De Road Accident Analyzer

Transcriptie

1 De Road Accident Analyzer Deel III: Handleiding en case-study E313. 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 III: Handleiding en case-study E313. Auteur(s): Promotor: K. Van Raemdonck, C. Macharis Prof. dr. Cathy Macharis Onderzoekslijn: Referentiedatabank voor onderzoek naar verkeersveiligheid in Vlaanderen Partner: Aantal pagina s: 53 Vrije Universiteit Brussel MOSI T Projectnummer Steunpunt: 1.1 Projectinhoud: WP1: Referentiedatabank voor onderzoek naar verkeersveiligheid in Vlaanderen Uitgave: Steunpunt Mobiliteit & Openbare Werken, maart Steunpunt Mobiliteit & Openbare Werken Wetenschapspark 5 B 3590 Diepenbeek T F E info@steunpuntmowverkeersveiligheid.be I

3 Samenvatting In dit rapport wordt de werking toegelicht van een GIS-tool, de Road Accident Analyzer (RAA), ontwikkeld om gevaarlijke wegsegmenten op het wegennet te identificeren. Het rapport vormt een soort handleiding voor het gebruik van deze RAA, waarin voor elke methode stapsgewijs de nodige inputdata, de werkwijze en de resultaten worden toegelicht aan de hand van een gevalstudie van de E313. De methodes waarvan de RAA gebruik maakt om gevaarlijke segmenten te identificeren zijn de volgende: - de methode van de ongevallendensiteit; - de methode van het ongevallenrisico; - de Empirical Bayes benadering. Elk van deze methodes heeft voor- en nadelen. Zo is de eerste methode eenvoudig en gebruiksvriendelijk, maar neemt het belangrijke verklarende variabelen voor het gebeuren van een ongeval (in de eerste plaats het verkeersvolume) niet in rekening. De tweede methode is wel in staat om zulke wegeigenschappen mee te nemen in de analyse, maar gaat uit van een lineaire relatie tussen het aantal ongevallen en het verkeersvolume. De derde methode wordt als de state-of-the-art beschouwd, maar is ook complexer ten opzichte van de eerste twee. In dit rapport worden naast de werkwijze en resultaten voor elke methode, ook de voor- en nadelen van elke methode opgelijst. Tot slot wordt ook een gevoeligheidsanalyse uitgevoerd op de gewichten die worden gebruik om letselernst in rekening te brengen. 4 scenario s, analoog aan vorig steunpuntonderzoek, worden hierin uitgewerkt: - 1_1_1 waarin elk ongeval even belangrijk is; - De gewichten die op dit moment in Vlaanderen gebruikt worden (1_3_5); - 1_1_10 waarin vooral dodelijke ongevallen belangrijk zijn; - 1_10_10 waarin voornamelijk ongevallen met doden en zwaargewonden dienen vermeden te worden. Steunpunt Mobiliteit & Openbare Werken 3 RA-MOW

4 English summary Title: Road Accident Analyzer Subtitle: Manual and case-study E313 Abstract This report explains the functioning of a GIS-tool, called the Road Accident Analyzer (RAA), which was developed to identify dangerous road segments on the road network. In fact, the report is a manual for the use of the RAA, in which the necessary input data, the process and the results are explained stepwise for each methodology by means of a case-study of the E313. The different methodologies used by the RAA to identify dangerous road segments are the following: - Accident density; - Accident risks; - The Empirical Bayes approach. Each of these methodologies has some advantages and disadvantages. The first method for example, is very straightforward and easy to use, but it neglects some important explanatory variables for the occurrence of traffic accidents (such as traffic volume). The second method however is capable to include those road characteristics in the analysis, but assumes that the number of accidents and traffic volume are linearly related. The third method is considered as the state-of-the-art, bit is also more complex in comparison with the other methodologies. Next to the manual for the use of each methodology, these advantages and disadvantages are also being listed in this report. Finally, a sensitivity analysis on the weights which are used to include injury severity into the analysis is also carried out. 4 scenarios, similar to previous research within the Policy Research Centre of Mobility and Public Works track Traffic Safety, are being investigated: - 1_1_1 in which each accident is evenly important; - The weights that are currently used in Flanders (1_3_5); - 1_1_10 in which the focus is on deadly accidents; - 1_10_10 in which mainly accidents with fatally and severely wounded victims should be avoided. Steunpunt Mobiliteit & Openbare Werken 4 RA-MOW

5 Inhoudsopgave 1. INLEIDING Algemene situering Vorig onderzoek 6 2. DATA Benodigde data Problemen met data Data case E WERKING RAA Ongevallendensiteit Inputdata Werkwijze Resultaten Ongevallenrisico Inputdata Werkwijze Resultaten Ongevallenmodel (Empirical Bayes) Inputdata Werkwijze Resultaten Voor- en nadelen GEVOELIGHEIDSANALYSE LETSELERNST Scenario s Resultaten Spearman correlatie Percentageverschil Conclusie CONCLUSIE LITERATUURLIJST BIJLAGEN Clusteranalyse Regressieanalyse Kaarten 44 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, 2008a). Om de verkeersveiligheid te verbeteren kan er gebruik gemaakt worden van Black Spot Management. Hierbij gaat men op basis van o.a. historische ongevallendata gevaarlijke locaties op het wegennet identificeren. In Vlaanderen gebeurt dit momenteel aan de hand van de regel, waarbij er een gewicht van 5 aan de dodelijke slachtoffers, en gewicht van 3 aan zwaargewonde slachtoffers en een gewicht van 1 aan lichtgewonde slachtoffers gegeven wordt. Indien de totale score over 3 jaar op een bepaalde locatie de kritische waarde van 15 overschrijdt, en indien er tijdens diezelfde periode 3 of meer ongevallen gebeurden, spreekt men van een zwart punt (AWV, 2002). In deze definitie wordt echter geen rekening gehouden met de wegeigenschappen. Om aan deze beperking tegemoet te komen werd 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 (RAA), ontwikkeld om gevaarlijke segmenten te identificeren, waarbij rekening kan worden gehouden met de eigenschappen van deze segmenten. Dit rapport is het laatste in de reeks over de RAA, en vormt een handleiding voor de werking en het gebruik van de tool. 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, 2011a; Van Raemdonck & Macharis, 2011b): - 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 ongevallendensiteiten en ongevallenrisico s en het opstellen van een ongevallenmodel voor 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 Steunpunt Mobiliteit & Openbare Werken 6 RA-MOW

7 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 wegsegmenten 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 ongevallenrisico s 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 de eerste drie stappen behandeld. De methodologie voor het bepalen van gevaarlijke wegsegmenten met de Road Accident Analyzer werd namelijk in de vorige steunpuntrapporten voorgesteld. Hierbij ging er zowel aandacht naar de berekening van indicatoren van gevaarlijke segmenten, bijvoorbeeld het ongevallenrisico, als naar de methodes voor het identificeren van de gevaarlijke segmenten zelf. In dit rapport wordt de volledige methodiek die gevolgd wordt bij het gebruiken van de Road Accident Analyzer overzichtelijk toegelicht, waardoor het rapport als een handleiding voor de RAA kan dienen. Dit alles gebeurt aan de hand van een gevalstudie, waarin de E313 onderzocht wordt. Na het bespreken van de benodigde data worden verschillende methodes voor het bepalen van gevaarlijke wegsegmenten ten opzichte van elkaar afgewogen. Voor elke methode worden de inputdata, werkwijze en resultaten van de gevalstudie besproken. Vervolgens wordt ook een gevoeligheidsanalyse met betrekking tot het in rekening brengen van de letselernst uitgevoerd. Tot slot wordt het rapport beëindigd met enkele algemene conclusies in verband met de Road Accident Analyzer. Steunpunt Mobiliteit & Openbare Werken 7 RA-MOW

8 2. D A T A Zoals reeds vermeld in de inleiding, is een eerste stap in de ontwikkeling van de Road Accident Analyzer (RAA) het samenbrengen van verschillende verkeersgerelateerde databronnen. In dit hoofdstuk worden eerst de benodigde data opgesomd. Vervolgens komen enkele problemen met deze data aan bod die aan het licht kwamen tijdens het ontwikkelen van de RAA. Tot slot wordt wat dieper ingegaan op de data die gebruikt werden bij het uitwerken van deze handleiding die wordt toegelicht aan de hand van een gevalstudie van de E Benodigde data In het allereerste rapport in verband met de RAA werd al aangebracht welke data er nodig zou zijn bij de ontwikkeling van deze tool (Van Malderen & Macharis, 2010). In het daaropvolgende rapport werd er vervolgens dieper ingegaan op de eigenschappen van de verschillende databronnen en werden de beperkingen besproken (Van Raemdonck & Macharis, 2011a). De data die nodig is bij de ontwikkeling van de RAA wordt hieronder weergegeven: - Het wegennet; - Historische gelokaliseerde ongevallenstatistieken; - Verkeersintensiteiten; - Wegkarakteristieken. Wat betreft het wegennet werden zowel het volledige wegennet van Vlaanderen als een aparte shapefile van het hoofdwegennet bekomen. Dit hoofdwegennet werd door het Vlaams Verkeerscentrum verdeeld in segmenten. Deze opdeling is drieledig: - Supersegmenten zijn de wegvakken tussen 2 knooppunten. Knooppunten zijn knopen waarbij 2 of meer autosnelwegen samenkomen. De knopen zelf worden ook gedefinieerd als supersegmenten. - Segmenten zijn de wegvakken tussen afritten. Deze worden bepaald op basis van betonpunten. Dit zijn fysieke scheidingen van de autosnelwegen, waarbij de bestuurders een keuze moet maken. - Deelsegmenten zijn een verdere opdeling van de segmenten. Deze worden bepaald aan de hand van markante punten zoals portieken. De lengte van deelsegmenten zijn ongeveer 500m. Het is tevens op basis van deze deelsegmenten dat de berekeningen voor de RAA zijn uitgevoerd. Wanneer er verder in dit rapport over wegsegmenten gesproken wordt, worden deze deelsegmenten bedoeld. Ook de verkeersintensiteiten, volgens Elvik & Vaa (2004) en Elvik (2008a) de belangrijkste verklarende variabele voor het gebeuren van een verkeersongeval, zijn afkomstig van het Vlaams Verkeerscentrum. De tellingen betreffen enkel het hoofdwegennet en geven het gemiddeld jaarlijks dagelijks verkeer (Average Annual Daily traffic of AADT) weer. Deze tellingen gebeuren voornamelijk op basis van de magnetische inductielussen die aangebracht zijn in het wegdek. De historische gelokaliseerde ongevallendata werd verkregen via het departement MOW van de Vlaamse Overheid. In deze datalaag stelt elk punt een ongeval voor. De ongevallendata die gebruikt werden voor het ontwikkelen van de RAA omvatten de periode van 2003 tot en met Tot slot zijn er nog enkele wegkarakteristieken die verkregen werden via de Wegendatabank van het Agentschap Wegen en Verkeer (AWV). Het gaat voornamelijk Steunpunt Mobiliteit & Openbare Werken 8 RA-MOW

9 over het aantal rijstroken, de snelheidsregimes en de staat van de weg. Enkele andere eigenschappen, op basis van andere databronnen, werden later ook toegevoegd Problemen met data Tijdens de ontwikkeling van de RAA kwamen enkele problemen met betrekking tot de kwaliteit van de data aan bod. De problemen in verband met de ongevallenregistratie werden binnen het Steunpunt Mobiliteit en Openbare Werken uitgebreid besproken in steunpuntrapport RA-MOW (Van Raemdonck et al., 2011). De belangrijkste problemen in het kader van het onderzoek betreffende de RAA worden hieronder kort overlopen. Een eerste probleem is de vertraging waarmee de ongevallendata beschikbaar zijn. Momenteel zijn de gelokaliseerde ongevallendata tot en met 2008 beschikbaar. Recentere ongevallenanalyses zijn hierdoor niet mogelijk. Bovendien maken de analyses in dit rapport enkel gebruik van de data tot en met 2007, mede door deze laattijdige beschikbaarheid van de data. Een tweede probleem doet zich voor met de data over de verkeersintensiteiten. Het Vlaams Verkeerscentrum heeft namelijk enkel verkeersintensiteiten op het Vlaamse hoofdwegennet ter beschikking. Bovendien is er, door de ongelijke dichtheid van de meetinfrastructuur, niet voor elk segment van dit hoofdwegennet een intensiteit af te leiden, ook niet na extrapolatie. Naast het hoofdwegennet, kan het zeker ook voor de belangrijke gewestwegen interessant zijn om gevaarlijke segmenten te bepalen. Vervolgens is er ook weinig data beschikbaar op de op- en afritten. Voor deze op- en afritten zijn er vaak geen verkeerstellingen beschikbaar, maar zijn ook vaak het aantal rijstroken, de staat van de weg, de snelheidsregimes en dergelijk niet gekend 2. Dit maakt het moeilijk om ze in rekening te brengen. Tot slot is er nog een groot probleem met betrekking tot de registratie van de rijrichting in dewelke een ongeval is gebeurd. Zoals reeds in de vorige rapporten werd gesteld, wordt ongeveer 90% van de ongevallen op de belangrijkste Vlaamse autosnelwegen in dezelfde rijrichting gelokaliseerd (Van Raemdonck en Macharis, 2011a; Van Raemdonck en Macharis, 2011b). Aan een meer realistische opdeling over de rijrichtingen wordt momenteel gewerkt, met als kanttekening dat de rijrichting niet steeds gekend is. Om toch betrouwbare analyses uit te voeren met de RAA, moeten hierdoor de rijrichtingen samen genomen worden, wat uiteraard voor minder accurate resultaten zorgt. 2.3 Data case E313 Om de analyses toch op rijrichtingniveau uit te voeren, werd beslist om een gevalstudie over de E313 (zie Figuur 1) uit te werken. Hierbij werd teruggekoppeld naar het veld zinverplaatsing. Op deze manier kon voor 716 van de 810 ongevallen (88,4%) van de ongevallen van 2005 tot en met 2007 de rijrichting achterhaald worden. Voor de rest van de ongevallen was dit niet mogelijk, omdat voor deze ongevallen geen waarde voor het veld zinverplaatsing gekend is. Hierdoor werden deze ongevallen niet meegenomen in de analyse. Van 2005 tot en met 2007 gebeurden er in totaal 322 ongevallen in de richting van Antwerpen, wat overeenkomt met ongeveer 45% van de in rekening genomen ongevallen. In de richting van Luik gebeurden in diezelfde tijdspanne 394 ongevallen, overeenstemmend met 55% van de ongevallen in de analyse. 1 Zo kon bijvoorbeeld voor de gevalstudie van E313 het aandeel vrachtverkeer ten opzichte van het totale verkeer afgeleid worden van de verkeerstellingen. 2 Dit is vooral het geval voor op- en afritten. Steunpunt Mobiliteit & Openbare Werken 9 RA-MOW

10 Figuur 1: Situering E313 Bron: Eigen opmaak in ArcGIS Steunpunt Mobiliteit & Openbare Werken 10 RA-MOW

11 Indicator (fase 1) 3. W E R K I N G R A A In dit hoofdstuk wordt de werking van de RAA toegelicht. De RAA is ontwikkeld om gevaarlijke segmenten op het wegennet te identificeren. Uit het vorige steunpuntrapport (Van Raemdonck & Macharis, 2011b) blijkt dat er verschillende methodes bestaan voor het bepalen van deze zwarte segmenten, zowel voor het berekenen van een ongevallenindicator, als voor het identificeren van de segmenten zelf. Deze worden hieronder in Tabel 1 weergegeven. Tabel 1: Overzicht indicatoren en bepaling zwarte segmenten 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, 2008a) U.K. (Meuleners & Fraser, 2008) Wallonië (Flahaut, 2003) Similariteit Model Similariteit Model Kowtanapanich, 2007 Augeri et al., 2003; Kowtanapanich, 2007 Elvik, 2008a Kowtanapanich, 2007 / Zwitserland (Elvik, 2008a) Denemarken (Vistisen, 2002) / / / / / Bron: Van Raemdonck & Macharis, 2011b Met de RAA kunnen gevaarlijke segmenten bepaald worden aan de hand van drie methodes: de ongevallendensiteit, het ongevallenrisico en aan de hand van een ongevallenmodel (Empirical Bayes benadering). De werking van deze drie methodes worden hieronder toegelicht aan de hand van een gevalstudie van de E Ongevallendensiteit Een eerste benadering om gevaarlijke segmenten te identificeren is gebaseerd op de ongevallendensiteit. Hieronder worden de nodige inputdata, de werkwijze en de resultaten van deze methode verder toegelicht Inputdata Het voordeel van deze eerste methode is dat het een vrij eenvoudige methode is die enkel een minimum aan data vereist. Nadeel is echter dat de methode geen rekening houdt met segmenteigenschappen en verkeerstellingen. Aangezien het geobserveerde aantal ongevallen in dit geval als een juiste schatter van het aantal ongevallen in de toekomst beschouwd wordt, is het voldoende om te beschikken over de ongevallendata (met letselernst) en de te onderzoeken wegsegmenten alleen Werkwijze De ongevallendensiteit wordt weergegeven door het aantal ongevallen per lengteeenheid. Om dit te berekenen moet uit de ongevallendata het aantal ongevallen per wegsegment afgeleid worden. Als dit gekend is volstaat het om dit aantal te delen door de lengte van het segment, zoals ook wordt weergegeven in de onderstaande formule: Steunpunt Mobiliteit & Openbare Werken 11 RA-MOW

12 Door het aantal ongevallen per segment te delen door de segmentlengte, worden de ongevallen uitgedrukt per kilometer. Hierdoor maken de verschillen in lengte tussen de segmenten niet meer uit en kan de veiligheidsgraad van de segmenten dus probleemloos worden vergeleken. Bovendien kan er door gebruik te maken van gewichten ook rekening gehouden met de letselernst. In plaats van het aantal ongevallen per segmenten komen dan het aantal lichtgewonden, zwaargewonden en doden, telkens met hun gewichten, in de teller. Dit wordt hieronder in formulevorm weergegeven 3. Met: LG= het aantal lichtgewonden per segment; ZG= het aantal zwaargewonden per segment; D= het aantal dodelijke slachtoffers per segment Resultaten In Figuur 2 wordt de ongevallendensiteit per wegsegment op de E313 weergegeven. Hierop is te zien dat de meeste ongevallen per kilometer, en dus de gevaarlijkste segmenten, te vinden zijn tussen Antwerpen en het knooppunt Lummen. Over het algemeen geldt: hoe dichter bij Antwerpen, hoe groter de ongevallendensiteit en dus hoe gevaarlijker het segment. De rode en oranje segmenten bevinden zich immers dicht bij Antwerpen. Tussen het knooppunt Lummen en Luik kleuren de segmenten veeleer groen, en is het dus over het algemeen veiliger volgens deze methode. 3 Er wordt bij wijze van voorbeeld gekozen voor dezelfde gewichten als deze die op dit moment in Vlaanderen gebruikt worden bij het bepalen van de zwarte punten. In hoofdstuk 4 van dit rapport worden deze gewichten aan een gevoeligheidsanalyse onderworpen. Steunpunt Mobiliteit & Openbare Werken 12 RA-MOW

13 Figuur 2: Ongevallendensiteit per wegsegment op de E313 Bron: Eigen opmaak in ArcGIS 3.2 Ongevallenrisico Een tweede methode om gevaarlijke segmenten te identificeren is gebaseerd op ongevallenrisico s en papers van Augeri et al. (2003) en Kowtanapich (2007). De methode is, in tegenstelling tot de ongevallendensiteit, wel in staat om omgevingskenmerken en het aantal afgelegde voertuigkilometers in rekening te brengen en gaat hierbij uit van een lineaire relatie tussen het verkeersvolume en het aantal ongevallen. Steunpunt Mobiliteit & Openbare Werken 13 RA-MOW

14 3.2.1 Inputdata Zoals vermeld is deze methode in staat om het verkeersvolume in rekening te brengen. Naast ongevallendata en het wegennet (segmenten en hun lengte) is data over dit verkeersvolume dan ook belangrijk voor het berekenen van de ongevallenrisico s. Dit verkeersvolume wordt in de formule van de ongevallenrisico s opgenomen onder de vorm van gemiddeld jaarlijks dagelijks verkeer of AADT (Average Annual Daily Traffic). Daarnaast kan er in deze methode ook rekening gehouden met de omgevingskenmerken door een normaal ongevallenrisico te berekenen voor gelijkaardige segmenten, waardoor er ook over deze kenmerken data beschikbaar moet zijn. De methode kan echter ook uitgevoerd worden zonder rekening te houden met de segmenteigenschappen, waardoor het normaal ongevallenrisico voor alle segmenten opgenomen in de analyse hetzelfde zal zijn Werkwijze a. Ongevallenrisico per segment berekenen Analoog aan de methode van de ongevallendensiteit, is ook hier de eerste stap om per segment het aantal ongevallen (met letselernst) te bepalen. Aangezien we naast dit aantal ongevallen per segment nu ook beschikken over de segmentlengtes en de verkeersvolumes (AADT), kan aan de hand van onderstaande formule voor elk segment het ongevallenrisico bepaald worden. AR i 6 Ni *10 l *365* AADT i t it Met: AR i = Accident Rate (ongevallenrisico); 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). Ook in deze methode kan er rekening gehouden worden met de letselernst door eenvoudigweg het aantal ongevallen in de teller te vervangen door een ongevallengewicht. Dit ongevallengewicht kan berekend worden door gewichten toe te kennen aan de lichtgewonde, zwaargewonde en dodelijke slachtoffers. Dit wordt geïllustreerd in de volgende formule: AR i ( N LG *1 N l i ZG *365* *3 N t D AADT *5)*10 it 6 Met: N LG = aantal lichtgewonden per segment; N ZG = aantal zwaargewonden per segment; N D = aantal dodelijke slachtoffers per segment. Steunpunt Mobiliteit & Openbare Werken 14 RA-MOW

15 In Figuur 3 wordt dit ongevallenrisico per segment berekend en weergegeven voor de E313 op basis van de laatste formule, waarbij er dus rekening gehouden wordt met de letselernst. Figuur 3: Ongevallenrisico per wegsegment op de E313 (met letselernst) Bron: Eigen opmaak in ArcGIS b. Gelijkaardige segmenten groeperen Om als een gevaarlijk segment geïdentificeerd te worden dient het ongevallenrisico van een segment groter te zijn dan het normale risico van een segment met gelijkaardige eigenschappen. Om dit normale ongevallenrisico te bepalen, wordt een gemiddeld ongevallenrisico van gelijkaardige wegsegmenten berekend. Deze gelijkaardige wegsegmenten worden gegroepeerd aan de hand van een clusteranalyse. Het is voor deze clusteranalyse dat de bijkomende data over de segmenteigenschappen nodig zijn. In wat volgt wordt een clusteranalyse, uitgevoerd voor de wegsegmenten van de E313, toegelicht (Garson, 2011a). Steunpunt Mobiliteit & Openbare Werken 15 RA-MOW

16 In eerste instantie worden volgende eigenschappen meegenomen in de clusteranalyse (tussen haakjes wordt telkens de bron van de data weergegeven): - Aantal rijstroken (AWV); - Staat van de weg (AWV); - Het percentage ongevallen dat gebeurde bij een nat wegdek (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen dat gebeurde bij een opstopping (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen waarbij er sprake was van een scherpe bocht (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen waarbij er sprake was van aquaplaning (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het aandeel vrachtvervoer (Vlaams Verkeerscentrum). De maximale snelheid wordt niet meegenomen, aangezien die op bijna alle onderzochte segmenten 120 km/u is, en dus als een constante beschouwd kan worden. In studies waarbij ook niet-autosnelwegen worden onderzocht kan dit uiteraard wel een interessante variabele zijn. De ANOVA-tabel in de eerste stap in de bijlage (7.1) geeft de resultaten weer van een eerste, verkennende stap in de clusteranalyse. Daaruit blijkt dat de staat van de weg (STAAT_GEM) een te grote fout heeft en dus niet mag meegenomen worden bij het clusteren. Daarnaast blijkt dat er geen 5 volwaardige clusters kunnen gevormd worden. De 5 missing values zijn er omdat er voor 5 wegsegmenten geen staat van de weg beschikbaar was, maar doordat deze variabele uit de clusteranalyse moet gelaten worden zal dit in een volgende stap geen probleem meer vormen. In een tweede stap wordt de clusteranalyse dus opnieuw uitgevoerd, maar dit zonder de variabele staat van de weg en waarbij er 3 in plaats van 5 clusters gevormd worden. Uit de ANOVA-tabel (stap 2 in bijlage 7.1) kunnen we concluderen dat het aantal rijstroken (AANTALRIJS_cat) niet van belang is bij het vormen van clusters. Daarnaast is het aandeel vrachtverkeer (AANDEELVRA) een niet-significante variabele op de E313, en helpt deze dus niet bij het discrimineren tussen de clusters. In de derde stap worden deze variabelen niet meer meegenomen. In de ANOVA-tabel (stap 3 in bijlage 7.1) zien we dan ook dat de fouten voor de overige variabelen vrij klein zijn en dat alle overgebleven variabelen significant zijn bij het bepalen van de clusters. Er blijken echter maar 4 segmenten in de tweede cluster te zitten, waardoor de analyse met de significante variabelen in een vierde en laatste stap (stap 4 in bijlage 7.1) nog eens wordt overgedaan met 2 clusters. De resultaten zijn gelijkaardig aan die van stap drie, maar deze keer worden er dus 2 clusters gevormd. Cluster 1 bevat de meerderheid van de segmenten (348), terwijl er in de tweede cluster 66 segmenten zitten. In Figuur 4 worden de 2 clusters gevisualiseerd. Voor elk van deze clusters wordt er in de volgende stap een normaal ongevallenrisico berekend, waarmee de ongevallenrisico s van de segmenten vervolgens vergeleken kunnen worden. Steunpunt Mobiliteit & Openbare Werken 16 RA-MOW

17 Figuur 4: Clusters Bron: Eigen opmaak in ArcGIS c. Normaal ongevallenrisico berekenen Om geïdentificeerd te worden als een gevaarlijk segment moet het ongevallenrisico van een segment significant groter zijn dan het normale ongevallenrisico voor een segment met gelijkaardige eigenschappen. Deze gelijkaardige segmenten werden in de vorige stap gegroepeerd aan de hand van een clusteranalyse. Het normale ongevallenrisico (AR R ) wordt berekend als het gemiddelde van alle ongevallenrisico s binnen één cluster van gelijkaardige segmenten. Om vervolgens na te gaan of het ongevallenrisico op het onderzochte segment significant groter is dan het normale ongevallenrisico voor datzelfde segment, kan een grenswaarde berekend worden. Indien het ongevallenrisico groter is dan de grenswaarde berekend aan de hand van onderstaande formule, spreekt men van een gevaarlijker dan gemiddeld segment. Steunpunt Mobiliteit & Openbare Werken 17 RA-MOW

18 BG AR R 1,645 L i *365* AR R j AADT ij L i 0,5 *365* j AADT ij Resultaten Figuur 5 geeft geografisch weer welke segmenten als gevaarlijk worden geïdentificeerd volgens de methode van de ongevallenrisico s. Het gaat om segmenten met een significant groter ongevallenrisico dan het normale ongevallenrisico voor gelijkaardige segmenten, die werden bepaald aan de hand van de clusteranalyse. Figuur 5: Gevaarlijke segmenten op de E313 volgens de ongevallenrisico-methode Bron: Eigen opmaak in ArcGIS Steunpunt Mobiliteit & Openbare Werken 18 RA-MOW

19 Vervolgens zijn er verschillende mogelijkheden om de prioritaire segmenten te bepalen. Er kan eenvoudigweg gekozen worden om de segmenten met het hoogste ongevallenrisico aan te pakken. Het is echter mogelijk efficiënter, o.a. uit budgettaire overwegingen, om de prioritaire segmenten te bepalen aan de hand van het reductiepotentieel (Kusumawati & Wong, 2010; Elvik, 2008a; Persaud et al., 1999; McGuigan, 1981). Om dit reductiepotentieel te bepalen, wordt het ongevallenrisico van een segment verminderd met het normale ongevallenrisico van datzelfde segment. Op de segmenten met de hoogste waarden voor het reductiepotentieel kan het aantal ongevallen in principe het sterkst en efficiëntst worden gereduceerd. De 30 segmenten met het hoogste reductiepotentieel op de E313 worden in Figuur 6 in het rood weergegeven. Figuur 6: 30 segmenten met hoogste reductiepotentieel op de E313 (ongevallenrisico) Bron: Eigen opmaak in ArcGIS 3.3 Ongevallenmodel (Empirical Bayes) Deze derde benadering, de Empirical Bayes methode, is gebaseerd op een ongevallenmodel en wordt momenteel beschouwd als de state-of-the-art wat betreft het bepalen van gevaarlijke schakels in het wegennet (Elvik, 2008a). Hieronder wordt, analoog met de vorige methodes, eerst dieper ingegaan op de data die nodig zijn om het model op te stellen. Vervolgens wordt de werkwijze toegelicht aan de hand van de gevalstudie van de E313. Tenslotte worden dan nog enkele resultaten weergegeven Inputdata Net als bij de vorige methode die gebruik maakt van de ongevallenrisico s, is er in eerste instantie nood aan ongevallendata en data over de wegsegmenten. Indien het aantal ongevallen per wegsegment gekend is, kan dit gedeeld worden door de segmentlengte in kilometer. Op deze manier wordt voor elk segment het aantal ongevallen per kilometer Steunpunt Mobiliteit & Openbare Werken 19 RA-MOW

20 berekend, dat zal gebruikt worden als afhankelijke variabele in het ongevallenmodel. Daarnaast is er zo veel mogelijk data over de segmenteigenschappen nodig. Al deze kenmerken kunnen dienen als onafhankelijke variabelen, die het aantal ongevallen per kilometer zo goed mogelijk zullen proberen te voorspellen aan de hand van het model. Voor de gevalstudie van de E313 waren de volgende data beschikbaar 4 (tussen haakjes wordt de bron van de betreffende data vermeld): - Gelokaliseerde ongevallendata (MOW); - Wegsegmenten (Vlaams Verkeerscentrum); - Aantal rijstroken (AWV); - Maximale snelheid (AWV); - Staat van de weg (AWV); - Het percentage ongevallen dat gebeurde bij een nat wegdek (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen dat gebeurde bij een opstopping (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen waarbij er sprake was van een scherpe bocht (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen waarbij er sprake was van aquaplaning (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het aandeel vrachtvervoer (Vlaams Verkeerscentrum); - Verkeersintensiteiten (Vlaams Verkeerscentrum Werkwijze a. Verdeling afhankelijke variabele Alvorens zo maar een regressiemodel op te stellen, moet eerst de verdeling van de afhankelijke variabele onderzocht worden. Zoals ook vermeld in Van Geirt en Nuyts (2006) mag in het geval van ongevallen geen traditionele lineaire regressie uitgevoerd worden. Een lineaire regressie mag immers enkel uitgevoerd worden wanneer de afhankelijke variabele (in dit geval het aantal ongevallen per kilometer) normaal verdeeld is. Empirisch wordt echter vastgesteld dat ongevallen ofwel Poisson, ofwel Negatief Binomiaal verdeeld zijn (Van Geirt en Nuyts, 2006). De eerste stap is dus de verdeling van de afhankelijke variabele nagaan. Zoals gezegd wordt in deze methode het aantal ongevallen per segment gedeeld door de lengte van dat segment (in kilometer). Op die manier wordt voor elk segment het aantal ongevallen per kilometer bekomen, wat in dit geval als afhankelijke variabele zal dienen. In Figuur 7 wordt de verdeling van het aantal ongevallen per kilometer weergegeven onder de vorm van een histogram. In dit histogram is onder andere te zien dat het gemiddelde (1,14) niet gelijk is aan de variantie (1,92²=3,69). Hieruit volgt dat de afhankelijke variabele niet Poisson, maar Negatief Binomiaal verdeeld is 5. 4 Deze oplijsting kan zeker niet gezien worden als een lijst van noodzakelijke variabelen. Indien andere of meer wegeigenschappen beschikbaar zijn kunnen deze zeker in de analyse worden opgenomen. 5 De poisson-verdeling is eigenlijk een specifieke vorm van de negatief binomiaal verdeling waarbij het gemiddelde gelijk is aan de variantie. Steunpunt Mobiliteit & Openbare Werken 20 RA-MOW

21 Figuur 7: Verdeling van het aantal ongevallen per km Bron: Eigen verwerking in IBM SPSS Statistics 20 b. Regressie Nu de verdeling van de afhankelijke variabele gekend is kan overgegaan worden naar de regressie zelf. Belangrijk bij een negatief binomiale regressie is dat de afhankelijke variabele uit zogenaamde teldata bestaat, waardoor het aantal ongevallen per kilometer moet afgerond worden, zodat deze geen decimalen meer bevat. Daarnaast wordt gestart met zo veel mogelijk verklarende variabelen. Alleen de maximale snelheid wordt niet mee opgenomen in het model om dezelfde reden als bij de clusteranalyse, namelijk omdat deze zo goed als niet varieert voor de E313 en dus als een constante beschouwd kan worden. De verklarende variabelen in het eerste, verkennende regressiemodel zijn dus de volgende (opnieuw met de bron van de data tussen haakjes): - Aantal rijstroken (gecategoriseerd in 2 categorieën) 6 (AWV); - Staat van de weg (AWV); - Het percentage ongevallen dat gebeurde bij een nat wegdek (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen dat gebeurde bij een opstopping (ADSEI, FOD Economie via MOW, na eigen bewerking); 6 Categorie1: één of twee rijstroken; categorie2: drie of meer rijstroken. Steunpunt Mobiliteit & Openbare Werken 21 RA-MOW

22 - Het percentage ongevallen waarbij er sprake was van een scherpe bocht (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen waarbij er sprake was van aquaplaning (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het aandeel vrachtvervoer (Vlaams Verkeerscentrum); - Verkeersintensiteiten per jaar (gedeeld door 1000) 7 (Vlaams Verkeerscentrum). De resultaten van het regressiemodel worden weergegeven onder Regressiemodel 1 in bijlage 7.2. Uit de test of model effects-tabel kan opgemerkt worden dat de variabelen staat van de weg (STAAT_GEM), aquaplaning (aquaplaning_pct) en aandeel vrachtvervoer (AANDEELVRA) niet significant zijn 8, en dus geen significante voorspellers voor het aantal ongevallen per kilometer op de E313 zijn. Bijgevolg worden deze uit het model weggelaten, en wordt de regressie opnieuw uitgevoerd met volgende verklarende variabelen: - Aantal rijstroken (gecategoriseerd in 2 categorieën) (AWV); - Het percentage ongevallen dat gebeurde bij een nat wegdek (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen dat gebeurde bij een opstopping (ADSEI, FOD Economie via MOW, na eigen bewerking); - Het percentage ongevallen waarbij er sprake was van een scherpe bocht (ADSEI, FOD Economie via MOW, na eigen bewerking); - Verkeersintensiteiten per jaar (gedeeld door 1000) (Vlaams Verkeerscentrum). De resultaten van dit tweede model zijn te vinden onder Regressiemodel 2 in bijlage 7.2. Eerst en vooral blijkt uit de significante Omnibus Test (Sig. < 0,05) dat dit model het aantal ongevallen per kilometer inderdaad beter voorspelt in vergelijking met het intercept-only model. De verklarende variabelen dragen dus in ieder geval op een significante manier bij tot het voorspellen van het aantal ongevallen per kilometer. Daarnaast blijkt uit de test of model effects-tabel dat deze keer alle verklarende variabelen significant zijn. Uit de Parameter Estimates-tabel kunnen vervolgens de β- waarden van de verklarende variabelen afgelezen worden. Deze β-waarden of coëfficiënten kunnen als volgt geïnterpreteerd worden: Bijvoorbeeld voor de verkeersintensiteiten geldt dat voor elke toename van 1000 voertuigen per jaar op een bepaald segment de verwachte logaritme van het aantal ongevallen per kilometer per jaar zal stijgen met 0,024. Zowel de variabelen nat wegdek, opstopping, bocht als intensiteit per jaar hebben een positieve coëfficiënt, wat wil zeggen dat het aantal ongevallen zal stijgen bij een eenheid toename van deze variabelen. De variabele aantal rijstroken daarentegen heeft een negatieve coëfficiënt. Aangezien het hier een categorische variabele betreft met als referentieniveau categorie 2 (=3 of meer rijstroken), zal er niets veranderen als het segment zich in deze categorie bevindt. Wanneer het segment 2 of minder rijstroken heeft (categorie 1) zal het geschatte aantal ongevallen wel veranderen. Door de negatieve coëfficiënt zal het aantal ongevallen in dit geval namelijk afnemen, indien de rest van de wegkenmerken constant wordt gehouden. 7 De verkeersintensiteiten per segment per jaar werden gedeeld door 1000, omdat dit achteraf eenvoudiger is voor de interpretatie. De toevoeging van één enkele auto heeft immers slechts een ontzettend kleine impact op de verkeersveiligheid. 8 Deze variabelen hebben immers een significantiewaarde die groter is dan de kritische waarde 0,05. Steunpunt Mobiliteit & Openbare Werken 22 RA-MOW

23 Ten slotte wordt er ook nog een derde model opgesteld, waarvan de resultaten terug te vinden zijn onder Regressiemodel 3 in Bijlage 7.2. Het gaat om een model met de verkeersintensiteit als enige verklarende variabele, aangezien deze in de literatuur algemeen als de belangrijkste verklarende variabele beschouwd wordt (Elvik & Vaa, 2004; Elvik, 2008a). Uit het vorige steunpuntrapport bleek bovendien ook dat het verschil tussen het beste model en het model met enkel de verkeersintensiteit zeer klein was. Uit de Test of Model Effects-tabel blijkt dat de verkeersintensiteit inderdaad een significante variabele is (Sig. < 0,05). Maar als we de Goodness of Fit statistieken van dit derde model gaan vergelijken met deze van het vorige model, blijkt dat het tweede model beter scoort. De AIC waarde, die zo klein mogelijk moet zijn, is immers 1158,978 voor het model met enkel de verkeersintensiteit. Voor het tweede regressiemodel was dit 1088,597, wat duidelijk kleiner is. Daarnaast zijn ook de Scaled Deviance, Pearson Chi- Square en Log Likelihood gunstiger voor het tweede regressiemodel ten opzichte van het model met enkel de verkeersintensiteit (zie Tabel 2). Tabel 2: Goodness of Fit criteria Goodness of Fitstatistiek Beslissing? 9 Waarde model verkeersintensiteit Waarde beste model (tweede model) AIC Hoe kleiner, hoe beter 1158, ,597 Scaled Deviance Hoe kleiner, hoe beter 373, ,172 Pearson X² Hoe kleiner, hoe beter 600, ,193 Log Likelihood Hoe groter, hoe beter -577, ,299 Hieruit kunnen we concluderen dat het tweede regressiemodel het beste voorspellingsmodel voor het aantal ongevallen per kilometer is. De regressievergelijking ziet er dan als volgt uit: c. Normaal aantal ongevallen Nu de regressievergelijking gekend is, kan deze voor elk segment ingevuld worden. De resulterende Y-waarde komt dan overeen met het normaal aantal ongevallen voor dat segment. Dit normaal aantal ongevallen wordt weergegeven in Figuur Op basis van Turner et al. (2006), Kusumawati & Wong (2010), Garson (2011b) en Abdel-Aty & Radwan (1999). Steunpunt Mobiliteit & Openbare Werken 23 RA-MOW

24 Figuur 8: Normaal aantal ongevallen Bron: Eigen opmaak in ArcGIS d. Verwacht aantal ongevallen In de Empirical Bayes methode wordt dit normaal aantal ongevallen, in tegenstelling tot de andere methodes, niet rechtstreeks vergeleken met het geobserveerde aantal ongevallen. Wel wordt er voor elk segment een verwacht aantal ongevallen berekend. Dit verwacht aantal ongevallen kan worden bepaald op basis van het gewogen gemiddelde tussen enerzijds het geobserveerd aantal ongevallen op een segment en anderzijds het normale aantal ongevallen voor dat segment. Steunpunt Mobiliteit & Openbare Werken 24 RA-MOW

25 Om het verwacht aantal ongevallen te berekenen moeten vooreerst de dispersieparameter en een gewicht bepaald worden. Dit kan aan de hand van onderstaande formules (Elvik, 2008a; Hauer, 2002; Yin, 2005): Dispersieparameter ( )= Gewicht= Met: = normaal aantal ongevallen per jaar op een bepaald segment; = variantie in het model. Met de volgende formule kan vervolgens het verwacht aantal ongevallen berekend worden: Met: = verwacht aantal ongevallen per jaar op een bepaald segment; = normaal aantal ongevallen per jaar op een bepaald segment; = geobserveerd aantal ongevallen. Het verwacht aantal ongevallen per segment wordt weergegeven in Figuur 9. Steunpunt Mobiliteit & Openbare Werken 25 RA-MOW

26 Figuur 9: Verwacht aantal ongevallen Bron: Eigen opmaak in ArcGIS Resultaten Met behulp van de operationele definitie van Elvik (2006) is het vervolgens mogelijk om het aantal gevaarlijke segmenten volgens de Empirical Bayes methode te bepalen. Met andere woorden gaat het dus om de segmenten waar het verwacht aantal ongevallen groter is dan het normaal aantal ongevallen. Voor de gevalstudie van de E313 gaat het om 155 van de 414 onderzochte segmenten, wat overeenkomt met 37,44%. Deze gevaarlijke segmenten zijn in het rood weergegeven in Figuur 10. Uit deze figuur blijkt dat de meeste gevaarlijke segmenten zich bevinden tussen Antwerpen en het knooppunt Lummen. Hoe verder richting Luik, hoe minder gevaarlijke segmenten er blijken te zijn. Steunpunt Mobiliteit & Openbare Werken 26 RA-MOW

27 Figuur 10: Gevaarlijke segmenten volgens de EB-methode Bron: Eigen opmaak in ArcGIS Daarnaast kunnen ook bij deze methode de segmenten gerangschikt worden volgens het reductiepotentieel. In dit geval is dit het verschil tussen het verwacht aantal ongevallen en het normaal aantal ongevallen. In Figuur 11 worden de 30 segmenten met het grootste reductiepotentieel in het rood weergegeven. In vergelijking met de 30 segmenten met het grootste reductiepotentieel volgens de methode van het ongevallenrisico (Figuur 6) is duidelijk te zien dat de meeste segmenten zich in dit geval bevinden tussen Antwerpen en het knooppunt Lummen, waar dat bij het ongevallenrisico niet zo zeer het geval is. Steunpunt Mobiliteit & Openbare Werken 27 RA-MOW

28 Figuur 11: 30 segmenten met hoogste reductiepotentieel op de E313 (Empirical Bayes) Bron: Eigen opmaak in ArcGIS 3.4 Voor- en nadelen Elke methode heeft zo zijn voor- en nadelen. Deze worden overzichtelijk weergegeven in Tabel 3. Tabel 3: Voor- en nadelen verschillende methodes Voordelen Nadelen Ongevallendensiteit Zeer eenvoudig Verkeersvolume en andere wegkarakteristieken niet in rekening Ongevallenrisico Empirical Bayes Bron: Eigen opmaak Verkeersvolume en andere wegeigenschappen in rekening Verkeersvolume en andere wegeigenschappen in rekening; Niet-lineaire relatie tussen ongevallen en verkeersvolume; state-ofthe-art Lineaire relatie tussen ongevallen en verkeersvolume; vrij complex; vrij grote hoeveelheid data Complex; grote hoeveelheid data Steunpunt Mobiliteit & Openbare Werken 28 RA-MOW

29 Zoals in bovenstaande tabel te zien is, is de eenvoudigheid het grootste voordeel van de methode van de ongevallendensiteit. Daartegenover staat wel dat, mede door deze eenvoudigheid, belangrijke verklarende variabelen zoals het verkeersvolume en ander wegkarakteristieken niet in rekening kunnen worden gebracht. Dit is wel mogelijk met de methode van het ongevallenrisico. Aan de hand van een clusteranalyse kunnen namelijk gelijkaardige segmenten gegroepeerd worden, waardoor segmenteigenschappen in rekening worden genomen. Voor elke cluster kan dan een normaal ongevallenrisico berekend worden waartegenover het ongevallenrisico van het onderzochte segment kan worden afgewogen. Nadeel is dan weer dat de methode complexer is en er een relatief grote hoeveelheid aan data vereist is. Daarnaast gaat de methode uit van een lineaire relatie tussen het aantal ongevallen en het verkeersvolume. Dit gaat echter maar gedeeltelijk op. Tot op een bepaald punt zal de kans op een ongeval inderdaad stijgen indien het verkeersvolume toeneemt, het aantal mogelijke conflicten stijgt immers ook. Maar dit wil nog niet zeggen dat deze toename lineair is. Daarnaast kan, bijvoorbeeld in een filesituatie, samen met de toename van het verkeersvolume de snelheid afnemen, waardoor de lineaire relatie tussen het aantal ongevallen en het verkeersvolume juist niet meer opgaat. Bij de Empirical Bayes benadering is dit geen probleem, aangezien het model er in slaagt rekening te houden met de niet-lineaire toename van het aantal ongevallen naarmate het verkeersvolume stijgt. Daarnaast neemt de methode ook verschillende segmenteigenschappen in rekening, wat ook de kritiek van de methode van de ongevallendensiteit teniet doet. Het is mede om die redenen dat deze methode momenteel beschouwd wordt als de state-of-the-art wat betreft het identificeren van gevaarlijke wegsegmenten (Elvik, 2008a; Elvik, 2008b). Daarnaast is deze methode ook theoretisch het best onderbouwd. De nadelen zijn de complexiteit en de hoeveelheid data. Maar het is duidelijk dat de resultaten van deze methode volgens de literatuur het betrouwbaarst zijn. Verder onderzoek moet uitwijzen of dit ook voor de gevalstudie van de E313 het geval is. Zo kan bijvoorbeeld een tweede tijdsvenster onderzocht worden om te controleren of de gevaarlijke segmenten wel degelijk gevaarlijk blijven en of veilige segmenten niet gevaarlijk worden (Elvik, 2008b). Maar dit is in het kader van dit onderzoek niet mogelijk omdat recentere data (nog) niet beschikbaar is. In onderstaande figuur worden de 30 gevaarlijkste segmenten methodes bepaald aan de hand van de Empirical Bayes benadering (rode segmenten) en deze bepaald aan de hand van het ongevallenrisico (gele segmenten) ten opzichte van elkaar uitgezet. De groene segmenten zijn de segmenten die door beide methodes als gevaarlijk beschouwd kunnen worden. Dit zijn er echter zeer weinig, waaruit besloten kan worden dat er aanzienlijke verschillen bestaan tussen de gevaarlijke segmenten bepaald door de verschillende methodes. Hieruit volgt dan ook dat de prioritaire segmenten aanzienlijk kunnen verschillen naargelang de methode die gebruikt wordt. Steunpunt Mobiliteit & Openbare Werken 29 RA-MOW

30 Figuur 12: Vergelijke EB-methode en ongevallenrisico Bron: Eigen opmaak in ArcGIS Steunpunt Mobiliteit & Openbare Werken 30 RA-MOW

31 4. G E V O E L I G H E I D S A N A L Y S E L E T S E L E R N S T Zoals gezegd in de inleiding wordt er in dit rapport, naast de handleiding voor de Road Accident Analyzer, ook extra aandacht besteed aan de gewichten die gebruikt worden om letselernst in rekening te brengen. De keuze van deze gewichten kan immers de rangschikking en selectie van de meest gevaarlijke segmenten danig beïnvloeden. Daarom werd er gekozen om een gevoeligheidsanalyse uit te voeren. Deze analyse wordt uitgevoerd op de resultaten van de tweede methode, die gebruikt maakt van de ongevallenrisico s. De Empirical Bayes methode, die als state-of-the-art geldt wat betreft het bepalen van gevaarlijke wegsegmenten, maakt namelijk geen gebruik van gewichten. 4.1 Scenario s Analoog aan het onderzoek van Geurts et al. (2003) worden de volgende scenario s ten opzichte van elkaar afgewogen: - 1_1_1: In deze situatie worden eigenlijk geen gewichten gegeven. Elk slachtoffer krijgt namelijk een gewicht van 1, waardoor een lichtgewonde even zwaar doortelt als een zwaargewond of dood slachtoffer. Alle slachtoffers en ongevallen zijn dus even belangrijk, ongeacht de letselernst. De filosofie achter deze situatie is dat elk ongeval vermeden moet worden. De gebruikte formule om de ongevallenrisico s te berekenen is de volgende: AR i 6 Ni *10 l *365* AADT i - 1_3_5: Dit is de situatie zoals ze momenteel wordt toegepast in Vlaanderen, met het verschil dat hier een ongevallenrisico berekend wordt. In deze situatie krijgt een lichtgewonde een gewicht van 1, een zwaargewonde een gewicht van 3 en een dodelijk verkeersslachtoffer een gewicht van 5. Naarmate de letselernst toeneemt, zal het slachtoffer dus zwaarder doorwegen in de formule: AR i ( N LG *1 N l i ZG *365* t *3 N t D AADT it *5)*10-1_1_10: In deze situatie wordt getracht zo veel mogelijk dodelijke slachtoffers te vermijden. Vandaar dat enkel een gewicht wordt gegeven aan deze dodelijke slachtoffers. Aan ongevallen met lichtgewonden of zwaargewonden wordt minder aandacht geschonken. De formule ziet er in dit geval als volgt uit: AR i ( N LG l i N ZG *365* N t D AADT it it *10)*10-1_10_10: Een laatste situatie maakt het onderscheid tussen lichtgewonde slachtoffers enerzijds, en zwaargewonde en dodelijke slachtoffers anderzijds. Er wordt hierbij vanuit gegaan dat een ongeval met zwaargewonden even goed tot een dodelijk slachtoffer had kunnen leiden. Lichtgewonden worden geassocieerd met minder zware ongevallen, en krijgen daarom minder aandacht bij het identificeren van gevaarlijke segmenten in deze situatie. De formule voor de ongevallenrisico s in deze situatie is hieronder weergegeven: AR i ( N LG N l i ZG *365* *10 N t D AADT it 6 *10)* Steunpunt Mobiliteit & Openbare Werken 31 RA-MOW