Verkennende studie naar regionale verschillen in relatie tot verkeersveiligheid

Auteur(s)
Houwing, S; Aarts, L.T.; Reurings, M.C.B.; Bax, C.A.
Jaar
Door de decentralisatie van het verkeersveiligheidsbeleid zouden beleidsmakers beter moeten kunnen inspelen op gebiedsgebonden condities, mogelijkheden en problemen. De vraag die daaruit voortvloeit, is of beleid in het ene gebied inderdaad andere accenten zou moeten hebben dan in het andere. Dit onderzoek is een verkennende studie naar de mate waarin gebiedsgebonden verschillen samenhangen met verschillen in verkeersveiligheid. Daarmee beoogt dit onderzoek bij te dragen aan kennis en methoden ten bate van regiospecifiek beleid. De volgende onderzoeksvragen staan hierbij centraal: - Wat zijn voor de verkeersveiligheid belangrijke kenmerken om een overzichtelijk aantal - praktisch hanteerbare - homogene gebieden te kunnen definiëren? - Welke overeenkomsten en verschillen zijn er tussen verschillende homogene gebieden met betrekking tot verkeersveiligheid? Op basis van literatuuronderzoek analyseren we eerst bestaande studies naar regionale verschillen. Vervolgens onderzoeken we wat er bekend is over gebiedsgebonden kenmerken in relatie tot verkeersveiligheid: de zogenoemde gebiedsgebonden verkeersveiligheidsindicatoren (GVI’s). Het gaat hierbij zowel om directe als indirecte relaties tussen indicatoren en verkeersveiligheid. Van een directe relatie is bijvoorbeeld sprake als een bepaald kenmerk - zoals onveilig ingerichte wegen - leidt tot meer onveiligheid en daardoor tot meer ongevallen. Er is sprake van een indirecte relatie als een bepaald kenmerk - zoals grote inwonerdichtheid - leidt tot meer mobiliteit en daardoor tot meer ongevallen. Deze verkennende studie maakt gebruik van drie basiscriteria om homogene gebieden te onderscheiden. 1. Het schaalniveau van gebieden Dit moet enerzijds klein genoeg zijn om voldoende homogeniteit binnen een gebied te hebben. Anderzijds moet het schaalniveau groot genoeg zijn om te kunnen beschikken over voldoende GVI-gegevens. Aan de hand van de uiteindelijke GVI-lijst en de beschikbaarheid van landelijk dekkende gegevens is een databestand opgesteld. Daarbij is het gemeentelijke niveau (situatie 2011) als uitgangspunt genomen. 2. Relevante kenmerken Om homogene gebieden te kunnen vaststellen, zijn er verschillende selecties van kenmerken mogelijk. Zo kunnen we kijken naar één of twee individuele kenmerken (bijvoorbeeld bevolkingsdichtheid en ongevallendichtheid), of naar een min of meer uitgebreide set kenmerken (zoals bodemgebruik en wegennet, of alle relevante kenmerken die van een gebied verzameld kunnen worden). Naarmate er meer kenmerken in de analyse worden betrokken, is het noodzakelijker om daar enige marge in toe te staan. Een voordeel van een groter aantal kenmerken is dat er een gedetailleerder en mogelijk ook meer significant onderscheid tussen gebieden kan worden aangebracht. 3. Verschillende methoden Er zijn verschillende methoden om grenswaarden tussen gebieden te bepalen (welke gebieden horen bij elkaar, welke zijn verschillend). Hierbij bewegen we ons tussen identieke en unieke gebieden. De kans op identieke gebieden is kleiner naarmate er meer kenmerken in de analyse worden betrokken. Van unieke gebieden is sprake als we geen enkele variatie in kenmerken toestaan in de zoektocht naar homogeniteit of vergelijkbaarheid. In deze studie zijn drie verschillende methoden gebruikt om verschillen en overeenkomsten tussen gebieden te verkennen: een beeldverkenningsmethode, een handmatige bodemgebruikverkenning en automatische clusteranalyses. Beeldverkenning In de beeldverkenning hebben we - aan de hand van enkele afbeeldingen - de relatie bestudeerd tussen het aantal ernstige ongevallen in een gemeente en verschillende expositiematen. Hieruit concluderen we dat gemeenten met een hoge bevolkingsdichtheid minder ernstige ongevallen per 10.000 inwoners hebben dan gemeenten met een lage bevolkingsdichtheid. Ook gemeenten met een groter aantal inwoners per weglengte, hebben minder ernstige ongevallen per 10.000 inwoners dan gemeenten met een lager aantal inwoners per weglengte. In beide gevallen zien we bij de legere gebieden een grote spreiding in het aantal ongevallen per 10.000 inwoners. Verkenning van één bepaald wegtype (80km/uur-wegen) levert soortgelijke patronen op. De conclusie is dan ook dat de grote spreiding samenhangt met een grotere mate van heterogeniteit tussen de betreffende gemeenten. Bodemgebruikverkenning Na de beeldverkenning volgde een bodemgebruikverkenning. Daarin hebben we onderzocht hoe gemeenten kunnen worden geclusterd op basis van bodemgebruik, verfijnd met de oriëntatie van het onderliggend wegennet. Hieruit volgen vijf categorieën die meer of minder stedelijke dan wel rurale kenmerken hebben. De meeste verschillen in ongevalskenmerken tussen deze clusters kunnen echter verklaard worden door ‘blootstelling’: de mate waarin een bepaald kenmerk in het betreffende cluster aanwezig is. Wel blijkt dat gebieden met een bepaald accent (bijvoorbeeld plattelandsgebied) een hoger risico hebben op ongevalstypen die daar relatief weinig voorkomen (bijvoorbeeld stedelijk georiënteerde ongevallen). Mogelijk hangt dit samen met verschillen in investeringen op basis van ongevalsaantallen. Daardoor neemt het risico meer af in gebieden waar veel gebruik wordt gemaakt van bepaalde wegen, waar veel mensen zijn of veel specifieke voertuigen rijden. De bodemgebruikverkenning laat ook zien uit welke typen gebieden een provincie is opgebouwd, en hoe dit samenhangt met de voor die regio’s specifieke ongevalstypen. Clusteranalyse Een derde methode om verschillen en overeenkomsten tussen gebieden te verkennen, is de clusteranalyse. Op basis van een groot aantal gemeentelijke kenmerken (zoals inwonerdichtheid, wegennet, bodemgebruik en aantal motorvoertuigen) hebben we geanalyseerd in wat voor clusters gemeenten kunnen worden ingedeeld. Dat hebben we gedaan met respectievelijk de ‘hiërarchische clusteranalyse’ (om een goed aantal clusters te bepalen) en de ‘k-means clusteranalyse’ (om — gegeven een goed aantal clusters (k) — de gemeenten zo homogeen mogelijk in te delen in het aantal gewenste clusters). In dit onderzoek hebben we een oplossing met zeven clusters verder verkend. Bij de k-means methode blijken vijf van de zeven clusters bruikbaar voor verdere analyse. Een cluster met daarin de Waddeneilanden (exclusief Texel) blijkt een robuuste groep en komt terug in zowel de hiërarchische als de k-means methode. Uit de ongevallenanalyses blijkt ook hier dat stedelijke clusters meer ongevallen hebben van stedelijke aard en rurale clusters meer ongevallen van rurale aard. Als we de analyses echter corrigeren voor expositie, dan valt een groot deel van deze verschillen weg. Ook de clusteranalyse sluit af met een doorkijkje naar de provinciale samenstelling van de gevonden gebiedstypen en ongevalsaandelen. Gecombineerde analyse De combinatie van analyses laat zien dat de uitkomsten — de indeling van gemeenten in homogene clusters en de daarmee samenhangende kenmerken — afhangen van zowel de gekozen methode als de gekozen kenmerken. Daarbij valt op dat de verschillende analyses telkens een beeld laten zien waarin zich één of twee stedelijke clusters aftekenen en drie of meer rurale clusters. We concluderen dat de formulering van homogene of vergelijkbare gebieden afhankelijk is van de gebruikte kenmerken en methode. De analyses in dit rapport kunnen bruikbaar zijn voor verder onderzoek naar en toepassing van regionale kenmerken in regiospecifieke probleemanalyse en beleid. Dat kan langs de volgende sporen: - verkennende interviews bij gemeenten; - geavanceerde analyses voor en vergelijkingen van gemeenten; - monitoring van aanvullende prestatie-indicatoren; - onderzoek naar blootstelling als belangrijk normeringsonderwerp. De SWOV doet verder onderzoek naar een aantal van deze sporen. Dat doen we nadrukkelijk samen met de belanghebbenden: de regio en later mogelijk ook de gemeenten.
Exploratory study on regional differences in relation with road safety Road safety policy making is decentralized in the Netherlands. Decentralized road safety policy making would enable policy makers to anticipate better on region-related conditions, possibilities and problems. This prompts the question whether policy in different regions should have different emphases. This study explores the extent to which region-related differences coincide with differences in road safety. The findings are intended to contribute to knowledge about and methods for region-specific policy. The research questions of this study were: - Which characteristics are important for road safety to identify a convenient number of homogeneous or comparable regions? - What are the similarities and differences between different homogeneous or comparable regions in relation with road safety? This study starts with an analysis of existing studies into regional differences. The aim is to investigate what is known about region-specific characteristics in relation with road safety: the so-called region-specific road safety indicators (GVIs). These concern both direct and indirect relations between indicators and road safety. There is a direct relation if, for example, a certain characteristic - e.g. unsafe road layout - results in a lower safety level and hence in more crashes. There is an indirect relation if a certain characteristic - e.g. high population density - results in greater mobility and hence in more crashes. This exploratory study uses three basic criteria to identify homogeneous regions. 1. The size of regions On the one hand, regions must be small enough to have sufficient homogeneity. On the other hand, they must be large enough to have sufficient GVI data available. The resulting GVI list and the availability of national data were used to make a final data file. The municipal level (in 2011) was used as a starting point. 2. Relevant characteristics Different selections of characteristics can be used to identify homogeneous regions. For example: one or two individual characteristics (e.g. population density and crash density) can be used, or a more or less extensive set of characteristics (e.g. land use and road network, or all relevant characteristics that can be gathered in a region). The more characteristics are used in the analysis, the more important it becomes to allow a certain margin. An advantage of a larger number of characteristics is that a more detailed and possibly also more significant distinction between regions can be made. 3. Different methods Different methods can be used to determine limiting values between regions (which regions are similar, which are different). Here we move between identical and unique regions. The chance of identical regions gets smaller as more characteristics are used in the analysis. Regions are unique if we do not allow any variation in characteristics in the search for homogeneity or comparability. The present study uses three different methods to explore differences and similarities between regions: an figure exploration method, a manual exploration of land use, and automatic cluster analyses. Figure exploration In the figure exploration several figures were used to study the relation between the number of serious crashes in a municipality and several measures of exposure. This resulted in the conclusion that municipalities with a high population density have fewer serious crashes per 10,000 inhabitants than municipalities with a low population density. Municipalities with a larger number of inhabitants per road length also have fewer serious crashes per 10,000 inhabitants than municipalities with a smaller number of inhabitants per road length. In both cases, a large dispersion of the number of crashes per 10,000 inhabitants may be observed for the less densely populated areas. Exploration of one specific road type (80km/h roads) shows similar patterns. Therefore it is concluded that the large dispersion coincides with a larger degree of heterogeneity between the municipalities that are concerned. Exploration of land use After the figure exploration an exploration of land use was carried out. Here we investigated how municipalities can be clustered on the basis of land use, refined with the orientation of the secondary road network. This yielded five categories with fewer or more urban or rural characteristics. Most of the differences in crash characteristics between these clusters can, however, be explained by ‘exposure’: the extent to which a certain characteristic is present in that particular cluster. It has, on the other hand, been found that regions with a specific accent (e.g. rural area) have a higher risk of crash types that are relatively rare in those regions (e.g. urban-oriented crashes). This may be connected with differences in investments based on numbers of crashes. This causes a stronger decrease of the risk in regions where specific roads are used a lot, with many people, or where many specific vehicles travel. The exploration of land use also indicates the types of area that constitute a province, and how this relates to crash types that are specific for these regions. Cluster analysis A third method for exploring differences and similarities between regions, is the cluster analysis. On the basis of a large number of municipal characteristics (e.g. population density, road network, land use, and number of motor vehicles) we analysed which types of clusters could be used to categorize municipalities. This was done with the ‘hierarchical cluster analysis’ (to determine a correct number of clusters) and the ‘k-means cluster analysis’ (to allow assigning the municipalities into the desired number (k) of clusters as homogeneous as possible. In this study we explored a solution with seven clusters (k=7) in further detail. The k-means method showed that five of the seven clusters could be used for further analysis. A cluster including the West Frisian Islands (excluding Texel) appears to be a robust group and is found in both the hierarchic method and the k-means method. Here the crash analysis also indicates that urban clusters have more crashes of an urban kind and that rural clusters have more crashes of a rural kind. However, if the analyses are corrected for exposure, these differences disappear to a large extent. The cluster analysis also concludes with a look at the provincial composition of the area types that were found and crash shares. Combined analysis The combination of analyses and GVIs used, indicates that the findings - the division of municipalities into homogeneous clusters and the related characteristics - are determined by both the chosen method and the chosen characteristics. Here it must be noted that each time the different analyses show a picture in which one or two urban clusters are present, and three or more rural clusters. We conclude that the definition of homogeneous or comparable regions is determined by the characteristics and the method that are used. The analyses in this report can be used for further research into and application of regional characteristics in region-specific problem analysis and policy. This can be done along the following lines: - exploratory interviews at municipalities; - advanced analyses for and comparisons of municipalities; - monitoring of supplementary safety performance indicators (SPIs); - study of exposure as an important valuation tool. SWOV intends to further investigate a number of these lines. This will expressly be done together with the interested parties: the regions, in time possibly followed by the municipalities.
Rapportnummer
R-2012-10
Pagina's
90 + 49
Gepubliceerd door
SWOV, Leidschendam

SWOV-publicatie

Dit is een publicatie van SWOV, of waar SWOV een bijdrage aan heeft geleverd.