Publication

Monitoring van verkeersveiligheid

Beschrijving van een rekeninstrument voor het volgen van ontwikkelingen in de verkeersveiligheid

Author(s)

Bijleveld, Drs. F.D

Year

1999

In opdracht van de Adviesdienst Verkeer en Vervoer (AVV) is door de SWOV een rekenmodel ontwikkeld voor de monitoring van de verkeersveiligheid. De basis hiervan vormen analysetechnieken die reeds bij de SWOV aanwezig waren. Het model is ontwikkeld voor het analyseren van verschillende soorten gegevens die aan verkeersveiligheid zijn gerelateerd, en van de samenhang tussen deze gegevens. Dit rapport beschrijft een prototype van dit model, zijn werking en mogelijkheden, alsmede enkele voorbeelden van toepassingen. Globale doelstelling Het rekenmodel is bedoeld als instrument dat behulpzaam kan zijn bij de beantwoording van beleidsvragen. Dit instrument is vooralsnog een (werkend) prototype, waarvan de definitieve vorm nog moet worden vastgesteld op basis van de specifieke beleidsdoeleinden waarvoor het zal worden gebruikt. Hetgaat om de volgende typen beleidsvragen: Hoe heeft de verkeersveiligheid zich in het verleden ontwikkeld? Welke trends zijn te ontdekken in de ontwikkeling van de verkeersveiligheid? - Zijn de trends te extrapoleren naar de toekomst en met welke mate van onzekerheid gaan deze predicties gepaard? Hoe verhouden deze ontwikkelingen en predicties zich ten opzichte van ‘de taakstelling'? Welke deelaspecten in deze ontwikkelingen vereisen aanvullende verkeersveiligheidsmaatregelen? Hoe groot is het effect van reeds genomen maatregelen? Globale werking De werking van het instrument is primair gericht op de analyse van verschillende reeksen in de tijd geordende gegevens, en van de samenhang tussen deze gegevens en relevante indicatoren van verkeersveiligheid. Op grond van de ontwikkeling in deze tijdreeksen analyses kunnen er voorspellingen gedaan worden over ontwikkelingen in de verkeersveiligheid. Dit is van belang voor de beantwoording van bovenstaande beleidsvragen. Ook is het noodzakelijk dat het instrument verschillende ontwikkelingen gelijktijdig kan analyseren. Het ‘front end' van het instrument, de wijze waarop de gebruiker ermee wordt geconfronteerd, bestaat uit een invoermodule, een (beperkte) modelspecificatie-module en een uitvoermodule. In de invoermodule moet de invoer worden gespecificeerd en een invoerbestand worden gekozen; in de uitvoermodule wordt de uitvoer opgeslagen. De uitvoer bestaat uit cijfermatige uitkomsten (modelparameters, modelschattingen, prognosecijfers, enzovoort) en grafieken, waarin diverse aspecten van de ontwikkelingen en prognoses kunnen worden vastgelegd (de algemene risicotrend, de seizoentrend enzovoort). Dit ‘front end' is ontworpen voor de meest voorkomende (soorten) analyses. Voor meer specifieke analyses moet een daarop afgesteld programma worden uitgevoerd. Het prototype is geïmplementeerd in Mathematica™ versie 3.0. en kan onder verschillende computerplatforms worden gebruikt, waaronder Microsoft Windows ‘95™. Mogelijkheden en vereisten invoergegevens Het prototype heeft op dit moment de volgende mogelijkheden en vereisten: Het gebruik van seizoenseffecten is mogelijk. Hierdoor zijn de praktische basiseenheden het jaar, het kwartaal of de maand. In feite wordt een hoofdtijdseenheid gekozen, meestal het jaar. Deze eenheid kan vervolgens in een geheel aantal delen worden opgedeeld, zodat de basiseenheid jaar (één deel), kwartaal (vier delen), maand (twaalf delen) of zelfs week (52 delen) zou kunnen zijn. De lengte van de prognoseperiode kan opgegeven worden. Dit gebeurt in aantallen tijdseenheden van de observaties. Dus bij een seizoenseffect van kwartalen wordt de prognoselengte in kwartalen uitgedrukt. De analyse betreft verkeersgegevens en ongevalsgegevens gelijktijdig. Hierbij wordt gedacht aan expositiecijfers (bijvoorbeeld reizigerskilometers) en twee typen ongevalsgegevens (bijvoorbeeld aantallen doden en gewonden, of aantallen ongevallen met dodelijke afloop en ongevallen met letsel). De algemene implementatie kan iedere combinatie aan. Van alle gebruikte cijfers zijn (relatieve-) betrouwbaarheidsgegevens nodig. Meestal moeten deze bij de verkeersgegevens apart worden ingevoerd, terwijl deze bij de slachtoffergegevens via de Poisson-assumptie geschat zouden kunnen worden. De invoergegevens die het instrument gebruikt moeten telkens betrekking hebben op gelijkwaardige, opeenvolgende perioden. De opeenvolgende periodes hoeven niet noodzakelijkerwijs aaneensluitend te zijn. Wel moeten de omstandigheden waarop de ene observatie betrekking heeft een relatie vertonen met de omstandigheden waarop een volgende observatie betrekking heeft, zodat kennis over een bepaalde waarneming gebruikt kan worden voor het maken van een voorspelling voor een volgende waarneming. Technisch gezien werkt het instrument zo, dat het de voorspellingen uit het verleden vergelijkt met bijbehorende geobserveerde gegevens. Op basis van deze vergelijking(en) worden de voorspellingen gedaan en wordt de kwaliteit ervan vastgesteld. De invoergegevens kunnen verschillende bronnen hebben en hoeven ook niet steeds voor alle waarnemingen beschikbaar te zijn. Zo kunnen bijvoorbeeld gordeldraagpercentages uit verschillende onderzoeken afkomstig zijn. Het is wel noodzakelijk dat de gegevens steeds voor meerdere tijdstippen beschikbaar zijn, zodat enig gebruik gemaakt kan worden van de ontwikkeling van de gegevens in het verleden. Het instrument bezit een grote tolerantie voor ontbrekende observaties, hoewel de voorspelling daar natuurlijk wel gevoelig voor is: hoe meer ontbrekende gegevens, hoe meer onzekerheid. Mogelijke typen uitvoergegevens Het is nuttig gebleken de ontwikkeling van de verkeersonveiligheid te kunnen ontbinden in een trend datgene waarin men vaak het meest geïnteresseerd is en een seizoenseffect. Ook kunnen bijvoorbeeld invloeden van exogene grootheden als mobiliteit op het risico onderzocht worden. De werkelijke data van een waargenomen ontwikkeling over een bepaalde (meestal recente) periode kan vergeleken worden met een prognose voor die ontwikkeling over diezelfde periode, waarbij die data niet bij de berekeningen is gebruikt. Dit kan voor alle data in een bepaalde periode gebeuren, maar ook voor een deel daarvan. Op deze wijze kan men de recente ontwikkeling van de verkeersveiligheid vergelijken met wat er ‘uit het verleden te verwachten was'. Een andere mogelijkheid is dat men bepaalde data, bijvoorbeeld de mobiliteitscijfers, wel in de berekeningen meeneemt. Op deze manier kan men de prognose voor het ongevalsrisico corrigeren voor de effecten van een eventueel afwijkende ontwikkeling in deze cijfers, in dit geval de mobiliteit. Een derde mogelijkheid is uiteraard een zuivere prognose. Deze kan worden gegenereerd over een toekomstige periode, waarover nog geen gegevens bekend zijn. Andere soorten uitkomsten van het model, waaronder toetsen voor de relevantie van verschillende in het model toegepaste componenten zijn op dit moment nog niet beschikbaar. Voorbeelden van toepassing Naast een theoretisch voorbeeld, aan de hand waarvan de specifieke eigenschappen van het model worden uitgelegd, is in het rapport een aantal voorbeelden uitgewerkt met invoergegevens, die in principe gedisaggregeerd zijn (leeftijd en wijze van vervoer). Hierbij zijn voor een aantal groepen verkeersdeelnemers de ontwikkelingen in het aantal verkeersslachtoffers (doden en ziekenhuisgewonden apart) gerelateerd aan de mobiliteit in termen van reizigerskilometers. Bij de voorbeelden zijn de aantallen reizigerskilometers en aantallen doden en ziekenhuisgewonden verzameld uit bestanden van respectievelijk het onderzoek verplaatsingsgedrag (OVG), de Afdeling Basisgegevens van de AVV (AVV/BG) en de Landelijke Medische Registratie (LMR). Deze aantallen zijn voor elk kwartaal van de periode 1985 tot en met 1997 verzameld, evenals schattingen van hun varianties. De gegevens zijn telkens onderscheiden naar vervoerwijze en leeftijdsklasse. De categorieën slachtoffers per vervoerwijze zijn personenauto-inzittenden (passagier en bestuurder samengevoegd), motorfietsers, bromfietsers, fietsers, voetgangers, overige vervoerwijzen en alle vervoerwijzen samen. De categorieën slachtoffers per leeftijdsklasse zijn 0 tot14-jarigen, 15 tot 24-jarigen, 25 tot 49-jarigen, 50 tot 64-jarigen, 65 jaar en ouder, en alle leeftijdsklassen samen. Verzameling van de gegevens leverde voor iedere combinatie van wijze van vervoer en leeftijdsklasse plus marginalen (alle vervoerwijzen en leeftijden) een tabel op met geobserveerde aantallen slachtoffers en reizigerskilometers per kwartaal, en een gelijkvormige tabel met bijbehorende betrouwbaarheidsmaten. Deze tabellen zijn als invoer voor het instrument gebruikt. Voor iedere combinatie is geprobeerd de laatste acht observaties (de jaren 1996 en 1997) te voorspellen uit de eerdere observaties (tot en met 1995). Daarna is ongeveer een zelfde analyse uitgevoerd gebruikmakend van gegevens van de in werkelijkheid geobserveerde reizigerskilometers voor de jaren 1996 en 1997. Tenslotte is een prognose voor de komende jaren (1998, 1999) uitgevoerd, met behulp van de gegevens tot en met 1997. De volgende combinaties zijn in het rapport uitgewerkt: 1. alle leeftijden en alle wijzen van vervoer; 2. 0- tot 14-jarigen in de personenauto; 3. 25 tot 49-jarige personenauto-inzittenden; 4. 15 tot 24-jarige bromfietsers. Daarnaast is de registratie van AVV/BG-ziekenhuisgewonden ten opzichte van LMR-ziekenhuisgewonden aan de hand van een aantal combinaties vergeleken. In een laatste voorbeeld is een (beperkte) poging gedaan de invloed van de mobiliteit van het snelverkeer op aantallen slachtoffers onder het langzaam verkeer te onderzoeken. Resultaten gedisaggregeerde modellen Geval 1: alle leeftijden en alle wijzen van vervoer Bij de analyses van de combinatie ‘alle leeftijden' en ‘alle wijzen van vervoer' is het volgende opgevallen: Er doet zich een geleidelijke daling voor van het risico om gedood te worden in het verkeer; hierin doen zich geen markante variaties voor. Het risico voor de (LMR-)ziekenhuisgewonden ontwikkelt zich minder gelijkmatig dan het risico voor de verkeersdoden. Dit verschijnsel doet zich ook voor als AVV/BG-ziekenhuisgewonden worden geanalyseerd in plaats van LMR-ziekenhuisgewonden. Het seizoenseffect van de slachtoffers varieert sterker dan het seizoenseffect van de reizigerskilometers. Dit duidt op een seizoensinvloed op het risico, die wellicht meer met het weer en de invloed ervan op de ‘modal split' te maken heeft dan met seizoenswijzigingen in het totale mobiliteitsvolume. In deze analyse voor alle leeftijden samen is een correctie niet nodig gebleken voor de categorie kinderen van 0 tot11 jaar, die tot 1994 in het OVG ontbraken. Geval 2: 0- tot 14-jarigen in de personenauto De belangrijkste conclusies uit de analyse van de combinatie ‘0- tot 14-jarigen' en ‘personenauto-inzittenden' zijn: - Er moet gecorrigeerd worden voor de verandering in het OVG in 1994, toen de bijdrage van kinderen van 0 tot 11 jaar is gaan meetellen. - Deze correctie komt redelijk overeen met de ontwikkeling in de verhouding van aantallen jongeren van 0 tot 11 jaar en 12 tot 14 jaar. Geval 3: 25 tot 49-jarige personenauto-inzittenden De analyse van de combinatie ‘25- tot 49-jarigen' en ‘personenauto-inzittenden' had de volgende resultaten: - Opvallend is de onzekerheid in de prognoses voor het aantal ziekenhuisgewonden. - Er is een lichte overschatting van het aantal reizigerskilometers in 1996 en 1997. - De amplitude van het seizoenseffect blijkt nauwelijks kleiner te worden in de geobserveerde periode. Dit is in tegenstelling tot vorige voorbeelden. Geval 4: 15 tot 24-jarige bromfietsers De analyse van de combinatie ‘15- tot 24-jarigen' en ‘bromfietsers' had als resultaten: - Er is geen sprake van een daling van de slachtofferrisico's. - Er is wel een dalende ontwikkeling in het aantal reizigerskilometers. - De jaren 1985 tot 1988 hebben een ander seizoenseffect dan de rest van de jaren. Dit zou een gevolg kunnen zijn van het snorfietsgebruik. - Het model heeft ‘geconstateerd' dat afwijkingen in de reizigerskilometers niet in de slachtofferaantallen terugkomen, en het model heeft blijkbaar deze cijfers min of meer gecorrigeerd. Registratie AVV/BG- versus LMR-ziekenhuisgewonden Voor verschillende vervoerwijze zijn zowel geregistreerde AVV/BG- als LMR-ziekenhuisgewonden meegenomen. Gekeken is naar de verhouding tussen de verschillende registraties, en de ontwikkeling daarin. Een aantal conclusies, met soms gewaagde interpretaties, zijn: - Het blijkt dat er sprake kan zijn van een seizoensgebonden verhouding tussen LMR- en AVV/BG-gewonden. Het lijkt hier dat de seizoenseffecten van beide registraties in wezen dezelfde vorm hebben, maar dat het seizoenseffect bij de LMR-gewonden sterker is (een grotere amplitude). Dit zou misschien voor een deel veroorzaakt kunnen worden door een overbelastingsprobleem bij de registratie van de ziekenhuisgewonden, wanneer het om hogere pieken gaat. - Er bestaat een plotselinge (sterkere) daling in de verhouding tussen AVV/BG-gewonden en LMR-gewonden aan het einde van 1989 of het begin van 1990. Deze daling lijkt te stagneren vanaf eind 1992, en de verhouding neemt weer plotseling toe in 1996. Deze toename is waarschijnlijk niet het gevolg van een plotselinge afname in LMR-cijfers. Mogelijk is er een relatie tussen deze afname in de AVV/BG-registratie (op basis van politiegegevens) ten opzichte van de LMR-registratie, en de reorganisatie van de (verkeers)politie in ongeveer dezelfde periode. - Het valt op dat het patroon van de ontwikkeling van de relatieve registratiegraad voor bromfietsen ongeveer hetzelfde is als voor alle vervoerwijzen samen. Invloed mobiliteit snelverkeer op aantallen slachtoffers langzaam verkeer Het aantal reizigerskilometers in personenauto's (als maat voor de mobiliteit van snelverkeer) is vergeleken met de slachtoffers in het langzaam verkeer. Bij deze analyses moet worden bedacht dat het om alle slachtoffers onder het langzaam verkeer gaat, en niet alleen om slachtoffers van ongevallen tussen langzaam verkeer en motorvoertuigen of personenauto's. Voor deze laatste groep zijn waarschijnlijk grotere effecten te verwachten. Een andere kanttekening is dat de mobiliteit van alle motorvoertuigen, in plaats van de reizigerskilometers van personenauto's zou kunnen worden gebruikt. Idealiter zou dan ook de mobiliteit op hogere-ordewegen (waar weinig contact met langzaam verkeer mogelijk is) hiervan afgetrokken moeten worden. Resultaten van de analyse zijn: - Door de toevoeging van de reizigerskilometers van personenauto-inzittenden worden de voorspellingen van de aantallen doden onder het langzaam verkeer sterker verbeterd dan die van de aantallen ziekenhuisgewonden. Dit geldt misschien niet voor de slachtoffers onder fietsers. - De geschatte invloed van reizigerskilometers van personenauto-inzittenden op het aantal slachtoffers onder het langzaam verkeer, lijkt in principe per wijze van (langzaam) vervoer te verschillen. Hierbij lijkt de invloed groter te zijn op de slachtofferaantallen onder de jongere en oudere verkeersdeelnemers, dan de onder de middengroepen. Vergelijking met andere methoden De statistische methode die in het instrument worden gebruikt, kan worden gezien als een gewone regressiemethode met een aantal aanpassingen en uitbreidingen. Gedeelten van de gebruikte methodiek komen in vele alternatieve technieken terug. De verschillen tussen diverse technieken kunnen in twee hoofdcategorieën worden ingedeeld: - verschil in benadering en probleemstelling; - verschil in statistische aannames en methodiek. Een van de specifieke eigenschappen van het instrument is dat het gebaseerd is op een betrekkelijk expliciete specificatie van de samenhang tussen de gegevens. Hierin onderscheidt het zich van bijvoorbeeld ‘autobox'-achtige (AR(I)MA)-technieken, waarin getracht wordt een zo goed mogelijk passend model te vinden uit een klasse van modellen. Op het punt van de betrekkelijk expliciete specificatie komt het model juist wel overeen met de kwartaalanalyse en de macroscopische modellen. De macroscopische modellen echter zijn bedoeld voor langere-termijnprognoses, terwijl dit nieuwe instrument in principe voor korte-termijnprognoses is bedoeld. Wat betreft de statistische aannames en methodiek is een belangrijk verschil van de gebruikte techniek met bijvoorbeeld de gebruikelijke vormen van AR(I)MA-modellen, dat niet uitgegaan wordt van gelijke onzekerheid in de observaties. Waar het instrument (nog) niet optimaal mee om kan gaan is de statistische verdeling van de ongevalscijfers, dit in tegenstelling tot bijvoorbeeld de macroscopische modellen. In een groot aantal gevallen blijkt het instrument goed effecten te kunnen schatten of voor afwijkingen te kunnen corrigeren. Dit gaf zijn weerslag in betrekkelijk nauwe betrouwbaarheidsmarges. Het instrument leverde in enkele gevallen echter prognoses op, waar het zelf weinig vertrouwen in leek te hebben. Soms was dit direct terug te voeren naar gebrek aan gegevens, soms leek het dat er zich ontwikkelingen voordeden die niet in het model werden opgenomen. Het model heeft in die gevallen terecht een ruime betrouwbaarheidsmarge om de prognoses aangegeven. Dit valt als een duidelijk pluspunt van het instrument te zien. Het instrument kan nog op een aantal technische punten worden verbeterd. Het zou bijvoorbeeld beter aangepast kunnen worden aan de analyse van kleine aantallen slachtoffers of ongevallen. Ook zou een implementatie die in het geheel niet afhankelijk is van de begintoestand, op den duur de voorkeur hebben. Een dergelijke verbetering zou samen kunnen gaan met de toevoeging van uitgebreidere statistische toetsen.

Print this page