelheid activiteit binnen het goederenvervoer, kijkt

men naar het aantal afgelegde tonkilometer. Deze grootheid houdt niet enkel rekening met


de gereden afstanden, maar ook met het gewicht van de lading. Als een vrachtwagen bij-

voorbeeld 50km rijdt met een lading van 20 ton, dan komt dit overeen met 100tkm.

De voorspellingen van de evolutie in tonkm van het Federaal Planbureau (2015) [24] zijn

weergegeven in figuur 3.3. Hierbij zien we opnieuw de dominantie van het wegvervoer dat

reeds in hoofdstuk 2 werd aangetoond. De verwachtingen zijn dat spoor en binnenvaart

procentueel sneller stijgen dan wegvervoer, maar in absolute termen kent het wegvervoer

(voorlopig) een grotere stijging. Als we voor 2050 opnieuw veronderstellen dat deze gemid-

delde jaarlijkse groeivoeten zich zullen doorzetten, bekomen we de resultaten weergegeven

in tabel 3.4.

Met deze veronderstellingen zien we dat op termijn (2050), het aantal tonkilometer meer

dan verdubbelt t.o.v. 2018. Ook zien we dat het aandeel van wegvervoer licht vermindert,

dit komt uiteraard door de hogere jaarlijkse groeipercentages van de overige modi. Zoals

reeds gezegd is dit ook één van de doelen van Europa, een modal shift te verkrijgen weg

van het wegvervoer (Europese Commissie, white paper (2011) [10]).

Figuur 3.3: Overzicht van de evolutie van het aantal tonkilometer per vervoersmiddel [24].

tonkm (miljard) 2030 2050

Vrachtwagen 33,26 (63,56%) 48,46 (59,60%)

Spoor 8,88 (16,97%) 15,14 (18,62%)

Binnenvaart 10,19 (19,47%) 17,71 (21,78%)

Tabel 3.4: Overzicht van de voorspelling van het aantal tonkm per vervoersmodus volgens de

groeicijfers van het Federaal Planbureau (2015) [24]. Tussen haakjes zijn de aandelen

in tonkm van elke vervoersmodus ook weergegeven.

Het moet wel gezegd worden dat dit mogelijks een optimistische voorspelling is. Goe-

derenvervoer wordt in grote mate bepaald door de hoeveelheid economische activiteit. Een

(grote) crisis zoals die van 2008 kan grote gevolgen hebben voor het aantal afgelegde tonkm


(zie figuur 2.3). Gezien de geschiedenis van crisissen is het niet ondenkbaar dat er zich voor

2050 opnieuw een (zware) crisis voordoet, wat op zijn beurt zal zorgen voor een verminde-

ring van de afgelegde tonkm. In deze voorspellingen wordt echter geen rekening gehouden

met een crisis, gezien de onvoorspelbaarheid. Maar het is wel belangrijk om in te zien dat

deze voorspellingen hierdoor (mogelijks) overschat zijn.

3.2.2 Tewerkstelling Goederenvervoer

In tegenstelling tot de tewerkstelling in het personenvervoer, is de tewerkstelling in het

goederenvervoer wel gevoelig aan de conjunctuur (zie figuur 2.2). We zullen voor deze ana-

lyse de verandering in het aantal jobs lineair benaderen via een jaarlijks groeipercentage.

Het Federaal Planbureau (2015) [24] verwacht in België tussen 2012 en 2030 een jaarlijkse

stijging van de totale werkgelegenheid met 0,3%.

CEDEFOP (2018) [41] schat deze jaarlijkse stijgingen per sector. CEDEFOP voorspelt

tussen 2018 en 2030 een jaarlijkse stijging van 0,8% in de tewerkstelling van het landtrans-

port, -5,9% voor watertransport, en -1,4% voor posterijen. Aangezien de binnenvaart in

België minder dan 500 mensen tewerkstelt, moet men volgens CEDEFOP de voorspelde

percentages sceptisch bekijken. Er wordt gekozen om voor de binnenvaart, het groeicijfer

van de EU te nemen (+0,2%) aangezien deze betrouwbaarder is.

De voorspelde daling in posterijen blijkt ook te kloppen met de cijfers van de afgelopen

10 jaar (data RSZ, 2018 [7]), waar posterijen in België een gemiddelde jaarlijkse daling

vertonen van ongeveer 2%.

Opnieuw wordt er voor alle voorspellingen veronderstelt dat deze lineaire trends zich zullen

doorzetten naar 2050. De mogelijkheid van een (zware) crisis wordt hierbij niet in rekening

gebracht. De voorspelde cijfers kunnen hierdoor mogelijk overschat zijn.

Spoor (49200)

Voor de evolutie van de tewerkstelling in het goederenvervoer per spoor wordt gebruik

gemaakt van de voorheen genoemde jaarlijkse stijging van de tewerkstelling in het land-

stransport (0,8%). Via deze jaarlijkse stijging bekomen we (t.o.v. 2018) een stijging van

10% in 2030, en 29% in 2050. Dit resulteert in een totale tewerkstelling van 1.258 in 2030

en 1.476 in 2050.

De afgelopen tien jaar ligt deze stijging echter veel hoger in België, op ongeveer 8% in 2018

(Data RSZ, 2018 [7]). Dit valt te verklaren door het feit dat goederenvervoer over het

spoor in 2007 volledig geliberaliseerd werd. Dit heeft in de voorbije jaren gezorgd voor een


ontplooiing in de tewerkstelling, met een relatief hoge gemiddelde stijging per jaar (108).

De verwachtingen zijn dat deze stijging zich afnemend zal doorzetten, waardoor er een

gemiddelde jaarlijkse stijging van 4% van 2018 tot 2030 geschat wordt, en 2% van 2018 tot

2050 (eigen schattingen).

Dit komt neer op de uiteindelijke (aangepaste) schattingen van 1.832 tewerkgestelden in

2030, en 2.156 in 2050.

Weg (49410)

De voorspellingen in deze categorie verlopen analoog aan het spoor, met dezelfde groeiper-

centage (landtransport).

Op deze manier bekomen we een tewerkstelling van 55.448 voor 2030 en 65.027 voor 2050.

Deze categorie is echter het meest gevoelig aan de conjunctuur, en heeft het grootste aantal

tewerkgestelden. Zoals reeds vermeld, gaat men er in deze voorspellingen vanuit dat er zich

geen (grote) crissisen voordoen, wat een effect kan hebben op de uiteindelijke schattingen.

Binnenvaart (50400)

Aangezien het voorspelde jaarlijkse groeipercentage van de binnenvaart België (-5,9%)

onbetrouwbaar bleek te zijn, wordt het gemiddelde van de EU gebruikt (+0,2%). Dit

lijkt ook meer te kloppen met de voorspelde toenames in tonkilometer in figuur 3.3 en de

voorspellingen van de evolutie in de totale werkgelegenheid van het Federaal Planbureau.

Voor 2030 zou dit (t.o.v. 2018) een stijging van 2,43% betekenen, en 6,6% voor 2050. In

het totaal komt dit neer op een geschatte tewerkstelling van 455 in 2030, en 474 in 2050.

Dit is de categorie met de kleinste tewerkstelling in het goederenvervoer.

Posterijen (53000)

Deze categorie is de enige waar men voorspelt dat er zich een daling zal voordoen (jaarlijks

-1,4%). Deze categorie is reeds getroffen door automatisering (bv. sorteercentra), maar

ook door een daling in de verstuurde aantal brieven.

E-commerce is wel aan het groeien, waardoor men kan verwachten dat chauffeurs in de

toekomst, een groter aandeel van het personeel zal vertegenwoordigen. Hier houden we

rekening mee bij het berekenen van de impact van AV’en in het volgende hoofdstuk.

Via de jaarlijkse voorspelde daling bekomt men een totale daling (t.o.v. 2018) van 15,6%

in 2030 en 36,3% in 2050. De totale tewerkstelling in de categorie ’Posterijen’ komt dan


neer op 26.324 in 2030, en 19.868 in 2050.

3.2.3 Brandstofverbruik

Ook de kosten van het brandstofverbruik zal evolueren in de tijd. We focussen ons in deze

sectie op wegvervoer (vrachtwagens), aangezien deze dominant zijn. Overigens wordt er

ook verwacht dat deze een daling in verbruik kunnen vertonen door de introductie van

AV’en (platooning). Vrachtwagens rijden een groot deel van hun tijd op de snelweg, en

zijn niet bepaald aerodynamisch. Zelfrijdende systemen zouden ervoor kunnen zorgen dat

vrachtwagens op enkele meters van elkaar zouden kunnen rijden (platooning) waardoor de

luchtweerstand vermindert en bijgevolg ook het verbruik zal dalen. Deze impact wordt

besproken in sectie 4.2.3.

In deze sectie construeren we een schatting van de toekomstige kosten aan brandstof-

verbruik, voor zowel 2030 als 2050. We gaan er in deze schattingen vanuit dat ook in de

toekomst deze vrachtwagens op diesel zullen rijden. We moeten er echter beseffen dat dit,

zeker voor 2050, kan veranderen. Er zijn vandaag de dag reeds prototypes van vrachtwagens

die elektrische motoren hebben en aangedreven worden door batterijen of waterstofcellen.

Naarmate deze nieuwe vrachtwagens zich ontwikkelen en fossiele brandstoffen schaarster

worden, zal de shift naar deze nieuwe vrachtwagens ook interessanter worden.

Volgens het Federaal Planbureau (2015) [24] lag het gemiddelde verbruik van een vracht-

wagen rond de 27,6 liter diesel per 100km. Dit verbruik wordt verwacht te dalen met 8,2%

naar 2030, wat het gemiddelde verbruik op 25,34 l/100km zou brengen. Om dit verbruik

te voorspellen in 2050, kan men niet dezelde jaarlijkse daling gebruiken aangezien deze

technologische verbeteringen in verbruik van motoren afnemende meeropbrengsten verto-

nen. Hoe zuiniger een motor is, hoe moeilijker bijkomende bezuinigingen zijn.

In een studie van de NHTSA (2015) [31] wordt onderzoek gedaan naar het maximum po-

tentieel van brandstofbesparing bij vrachtwagens, hieruit blijkt dat diesel-vrachtwagens

(relatief t.o.v. 2015) maximale besparingen van ongeveer 15% behaald kunnen worden.

Er vanuit gaande dat deze maximale besparingen ongeveer bereikt zullen zijn tegen 2050,

kunnen we dit toepassen op de cijfers van het Federaal Planbureau en bekomen we voor

2050 een gemiddeld verbruik van 23,11 l/100km.

Naast de zuinigheid van de motoren zal ook de dieselprijs zelf evolueren. Dit is echter

moeilijk te voorspellen aangezien deze op zichzelf al redelijk volatiel en onvoorspelbaar


is. De evolutie van deze prijs hangt verder ook af van veel externe zaken zoals politiek,

accijnzen, wisselkoersen, ...

We kunnen echter wel verwachten dat deze prijs op lange termijn een stijging zal vertonen

gezien de toenemde schaarste en de stijgende vraag. De Wereld Bank geeft (ruwe) schat-

tingen weer voor de lange termijn evolutie voor de prijs van aardgas, we gebruiken deze

procentuele stijgingen als proxy voor de voorspellingen van de stijgingen in dieselprijzen.

Deze voorspellingen in de prijs van aardgas zijn weergegeven in figuur 3.4 [32].

Figuur 3.4: Voorspelde evolutie in de prijzen van aardgas in Europa volgens de Wereld Bank

[32]. De prijzen zijn uitgedrukt in dollar per mmbtu (Million British Thermal

Units).

Uit deze geschatte voorspellingen zien we een jaarlijkse (lineaire) toename van 1,74%

per volume-eenheid (mmbtu). Als we er vanuit gaan dat de nominale wisselkoers van de

euro t.o.v. de dollar constant blijft in de tijd, bekomen we voor 2030 een prijsstijging van

23% en 73,6% voor 2050.

Een overzicht van het geheel aan voorspelling omtrent de kosten van het brandstofver-

bruik is weergegeven in onderstaand tabel (3.5):

2018 2030 2050

Gemiddeld verbruik (l/100km) 27,6 25,34 23,11

Gemiddeld dieselprijs (euro/l) 1,50 1,845 2,604

Gemiddelde kost verbruik (euro/100km) 41,4 46,75 60,18

Tabel 3.5: Overzicht van de voorspellingen omtrent de verbruikskosten (baseline).

De kost per afgelegde kilometer zal dus stijgen in de toekomst, dit is te weiten aan

een stijgende dieselprijs en afnemende meerwinsten op bezuinigingen van motoren. Bij

deze kost wordt er geen rekening gehouden met mogelijke congestie, dat verwacht wordt te

stijgen naar de toekomst toe (zie sectie 3.3). Deze extra kosten worden echter verrekend

in de totale congestiekosten.

3.3 Congestie 42

3.3 Congestie

Wegens de toename van de afgelegde voertuigkilometers, neemt de congestie ook toe. Dit

is vandaag de dag reeds een probleem in knelpunten zoals Antwerpen en Brussel.

Volgens de filebarometer van Touring [23] was 2017 opnieuw een recordjaar in termen van

het aantal uur file. Er wordt verwacht dat dit probleem jaar na jaar erger zal worden

wegens de vooruitzichten weergegeven in sectie 3.1.1. Er wordt in deze studie veronder-

steld dat congestie een probleem is dat zich enkel voordoet bij wegtransport. Andere modi

zoals het spoor worden verondersteld hier geen last van te hebben, aangezien de ritten hier

ingepland zijn. Deze overige modi kunnen echter wel invloed ondervinden van congestie

op de weg, zo kan overmatige congestie als gevolg hebben dat meer mensen gebruik maken

van spoorvervoer.

Uit de vooruitzichten van de transportvraag van het Federaal Planbureau (2015) [24] blijkt

dit ook het geval te zijn. In figuur 3.5 is deze evolutie weergegeven in gemiddelde snelheid.

Hoe meer congestie, hoe lager deze gemiddelde snelheid zal liggen. Het uitdrukken van

congestie in gemiddelde snelheid heeft ook het voordeel om congestiekosten gemakkelijker

berekenbaar te maken (zie sectie 4.3). Om deze reden gebruiken we ook de evolutie in de

gemiddelde snelheid om de evolutie in congestie in beeld te brengen.

Impact van zelfrijdende wagens op de Transportsector in België · AI Arti cial Intelligence EC...

Documents

Transcript of Impact van zelfrijdende wagens op de Transportsector in België · AI Arti cial Intelligence EC...