De Road Accident Analyzer

Transcriptie

1 De Road Accident Analyzer Deel II: Bepaling van de prioritaire segmenten. RA-MOW K. Van Raemdonck, C. Macharis Onderzoekslijn WP1: Referentiedatabank DIEPENBEEK, STEUNPUNT MOBILITEIT & OPENBARE WERKEN SPOOR VERKEERSVEILIGHEID

2 Documentbeschrijving Rapportnummer: Titel: RA-MOW De Road Accident Analyzer Ondertitel: Deel II: Bepaling van de prioritaire segmenten. Auteur(s): Promotor: K. Van Raemdonck, C. Macharis Prof. dr. Cathy Macharis Onderzoekslijn: Referentiedatabank voor onderzoek naar verkeersveiligheid in Vlaanderen Partner: Aantal pagina s: 41 Vrije Universiteit Brussel MOSI T Projectnummer Steunpunt: 1.1 Projectinhoud: WP1: Referentiedatabank voor onderzoek naar verkeersveiligheid in Vlaanderen Uitgave: Steunpunt Mobiliteit & Openbare Werken, januari Steunpunt Mobiliteit & Openbare Werken Wetenschapspark 5 B 3590 Diepenbeek T F E info@steunpuntmowverkeersveiligheid.be I

3 Samenvatting Om de verkeersonveiligheid in Vlaanderen in kaart te brengen wordt in dit rapport een verkeersongevallenanalysetool, de Road Accident Analyzer, verder ontwikkeld. In een vorig steunpuntrapport (RA-MOW ) werd reeds besproken hoe deze tool gevaarlijke wegsegmenten kan identificeren op het hoofdwegennet in Vlaanderen. In dit rapport wordt er eerst wat dieper ingegaan op enkele problemen die aan het licht kwamen in het vorige rapport, en hoe hieraan in het huidige rapport geremedieerd wordt. Het belangrijkste probleem doet zich voor bij de registratie van de ongevallen. Ongeveer 90% van de ongevallen op de autosnelwegen in Vlaanderen wordt namelijk in oplopende rijrichting geregistreerd. Hierdoor worden de twee rijrichtingen bij de analyses in dit rapport steeds samengenomen. Dit alles gaat uiteraard samen met minder gedetailleerde resultaten, maar zorgt wel voor een betrouwbaarder beeld van de verkeersveiligheid op de Vlaamse autosnelwegen. Vervolgens wordt de theorie achter het bepalen van gevaarlijke segmenten besproken. In studies met betrekking tot de identificatie van gevaarlijke segmenten zijn er meestal twee belangrijke fases te onderscheiden. In een eerste fase wordt een ongevallenindicator berekend. Vervolgens wordt in een tweede fase onderzocht of de waarde van deze ongevallenindicator een bepaalde drempelwaarde significant overschrijdt. Na het theoretisch bespreken van deze twee fases, worden deze getoetst aan de praktijk. Voor het hoofdwegennet in Vlaanderen werden drie ongevallenindicatoren berekend: de ongevallendensiteit, het ongevallenrisico en een verwacht aantal ongevallen op basis van een ongevallenmodel (Empirical Bayes benadering). Aan de hand van gemiddelde waarden en het reductiepotentieel worden vervolgens de prioritaire segmenten voor elke methode bepaald. Nadien worden de resultaten van de verschillende methodes kritisch besproken en met elkaar vergeleken. Ten slotte worden de gevaarlijkste segmenten die aan de hand van deze methode worden geïdentificeerd door de Road Accident Analyzer vergeleken met de gevaarlijke punten bepaald door de regel, zoals deze momenteel in Vlaanderen wordt toegepast. Steunpunt Mobiliteit & Openbare Werken 3 RA-MOW

4 English summary Title: Road Accident Analyzer Subtitle: Identification of the most dangerous road segments Abstract This report describes the further development of a road accident analysis tool, called the Road Accident Analyzer. In a previous report (RA-MOW ) it was already discussed how this tool is able to identify dangerous road segments on the main road network in Flanders. This report will firstly address some issues that came to light in the previous research, and how these are remediated in the current report. The most important problem arises in the accident registration process. It seems that approximately 90% of all the road accidents on the main road network in Flanders are registered in the same direction. Because of this registration error, the two driving directions are aggregated in the analyses carried out in this report. This restriction obviously results in less detailed results on the one hand, but provides a more reliable representation of traffic safety on the Flemish highways on the other hand. Thereafter, the theory behind the identification of dangerous road segments is being discussed. In studies concerning the identification of dangerous sections, one can usually distinguish two main phases. In the first phase, an accident indicator is calculated. Subsequently, it is examined whether this indicator significantly exceeds a certain threshold value in a second stage. After the theoretical discussion of these two phases, they are tested in practice. Three accident indicators are being calculated for the main roads in Flanders: the accident density, the accident risk and an expected number of accidents based on an accident prediction model (Empirical Bayes approach). Next, the most important and dangerous segments for each method can be identified based on average values and the accident reduction potential. Afterwards, the results of the different methods are being compared and critically discussed. Finally, the most dangerous segments that are identified by the Road Accident Analyzer are compared to the black spots determined by the rule, as currently applied in Flanders. Steunpunt Mobiliteit & Openbare Werken 4 RA-MOW

5 Inhoudsopgave 1. INLEIDING Algemene situering Vorig onderzoek 7 2. AANPASSINGEN T.O.V. VORIGE RAPPORT Methodologie Aanpassingen 8 3. WELKE SEGMENTEN ZIJN GEVAARLIJK? Indicatoren met betrekking tot ongevallen Methodes voor het identificeren van gevaarlijke segmenten Identificatie op basis van drempelwaarde Identificatie op basis van normale waarde Overzicht PRIORITAIRE SEGMENTEN Ongevallenrisico Variabelen clusteranalyse Clusteranalyse: bepaling normaal ongevallenrisico Gevaarlijke segmenten Ongevallendensiteit Berekening ongevallendensiteit Gevaarlijke segmenten Modelgebaseerde benadering Bepaling significante variabelen Keuze variabelen Beste model Verwacht aantal ongevallen per segment Gevaarlijke segmenten Vergelijking van de verschillende methodes Ongevallenrisico Ongevallendensiteit Empirical Bayes (ongevallenmodel) Conclusie ONGEVALLENRISICO VS. GEVAARLIJKE PUNTEN VERDER ONDERZOEK EN BELEIDSAANBEVELINGEN CONCLUSIE LITERATUURLIJST Steunpunt Mobiliteit & Openbare Werken 5 RA-MOW

6 1. I N L E I D I N G 1.1 Algemene situering Het wegverkeer blijft één van de meest gevaarlijke en complexe systemen waar de mens dagelijks in betrokken wordt (WHO, 2004). Hierdoor vinden er jaarlijks nog steeds vele verkeersongevallen plaats. Deze zorgen niet alleen voor een groot aantal slachtoffers, maar blijven ook één van de belangrijkste doodsoorzaken in de wereld (Moons & Brijs, 2009). Naast het menselijke leed zorgen verkeersongevallen ook voor een grote sociale, economische en maatschappelijke kost (Van Raemdonck & Macharis, 2010). Met het oog op duurzame ontwikkeling staat verkeersveiligheid dan ook hoog op de agenda, zowel in Vlaanderen (Van Rouveroij & Martens, 2010) als in Europa (Elvik, 2008). Verkeersongevallen kunnen het gevolg zijn van drie factoren (Hillier, 2002; Sayed & Abdelwahab, 1995). De belangrijkste factor is ervaring en de staat van paraatheid van de bestuurder. De wegkenmerken en de eigenschappen van de onmiddellijke omgeving vormen samen een tweede belangrijke factor. Een laatste factor heeft betrekking tot de technologie en de staat van het voertuig zelf. Het is echter vaak een vorm van interactie tussen deze drie factoren dat leidt tot verkeersongevallen. Dit wordt geïllustreerd aan de hand van Figuur 1. De verwevenheid van deze drie factoren maakt dat verkeersongevallen een complexe en vaak onvoorspelbare materie zijn (Mungnimit et al., 2009). Figuur 1: Ongevalsoorzaken op het gebied van mens, voertuig en omgeving Bron: Hillier, Om het aantal ongevallen op lange termijn te reduceren dient men maatregelen te nemen op deze drie verschillende terreinen. Hierbij is het belangrijk om voldoende nadruk te leggen op de integratie van deze terreinen (Geurts & Wets, 2003). Met betrekking tot wegeigenschappen en de onmiddellijke omgeving is het beheer en de aanpassing van gevaarlijke segmenten een noodzakelijke maatregel. Vandaar dat in dit werkpakket (WP1: referentiedatabank voor onderzoek naar verkeersveiligheid in Vlaanderen) van het Steunpunt Mobiliteit en Openbare Werken spoor Verkeersveiligheid een geografische tool, de Road Accident Analyzer, wordt ontwikkeld om gevaarlijke segmenten te identificeren. Dit rapport beschrijft het vervolg van de ontwikkeling van deze GIS-tool. Hierbij wordt er voornamelijk gebruik gemaakt van de gelokaliseerde ongevallendata ( ) verkregen van ADSEI en het wegennet en verkeersintensiteiten verkregen van het Vlaams Verkeerscentrum. Daarnaast worden ook enkele wegeigenschappen aangewend die beschikbaar werden gesteld door het Agentschap Wegen en Verkeer. Voor meer informatie betreffende de gebruikte data wordt verwezen naar Van Raemdonck & Macharis (2011). Steunpunt Mobiliteit & Openbare Werken 6 RA-MOW

7 1.2 Vorig onderzoek Zoals reeds vermeld in enkele van de vorige rapporten binnen werkpakket 1, zijn dit de 5 te onderscheiden stappen om te evolueren van ruwe data uit de verkeersdatabanken tot en met de Road Accident Analyzer (Van Malderen & Macharis, 2010; Van Raemdonck & Macharis, 2011): - Verzamelen en samenbrengen van verkeersdata in pilootdatabank In een eerste fase wordt een pilootdatabank opgesteld, waarin de basisdata wordt opgenomen. Deze databank bestaat uit de kerninformatie van verschillende databanken. De databank bevat zo als startpunt de wegkenmerken, de verkeersintensiteiten, het transportnetwerk en de verkeersongevallendata. - Opstellen referentiedatabank door koppeling pilootdatabank met extra databanken Nadat de pilootdatabank opgesteld wordt kan men deze databank verder aanvullen met extra data komende uit de reeds gehanteerde databestanden, maar ook uit nieuwe databronnen. Op deze wijze wordt er een geïntegreerde referentiedatabank opgesteld voor het onderzoek naar verkeersveiligheid in Vlaanderen. Op basis van de referentiedatabank kan onder andere de Road Accident Analyzer analyses doen met betrekking tot verkeersveiligheid in Vlaanderen. - Identificatie en rangschikking van risicovolle wegsegmenten Door het berekenen van de ongevallenrisico s en andere indicatoren op de verschillende wegsegmenten aan de hand van de verkeersintensiteiten en ongevallendata, zal men in staat zijn om de risico s te bepalen op het Vlaams wegennet. Een clusteranalyse van de wegsegmenten op basis van de specifieke karakteristieken nadien, moet ervoor zorgen dat men de ongevallenrisico s kan vergelijken op basis van soortgelijke wegen. - Gedetailleerde ongevallenanalyse en maatregelen definiëren Van zodra de gevaarlijke wegen in kaart zijn gebracht kan men in detail gaan bekijken welke dominante ongevallen daar voorvallen. Op basis van deze dominante oorzaken kunnen dan specifieke beleidsmaatregelen naar voor gebracht worden om deze ongevallen in de toekomst te trachten verhelpen. - Evaluatie van verkeersveiligheidsmaatregelen Na het bepalen van de gevaarlijke secties worden de wegsegmenten geclusterd op basis van de wegkarakteristieken. Op basis daarvan kan men tevens test- en controlelocaties identificeren om zo de evaluatie van verkeersveiligheidsmaatregelen mogelijk te maken. Daarnaast kan men bij het bepalen van de dominante ongevallenoorzaken tevens verkeersveiligheidsmaatregelen aanbrengen waarbij op basis van multi-criteria analyse de meest efficiënte en effectieve maatregel kan gekozen worden. In de vorige rapporten werden voornamelijk de eerste twee stappen behandeld. Daarnaast werd ook gestart met de derde stap. De methodologie voor het bepalen van gevaarlijke wegsegmenten met de Road Accident Analyzer werd namelijk in het vorige steunpuntrapport voorgesteld. Hierbij werd vooral aandacht besteed aan de berekening van indicatoren van gevaarlijke segmenten, zoals bijvoorbeeld het ongevallenrisico. In dit rapport worden deze methodes nog eens kort overlopen. Daarna wordt dieper ingegaan op de methodes voor het identificeren van de gevaarlijke segmenten zelf. Zoals vermeld in het vorige rapport bestaan hiervoor verschillende benaderingen zoals het gebruik van een arbitraire drempelwaarde, op basis van het reductiepotentieel, enzovoorts. Maar eerst wordt er dieper ingegaan op enkele problemen die aan het licht kwamen in het vorige rapport, en hoe hieraan geremedieerd werd. Steunpunt Mobiliteit & Openbare Werken 7 RA-MOW

8 2. A A N P A S S I N G E N T. O. V. V O R I G E R A P P O R T 2.1 Methodologie In het voorgaande steunpuntrapport werden het aantal ongevallen en de verkeersintensiteiten aan de wegsegmenten gekoppeld, en werd er vervolgens per wegsegment een ongevallenrisico berekend. De formule waarmee de ongevalrisico s berekend worden, wordt hieronder nogmaals weergegeven: AR i 6 Ni *10 l *365* AADT i t it AR i = Accident Rate (ongevallenrisico) Met N i = Totaal aantal ongevallen in het i-de segment voor de bestudeerde periode. L i = lengte van de i-de sectie (in km) AADT it = Average Annual Daily Traffic (Jaarlijks Gemiddeld Dagelijks verkeer) op de i-de sectie voor de bestudeerde periode t = bestudeerde periode (in jaren) Bron: Augeri et al, Het ongevallenrisico is dus een ratio van het geobserveerde aantal ongevallen met de blootstelling aan verkeer. Hierbij stelt N i het aantal ongevallen voor op een welbepaald segment voor de bestudeerde periode. De blootstelling bevat enerzijds de verkeersintensiteiten, onder de vorm van jaarlijks gemiddeld dagelijks verkeer (AADT), voor het wegsegment waarvan sprake. Doordat deze AADT dagelijkse gemiddelden zijn moeten deze nog vermenigvuldigd worden met 365. Anderzijds wordt er ook rekening gehouden met de lengte van het wegsegment. Dit is nodig aangezien de wegsegmenten in de RAA van een variabele lengte zijn, wat de kans op een ongeval beïnvloedt. Immers, hoe langer het segment, hoe groter de kans dat er zich een ongeval voordoet op dat segment. Naast de berekening van het ongevallenrisico van een bepaald segment, werd er ook een bovengrens van het 95% betrouwbaarheidsinterval berekend. Indien het ongevallenrisico groter is dan deze bovengrens, is er sprake van een gevaarlijker dan gemiddeld segment. Tenslotte werd er ook rekening gehouden met de letselernst. Om deze in rekening te brengen werden ook de ongevallen en slachtoffers opgedeeld naar letselernst gekoppeld met de wegsegmenten. Door deze dodelijke ongevallen, ongevallen met zwaargewonden en ongevallen met lichtgewonden een gewicht te geven, kunnen ongevallenrisico s op basis van het ongevallengewicht berekend worden in plaats van op basis van het aantal ongevallen. Hiervoor werden de zelfde gewichten gebruikt als deze uit de definitie van gevaarlijke punten van het Agentschap Wegen en Verkeer (AWV, 2002), met het grote verschil dat ze door de RAA in eerste instantie toegekend worden aan het ongeval, en pas achteraf ook aan het slachtoffer. 2.2 Aanpassingen Bij deze berekeningen uitgevoerd in het vorige rapport kwamen enkele knelpunten aan het licht tijdens de analyse van de gevaarlijke segmenten. Het belangrijkste en opvallendste was het probleem met betrekking tot de rijrichting in dewelke de ongevallen geregistreerd zijn. Het blijkt namelijk dat ongeveer 90% van de ongevallen op de autosnelwegen in Vlaanderen in oplopende rijrichting (rijrichting 1) geregistreerd worden, Steunpunt Mobiliteit & Openbare Werken 8 RA-MOW

9 en dat er bijgevolg maar 10% van de ongevallen in de andere richting zou gebeuren (Van Raemdonck & Macharis, 2011). Als gevolg hiervan werd er beslist om in de analyses de twee rijrichtingen samen te nemen. Naast de ongevallen moet ook rekening gehouden worden met de eigenschappen van de segmenten. Deze moeten niet per rijrichting maar per samengevoegd segment in de analyse worden opgenomen. Voor de meeste eigenschappen (aantal rijstroken, toegelaten snelheid, ) zijn de waarden langs beide kanten min of meer gelijk, waardoor dit geen groot probleem hoeft te zijn. Ook het gemiddeld jaarlijks dagelijks verkeer is vaak gelijkaardig in beide richtingen, waardoor ook deze probleemloos kunnen worden opgeteld. De staat van de weg daarentegen blijkt moeilijker samen te nemen door de vele verschillen tussen beide rijrichtingen en kan dus niet opgenomen worden. Dit alles gaat uiteraard samen met een verlies aan nauwkeurigheid van de resultaten, maar zorgt wel voor een betrouwbaarder beeld van de verkeersveiligheid op de Vlaamse autosnelwegen. In Figuur 2 en Figuur 3 worden de resultaten weergegeven, waarbij de rijrichtingen werden samengenomen. Figuur 2 geeft de gevaarlijke segmenten op de Vlaamse hoofdwegen weer zonder rekening te houden met de letselernst, in Figuur 3 wordt de letselernst wel in rekening gebracht. Figuur 2: Gevaarlijke segmenten ( , rijrichtingen samen, zonder letselernst) Bron: Eigen opmaak in ArcGIS Steunpunt Mobiliteit & Openbare Werken 9 RA-MOW

10 Figuur 3: Gevaarlijke segmenten ( , rijrichtingen samen, met letselernst) Bron: Eigen opmaak in ArcGIS Daarnaast kan in de formule ook het aantal rijstroken in rekening worden genomen. Er is namelijk een verschil indien er 5 ongevallen voorkomen op een segment met maar 1 rijstrook, ten opzichte van een segment met 5 ongevallen op 5 rijstroken. Door de verkeersintensiteit (AADT) in de formule te delen door het aantal rijstroken, wordt dit eenvoudigweg uitgemiddeld. Steunpunt Mobiliteit & Openbare Werken 10 RA-MOW

11 3. W E L K E S E G M E N T E N Z I J N G E V A A R L I J K? In studies met betrekking tot de identificatie van gevaarlijke segmenten zijn er meestal twee belangrijke fases te onderscheiden. In een eerste fase wordt een ongevallenindicator berekend, bijvoorbeeld het ongevallenrisico of de ongevallendensiteit. Deze indicator wordt berekend voor een bepaald wegsegment, een punt of een bepaalde oppervlakte. Vervolgens wordt in een tweede fase onderzocht of de waarde van deze ongevallenindicator een bepaalde drempelwaarde significant overschrijdt. Wanneer dit het geval is wordt er gesproken van een gevaarlijk segment. Deze drempelwaarde kan een voorgedefinieerde arbitraire waarde zijn, ofwel een waarde die het normaal aantal ongevallen op dat bepaalde segment weergeeft. Op basis van deze twee fases bestaat er een groot aantal mogelijkheden om gevaarlijke segmenten te identificeren, gaande van vrij eenvoudige methodes, tot eerder complexe methodes. Algemeen kan gesteld worden dat hoe complexer de methode wordt, de vereiste hoeveelheid aan data ook toeneemt. Het vorige steunpuntrapport ging voornamelijk over de eerste fase, namelijk het berekenen van een ongevallenindicator. De Road Accident Analyzer identificeerde voorlopig alle segmenten die significant gevaarlijker zijn dan gemiddeld, maar er werd nog niet ingegaan welke van deze segmenten prioritair dienen aangepakt te worden. In deze sectie wordt er dieper ingegaan op de theorie achter deze tweede fase, maar eerst worden de verschillende indicatoren voor het selecteren van gevaarlijke segmenten nog eens kort overlopen. 3.1 Indicatoren met betrekking tot ongevallen Als startpunt in de verkeersongevallenanalyse die de road accident analyzer uitvoert, wordt een ongevallenindicator berekend die de veiligheidsgraad van een segment weergeeft. Dit gebeurt meestal op basis van het aantal geobserveerde ongevallen gedurende een bepaalde periode. Vaak worden verschillende indicatoren gecombineerd en gebruikt in een ongevallenanalyse. De meest voorkomende ongevallenindicatoren worden hieronder weergegeven. Het aantal verkeersongevallen is de eenvoudigste indicator. Hierbij worden alle ongevallen die plaatsvinden op een segment gedurende een bepaalde periode simpelweg opgeteld. Deze indicator wordt op zichzelf amper gebruikt, maar komt wel voor in combinatie met andere indicatoren. Een lichte variant op deze indicator houdt rekening met de letselernst en het aantal slachtoffers van de geobserveerde ongevallen. Dit gebeurt door het toekennen van een gewicht aan de ongevallen waarbij zwaargewonde en/of dodelijke slachtoffers een grotere waarde krijgen 1. Een nadeel van deze indicator is het feit dat deze geen rekening houdt met het verkeersvolume (Elvik, 2008) en met de lengte van het segment in kwestie. De ongevallendensiteit is een indicator die het aantal ongevallen ten opzichte van de segmentlengte weergeeft voor een bepaalde periode. Deze wordt uitgedrukt in ongevallen per eenheidslengte en wordt ook wel eens het collectieve risico op ongevallen genoemd (Kowtanapanich, 2007). Ook hier is het mogelijk de letselernst in rekening te nemen (Lipovac et al., 2009). Het ongevallenrisico wordt vaak gebruikt als indicator. Het aantal ongevallen wordt hierin weergegeven ten opzichte van de verkeersblootstelling. Deze blootstelling wordt bepaald op basis van het gemiddelde dagelijkse verkeer (AADT), de periode die in beschouwing wordt genomen en de lengte van het segment (Augeri et al., 2003). Het ongevallenrisico is een maat voor het aantal ongevallen of de kans op een ongeval per miljoen of per 100 miljoen afgelegde kilometers (Kowtanapanich, 2007; SETRA, 2006). 1 Dit wordt onder andere toegepast in Vlaanderen (zie ook Van Raemdonck & Macharis, 2011; Moons, 2009; Geurt en Wets, 2003; AWV, 2002) Steunpunt Mobiliteit & Openbare Werken 11 RA-MOW

12 Dit wordt ook wel het individuele ongevallenrisico genoemd en net zoals bij de andere indicatoren kan ook hier rekening gehouden worden met de letselernst door het introduceren van gewichten (Lipovac et al., 2009; Kowtanapanich, 2007). In tegenstelling tot bij de indicator ongevallendensiteit zijn metingen een belangrijke variabele om deze indicator te berekenen. Het is deze indicator die in het vorige rapport en de vorige sectie werd gebruikt om de gevaarlijke segmenten te bepalen (zie Van Raemdonck & Macharis, 2011; Van Malderen & Macharis, 2010). Om het aantal waargenomen ongevallen te beschrijven kan ook een ruimtelijke indicator gebruikt worden. Een voorbeeld hiervan is de ruimtelijke autocorrelatie-index, zoals bijvoorbeeld de Moran s index (Moran, 1948). Ruimtelijke autocorrelatie heeft betrekking op de mate waarin een waarde van een variabele voor een bepaalde locatie covarieert of gecorreleerd is met waarden voor deze variabele op aaneensluitende of nabij zijnde locatie (Black & Thomas, 1998). Toegepast op ongevallen geeft de autocorrelatie-index aan in welke mate ongevallen ruimtelijk samen clusteren. De index kan enerzijds bepaald worden met waargenomen ongevallen als basiseenheid (Flahaut et al., 2003). Op basis van deze index kunnen vervolgens secties worden geïdentificeerd waar ongevallen ruimtelijk samenvallen en gecorreleerd zijn. Zo kunnen wegsecties met een hoge indexwaarde worden afgelijnd. Echter, indien men te maken heeft met voorgedefinieerde segmenten (zoals het geval is in de referentiedatabank) is deze methode minder geschikt. Anderzijds kan de index bepaald worden met wegsegmenten als basiseenheid (Black & Thomas, 1998). Hierbij wordt er niet gekeken naar het ruimtelijk samenvallen van individuele ongevallen, maar van wegsecties die samen clusteren omwille van een gelijkaardig ongevallenpatroon. De index geeft dan een indicatie van de mate waarin nabijgelegen segmenten zijn gecorreleerd. Op deze manier kunnen gevaarlijke zones worden bepaald die dan bestaan uit verschillende secties. Bovenstaande indicatoren kunnen allen worden bepaald op twee manieren. Indien er wordt gewerkt met voorgedefinieerde segmenten worden de indicatoren per wegsegment bepaald. Dit is het geval bij de road accident analyzer. Indien het wegennet niet is opgedeeld in kleinere secties, maakt men vaak gebruik van een sliding window. Hierbij schuift een denkbeeldig venster van een bepaalde grootte over de weg, waarna de indicatoren kunnen worden berekend op basis van de geregistreerde ongevallen binnen het gebied dat door dit venster wordt bedekt (zie Figuur 4). In de literatuur wordt het gebruik van deze benadering echter regelmatig afgeraden (Elvik, 2008; Sørensen, 2007). Figuur 4: Principe van een sliding window Bron: Elvik, Methodes voor het identificeren van gevaarlijke segmenten Na het berekenen van een ongevallenindicator kan overgegaan worden naar de tweede fase: het beoordelen van deze indicator en dus het bepalen van de gevaarlijkste Steunpunt Mobiliteit & Openbare Werken 12 RA-MOW

13 segmenten. Hiervoor zijn er eveneens verschillende methodes (Van Raemdonck & Macharis, 2011). Deze kunnen ingedeeld worden in twee categorieën Identificatie op basis van drempelwaarde In een eerste categorie wordt een gevaarlijk segment bepaald op basis van een drempelwaarde. Er wordt dan onderzocht of de ongevallenindicator voor een segment groter is dan deze waarde. Wanneer dit het geval is kan men spreken van een gevaarlijk segment. De drempelwaarde wordt op voorhand gedefinieerd en is meestal een arbitraire waarde (Elvik, 2008). Het is deze methode die op dit moment in Vlaanderen gebruikt wordt (Van Raemdonck & Macharis, 2011; Moons, 2009; Geurt en Wets, 2003; AWV, 2002) Identificatie op basis van normale waarde Een geheel andere werkwijze wordt toegepast in deze tweede categorie van methodes om de gevaarlijkste segmenten te identificeren. De ongevallenindicator voor een bepaald segment wordt hier niet vergeleken met een arbitraire drempelwaarde, maar met een berekende normale waarde. Hierbij is de normale waarde afhankelijk van de eigenschappen van het segment waarvan sprake. Er wordt onderzocht of de ongevallenindicator de normale waarde van een segment met bepaalde eigenschappen significant overschrijdt of niet. Hieruit volgt dat een segment als gevaarlijk wordt beschouwd indien de waarde voor de ongevallenindicator significant groter is dan de normale waarde (Kowtanapanich, 2007; Augeri et al., 2003). Zulke werkwijze wordt ook toegepast door de road accident analyzer (Van Raemdonck & Macharis, 2011; Van Malderen & Macharis, 2010). Uit deze uitleg valt af te leiden dat een segment met een hoge ongevallenwaarde, en dus een lage veiligheidsgraad, niet noodzakelijk gedefinieerd wordt als een gevaarlijk segment. Dit is bijvoorbeeld het geval wanneer de normale waarde van dat segment nog groter is. Op een gelijkaardige wijze kan een segment met een relatief lage waarde wel als een gevaarlijk segment beschouwd worden. Meer en meer studies identificeren gevaarlijke segmenten op basis van een vergelijking met een normale waarde in plaats van een arbitraire drempelwaarde, waardoor toevalstreffers uitgefilterd worden. Een drempelwaarde kan wel nog additioneel worden gebruikt om een minimale waarde vast te stellen (Elvik, 2008). a. Bepaling van de normale waarde Voor elk segment moet er dus een normaal aantal ongevallen bepaald worden op basis van de eigenschappen van dit segment, zoals het weggebruik, de weginfrastructuur en de omgevingskenmerken. Hiervoor bestaan er meerdere mogelijkheden. Een eerste mogelijkheid is gebaseerd op similariteit. Hierbij worden segmenten met gelijkaardige eigenschappen gegroepeerd, bijvoorbeeld aan de hand van een clusteranalyse. Vervolgens kan de gemiddelde clusterwaarde voor een ongevallenindicator berekend worden (Augeri et al., 2003). Deze waarde wordt dan beschouwd als normale waarde voor het aantal ongevallen op een segment met bepaalde eigenschappen. Een tweede mogelijkheid is het classificeren van segmenten in een aantal groepen of populaties, gedefinieerd op basis van geografische, geometrische en omgevingseigenschappen. Op deze populaties kunnen vervolgens functies worden gefit (Geurts & Wets, 2003). Zo n functies worden ook wel een Safety Performance Functies (SPF) genoemd. Deze zijn meestal eenvoudig met als enige verklarende variabele de verkeersintensiteit. Tenslotte kan er ook een ongevallen voorspellingsmodel worden opgesteld. Hierbij is het aantal geobserveerde ongevallen de afhankelijke variabele, terwijl de verkeersintensiteit en infrastructuur- en omgevingsfactoren de onafhankelijke Steunpunt Mobiliteit & Openbare Werken 13 RA-MOW

14 Indicator (fase 1) variabelen vormen. Het model beschrijft de systematische factoren die een invloed hebben op het voorkomen van ongevallen. Met dit model is het ook mogelijk om de normale waarde voor een segment met bepaalde eigenschappen te bepalen. Deze laatste methode wordt beschouwd als de state-of-the-art, maar vereist een grote hoeveelheid aan data (Elvik, 2006; Elvik, 2008). b. Reductiepotentieel Eenmaal gevaarlijke segmenten zijn bepaald, door na te gaan of de ongevallenindicator groter is dan de normale waarde voor een bepaald segment, kan in een volgende fase het reductiepotentieel van elk segment worden bepaald (Elvik, 2008; McGuigan, 1981; Persaud et al., 1999; Kusumawati & Wong, 2010). Om dit reductiepotentieel te bepalen dient de indicatorwaarde verminderd te worden met de normale waarde. De bekomen potentieelwaarden kunnen vervolgens gerangschikt worden van hoog naar laag. Op deze manier kunnen de segmenten met het grootste reductiepotentieel worden geïdentificeerd. Dit zijn in principe de segmenten waar het aantal ongevallen het sterkst en efficiëntst kan worden aangepakt en gereduceerd met behulp van verkeersveiligheidsmaatregelen. Dit is zeker handig wanneer er maar een bepaald aantal segmenten behandeld kunnen worden, bijvoorbeeld omwille van budgettaire redenen. 3.3 Overzicht In Tabel 1 wordt een overzicht gegeven van de verschillende indicatoren met betrekking tot ongevallen en de verscheidene methodes om gevaarlijke segmenten te identificeren. Tabel 1: Overzicht indicatoren en bepaling gevaarlijke segmenten 2 Aantal/ densisteit van ongevallen Ongevallenrisico Autocorrelatie - index Bepaling gevaarlijk segment (fase 2) Drempelwaarde (a) Normale waarde (b) Combinatie (a)+(b) Vlaanderen (Geurts et al., 2006; AWV, 2002), Duitsland (Elvik, 2008) U.K. (Meuleners & Fraser, 2008) Wallonië (Flahaut et al., 2003) Similariteit Model Similariteit Model Kowtanapanich, 2007 Augeri et al., 2003; Kowtanapanich, 2007 Elvik, 2008 Kowtanapanich, 2007 / Zwitserland (Elvik, 2008) Denemarken (Vistisen, 2002) / / / / / Bron: Eigen opmaak 2 Waar een / staat werden geen toepassingen in de literatuur gevonden. Steunpunt Mobiliteit & Openbare Werken 14 RA-MOW

15 4. P R I O R I T A I R E S E G M E N T E N In dit hoofdstuk wordt de theorie van het vorige hoofdstuk toegepast in de praktijk. De gevaarlijke segmenten worden verder onderzocht, en er wordt aan de hand van de verschillende methodes toegelicht welke segmenten de gevaarlijkste zijn of het grootste reductiepotentieel hebben en bijgevolg prioritair zijn voor verder onderzoek en eventuele verkeersveiligheidsmaatregelen. 4.1 Ongevallenrisico Een eerste methode om gevaarlijke segmenten te identificeren is gebaseerd op ongevallenrisico s. Deze methode werd reeds uitvoerig besproken in het vorige steunpuntrapport (Van Raemdonck & Macharis, 2011) en houdt rekening met het aantal afgelegde voertuigkilometers op een segment en gaat uit van een lineair verband tussen het verkeersvolume en het aantal ongevallen. Aangezien een gevaarlijk segment wordt gedefinieerd op basis van zijn verwacht aantal ongevallen, wordt het aantal geobserveerde ongevallen in deze methode beschouwd als een juiste en objectieve schatter voor het aantal ongevallen dat zou kunnen plaatsvinden in de toekomst (Elvik, 2008). Er kan in deze methode ook rekening gehouden worden met de letselernst. Voor een bespreking hiervan wordt verwezen naar het vorige steunpuntrapport (Van Raemdonck & Macharis, 2011). De formule ter berekening van het ongevallenrisico wordt hieronder nogmaals weergegeven (Augeri et al., 2003): AR i 6 Ni *10 l *365* AADT i t it AR i = Accident Rate (ongevallenrisico) Met N i = Totaal aantal ongevallen in het i-de segment voor de bestudeerde periode. L i = lengte van de i-de sectie (in km) AADT it = Average Annual Daily Traffic (Jaarlijks Gemiddeld Dagelijks verkeer) op de i-de sectie voor de bestudeerde periode t = bestudeerde periode (in jaren) Bron: Augeri et al., In Figuur 5 wordt het ongevallenrisico per segment, zoals ook berekend in het vorige steunpuntrapport, geografisch weergegeven. Er kan worden waargenomen dat de hoogste waarden zich niet noodzakelijk bevinden op de plaatsen met de hoogste verkeersintensiteiten (Brussel, in de omgeving van Antwerpen, E40). Dit komt doordat de formule voor de berekening van het ongevallenrisico rekening houdt met de verkeersintensiteiten, waardoor dit genormaliseerd wordt. Deze waarden geven, zoals eerder vermeld, het individuele risico op een ongeval weer. Steunpunt Mobiliteit & Openbare Werken 15 RA-MOW

16 Figuur 5: Ongevallenrisico op het Vlaamse Hoofdwegennet (o.b.v. ongevallendata ) Bron: Eigen opmaak in ArcGIS Om geïdentificeerd te worden als een gevaarlijk segment moet het ongevallenrisico van een segment groter zijn dan het normale ongevallenrisico voor een segment met gelijkaardige eigenschappen. Het normale ongevallenrisico wordt berekend als het gemiddelde van alle ongevallenrisico s van gelijkaardige segmenten aan de hand van de volgende formule (Augeri et al., 2003): AR R i i N E i i Met N i = geaggregeerde ongevallen (op soortgelijke wegsegmenten) voor de bestudeerde periode E i = geaggregeerde blootstelling (op soortgelijke wegsegmenten) voor de bestudeerde periode Om vervolgens te onderzoeken of het ongevallenrisico op een bepaald segment volgens het 95% betrouwbaarheidsinterval significant groter is dan het normale risico voor dat segment, kan de volgende formule worden toegepast 3 (Augeri et al., 2003; Kowtanapich, 2007): 3 Er kan worden opgemerkt dat deze formule afwijkt van de formule in het vorige rapport (Van Raemdonck & Macharis, 2011: RA-MOW ). Dit komt doordat na verder onderzoek afwijkende formules in de literatuur voorkwamen (o.a. Kowtanapanich, 2007; Fitzpatrick et al., 2000). Na trial-and-error onderzoek werd besloten om met de formule in deze vorm verder te werken, aangezien hiermee de beste en meest realistische resultaten bekomen werden wat betreft de gevaarlijke segmenten. Steunpunt Mobiliteit & Openbare Werken 16 RA-MOW

17 BG AR R 1,645 L i *365* AR R j AADT ij L i 0,5 *365* j AADT ij Met AR R = Normaal ongevallenrisico Variabelen clusteranalyse Zoals hierboven vermeld kan een normaal ongevallenrisico berekend worden voor segmenten met gelijkaardige eigenschappen. Om gelijkaardige segmenten te identificeren moeten deze segmenten opgedeeld worden in clusters aan de hand van een clusteranalyse. Maar alvorens deze clusteranalyse uit te voeren, moet eerst bepaald worden welke variabelen of segmenteigenschappen in de analyse dienen opgenomen te worden. a. Toevoeging ruimtelijke variabelen Alvorens te bepalen welke variabelen dienen opgenomen te worden in de clusteranalyse, worden eerst nog wat extra (geografische) variabelen aan het Geografisch Informatie Systeem (GIS) toegevoegd. Het gaat om ruimtelijke variabelen of transitievariabelen. Deze beschrijven wijzigende verkeerssituaties en kunnen op die manier eventueel de rechtstreekse invloed van wijzigende verkeerssituaties op de spreiding van ongevallen verklaren. Afstand tot de dichtstbijzijnde splitsing Om de afstand van segmenten tot de dichtstbijzijnde splitsing te bepalen moeten deze op basis van hun wegcode worden opgedeeld in hoofdsegmenten en keuzesegmenten. Hierbij zijn de keuzesegmenten alle opritten, afritten en afslagen. Na de opdeling is het mogelijk om voor elk hoofdsegment de Euclidische afstand te bepalen tot het dichtstbijzijnde keuzesegment dat gelegen is langs dezelfde weg. De keuze voor de Euclidische afstand in plaats van de netwerkafstand is te verantwoorden omwille van de relatief korte afstanden en de rechte wegen. Het verschil tussen beide afstanden is in dit geval dus relatief klein. Afstand tot dichtstbijzijnde parkings Net als de afstand tot de dichtstbijzijnde splitsing, kan ook de afstand tot de dichtstbijzijnde parking aan de dataset worden toegevoegd. Deze kunnen namelijk ook een rechtstreekse invloed uitoefenen op verkeerssituaties. Met behulp van Google Earth is het mogelijk alle parkings langs Vlaamse snelwegen te identificeren. De hierbij verworven geografische coördinaten kunnen vervolgens worden ingevoerd als een nieuwe datalaag in het GIS. b. Belangrijke factoren In eerste instantie dient te worden bepaald welke weg- en omgevingskenmerken een significante invloed hebben op het ongevallenrisico. Variabelen die aan deze voorwaarde voldoen kunnen vervolgens worden opgenomen in de clusteranalyse. Tabel 2 en Tabel 3 tonen het verband tussen de wegkarakteristieken en de ongevallenrisico s. De onderzochte wegkarakteristieken zijn afstanden tot wegveranderingen (continue variabelen) en het aantal rijstroken en de maximale toegelaten snelheid (categorische variabelen) 4. De staat van de weg wordt dus niet onderzocht. Dit komt doordat de 4 De invloed van continue en categorische variabelen moet op verschillende manieren onderzocht worden. De relatie tussen continue variabelen en ongevallenrisico s kan getest worden aan de hand van de Spearman correlatie coëfficiënt (wordt verkozen Steunpunt Mobiliteit & Openbare Werken 17 RA-MOW

18 verschillen per rijrichting voor deze parameter te groot zijn, waardoor een gemiddelde waarde berekenen en het samenvoegen van beide rijrichtingen voor deze variabele weinig relevant lijkt. Hierdoor is het dus niet zinvol om deze variabele op te nemen in de analyse. Het samenvoegen van de rijrichtingen is zoals eerder vermeld nodig omdat de ongevallen niet correct per rijrichting geregistreerd werden. Voor de andere eigenschappen zijn de verschillen per rijrichting veel kleiner, waardoor deze wel probleemloos konden samengevoegd worden. Tabel 2: Verband ongevallenrisico en continue variabelen (significantieniveau 0,05) Variabele Correlatiecoëfficiënt Significantieniveau (P-waarde) Afstand tot op- en afritten (a) Afstand tot parkings (b) -0,09 0, ,11 6,045e-05 Afstand splitsingen (a&b) tot 0,002 0,9292 Tabel 3: Verband ongevallenrisico en categorische variabele (ANOVA) (Significantieniveau 0,05) Variabele F-waarde Significantieniveau (P-waarde) Maximaal toegelaten snelheid 8 0, Aantal rijstroken 18 1,903e-05 Uit de P-waarden kan worden afgeleid dat de variabelen afstand tot op- en afritten, afstand tot parkings, maximaal toegelaten snelheid en aantal rijstroken een significant verband tonen met het ongevallenrisico. Dit zijn dan ook de variabelen die zullen worden opgenomen in de clusteranalyse. De correlatiecoëfficiënten geven een lager ongevallenrisico wanneer het segment verder verwijderd is van een op- of afrit en een hoger ongevallenrisico doet zich voor wanneer het segment verder verwijderd is van een parking. De combinatie van beide ( afstand tot splitsingen ) geeft geen significante correlatiecoëfficiënt. De lage correlatiecoëfficiënten en F-waarden tonen aan dat het verband tussen de variabelen en de ongevallen gering is. Dit is logisch aangezien, zoals blijkt uit Figuur 1, slecht 2% van de ongevallen verklaard wordt door de omgeving alleen (Hillier, 2002). Daarnaast is het belangrijk te vermelden dat de correlatiecoëfficiënt enkel een maat is van associatie tussen de variabele en het ongevallenrisico en dus niet noodzakelijk een causaal effect tussen beide variabelen aantoont. boven de Pearson correlatie coëfficiënt) (Siegel & Castellan, 1998). Om de relatie te onderzoeken tussen het ongevallenrisico en een bepaalde categorische variabele kan een variatieanalyse worden uitgevoerd (Van Rompaey, 2006). Indien de p-waarde kleiner is dan het significantieniveau kan de hypothese worden verworpen en kan worden besloten dat de factor gerelateerd is aan de ongevallenrisico s. Steunpunt Mobiliteit & Openbare Werken 18 RA-MOW

19 4.1.2 Clusteranalyse: bepaling normaal ongevallenrisico 5 a. Optimaal aantal clusters Figuur 6 toont het geschikt aantal clusters op basis van een kostengrafiek waarop de Y- as de fout tussen het centrum van de clusters en de individuele observaties weergeeft. Er kan opgemerkt worden dat de kostenfunctie begint af te vlakken vanaf 4 clusters. Met andere woorden, de fout tussen de observaties en het centrum van de clusters daalt amper (minder dan 5%) bij het toevoegen van een nieuwe cluster vanaf een aantal van 4 clusters. Een vijfde clusters zal dus geen nuttige bijdrage meer leveren. Figuur 6: Optimaal aantal clusters b. Beschrijving van de clusters Uit onderstaande figuren kan de inhoud van de verschillende clusters worden afgeleid. Zo toont Figuur 7 het genormaliseerde gemiddelde van de continue variabelen per cluster. Er kan worden opgemerkt dat cluster 1 vooral segmenten bevat die dicht bij op- en afritten en parkings gelegen zijn. De segmenten van cluster 4 daarentegen bevinden zich verder van op- en afritten, maar zijn wel relatief dicht bij parkings gelegen. De segmenten in cluster 2 zijn voornamelijk ver weg gelegen van parking, terwijl cluster 3 grotendeels tussenliggende waarden bevat. 5 De clusteranalyse werd uitgevoerd met behulp van de software Statistica (Statsoft, inc.) Steunpunt Mobiliteit & Openbare Werken 19 RA-MOW

20 Figuur 7: Beschrijving van de clusters De clusterverdeling van de categorische variabelen wordt weergegeven in Figuur 8 en Figuur 9. Voor het aantal rijstroken kan opgemerkt worden dat zowel cluster 1, 2 als 4 voornamelijk segmenten met 6 rijstroken (2 x 3 rijstroken) bevatten, terwijl segmenten met 4 rijstroken (2 x 2) vooral terug te vinden zijn in cluster 3. De enkele segmenten met 8 rijstroken worden niet in een aparte cluster opgenomen, maar worden verspreid over de andere clusters. Wat betreft de snelheidsregimes wordt eenzelfde beeld verkregen. Bijna elke cluster bevat vooral segmenten waar de maximale toegelaten snelheid vastgelegd wordt op 120 km per uur. Segmenten waar maar 90 km per uur gereden mag worden, bevinden zich niet in een aparte cluster. Steunpunt Mobiliteit & Openbare Werken 20 RA-MOW

21 Figuur 8: Aantal rijstroken per cluster Figuur 9: Maximale toegelaten snelheid per cluster Steunpunt Mobiliteit & Openbare Werken 21 RA-MOW

22 In Tabel 4 wordt een overzicht van de verschillende clusters en hun eigenschappen gegeven. Ook de gemiddelde ongevallenrisico s per cluster worden weergegeven. Het zijn deze gemiddelde ongevallenrisico s die gebruikt worden als normale ongevallenrisico s voor de identificatie van gevaarlijke segmenten en de bepaling van de bovengrens. Tot slot worden de clusters, samen met hun normale ongevallenrisico, geografisch weergegeven in Figuur 10. Tabel 4: Overzicht clusters Eigenschappen Gem. ongevallenrisico Cluster (% observaties) Aantal rijstroken (grootste frequentie) Max snelheid (grootste frequentie) Afstand op/afritten (gem + stdv) Afstand parkings (gem + stdv) Zonder letselernst Met letselernst 1 (28%) ,37 (0,40) 4,09 (2,25) 0,0984 0, (12%) ,99 (1,08) 12,89 (3,10) 0,0896 0, (49%) ,03 (1,07) 6,32 (4,63) 0,0655 0, (11%) ,34 (0,85) 2,38 (2,23) 0,0725 0,1076 Figuur 10: Clusters en normale ongevallenrisico (o.b.v. ongevallendata ) Steunpunt Mobiliteit & Openbare Werken 22 RA-MOW

23 Bron: Eigen opmaak in ArcGIS Gevaarlijke segmenten Figuur 11 geeft geografisch weer welke segmenten als gevaarlijk worden geïdentificeerd volgens de ongevallenrisico-methode. Dit zijn segmenten met een significant groter ongevallenrisico dan het normaal ongevallenrisico dat werd bepaald aan de hand van de clusteranalyse. Figuur 11: Gevaarlijke segmenten volgens de ongevallenrisico-methode (o.b.v. ongevallendata ) Bron: Eigen opmaak in ArcGIS Vervolgens kunnen de prioritaire segmenten bepaald worden. Het is mogelijk om voor elk segment het reductiepotentieel te berekenen (Kusumawati & Wong, 2010; Elvik, 2008; Persaud et al., 1999; McGuigan, 1981). Om het reductiepotentieel van een segment te Steunpunt Mobiliteit & Openbare Werken 23 RA-MOW

24 bepalen, wordt het ongevallenrisico verminderd met de normale waarde. De segmenten met de hoogste bekomen waarden zijn in principe de segmenten waar het aantal ongevallen het sterkst en efficiëntst kan worden gereduceerd. Omwille van bijvoorbeeld budgettaire redenen kan het interessant zijn om op deze manier prioritaire segmenten te bepalen. De 50 segmenten met het grootste reductiepotentieel worden in Figuur 12 geografisch weergegeven. Figuur 12: Prioritaire segmenten volgens de ongevallenrisico-methode (o.b.v. ongevallendata ) Bron: Eigen opmaak in ArcGIS 4.2 Ongevallendensiteit Zoals toegelicht in het vorige hoofdstuk is een andere benadering om gevaarlijke segmenten te identificeren gebaseerd op de ongevallendensiteit. Dit is een vrij eenvoudige en voor de hand liggende methode. Het grote verschil met de vorige methode is dat hier het aantal ongevallen niet wordt uitgezet ten opzichte van het verkeersvolume. Aangezien het geobserveerde aantal ongevallen in dit geval beschouwd wordt als een juiste schatter van het aantal ongevallen in de toekomst, is het voldoende om te beschikken over ongevallendata alleen Berekening ongevallendensiteit De ongevallendensiteit wordt weergegeven door het aantal ongevallen per lengteeenheid. Om de densiteit voor een segment te berekenen wordt het aantal ongevallen op een bepaald segment eenvoudigweg gedeeld door de lengte van het segment, zoals weergegeven in onderstaande formule: Op deze manier wordt het aantal ongevallen genormaliseerd en speelt de lengte van het segment geen rol meer in de vergelijking van de veiligheidsgraad van segmenten. Figuur geeft de ongevallendensiteit per segment op de Vlaamse hoofdwegen weer. Letselernst kan eenvoudig in rekening gebracht worden door in plaats van het aantal ongevallen, het aantal dodelijke, zwaargewonde en lichtgewonde slachtoffers met hun respectievelijke gewicht in de teller te plaatsen. Steunpunt Mobiliteit & Openbare Werken 24 RA-MOW

25 Figuur 13: Ongevallendensiteit (aantal ongevallen/km/jaar) op het Vlaams hoofdwegennet (o.b.v. ongevallendata ) Bron: Eigen opmaak in ArcGIS Gevaarlijke segmenten Analoog aan de methode die gebruik maakt van het ongevallenrisico, kan ook hier voor de gelijkaardige segmenten een normale ongevallendensiteit berekend worden. Hiervoor kunnen dezelfde clusters gebruikt worden als in de vorige methode. Aan de hand van een gelijkaardige formule als bij de methode van het ongevallenrisico kan dan voor elk segment een grenswaarde berekend worden. Indien die grenswaarde overschreden wordt is de berekende ongevallendensiteit significant groter dan de normale ongevallendensiteit voor dat segment, en kan men dus spreken van een gevaarlijk segment. BG AD R AD R 1,645 L i 0,5 L i Met AD R = Normale ongevallendensiteit Figuur 14 geeft geografisch weer welke segmenten als gevaarlijk worden geïdentificeerd volgens de methode van de ongevallendensiteit. Dit zijn segmenten met een significant grotere ongevallendensiteit dan de normale ongevallendensiteit op dat segment. Vervolgens kunnen ook hier de 50 segmenten met het grootste reductiepotentieel bepaald worden. Deze worden weergegeven in Figuur 15. Het valt op dat de gevaarlijke segmenten zich bij deze methode veel meer situeren op de drukke verkeersassen. Dit heeft alles te maken met het feit dat bij de ongevallendensiteit het aantal ongevallen niet genormaliseerd wordt aan de hand van het verkeersvolume. Figuur 14: Gevaarlijke segmenten volgens de ongevallendensiteit-methode (o.b.v. ongevallendata ) Steunpunt Mobiliteit & Openbare Werken 25 RA-MOW

26 Bron: Eigen opmaak in ArcGIS Figuur 15: Prioritaire segmenten volgens de ongevallendensiteit-methode (o.b.v. ongevallendata ) Bron: Eigen opmaak in ArcGIS Steunpunt Mobiliteit & Openbare Werken 26 RA-MOW

27 4.3 Modelgebaseerde benadering Een derde methode is gebaseerd op een ongevallenmodel 6 en wordt de Empirical Bayes methode genoemd (Elvik, 2008). Alvorens het definitieve en meest geschikte model opgesteld wordt, moet onderzocht worden welke variabelen in dat model dienen opgenomen te worden. Na het opstellen van het model kan dan voor elk segment een verwacht aantal ongevallen bepaald worden, waarmee de segmentwaarden kunnen vergeleken worden om gevaarlijke segmenten te identificeren Bepaling significante variabelen In eerste fase worden alle variabelen individueel opgenomen in een regressiemodel met het aantal ongevallen per kilometer als afhankelijke variabelen. Ongevallendata bestaan uit discrete positieve gehele getallen en vaak bevatten deze ongevallenpopulaties veel nullen. Bovendien wordt dit aantal nullen nog groter naarmate het verkeerssysteem veiliger wordt. Empirisch wordt vastgesteld dat ongevallen Poisson of Negatief Binomiaal verdeeld zijn (Van Geirt & Nuyts, 2006). Daarom worden in Tabel 5 dan ook de resultaten van een Poisson en een Negatief Binomiaal regressiemodel weergegeven 7. De twee regressiemodellen kunnen met elkaar vergeleken worden op basis van verschillende criteria: - Criteria voor de algemene Goodness of fit van het model: o AIC, Scaled Deviance en Pearson s X²: hoe kleiner deze waarden, hoe beter het model o Likelihood waarde: hoe groter, hoe beter het model o Likelihood ratio: indien p < 0,05 is het model significant beter dan het intercept-only model o Ratio Deviantie/# vrijheidsgraden: hoe dichter bij 1, hoe beter het model, tevens een van de belangrijkste criteria bij het vergelijken van Negatief Binomiaal en Poisson modellen. - Criteria voor de significantie van de individuele parameters: o Wald-statistiek: indien p < 0,05 is de variabele een significante variabele in het model Uit de Wald-statistiek van de regressieparameters blijkt dat een Poissonmodel met de afstand tot parkings niet significant is. Ook het aantal rijstroken blijkt niets steeds een significante factor om het aantal ongevallen per kilometer te verklaren. De overige variabelen wijzen wel op een significant model, zoals ook blijkt uit de Likelihoodtest, en hebben significante parameters op het 0,05 significantieniveau. De Goodness of Fit statistieken geven weer dat de logaritme van het verkeersvolume de belangrijkste verklarende variabele is. Dit wordt ook bevestigd in de internationale literatuur (Elvik & Vaa, 2004; Elvik, 2008). In de tabel is dit af te leiden uit de lage AIC, Deviantie en Pearson X² waarden en de hogere likelihood ratio ten opzichte van de andere variabelen. Daarnaast ligt ook de verhouding deviantie/# vrijheidsgraden het dichtst bij 1. De verhouding van de deviantie en het aantal vrijheidsgraden geeft echter ook weer dat het Poisson model minder geschikt is dan het Negatief Binomiaal model. Inderdaad, de verhouding ligt voor het Negatief Binomiaal model dichter bij 1 in vergelijking met het Poisson model. Hoewel de algemene resultaten gelijkaardig zijn tussen de twee 6 Het ongevallenmodel werd opgesteld met de software Statistica (Statsoft, inc.) 7 In Tabel 5: P= Poisson; NB= Negatief binomiaal; grijs= variabelen die werden opgenomen in het beste model; onderlijnd= beste Goodness of Fit van alle modellen; vet= beste Goodness of Fit tussen afstand tot op- en afrit en afstand tot splitsing Steunpunt Mobiliteit & Openbare Werken 27 RA-MOW