Då kriser blivit en allt vanligare del av organisationers vardag har forskningsområdet som behandlar detta växt kontinuerligt. Fältet kallas crisis management och angriper organisationskriser från två perspektiv, dels planeringen inför framtida kriser och dels hanteringen av krisen när den väl brutit ut. I denna uppsats har vi valt att fokusera på den förstnämnda aspekten och undersökt och analyserat hur Upplands Lokaltrafik AB (UL) utefter vårt teoretiska ramverk arbetar med planering för kriser. För att undersöka detta har vi genomfört en intervju med företagets informationschef, tillika ansvarig för UL:s krisplanering, samt studerat deras dokumenterade krishanteringsplan. Vår undersökning visar att de inom organisationen arbetar målmedvetet med de olika delarna av krisplaneringen, ett arbete som fortlöpande uppdateras allt eftersom nya lärdomar dras. I slutsatsen föreslår vi att UL till större del bör ta tillvara på inblandad personals erfarenheter av krissituationer samt kartlägga kompetenser hos de anställda som kan komma att kvalificera dem för ledarskapsroller i framtida kriser.

No description available.

Public transport authority UL (Upplands Lokaltrafik) aims to reduce emissions, air pollution, and traffic congestion by providing bus journeys as an alternative to using a car. In order to incentivise bus travel, accurate predictions are critical to potential passengers. Accurate arrival time predictions enable the passengers to spend less time waiting for the bus and revise their plan for connections when their bus runs late. According to literature, Artificial Neural Networks (ANN) has the ability to capture nonlinear relationships between time of day and position of the bus and its arrival time at upcoming bus stops. Using arrival times of buses on one line from July 2018 to February 2019, a data-set for supervised learning was curated and used to train an ANN. The ANN was implemented on data from the city buses and compared to one of the models currently in use. Analysis showed that the ANN was better able to handle the fluctuations in travel time during the day, only being outperformed at night. Before the ANN can be implemented, real time data processing must be added. To cement its practicality, whether its robustness can be improved upon should be explored as the current model is highly dependent on static bus routes.

I kollektivtrafiken används ett flertal olika prismodeller och biljettsystem. Denna studie utgår ifrån hur lokaltrafiken ser ut i framförallt Uppland där UL, Upplands Lokaltrafik, planerar och upphandlar kollektivtrafiken till olika utförare. Nackdelar identifieras med dagens prismodeller som hos UL består av zonindelningar för enkelbiljetter samt enhetspriser för periodbiljetterna. Prismodeller bedöms ofta i en skala mellan enkelhet och rättvisa. Problemen som identifierats och som studien särskilt fokuserar på är bristen på rättvisa i dagens prismodell, i form av låg korrelation mellan prissättning och utnyttjande av kollektivtrafiken. Alternativa prismodeller och biljettsystem analyseras samt den samverkan som behövs för att möjliggöra smidigast möjliga helhetslösning för både resenärer, trafikbolag och politiker. Särskilt fokus sätts på en tids- och avståndsbaserad prismodell med ett biljettsystem, som med smartcards eller smartphones registrerar på- och avstigning för varje enskild resenär. Dessa då de i stor grad möjliggör rättvisa biljettpriser och andra fördelar som exempelvis omfattande konfigurerbarhet och precis statistik för forskare och trafikplanerare.