Publicatie

Risicofactoren op 50km/uur-kruispunten met verkeerslichten

Methodologische verdieping en verdere verkenning van de kwantificering van risicofactoren zoals roodlichtnegatie

Auteur(s)

Aarts, L.T.; Loenis, B.; Korving, H.; Guiking, C.

Jaar

2017

Downloaden

PDF icon pdf (3.16 MB)

In 2016 deed SWOV onderzoek naar risicofactoren in het verkeer, ook wel bekend als Safety Performance Indicators (SPI’s) die als indicatie  voor verkeersonveiligheid kunnen dienen. Beleidsmakers kunnen deze risicofactoren gebruiken voor de ontwikkeling van proactief, ‘risicogestuurd’ beleid. Risicofactoren kunnen worden onderscheiden in gedragskenmerken – zoals afleiding, vermoeidheid en roodlichtnegatie – en kenmerken die betrekking hebben op de inrichting van het verkeerssysteem zoals een veilige afstemming tussen weginrichting en snelheidslimiet.

In een van de onderzoeken uit 2016 over risicofactoren (Aarts et al., 2016) gingen we op zoek naar factoren die mogelijk een rol spelen bij het ontstaan van ongevallen op kruispunten op 50km/uur-wegen. We deden dat op basis van gegevens over dodelijke ongevallen in 2012, informatie uit registratiesets van de politie. We keken daarbij in welke mate bepaalde vooraf gedefinieerde gevaarlijke gedragingen mogelijk of zeker een rol speelde bij dodelijke ongevallen op 50km/uur-kruispunten. Daarna werd één van deze risico­factoren nader gekwantificeerd: roodlichtnegatie. Dit gebeurde door te kijken of er in de onderzochte dodelijke ongevallen sprake was van roodlichtnegatie en door in straatmetingen te kijken naar gevallen van roodlichtnegatie zonder dat er ongevallen gebeurden.

In aansluiting op de studie uit 2016 heeft SWOV in 2017 vervolgonderzoek gedaan naar de kwantificering van risicofactoren, en dan – vanwege de focus op roodlichtnegatie – specifiek op 50km/uur-kruispunten die zijn geregeld met verkeerslichten (een verkeersregelinstallatie, kortweg: VRI). Bij dit vervolgonderzoek staan de volgende vragen centraal:

  1. Welke aanvullende of alternatieve gegevensbronnen zijn te gebruiken om risicofactoren te kwantificeren en tot welke (eerste) inzichten leidt het gebruik van deze bronnen?
  2. Hoe betrouwbaar en generaliseerbaar zijn de bevindingen uit het eerdere onderzoek (bijvoorbeeld in termen van tijd, locaties, beoordelaars)?
  3. Welke aanbevelingen zijn er te formuleren op basis van de bevindingen uit de voorgaande twee vragen voor verder onderzoek naar risicofactoren?

Databronnen en methoden

Om risicofactoren te kwantificeren, hebben experts van SWOV deze in zowel 2016 als 2017 onafhankelijk van elkaar beoordeeld en gescoord. Daarbij is ook gekeken naar kwaliteitsaspecten van de infrastructuur. Voor dit vervolgonderzoek is hiervoor – net als in het onderzoek in 2016 – gebruikgemaakt van registratiesets van de politie en informatie uit BRON (de officiële politieregistratie van ongevallen) van ongevallen uit 2012. De registratiesets, waarin de politie vastlegt wat er is gebeurd en welke getuigen zijn gesproken, zijn met een nieuw beoordelingsteam geanalyseerd. Naast de ongevallen uit 2012, zijn ongevallen uit 2010 en 2011 geanalyseerd. Daarnaast is gebruikgemaakt van informatie uit nieuwe bronnen dan bij het onderzoek in 2016. Daarbij gaat het om rechtbankverslagen, sociale media (zoals Facebook), openbare media (zoals online nieuwsberichten) en andere openbare bronnen (zoals beleidsrapportages en dieptestudies).

Net als in 2016 zijn de kenmerken van de infrastructuur beoordeeld met drie methoden:

  • VSGS, het instrument voor veilige snelheden en geloofwaardige snelheidslimieten (om de geloofwaardigheid van de snelheidslimiet op het wegvak vóór het kruispunt te beoordelen);
  • de PIARC-overgangsscore (om te beoordelen in hoeverre weggebruikers bij nadering van het kruispunt informatie uit het wegbeeld krijgen over de naderende overgang);
  • de complexiteitsscore (om te beoordelen hoeveel informatie weggebruikers op het kruispunt zelf te verwerken hebben).

Ten opzichte van 2016 hebben we de instrumenten verder aangescherpt. Daarnaast hebben we nu ook de locaties van dodelijke ongevallen in 2011 beoordeeld (in 2016 was dat alleen 2012) en de subjectieve onderdelen van de beoordelingsinstrumenten zijn nu door twee personen beoordeeld (in 2016 was dat één persoon).

Samenvatting van de bevindingen

De tabel hieronder laat per informatiebron zien hoe bruikbaar deze is om risicofactoren te kwantificeren:

Informatiebron

Bruikbaarheid

Aantallen

Inhoud

BRON

Bruikbaar, maar een aantal ongevallen ontbreken

Bruikbaar voor de beter constateerbare en vooral juridisch relevante gedragingen, zoals roodlichtnegatie, al zijn niet alle relevante ongevallen goed gecodeerd; minder bruikbaar voor onderzoek naar risicofactoren zoals afleiding en vermoeidheid.

Registratiesets

Bruikbaar, maar een aantal ongevallen ontbreken

Bruikbaar voor de beter constateerbare gedragingen, zoals roodlichtnegatie, met de mogelijkheid om de zekerheid van factoren via andere bronnen te checken; minder bruikbaar voor minder goed constateerbare gedragingen zoals afleiding en vermoeidheid.

Rechtbankverslagen

Zeer kleine aantallen

Geven meer zekerheid over de rol van een risicofactor bij een ongeval. Hiervoor moet wel een gerechtelijke aanleiding zijn en derhalve lenen rechtbankverslagen zich vooral voor de risicofactoren die met regelovertreding in verband kunnen worden gebracht in combinatie met dodelijk of ernstig letsel.

Sociale media

Zeer kleine aantallen

Vanwege te kleine aantallen (één casus) zijn hier op basis van dit onderzoek geen goede uitspraken over te doen.

Openbare media

Kleine aantallen

Geven in enkele gevallen aanvullende informatie van met name locatie, onder andere op basis van getuigen­verklaringen en beeldmateriaal.

Overige openbare bronnen

Zeer kleine aantallen

Geven sporadisch aanvullende informatie.

Dieptestudies

Kleine aantallen; voor dodelijke ongevallen zeer kleine aantallen

Bieden inhoudelijk meer zicht op specifieke locatiekenmerken en inhoudelijke bijzonderheden. Deze methode is in principe een van de meest geschikte om minder goed constateerbare risicofactoren, zoals afleiding en vermoeidheid, te bepalen. Deze blijken echter ook met deze methode lastig vast te stellen.

 

De beoordeling van gedragsgerelateerde risicofactoren blijkt zowel tussen jaren (2010-2011-2012) als tussen verschillende beoordelingsteams (uit 2016 en 2017) behoorlijk consistent. Dit geldt echter (nog) niet voor de beoordeling van infrastructurele kenmerken.

Verdere kwantificering van roodlichtnegatie

Om roodlichtnegatie als risicofactor verder te kwantificeren, zijn registratie­sets beoordeeld van 61 dodelijke ongevallen op gemeentelijke 50km/uur-kruispunten met een VRI. Daaruit blijkt dat in 41% tot 67% van de ongevallen roodlichtnegatie zeker of mogelijk een rol had gespeeld. Deze bevindingen komen sterk overeen met die van het SWOV-onderzoek uit 2016 (44% tot 66%). Daaruit kunnen we concluderen dat ook de kwantificering van het relatieve risico van roodlichtnegatie in de buurt blijft van het vorige onderzoek: in 2016 vonden we dat roodlichtnegatie op 50 km/uur-kruispunten met een VRI, leidt tot een relatief risico dat 10 tot 15 keer hoger ligt dan roodlicht­acceptatie; in het vervolgonderzoek van 2017 vinden we een relatief risico tussen 9 en 17. Omdat een combinatie van de gebruikte bronnen eerder duidt op een onderschatting dan een overschatting, concluderen we dat het relatieve risico van roodlichtnegatie rond de 14 ligt.

Betekenis voor andere gedragingen

Roodlichtnegatie is waarneembaar en ook objectiveerbaar. De aanpak die is gebruikt om roodlichtnegatie te kwantificeren, is daarom naar verwachting ook bruikbaar voor andere goed waarneembare en objectiveerbare gedragingen zoals rijden onder invloed, te hoge snelheid en het gebruik van voertuigverlichting. Toch moet daarbij met enige voorzichtigheid te werk worden gegaan. Zo bleek de overeenstemming tussen beoordelaars in veel gevallen maar net voldoende. Het verdient daarom aanbeveling om gebruik te maken van aanvullende objectieve bronnen, zoals informatie uit processen-verbaal en rechtbankverslagen.

Voor minder gemakkelijk objectiveerbare gedragingen, zoals afleiding en vermoeidheid, blijft het lastig om de prevalentie en het risico goed te kunnen vaststellen. Het is daarom aan te bevelen om hier meer onderzoek naar te doen. Bij het registreren en analyseren van ongevallen zou standaard naar deze gedragingen gekeken kunnen worden. Uit dieptestudies weten we evenwel dat het ook dan niet gemakkelijk zal zijn om met zekerheid te achterhalen of dergelijke factoren een rol hebben gespeeld of niet. Mogelijk kan dit duidelijker worden door deze risicofactoren verder te operationaliseren en door het mogelijk te maken om niet alleen zekere factoren te rapporteren, maar ook vermoedens van factoren die mogelijk een rol hebben gespeeld bij het ontstaan van een ongeval. Als alle dodelijke ongevallen op deze manier met dieptestudies geanalyseerd zouden worden, kan mogelijk beter inzicht ontstaan in de vermoedelijke prevalentie van dergelijke risicogedragingen.

Beoordeling van de infrastructuur

Bij de beoordeling van – vooral subjectief beoordeelde – infrastructurele kenmerken bleek dat er nog onvoldoende overeenstemming tussen de beoordelaars was. Mogelijk kan dat worden verbeterd door hiervoor meerdere, goed geïnstrueerde beoordelaars in te zetten. Daarnaast doen we aanbevelingen om de interpretatie van de scores te verbeteren door nauwkeuriger vast te stellen aan de hand van welke indicatoren een score wordt gegeven en vanaf welke locatie voor of op het kruispunt deze scores relevant worden. We doen ook aanbevelingen voor aanvullende beoordelings­methoden, die vooral inzicht moeten geven in inrichtingskenmerken die relevant zijn voor langzaam verkeer.

Wat betekent dit voor verder onderzoek?

De bevindingen en aanbevelingen uit deze studie kunnen bijdragen aan verder onderzoek naar en kennis over (de kwantificering van) risicofactoren. Met name over risicofactoren binnen de bebouwde kom is – mede door de complexere verkeerssituaties en vele verschillende soorten weggebruikers – nog relatief veel onbekend.

Risk factors at 50 km/h intersections with traffic lights; Methodological follow-up and further exploration of the quantification of risk factors such as red light runningrunning

In 2016, SWOV investigated risk factors in traffic. These risk factors are also known as Safety Performance Indicators (SPIs) and are an indication of hazards in road traffic. Policy makers can use these risk factors for the development of proactive, ‘risk-based' policy. Risk factors can be differentiated in behaviour in traffic – such as distraction, fatigue and red light running – and design characteristics of the road traffic system, such as compatibility between the speed limit and the road design.

In one of the 2016 studies on risk factors (Aarts et al., 2016) we set out to identify the factors that may play a role in causing crashes at intersections on municipal 50 km/h roads. As a basis we used information on fatal crashes in 2012 from registration sets of the police. We investigated to what extent certain predefined dangerous behaviours had possibly or certainly played a role in causing or increasing the severity of these fatal crashes. Next, one of these risk factors was further quantified: red light running. This was done by investigating whether red light running had occurred in the fatal crashes that were studied and by looking at cases of red light running without crashes occurring by carrying out street measurements.

As a follow-up to the 2016 study, SWOV in 2017 also studied the quantification of risk factors, and did this – because of its focus on red light running – specifically at 50 km/h intersections that are regulated with traffic lights. This follow-up study set out to answer the following research questions:

  1. What additional or alternative data sources can be used to quantify risk factors and what (initial) insights can be obtained by using these sources?
  2. How reliable and generalizable are the findings from the previous research (for example, in terms of time, locations, assessors)?
  3. Which recommendations for further research into risk factors can be formulated on the basis of the findings from the previous two questions?

Data sources and methods

In both 2016 and 2017, SWOV-experts have assessed and scored behavioural risk factors independently from each other. Quality aspects of the infrastructure involved were also taken into account. As in the 2016 research, registration sets of police and information from BRON (the official police registration of crashes) of crashes in 2012 were used for this follow-up research. The registration sets, in which the police report what happened and which witnesses were interviewed, were analysed by a new evaluation team. In addition to the crashes in 2012, crashes in 2010 and 2011 were analysed. Furthermore, information was used from other, new sources than in the investigation in 2016. These include court records, social media (like Facebook), public media (such as online news messages) and other public sources (such as policy reports and in-depth studies).

As in 2016, three methods were used to assess the characteristics of the infrastructure:

  • SaCredSpeed, an instrument for an assessment of safe speeds and credible speed limits (to assess the credibility of the speed limit on the road section before the intersection were the crash occured);
  • the PIARC transition score (to assess the extent to which road users get information from the road layout about the crossing ahead when they approach an intersection);
  • the complexity score (to assess how much information road users have to process at the intersection itself).

Compared to 2016, we have made the instruments more accurate. In addition, we have now also assessed the locations of fatal crashes in 2011 (in 2016 we only assessed locations of crashes in 2012) and the subjective components of the assessment tools have now been rated by two people (in 2016 was this done by one person).

Summary of the findings

The table below indicates the extent to which each information source is useful for quantifying risk factors:

Information source

Usefulness

Numbers

Content

BRON

Useful, but a number of crashes is missing

 

Useful for the behaviours that can more easily be observed and, above all, are legally relevant, such as red light running. However, not all relevant crashes are coded correctly; BRON is less useful for investigation of risk factors such as distraction and fatigue.

Registration sets

Useful, but a number of crashes is missing

Useful for the behaviours that can more easily be observed, such as red light running, with the possibility to verify the factors via other sources. Registration sets are less useful for behaviours that cannot be observed easily such as distraction and fatigue.

Court records

Very small numbers

Give more certainty about the role of a risk factor in a crash. Judicial necessity is required and therefore, court records are especially useful for the risk factors associated with violation of the rules that have resulted in serious injury or fatal outcomes.

Social media

Very small numbers

Due to limited numbers (only one case) no reliable statements can be made based on the present study.

Public media

Small numbers

In some cases, these sources provide additional information, especially about the location, e.g. in the form of witness statements and photographs of the scene.

Other public sources

Very small numbers

Give sporadic additional information.

In-depth studies

Small numbers; very small numbers for fatal crashes

Offer more insight into specific location characteristics and content-related details. This method is in fact one of the most suitable to determine less observable risk factors, such as distraction and fatigue. These risk factors, however, are also difficult to assess with this method.

 

The assessment of behavioural road traffic risk factors appears to be rather consistent between the years (2010-2011-2012) and between the different assessment teams (in 2016 and 2017). However, this is not (yet) the case for the assessment of infrastructural characteristics.

Further quantification of red light running

To further quantify red light running as a risk factor, the registration sets of 61 fatal crashes at municipal 50 km/h intersections with traffic light control were assessed. It was found that in 41% to 67% of the crashes red light running had certainly or possibly played a role in the causation of the crashes. These findings are very similar to those of the 2016 SWOV-study (44% to 66%). We can therefore conclude that the quantification of the relative risk of red light running will also be similar to that in the previous study: in 2016 we found that red light running at municipal 50 km/h intersections with traffic light control leads to a relative risk that is 10 to 15 times higher than red light acceptance; in the 2017 follow-up study, we find a relative risk between 9 and 17. Because a combination of the sources used indicates an underestimation rather than an overestimation, we conclude that the relative risk of red light running is about 14.

Meaning for other behaviours

Red light running is observable and can also be objectively verified. The approach that was used to quantify red light running in this study is therefore expected to also be useful for other well observable and objectively verifiable behaviours such as driving under the influence, speeding and the use of vehicle lighting and protective devices. However, it should be done with some caution. In many cases the agreement between assessors was only just satisfactory. It is therefore recommended to use additional information from objective sources, such as documented measurements and multiple witness statements and court records.

For less easily objectifiable behaviours, such as distraction and fatigue, it remains difficult to correctly determine the prevalence and the risk. Further research is therefore recommended. These behaviours could always be investigated when registering and analysing crashes. In-depth studies have shown, however, that then it will also not be easy to determine with certainty whether or not such factors have played a role. This may possibly be improved by further operationalisation of these risk factors and by making it possible not only to report factors that are certain, but also suspicions of factors that may have played a role in the occurrence or severity of the outcome of a crash. If all fatal crashes were to be analysed in this way with the use of in-depth studies, it may result in better understanding of the likely prevalence of such risk behaviours.

Assessment of the infrastructure

The assessment of – mainly subjectively rated – infrastructural characteristics showed that there was still insufficient agreement between the assessors. This could possibly be improved by using multiple, well-instructed assessors. In addition we recommend improving the interpretation of the scores by more accurately establishing what indicators are used to give a score and from which location before or after the intersection these scores become relevant. We also make recommendations for additional assessment methods that should specifically provide insight in the design characteristics that are relevant to slow traffic.

What is the significance for further research?

The findings and recommendations from this study can contribute to further research into and knowledge about (the quantification of) risk factors. Relatively much is still unknown about especially the risk factors in urban areas – partly due to the more complex traffic conditions and the many different types of road users.

Print this page
rapport

Rapportnummer

R-2017-21

Pagina's

52 + 17

Gepubliceerd door

SWOV, Den Haag