Parkeerkencijfer voor bezoek aan bewoners: de grote onbekende

Er is discussie over de hoogte van het parkeerkencijfer voor bezoekersparkeren. Ook is er weinig over de kenmerken van bezoekersparkeren bekend. Door de digitalisering komen nu veel data beschikbaar. Op basis daarvan is uitgebreid onderzoek gedaan naar de kenmerken van bezoekersparkeren, en is vervolgens een stap gezet naar meer onderbouwde, gedifferentieerde, parkeerkencijfers voor bezoekersparkeren.

 

[Dit artikel verscheen eerder in Vexpansie 2021-4. | Tekst Marlou Tiesinga]

 

Voor het ramen van de benodigde parkeercapaciteit in stedelijke ontwik­kelings­­trajecten kan gebruik worden gemaakt van de kencijfers van het CROW. In deze kencijfers worden voor een groot aantal stedelijke functies (in de categorieën wonen, werken, detailhandel enz.) per standaard­eenheid (bijvoorbeeld woning, of 100 m2 bvo) waarden gegeven voor de daarbij behorende parkeerbehoefte. Omdat zelfs binnen de gedefinieerde deel­categorieën onderlinge verschillen voor­komen in parkeervraag en achterliggend bezoekgedrag wordt voor de parkeer­kentallen een bandbreedte aangehouden. Daarnaast zijn ook externe factoren (locatiekenmerken) van belang. Om die reden wordt ook onderscheid gemaakt in verstedelijkingsniveau en in de ligging binnen het stedelijk gebied (centrum, schil, rest bebouwde kom en landelijk gebied).

 

Bezoekersparkeren
Dit werkt anders voor het bezoekersparkeren. In de parkeerkencijfers van woningen wordt ook een component voor bezoekers­parkeren opgenomen. Dit betreft dus een kencijfer voor het bezoek van woningen. Het onderscheid in een bewoners- en een bezoekerscomponent in de parkeerkencijfers voor woningen wordt sinds 2004 door het CROW gemaakt. Daarvoor werd volstaan met één parkeerkencijfer per woningtype, waarmee de facto ook voor bezoekers­parkeren een maximale aanwezigheid in de nacht werd aangehouden. Het aandeel bezoekersparkeren is destijds ingeschat op
0,3 pp/woning, ongeacht woningtype en locatie. Al geruime tijd is de ervaring dat het eerder arbitrair vastgelegde parkeerkencijfer voor bezoekersparkeren te hoog is.

 

Daar waar voor het normale parkeren in woonwijken onderscheid wordt gemaakt voor locatiespecifieke kenmerken bij het bepalen van het aantal parkeerplekken, is dit voor bezoekersparkeren voor de functie wonen nog niet het geval. In eerder onderzoek van Spark, dat ook concludeerde dat het huidige kengetal voor bezoekersparkeren te hoog is, is niet ingegaan op het effect van locatiespecifieke kenmerken voor het aantal bezoekersparkeerbewegingen in een bepaalde woonwijk.

 

Onderzoek kenmerken bezoekersparkeren
Door de introductie van digitale bezoekersregelingen in diverse gemeenten is de mogelijkheid ontstaan het feitelijk bezoekgedrag cijfermatig beter in beeld te brengen. In de bezoekersregeling worden bezoekers digitaal aan- en afgemeld. We kregen de beschikking over de geanonimiseerde data over 2019 van de aantallen bezoekersparkeerders in het gereguleerde gebied in een zestiental steden. Met deze data is een onderzoek uitgevoerd naar kenmerken van bezoekersparkeren, met het doel te komen tot beter inzicht in de kenmerken en de differentiatie in bezoekersparkeren, om daarmee te kunnen komen tot passender parkeerkencijfers voor bezoekersparkeren.

De volledige rapportage 

 

Door middel van een literatuurstudie is in kaart gebracht welke factoren vanuit theoretisch oogpunt invloed hebben op de parkeerbehoefte van bewonersparkeren. Het resulterende conceptuele model laat zien dat bezoekersparkeren wordt beïnvloed door autobezit en autogebruik van de bezoeker. Het eerste is afhankelijk van de kenmerken van de bezoekers, waaronder demografische kenmerken en kenmerken van de woonomgeving van de bezoekers (bijvoorbeeld stedelijkheid, parkeerbeleid). Het autogebruik van de bezoekers wordt beïnvloed door zowel kenmerken van de bezoeker als door kenmerken van het te bezoeken (parkeer-)gebied: de context-specifieke factoren. De context-specifieke factoren bestaan uit demografische, geografische en (parkeer-)beleidsmatige kenmerken van het te bezoeken gebied. Omdat de beschikbare data geen informatie bevatten over de kenmerken van de bezoekers is in deze studie alleen ingegaan op de lokale omstandigheden in het gebied van de bewoner die bezoek ontvangt. Dit sluit goed aan op de basis van parkeernormen; in de praktijk kunnen parkeernormen voor bezoekersparkeren alleen worden gerelateerd aan de kenmerken van het te bezoeken gebied. In het conceptuele model wordt er dan ook van uitgegaan dat de behoefte aan parkeerplaatsen voor bezoekersparkeren wordt beïnvloed door demografische, geografische en beleidsmatige aspecten van de woonomgeving van de bewoner die bezoek ontvangt. In onderstaand figuur is het conceptuele model weergegeven.

 

Bezoekersparkeren afhankelijk van demografische en geografische factoren
Dit conceptuele model is gebruikt om met behulp van de data over het gebruik van bezoekersvergunningen een meervoudig regressiemodel te schatten. Hiermee wordt onderzocht welke factoren nu de bezoekers­parkeervraag kunnen verklaren. In deze studie is het gebruik van de bezoekers­parkeervergunning in het jaar 2019 voor de stad Eindhoven gebruikt. De data bevatten informatie over datum, start- en eindtijd van de parkeerhandeling, de parkeerzone en de kenmerken van de vergunninghouder (dat is degene die bezoek ontvangt). Belangrijke kenmerken van de vergunning­houder zijn in dit verband leeftijd, geslacht en postcode. Aan de hand van de postcode zijn gegevens over demografische en geografische kenmerken van het gebied achterhaald met behulp van opendata.

 

De analyse van de parkeerdata tonen aan dat er aanmerkelijke verschillen zijn in het gebruik van de bezoekersvergunning tussen verschillende gebieden in het onder­zoeksgebied. Daarnaast toont de data dat de drukste dag voor bezoekersparkeren zaterdag is, de avondperiode het tijdvak met het meeste bezoekersparkeerders, maar het verschil tussen overdag en ’s avonds is kleiner dan oorspronkelijk werd verwacht. De regressieanalyse toont aan dat zowel demografische als geografische factoren van de bewoner van invloed zijn op de vraag naar bezoekersparkeren. Leeftijd was in het geschatte model de enige significante variabele voor demografische factoren, waarbij mensen tussen de 15 en 45 meer bezoekers aantrekken dan mensen in andere leeftijdsgroepen. Echter, de beschikbare data heeft onderzoek naar andere demografische factoren beperkt en het wordt vanuit theoretisch oogpunt verwacht dat ook andere demografische factoren het gebruik van bezoekersparkeren beïnvloe­den. Dit behoeft verder onderzoek. Diverse geografische factoren op het vlak van de gebouwde omgeving blijken de vraag naar bezoekersparkeren te beïnvloeden. Het gaat dan om bevolkingsdichtheid en ver­schillende woningkenmerken (oudere huizen met een hogere parkeervraag, bij nieuwe huizen juist een lagere). Beschikbaarheid van parkeercapaciteit binnen loopafstand resulteert in een hogere vraag dan wanneer de loopafstand groter wordt, de afstand tot de snelweg en beschikbaarheid van openbaar vervoer hebben een omgekeerde invloed.

Dit toont aan dat het gebruik van bezoekers­parkeren afhankelijk is van diverse factoren waarmee rekening gehouden kan worden om tot een meer nauwkeurige parkeernorm voor bezoekersparkeren te komen. Hierbij is het aan te bevelen te differentiëren op basis van de locatiespecifieke kenmerken van een woongebied in plaats van een vast kengetal. Daarmee is een grote onbekende in het parkeren in woongebieden iets minder onbekend geworden, hoewel er nog veel vragen onbeantwoord blijven. Verder onderzoek is nodig om ook de invloed van andere factoren, zoals beleidsgerelateerde factoren, te kunnen valideren. Daarmee kan ook een verdere verfijning van de parkeerkentallen voor bezoekersparkeren worden bereikt.

 

Dit artikel is gebaseerd op het Master afstudeeronderzoek dat Marlou Tiesinga vanuit de TU Delft heeft uitgevoerd, begeleid door Prof. Bert van Wee. Op haar stageplek bij Sweco is Marlou begeleid door Jeroen Quee in samenwerking met Sjoerd Stienstra.

Tags

Beleid en gedrag

Toelichting

[Tekst Jeroen Quee (Sweco/ redactie Vexpansie) en Sjoerd Stienstra (redactie Vexpansie)]

 

Door de analyse van de data voor bezoekersparkeren in Eindhoven is veel waardevolle informatie over omvang en spreiding van bezoekersparkeren beschikbaar gekomen. Uit een vergelijking van de ruwe onderzoeksdata met de data van de vijftien andere steden waarvan data beschikbaar waren bleek dat in grote lijnen de resultaten in dezelfde orde van grootte vielen als de Eindhovense referenties. Dit is, naast een overall beeld van het parkeermilieu in (woongebieden in) Eindhoven, een goede reden om ervan uit te gaan dat de resultaten van Eindhoven een doorsnee bieden van de kenmerken van bezoekersparkeren in de gebouwde omgeving.

 

In onze analyses hebben we gekeken naar omvang en spreiding naar maand, dag en tijdstip. Op basis daarvan is het nu mogelijk een beter onderbouwd kencijfer voor bezoekersparkeren te bepalen. Uitgangspunt daarbij is het aantal (auto-)bezoekers per woning.
Op basis van deze onderzoekresultaten kan worden geconcludeerd dat -zeker in stedelijk gebied- een parkeerkengetal van 0,1 parkeerplaats per woning voldoende zal zijn, en ook voldoende reserve heeft om ook bij de iets hogere parkeervraag in de laatste maanden van het jaar te voldoen aan de parkeervraag.
Deze waarde sluit ook aan bij vergelijkbare analyses van bureau Spark.
De hoogste parkeervraag voor bezoekersparkeren is te verwachten op zaterdagavond. Uit de verdeling van de parkeervraag over de week kunnen daaruit ook de waardes voor de aanwezigheidspercentages voor bezoekersparkeren worden berekend. Deze variëren van 45 procent voor de maatgevende werkdagochtend tot 90 procent op zondagmiddag.

 

Voorstel voor aanpassing parkeerkental en aanwezigheidspercentages bezoekersparkeren
Op grond van het uitgevoerde onderzoek stellen wij vast dat het parkeerkental en de aanwezigheidspercentages aanpassing verdienen.
Zeker voor de stedelijke gebieden (stedelijkheidsgraad van zeer sterk stedelijk t/m matig stedelijk) stellen wij de volgende indeling voor:
• Centrum: 0,1 parkeerplaats per woning
• Schil centrum: 0,1 parkeerplaats per woning
• Rest bebouwde kom (gereguleerd parkeren):
0,1 parkeerplaats per woning
• Rest bebouwde kom (niet gereguleerd parkeren):
0,15 parkeerplaats per woning
• Buitengebied: PM

 

Voor weinig stedelijke en niet stedelijk gebieden (met vaak minder alternatieve vervoerwijzen beschikbaar) zou ook aan 0,15 parkeerplaats per woning kunnen worden gedacht.
Ook voor de aanwezigheidspercentages worden op basis van het onderzoek aanpassingen voorgesteld.

Bekijk meer artikelen

Rekenkamer Amersfoort: onderzoek naar parkeergarages en fietsenstallingen

Bijna elke gemeente heeft een rekenkamer die onderzoek doet naar doelmatigheid, doeltreffendheid en rechtmatigheid van het gemeentelijk beleid. Parkeren is regelmatig onderwerp van onderzoek.

Lees meer

Markante personen uit de parkeerwereld: Wim van der Heide

Wim van der Heide, Business Development Manager bij Ballast Nedam Park & Connect, kwam via onderzoek naar mechanische parkeersystemen in aanraking met de parkeerwereld.

Lees meer

30 jaar fiscalisering deel 5: Jurisprudentie

In dit deel over de geschiedenis van de fiscalisering gaat het over jurisprudentie. Tot op de dag van vandaag wordt er tegen opgelegde naheffingen bezwaar gemaakt. In een aantal gevallen gaat de bezwaarmaker als hij van de belastingrechter geen gelijk krijgt naar het gerechtshof en soms zelfs naar de Hoge Raad.

Lees meer

30 jaar fiscalisering deel 4: Bebording

In dit deel over de geschiedenis van de fiscalisering kijken we terug op de ontwikkeling van de bebording. Via bebording herkent de parkeerder het ter plaatse geldende parkeerregiem.

Lees meer

30 jaar fiscalisering deel 3: Parkeer(belasting) verordeningen en beleidsregels

In dit artikel wordt ingegaan op de algemeen verbindende voorschriften die de gemeente dient vast te stellen: de parkeerverordening en de verordening parkeerbelasting en de beleidsregels zoals het uitgiftebesluit en het aanwijzingsbesluit.

Lees meer

Laadpaalklevers

Vijf jaar geleden waren er maar 21.000 (volledig) elektrische auto’s in Nederland. Nu zijn dat er 254.000. Het aantal laadpalen groeide minder snel.

Lees meer
1 2 3 21