Flaskehalse og snævre punkter: sådan aflæser du en folkemængde, før den bliver et problem

Den folkemængde, det tog tyve minutter at få ryddet fra perronen, var der intet i vejen med ti minutter tidligere. Ingen gik i panik, intet ændrede sig i køreplanen, og alligevel blev en helt håndterbar gruppe pendlere til en langsom, ubehagelig trængsel, der blokerede to udgange. Flaskehalse i folkemængder føles typisk pludselige på den måde, men det er de ikke.

Strøm, tæthed og punktet, hvor gennemstrømningen falder

I fodgængerdynamik kan forholdet mellem tæthed og strøm virke bagvendt, indtil man forstår det. Op til en moderat tæthed øger flere mennesker i en korridor eller passage den samlede strøm, fordi pladsen udnyttes bedre. Efter en tærskel sker det modsatte: den enkelte sætter farten ned for at undgå kontakt, banerne begynder at gå i vejen for hinanden, og den samlede gennemstrømning falder, selv om folkemængden vokser. I ekstreme tilfælde (en folkemængde ved en festivalindgang eller en stadionudgang) kan systemet gå næsten helt i stå.

Forholdet mellem tæthed og strøm er veldokumenteret i litteraturen om fodgængerteknik. Arkitekter bruger det til at designe evakueringsruter, transportoperatører til at dimensionere passager og eventplanlæggere til at beregne, hvor lang tid det tager at tømme et område. Når du forstår det, er næste skridt at måle det i dit eget rum.

Gruppeproblemet, som de fleste operatører overser

Ren hovedtælling overser en strukturel komplikation: de fleste mennesker i en folkemængde går ikke alene. En undersøgelse fra 2010 af Moussaïd, Perozo, Garnier, Helbing og Theraulaz, publiceret i PLoS ONE, fandt, at op til 70% af de fodgængere, forskerne observerede på en handelsgade, gik i sociale grupper (par, familier, kolleger, små selskaber). Grupperne opfører sig anderledes end folk, der går alene.

Ved lav tæthed går grupper side om side og danner en linje på tværs af gangarealet. Det er socialt og behageligt, men det optager bredde. Når tætheden stiger, bøjer linjen: personen i midten falder lidt tilbage, og de to yderste rykker tættere sammen, så der dannes et V, der åbner sig fremad. V’et bruger mindre plads i bredden, men fylder mere i gangretningen. Derfor når en korridor fuld af grupper sin reelle kapacitet tidligere, end en simpel hovedtælling ville forudsige.

Gruppeeffekten betyder meget i transportknudepunkter og lufthavne, hvor gateskift, forsinkelser og perronmeddelelser pludselig kan flytte store familiegrupper. Et snævert punkt, der uden problemer klarer pendlerstrømmen en tirsdag, kan bryde helt sammen en lørdag, når den samme korridor er fuld af grupper, der trækker kufferter.

Hvor snævre punkter opstår

Snævre punkter samler sig om nogle forudsigelige kendetegn:

• Overgange fra bred til smal plads: en passage, der snævrer ind til en adgangsbarriere med én dør, eller en åben plads, der smalner ind til en gangbro.
• Retningskonflikter: kryds, hvor to strømme krydser eller løber sammen, og som for fodgængere svarer til et ureguleret vejkryds.
• Uens servicehastigheder: billetbarrierer, sikkerhedskontroller og boardingkøer, der tømmes i forskelligt tempo, så folk hober sig op foran det langsomste punkt. Er det langsomme punkt en kasse eller en serviceskranke, er ophobningen også et kommercielt problem: kunder, der møder en lang kø, køber mindre, og nogle går deres vej.
• Tiltrækningspunkter: informationsskærme, afgangstavler, madboder eller andet, der får folk til at stoppe eller sætte farten ned midt i en strøm.

Den sidste kategori er den mest undervurderede. Forestil dig en afgangsskærm i en korridor, hvor strømmen ellers gled. Hvis tilstrækkeligt mange stopper op for at læse den, kan køen bag dem nå langt tilbage fra selve skærmen.

Sådan læser du de tidlige signaler

En erfaren operatør kan ofte se en flaskehals under opsejling, før den bliver et problem: på holdningen i en kø eller på tempoet hos dem, der kommer til et kryds, sammenlignet med dem, der forlader det. Vanskeligheden er skalaen. Én uddannet observatør kan ikke på samme tid holde øje med seks kryds i en passage, fire sikkerhedskontroller og to perronudgange.

Løbende anonyme sensordata ændrer det. Når ankomster og afgange tælles ved hvert overvåget punkt, klarer matematikken overvågningen, og et live belægningstal for hver zone gør den overvågning til et tal, en operatør kan handle på. En tælling, der konsekvent viser flere mennesker på vej ind i et kryds end ud af det, er et tidligt tegn på ophobning. Forskellen mellem ankomst- og afgangsrate, målt over minutter i stedet for vurderet med et hurtigt blik, giver operatøren tid til at handle: åbne en ekstra indgang, sætte en vagt til at omdirigere strømmen eller sende en besked i realtid til en offentlig skærm.

Arena- og stadionoperatører var blandt de første til at tage tilgangen i brug, dels fordi der står mest på spil, når publikum forlader stedet, dels fordi tidspunkterne for events gør spidsbelastningerne forudsigelige og dermed mulige at planlægge efter. Samme logik gælder for lufthavne med afgangsbølger eller togstationer med myldretidsmønstre, der varierer fra dag til dag, men er konsistente nok til at kunne modelleres.

Hybrid-sensing til komplekse steder

Ingen sensortype dækker alle scenarier alene. En travl lufthavnsterminal rummer lange, åbne arealer, hvor Wi-Fi-analyse giver fremragende aggregerede strømdata, smalle døråbninger og korridorer, hvor 3D-dybdesensorer giver præcise tal minut for minut, og udendørs forpladser, hvor kamerabaserede metoder er mere velegnede.

Hybride løsninger til persontælling kombinerer disse metoder, så hver del af stedet måles med den teknologi, der passer bedst til den, og resultaterne samles i ét operationelt billede. I praksis betyder det, at en operatør kl. 08:47 en mandag morgen kan se, at køen ved den nordlige sikkerhedskontrol vokser hurtigere end ved den sydlige, og kan handle, før køen når elevatorerne.

Tidlige advarsler og spørgsmålet om privatliv

Det er let at argumentere for overvågning af folkemængder af driftshensyn, og spørgsmålet om borgerlige frihedsrettigheder fortjener et direkte svar.

At tælle, hvor mange mennesker der bevæger sig gennem et kryds, eller hvor tæt en zone er blevet, kræver ikke, at nogen identificeres. De data, der føder en alarm om folkestrømme (hvor mange signaler, hvor mange sensorbrud), er anonyme og aggregerede, før de når en operatørs skærm. Ingens rejse logges, og intet ansigt matches mod en database.

Den skelnen vejer tungere, efterhånden som måling i offentlige rum bliver mere almindelig. Det, der hjælper en lufthavn eller en transportoperatør med at styre et snævert punkt sikkert, er data på folkemængdeniveau, og teknologien kan levere dem uden at overvåge enkeltpersoner.

Handl, før køen når elevatorerne

Den folkemængde, der blokerede perronudgangene, opstod ikke ud af ingenting. De forhold, der skabte den (en smal udgang, flere ankomster end normalt, en lørdag med mange grupper blandt passagererne), kunne måles på forhånd. Flaskehalsen var forudsigelig; det, der manglede, var målingen.

Løbende, anonym overvågning af strømme gør en kendt strukturel risiko til noget, du kan se og styre. Det snævre punkt forsvinder ikke, men du kan se, hvor presset bygger sig op, før det når folk på stedet, så du bliver ikke længere overrasket af det.

Se, hvordan det fungerer i større skala: analyse af publikumsstrømme i arenaer og hybride løsninger til persontælling dækker målelaget, mens besøgsanalyse for transportknudepunkter dækker det operationelle billede.

Kilder

• Moussaïd, M., Perozo, N., Garnier, S., Helbing, D., & Theraulaz, G. (2010). The walking behaviour of pedestrian social groups and its impact on crowd dynamics. PLoS ONE, 5(4), e10047. https://doi.org/10.1371/journal.pone.0010047
• Weidmann, U. (1993). Transporttechnik der Fussgänger: Transporttechnische Eigenschaften des Fussgängerverkehrs (IVT Schriftenreihe 90). ETH Zürich. https://doi.org/10.3929/ethz-b-000242008
• Helbing, D., & Molnár, P. (1995). Social force model for pedestrian dynamics. Physical Review E, 51(5), 4282–4286. https://doi.org/10.1103/PhysRevE.51.4282
• Helbing, D., Johansson, A., & Al-Abideen, H. Z. (2007). Dynamics of crowd disasters: An empirical study. Physical Review E, 75(4), 046109. https://doi.org/10.1103/PhysRevE.75.046109
• Lu, Y., Musalem, A., Olivares, M., & Schilkrut, A. (2013). Measuring the effect of queues on customer purchases. Management Science, 59(8), 1743–1763. https://doi.org/10.1287/mnsc.1120.1686