Nationaal verkeerskundecongres 2015

Nationaal verkeerskundecongres 2015 Monitoring veiligheidskwaliteit weg- en fietsinfrastructuur

Aarts, L.T. Stichting Wetenschappelijk Onderzoek Verkeersveiligheid Wijlhuizen, G.J. Stichting Wetenschappelijk Onderzoek Verkeersveiligheid Dijkstra, A. Stichting Wetenschappelijk Onderzoek Verkeersveiligheid

Samenvatting Op initiatief van de het ROF, het ROVZ, het ROVG en de provincie Utrecht heeft SWOV een proef uitgevoerd om risicofactoren in het verkeer (SPI’s) te monitoren. Dit artikel beschrijft de ervaringen die zijn opgedaan met het monitoren van de kwaliteit van de infrastructuur. De proef is uitgevoerd op 50 km/uur wegen van enkele gemeenten. Dit zijn wegen waar nog veel ongevallen gebeuren en waar relatief weinig gegevens over bekend zijn. De kwaliteit van de weginfrastructuur is in kaart gebracht met behulp van de duurzaam veilig-meter en het instrument voor veilige snelheden en geloofwaardige snelheidslimieten (VSGS). Ook de aanliggende fietsinfrastructuur is beoordeeld. Hiervoor is gebruik gemaakt van een eerste versie van het Safe Cycle Network (SCN). Uit de verzamelde gegevens worden voorbeelden getoond hoe de ingewonnen data gebruikt kunnen worden door beleidsmakers: analyse en lokalisering van gevaarlijke situaties, elementen waardoor dit veroorzaakt wordt en vergelijking van situaties tussen gebieden. Trefwoorden Monitoring, veiligheidskwaliteit, risico-indicatoren, infrastructuur, fiets

1

Inleiding Momenteel komen er jaarlijks in Nederland nog 570 mensen om het leven in het verkeer en raken er 18.800 ernstig gewond (CBS, DHD, I&M, SWOV). Van deze ernstig gewonden heeft ca. 20% blijvend gevolgen (Weijermars, Bos & Stipdonk, 2014). Het gaat uiteindelijk om 12,5 miljard euro die verkeersveiligheid ons jaarlijks kost, ofwel ruim 2% van het bruto binnenlands product. Deze cijfers zijn op landelijk niveau alleen door een slimme koppeling van bronnen en onderzoek te verkrijgen. In de praktijk moeten partijen het uitsluitend met door de politie geregistreerde aantallen doen. Met name als het gaat om fietsers die ernstig gewond zijn geraakt dan weten we dat deze maar zeer beperkt of vrijwel niet in de ongevallenregistratie voorkomen. Derhalve staat de werkelijke omvang van het verkeersveiligheidsprobleem in het veld lang niet altijd voldoende op het netvlies en worstelen beleidsmakers met het probleem dat onvoldoende duidelijk is waar de belangrijkste problemen zijn. Daarnaast is er in toenemende mate de behoefte om proactief de verkeersveiligheid te bevorderen, en niet pas achteraf, als er al ongevallen hebben plaatsgevonden. Deze behoefte wordt – mede gevoed door bovenstaande situatie – vooral aangegeven? door decentrale overheden (provincies en gemeenten). Zo heeft het IPO onlangs een instrument laten ontwikkelen om verkeersveiligheidsproblemen proactief in beeld te brengen (ProMeV; Aarts, Dijkstra & Bax, 2014; IPO, 2014) en is de gemeente Amsterdam al voortvarend aan de slag met het in kaart brengen van onveilige locaties en gedrag in de stad met behulp van zogenoemde ‘Safety Performance Indicators’ (SPI's; de Kievit, 2014)) en een te ontwikkelen Network Safety Index. Safety Performance Indicators (SPI’s) Naast initiatieven voor verbetering van de ongevalsstatistieken of registratie? via het STAR-initiatief (Smart Traffic Accident Reporting) van politie, het verbond van verzekeraars en marktpartij VIA, wordt er geïnvesteerd in ontwikkeling van aanvullende indicatoren die meer zicht bieden op de risico’s in het wegverkeer: Safety Performance Indicators (SPI’s), ook wel Kritieke Prestatie Indicatoren (KPI’s) genoemd. SPI’s zijn gedefinieerd als indicatoren van factoren die in belangrijke mate bijdragen aan (oorzaak zijn van) het ontstaan van verkeersongevallen en/of letsel. Ze worden soms ook beschreven als indicatoren van risico’s die in het verkeerssysteem aanwezig zijn (ETSC, 2001; Hafen et al., 2005).

Afbeelding 1: Verkeersveiligheidspiramide (Koornstra et al., 2002; LTSA, 2000).

Voorbeelden van SPI’s zijn:  Risicovol gedrag (zoals rijden onder invloed, hoge snelheid, onvoldoende lichtvoering of gebruik van beschermingsmiddelen)  Kwaliteit van de infrastructuur (veilige afstemming van functie, vormgeving en gebruik)

2

 

Voertuigveiligheid (zoals botsvriendelijkheid en mate van bescherming van inzittenden) Kwaliteit van traumazorg (zoals aanrijtijden, zorgkwaliteit)

In internationaal verband is hier aan het begin van de eeuw al uitgebreid onderzoek naar gedaan (Hafen et al., 2005; Hakkert & Gitelman, 2007). Uitgangspunt daarbij was het verkeersveiligheidsmodel zoals afgebeeld in Afbeelding . Dit model bood een aantal jaren geleden vier provincies en ROV’s inspiratie om na te gaan denken over hoe de belangrijkste risicofactoren of SPI’s in beeld te krijgen zijn. Gegevens over SPI’s zijn vooral op regionaal en lokaal niveau echter veelal niet beschikbaar. Initiatief van vier provincies en ROV’s De regionale organen verkeersveiligheid van de provincies Fryslân (ROF), Zeeland (ROVZ), Gelderland (ROVG, tegenwoordig het ROV Oost-Nederland), en de provincie Utrecht zijn medio 2012 met SWOV bijeengekomen om de krachten te bundelen in het opzetten van meetnetten voor SPI’s. Doel was om te bekijken: 1. Hoe risicofactoren (SPI’s) kunnen worden gemeten en wat de bruikbaarheid is van de ingewonnen gegevens voor overheden. 2. Wat de ervaringen zijn bij de organisatie van een meetnet en wat opschaling van dergelijke metingen op provinciaal of landelijk niveau betekenen in termen van kosten en tijd; 3. Tot welke inzichten gestructureerde metingen leiden als ze onderling worden vergeleken. Uitgangspunt was om het onderzoek te beginnen met een beperkte set van indicatoren voor risicofactoren die bij de genoemde provincies op het ‘wensenlijstje’ staan en die aan de definitie van een SPI voldoen. Bij de keuze moest het ook gaan om indicatoren waarvan op decentraal niveau nog (te) weinig bekend is of gegevens gestructureerd worden verzameld. Het werden er uiteindelijk vier:  Rijden onder invloed van alcohol,  Snelheid,  Kwaliteit van de weginfrastructuur en  Fietsveiligheidsindicatoren. In dit artikel gaan we in op de ervaringen die zijn opgedaan in een meetnetproef gericht op de laatste twee genoemde indicatoren. Uitgangspunt voor deze proef waren de eerdere handreiking die SWOV uitbracht over een decentraal meetnet infrastructuur (Dijkstra & Aarts, 2014) en een analyse over fietsveiligheidsindicatoren (Wijlhuizen & Aarts, 2014). Ook in dit laatste rapport is nader ingegaan op het meten van veilige infrastructuur omdat dit een belangrijke rol speelt bij het ontstaan van enkelvoudige fietsongevallen.

Beschrijving van de proeven Metingen voor de proef zijn uitgevoerd op 50km/uur-wegen en aanliggende fietsinfrastructuur in verschillende gemeenten in de provincies Gelderland (Harderwijk), Zeeland (Goes, alleen fietsinfrastructuur) en Fryslân (diverse gemeenten, waaronder Leeuwarden). Op 50 km/uur wegen gebeuren namelijk nog veel ongevallen, terwijl er relatief weinig gegevens over bekend zijn en onderzoek naar gedaan is. De metingen zijn uitgevoerd door gebruik te maken van beelden van Cyclomedia (rijbaan en vrijliggende fietspaden). Deze zijn door geïnstrueerde en door SWOV gecontroleerde uitzendkrachten omgezet in gegevens door per 25 meter weg na te gaan of vooraf gedefinieerde wegkenmerken of onveilige situaties aanwezig zijn of niet. Hierbij is een aantal methoden gebruikt. Methoden voor meting van onveilige infrastructuur Het veiligheidsgehalte van de weginfrastructuur is gemeten aan de hand van twee methoden (zie ook Dijkstra, Louwerse & Aarts, 2010) die ook onderdeel zijn van het proactieve IPO-instrument ProMeV:  De duurzaam veilig-gehaltemeter (DV-meter)

3



Instrument voor veilige snelheid en geloofwaardige snelheidslimieten (VSGS)

Voor het veiligheidsgehalte van de fietsinfrastructuur is een instrument in ontwikkeling (samen met ANWB, FIA de provincies Fryslân en Gelderland is ontwikkeld (Wijlhuizen, Dijkstra & van Petegem, 2014) waarvan een eerste versie op het moment van de proef kon worden toegepast: het Safe Cycling Network. DV-meter in het kort Het doel van de DV-meter is om na te gaan in hoeverre een wegvak of kruispunt voldoet aan de functionele en operationele Duurzaam Veilig-eisen zoals opgetekend in ‘boekje 116’ van CROW (1997 zie Tabel 1). Voldoet het hele wegsegment of kruispunt aan alle vereiste kenmerken, dan krijgt het een score van 100%. Indien niet aan alle eisen wordt voldaan, dan krijgt het wegvak of kruispunt een score die het aandeel kenmerken weergeeft dat aan de relevante eisen voldoet, bijvoorbeeld 50% als de helft van de vereiste kenmerken aanwezig is (Dijkstra, 2003; Houwing, 2003; van der Kooi & Dijkstra, 2000). In deze proef is per 25m de DV-score vastgesteld en vervolgens per wegvak gemiddeld. Type

Nr.

Kenmerk

Algemeen

1

Realisatie van zo groot mogelijke aaneengesloten verblijfsgebieden

2

Minimaal deel van de rit over relatief onveilige wegen

3

Ritten zo kort mogelijk maken

4

Kortste en veiligste route laten samenvallen

5

Zoekgedrag vermijden

6

Wegcategorieën herkenbaar maken

7

Aantal verkeersoplossingen beperken en uniformeren

8

Conflicten vermijden met tegemoetkomend verkeer

9

Conflicten vermijden met kruisend en overstekend verkeer

10

Scheiden van voertuigsoorten

11

Snelheid reduceren op potentiële conflictpunten

12

Vermijden van obstakels langs de rijbaan

Functioneel

Herkenbaar

Homogeen

Tabel 1: Kenmerken relevant voor een duurzaam veilige weginrichting volgens ‘boekje 116’ (CROW, 1997).

VSGS in het kort Het doel van VSGS is om vast te stellen:  wat een veilige snelheid is gegeven de inrichting van de weg (zie Tabel 2);  in hoeverre de huidige snelheid of snelheidslimiet afwijkt van de veilige snelheid; en  in hoeverre de huidige snelheidslimiet geloofwaardig is door te kijken naar aanwezige ‘versnellers’ (zie Afbeelding 2) en/of ‘vertragers’ (zie Afbeelding 3). Situatie

Veilige snelheid

Waar snelverkeer mengt met fietsers/voetgangers

30 km/uur

Waar personenauto’s elkaar kruisen

50 km/uur

Waar een kans is op frontale aanrijdingen

70 km/uur

Waar geen frontale en zijdelingse aanrijdingen mogelijk zijn

>100 km/uur

Tabel 2: Veilige snelheden zoals beschreven door (Wegman & Aarts, 2005).

4

Hierbij wordt zo veel mogelijk uitgegaan van het wetenschappelijk onderbouwde ideaalplaatje van verkeersveiligheid (zie Aarts et al., 2011; Aarts & van Nes, 2007). De methode is toegepast door per 25m de scores te bepalen en het gemiddelde van deze scores per wegvak te berekenen.

Afbeelding 2: Voorbeelden van wegen met veel versnellers.

Afbeelding 3: Voorbeelden van wegen met veel vertragers.

SCN in het kort De SCN-methode kent een viertal samengestelde indicatoren, te weten: 1. algemene kwaliteit van de fietsinfrastructuur; 2. obstakels; 3. algemeen lengte-hoogteprofiel; 4. aantal knelpunten. De score van de indicator is gelijk aan het aantal kenmerken dat als ‘onveilig’ wordt beoordeeld. Hoe hoger de somscore per indicator, hoe minder veilig de betreffende 25m is beoordeeld. Resultaten Per kilometer infrastructuur is ongeveer 1,5 tot 2 uur besteed aan de inventarisatie. Kosten voor de inventarisatie van de gegevens waren gemiddeld 45 €/km. In ca. 2% van de situaties bleek een bepaald kenmerk niet te beoordelen op basis van de beelden. Dit betrof vooral kenmerken van de berm. Hieronder bespreken we enkele resultaten van de proef per instrument. De gemeenten zijn geanonimiseerd door ze met een letter aan te duiden. DV-meter De gemiddelde DV-scores per straat liggen in de metingen die zijn gedaan tussen 20% en 75% (zie Afbeelding 4). In deze afbeelding zijn de straatscores weergegeven in oplopende volgorde. De gemiddelde DV-score van alle straten in dit voorbeeld bedraagt 54%.

5

80 70

DV-score

60 50 40 30 20 10 0

Onderzochte straten in gemeenten A en B

Afbeelding 4: De verdeling van de DV-scores voor alle onderzochte straten in gemeente A en B.

Afbeelding 5: Scores van respectievelijk de kenmerken ‘obstakelvrije afstand rechterkant’, ‘rijrichtingscheiding’ en ‘drempels op wegvak’ gemiddeld per straat, afgezet tegen het DV-gehalte van die straat, voor alle straten in het onderzoek.

Ook afzonderlijke kenmerken kunnen worden bekeken om meer te weten te komen over hiaten in het wegontwerp en de onderliggende reden van bijvoorbeeld een lage DV-score. In Afbeelding 5 zijn daarvan een aantal voorbeelden te zien. Daaruit blijkt dat ‘Drempels op wegvak’ in de gehouden proef vaak voldoet aan de DV-eisen, want de waarden zijn (vrijwel overal) hoger dan 0,5 en zijn dikwijls zelfs gelijk aan 1, ongeacht het DV-gehalte van de weg. ‘Rijrichtingscheiding’ voldoet in de proefgebieden dikwijls niet en ‘Obstakelvrije afstand rechterkant’ voldoet zelfs vrijwel nooit. Dit is vaker het geval op wegvakken die een lager DV-gehalte hebben. Deze kenmerken verdienen dus meer aandacht bij een deel van de geïnventariseerde wegen. Aangezien de proef is uitgevoerd met een GIS-applicatie, kunnen de resultaten ook op kaart getoond worden zodat wegbeheerders inzichtelijk krijgen waar zich aandachtspunten bevinden (zie Afbeelding 6). Als meerdere gebieden volgens een zelfde wijze gegevens verzamelen, kunnen ze vervolgens met elkaar vergeleken worden en kan dit materiaal gebruikt worden in een benchmark verkeersveiligheid (zie Aarts & Bax, 2014). In Afbeelding 7 is een voorbeeld te zien van zo’n vergelijking: de DV-scores zijn ingedeeld in 6 klassen en voor twee geïnventariseerde gemeenten is het aandeel wegen in de betreffende klasse weergegeven. Gemeente A blijkt vooral straten te hebben met een DV-score groter dan 50% en een grotere spreiding in het DV-gehalte dan in gemeente B. In gemeente B hebben de meeste straten een DV-gehalte tussen 40% en 70%.

6

Afbeelding 6: DV-gehalte afgebeeld op het stratenpatroon van een gemeente. Hoe dikker de streep, hoe hoger het DV-gehalte.

Afbeelding 7: DV-gehalte van de onderzochte stra ten in de gemeenten A en B, ingedeeld in klassen.

Afbeelding 8: Gemiddelde scores van het kenmerk Erfaansluitingen rechterkant afgezet tegen het DV-gehalte van die straten.

7

In Afbeelding 8 zijn voor het kenmerk ‘Erfaansluitingen rechter kant’ de verschillen tussen twee gemeenten uit de proef in beeld gebracht. Daarin is te zien dat in gemeente B de erfaansluitingen rechts vaker niet in overeenstemming zijn met de DV-eisen op wegen met een laag DV-gehalte. In gemeente A is er geen verband tussen DV-gehalte van wegen en het kenmerk ‘erfaansluitingen rechts’, maar hier zijn dan ook minder 50km/uur-straten aanwezig. VSGS De gemiddelde waarden van de veilige snelheid per straat (een gemiddelde van de scores van de verschillende 25m-stukken) liggen in dit voorbeeld tussen 40 en 50 km/uur. Driekwart ligt op 40 km/uur (zie Afbeelding 9). Dat wil zeggen dat veel straten gedeeltelijk een veilige snelheid hebben van 30 km/uur en gedeeltelijk van 50 km/uur. 9

55

8 7

Vcredscore

Vsafe

50

45

40

6 5 4 3 2

35

1 30

0

Onderzochte straten in gemeenten A en B

Onderzochte straten in gemeenten A en B

Afbeelding 9: De verdeling van de veilige snelheden (a) en geloofwaardigheidsscores voor alle onderzochte straten in de gemeenten A en B.

De geloofwaardigheid (Vcredscore) heeft de waarde 0 als de geloofwaardigheidskenmerken van de straat passen bij de geldende snelheidslimiet. Is de snelheidslimiet lager dan de geloofwaardige snelheid, dan is de score groter dan 0; is de snelheidslimiet hoger dan het wegbeeld oproept, dan is de score kleiner dan 0. In de proef bleken de gevonden gemiddelde waarden van de geloofwaardigheidsscores tussen 1 en 8 te liggen (Fout! Verwijzingsbron niet gevonden.). Dit betekent dat in het proefgebied een of meer versnellers aanwezig zijn die niet door vertragers worden opgeheven en het dus minder aannemelijk is dat weggebruikers zich aan de limiet zullen houden. De resultaten zijn ook weer te geven op een kaart zodat problemen gelokaliseerd kunnen worden (zie Afbeelding 10).

8

Afbeelding 10: De geloofwaardigheidsscore afgebeeld op het stratenpatroon van een gemeente. Hoe groter de cirkel, des te ongeloofwaardiger is de snelheidslimiet.

Vergelijken we de geloofwaardigheidsscores tussen de geïnventariseerde gemeenten, dan kan dat bijvoorbeeld weergegeven worden zoals in Afbeelding 11. Gemeente B heeft relatief veel straten in klasse 4 (Vcredscore = 5). Gemeente A heeft relatief veel straten met een score kleiner dan 5 en heeft dus in principe minder versnellers in haar wegbeeld en daarmee in principe een geloofwaardigere limiet dan gemeente B.

Afbeelding 11: De geloofwaardigheidsscore van de onderzochte straten in de twee gemeenten, ingedeeld in klassen.

Een andere wijze van vergelijken kan gebeuren als hetzelfde gebied met meerdere methoden is geïnventariseerd. Dit maakt het mogelijk om de scores van bijvoorbeeld de DV-meter en VSGS van een bepaald wegvak tegen elkaar af te zetten (zie Afbeelding 12) en te bezien waar conflicten of hiaten het grootst zijn.

9

Afbeelding 12: Scores van verschillende methoden tegelijkertijd per wegvak in beeld gebracht. De Y-as geeft voor de DV-meter het DV-gehalte aan, voor de veilige, geloofwaardige en actuele snelheidslimiet geeft het de waarde aan in km/uur.

SCN Ook binnen de SCN-methode kunnen allerlei scores worden afgebeeld. Hier enkele voorbeelden gebaseerd op de geïnventariseerde gebieden. Zo is in Afbeelding 13 de verdeling weergegeven van het aantal aandachtspunten en knelpunten over alle gemeten eenrichtingsfietspad als aandeel van de lengte (in km). Uit de afbeelding blijkt dat er bij ca. 60% van de gescoorde 25m-weglengtes een combinatie is aangetroffen van twee aandachts- of knelpunten; bij ruim 20% zijn drie knelpunten per 25m-wegvak aangetroffen. Dat wil zeggen dat bij meer dan de helft van de gescoorde fietsinfrastructuur (opgedeeld in stukken van telkens 25 m) ten minste twee kenmerken onveilig zijn of als aandachtspunt kunnen worden aangemerkt. Bij tweerichtingsfietspaden blijkt het merendeel 3 knelpunten per 25m te hebben.

Aandeel van totale lengte aan eenrichtingsfietspaden

Kwaliteit eenrichtingsfietspaden 70%

60% 50% 40% 30% 20%

10% 0% 0

1

2

3

4

5

Aantal aandachts-/knelpunten per 25 m

Afbeelding 13: Verdeling van het aantal aandachtspunten/knelpunten per 25 m, over alle gemeten kilometers eenrichtingsfietspad.

10

Aandeel van totale lengte aan tweerichtings fietspaden

Breedte tweerichtingsfietspaden 70%

60% 50%

40% 30% 20% 10% 0% 0-2

2-3

3-4

>4

Breedte van fietsvoorziening (m)

Afbeelding 14: Verdeling van de breedte van de verharding over de gehele lengte van alle tweerichtingsfietspaden. De stippellijn geeft de gewenste breedte aan voor dit type fietspad volgens CROW (2006).

Ook in de individuele kenmerken is inzicht te geven. Als voorbeeld wordt hieronder de breedte van de fietsvoorziening (verharding) weergegeven (zie Afbeelding 14). In deze afbeeldingen is met een stippellijn aangegeven wat de grenswaarde is voor het scoren van een aandachts- of knelpunt (ontleend aan de CROW-normen voor ontwerp van fietspaden (CROW, 2006). Uit de afbeeldingen blijkt dat in de geïnventariseerde gebieden bij ca 60% van de tweerichtingsfietspaden de breedte onvoldoende (< 3m) is. Ook de SCN-methode is beschikbaar in GIS en derhalve is het ook hierbij mogelijk om knelpunten op een kaart in beeld te brengen (zie Afbeelding 15). Tevens kan zo gedetailleerder naar locaties worden gekeken. Aangezien in de proef de SCN-methode in drie gebieden is uitgevoerd, kunnen de verschillen van deze drie gebieden in beeld worden gebracht. Een voorbeeld is de kwaliteit van tweerichtingsfietspaden (zie Afbeelding 16a). Het blijkt dat in gebied 2 relatief meer aandachts- en knelpunten voorkomen dan in gebieden 1 en 3. In Afbeelding 16b is te zien dat bijvoorbeeld de breedte van deze fietspaden in gebied 2 vaker onder de maat is dan in de andere gebieden.

Afbeelding 15: GIS-weergave van knelpunten op straatniveau; plaatsen waar drie, vier of vijf knelpunten zijn vastgesteld.

11

Afbeelding 16: Aantal geconstateerde aandachts- en knelpunten per 25 m, verdeeld over de gehele lengte van tweerichtingsfietspaden (a) en de breeedte van tweerichtingsfietspaden (b) in de drie gebieden.

Discussie In dit artikel is het initiatief van vier provincies/ROV’s en zijn de eerste resultaten daarvan uiteengezet om beter zicht te krijgen op aanwezige risicofactoren in de infrastructuur. Hierbij is gebruik gemaakt van drie methoden: – de DV-gehaltemeter, – het instrument voor Veilige Snelheden en Geloofwaardige snelheidslimieten (VSGS) en – een eerste versie van het Safe Cycling Network gericht op veilige fietsinfrastructuur. Vergelijking en vergelijkbaarheid De gebruikte methoden gaan zo veel mogelijk uit van wetenschappelijke theorieën en onderzoek over kenmerken die invloed hebben op veilige (fiets)infrastructuur en snelheidsgedrag. Wel hebben ze verschillende uitgangspunten. Zo is de DV-meter ontwikkeld om te beoordelen in hoeverre wegvakken, wegen of kruispunten voldoen aan de Duurzaam Veilig richtlijnen zoals vastgelegd in CROW-richtlijn 116 (1997). VSGS gaat verder dan dat en baseert veiligheidsuitspraken op de normen voor een veilige wegverkeersysteem, die soms veel verder gaan en strenger zijn dan de richtlijnen (zie bijvoorbeeld Wegman & Aarts, 2005). Bovendien is het bij deze methode de bedoeling om stukken uniform ingerichte weg te beoordelen (dynamische segmentatie), ongeacht de wegvakindeling. De kersverse SCN-methode gaat juist weer uit van puntmetingen en geeft op de betreffende locatie het aantal knelpunten weer. Deze knelpunten zijn zo veel als mogelijk gebaseerd op kennis over onveilige situaties en informatie uit richtlijnen (zoals de gewenste breedte van fietsvoorzieningen). Deze kennis is deels nog in ontwikkeling. Omwille van praktische uitvoerbaarheid en vergelijkbaarheid is in deze proef van één uniforme meetmethode uitgegaan, en wel per 25m, die is opgeschaald naar wegvakniveau. Voor de DV-meter en VSGS gaat het in dat geval om een gemiddelde score, bij de knelpunten in de SCN-methode is een optelling aangehouden per wegvak. Om inhoudelijk tot verdere vergelijkingen te komen, zou het interessant zijn om de genoemde methoden te vergelijken met de op provinciale wegen toegepaste Road Protection Score (sterren voor wegen; niet beschikbaar voor wegen binnen de bebouwde kom) en het in 2012 verschenen Handboek Basiskenmerken Wegontwerp (CROW, 2012). Dit zijn ontwikkelingen die in de toekomst mogelijk aan kunnen haken bij de proactieve verkeersveiligheidsbenadering van provincies (IPO) en gemeenten. Gegevensverzameling Het toepassen van methoden is in het verleden een lastig onderwerp gebleken vanwege het gebrek aan data (zie bijvoorbeeld de pogingen die zijn gedaan om Wegkenmerken+ gevuld te krijgen). In deze proef is getoond hoe met bestaand materiaal (cyclomediabeelden, ruim 80% van de gemeenten heeft deze reeds in bezit) op een relatief eenvoudige en tamelijk goedkope wijze data kunnen worden

12

ingewonnen en geanalyseerd tot betekenisvolle gegevens voor wegbeheerders. Dijkstra, Wijlhuizen & Aarts (2015) hebben becijferd dat bij een grootschalige steekproef van 15% van alle 50 km/uur wegen in Nederland de gegevensverzameling op ca. 10k€ per provincie neer zou komen. Voor het beoordelen van de fietsinfrastructuur kan bij de huidige versie van het instrument uitgegaan worden van een vergelijkbare orde van grootte. De gegevens zijn uit de beelden ingewonnen door mensen die door SWOV kort zijn getraind en ook tijdens het dataverzamelingsproces nauw contact hebben onderhouden met SWOV. Op deze wijze is in deze proef toegezien op de kwaliteit en de uniformiteit van metingen. Individuele verschillen in beoordeling van beelden is daarbij nog een aandachtspunt. De dataverzamelaars hoeven niet per se over verkeerskundige kennis te beschikken, wel moeten ze precies zijn in hun werkzaamheden en om kunnen gaan met computerprogrammatuur zoals MS Access om de data in te voeren. Als de metingen in de toekomst op grotere schaal worden toegepast om daadwerkelijk tot een meetnet te komen, dan zal goed gekeken moeten worden naar de uniformiteit waarmee verschillende dataverzamelaars hun werk zullen uitvoeren (interbeoordelaarsbetrouwbaarheid). SWOV onderzoekt dit momenteel in opdracht van de ANWB en ook de gemeente Amsterdam. Een andere mogelijkheid is om data centraal door één organisatie te laten inzamelen, waarbij wordt toegezien op gezamenlijke training en consistentie. Vergelijk bijvoorbeeld ook de werkwijze bij andere gegevensonderzoeken zoals het Periodiek Regionaal Onderzoek Verkeersveiligheid (PROV) dat tot voor kort door het Rijk werd uitgezet en het Mobiliteitsonderzoek Nederland (MON) van het CBS. In de nabije toekomst liggen kansen zoals op het gebied van Big Data en de wet Basisregistratie Grootschalige Topografie (BGT). De gegevens die vanuit de BGT vanaf 2016 beschikbaar moeten zijn, zijn weliswaar beperkt bruikbaar voor verkeers- en verkeersveiligheidsvraagstukken, maar bieden wel aanknopingspunten. Dat geldt ook voor gegevens die (vrijwillig) kunnen worden verzameld op basis van de ontwikkelde plustopografie (IMGEO). Momenteel wordt met wegbeheerders verkend of er, naast sectorspecifieke informatiemodellen zoals die voor beheer openbare ruimte, kabels en leidingen etc, een informatiemodel ontwikkeld zou moeten worden gericht op verkeer- en vervoervraagstukken (IMWV). Dit zou kansen kunnen bieden om in de toekomst gemakkelijker de gewenste data beschikbaar te hebben en actueel te houden. De hier beschreven proef biedt een voorbeeld wat daarmee inzichtelijk kan worden gemaakt en hoe dergelijke gegevens een bijdrage aan toekomstbestendig, professioneel verkeersveiligheidsbeleid kan bieden. Toepassingsmogelijkheden en toekomst De achtergrond van de hier gepresenteerde proef is dat vanuit het hoger doel - proactief in kaart brengen van risicovolle locaties en situaties - gegevens verzameld en benut kunnen worden. Het idee hierachter is dat risico’s niet alleen in beeld gebracht kunnen worden door naar ongevalsconcentraties te kijken. Juist door ook bijvoorbeeld een objectief beeld te hebben van de toestand van het verkeerssysteem (in dit geval aan de hand van inrichtingskenmerken waarvan bekend is dat die een verhoogd risico met zich meebrengen), kan de beleidsmaker beter inspringen op onveiligheid. Beleidsmakers kunnen reeds putten uit de vele kennis die al is opgedaan en zo veel als mogelijk bestaande dataverzamelingsbronnen. Hier wordt echter nog lang niet altijd gebruik van gemaakt op een gestructureerde manier. Daarnaast is ook nog kennis in ontwikkeling zoals bijvoorbeeld over fietsonveiligheidsfactoren. Door bestaande kennis en data te benutten en (meer) te gebruiken bij het analyseren van problemen en bijstellen van beleid, kan ook weer nieuwe kennis worden opgebouwd. Deze kennis komt de beleidsmaker en uiteindelijk de weggebruiker ook weer ten goede. Ontwikkelpotentieel ligt daarbij in het verder verfijnen van kennis over risicofactoren gerelateerd aan wegontwerp en de relatie met richtlijnen en toepassing daarvan. Ook het nog onderbelichte onderwerp van de relatie tussen wegontwerp en rijgedrag verdient verdere uitdieping. Als in de toekomst de ongevallenregistratie beter op orde komt, is het wellicht mogelijk om ook een meer empirische relatie te leggen tussen scores van de instrumenten en ongevallen en slachtoffers (validering). Als meerdere instanties volgens een zelfde

13

protocol gaan meten, ontstaat er bovendien het potentieel om vergelijkingen te kunnen trekken en te leren van elkaar (benchmarking). Bij het opzetten van een daadwerkelijk decentraal meetnet voor veilige infrastructuur, is het van groot belang dat de meerwaarde voor de wegbeheerder of regievoerder duidelijk is. Dit kan gelegen zijn in bijvoorbeeld proactief analyseren van (potentiële) knelpunten en aanknopingspunten voor maatregelen, zoals centraal staat binnen het door IPO en SWOV ontwikkelde ProMeV. Maar ook kunnen ontwikkelingen in de onveiligheid over de tijd en resultaten van beleid hiermee worden gemonitord. Als uiteindelijk meerdere overheden volgens een zelfde soort systematiek gegevens gaan verzamelen, is op termijn zelfs mogelijk om situaties en prestaties te gaan vergelijken. Dit kan een basis bieden om van elkaar te leren (benchmarking). Overheden kunnen door een meetnet in te stellen dus niet alleen beter zicht krijgen op de veiligheidsbeoordeling van de gemeente, regio of provincie ten opzichte van anderen, ook kunnen de gegevens gebruikt worden om knelpunten in kaart te brengen en in meer detail te weten te komen welk probleem op welke locatie aanpak behoeft. Overheden kunnen uit de gegevens niet alleen per weg dit overzicht krijgen, maar ook voor het hele eigen beheergebied of daarbinnen voor een bepaald wegtype. Om hiertoe in staat te zijn, moet een meetnet wel aan een aantal randvoorwaarden voldoen. Het is daarbij van belang dat: 1. Uniform gemeten wordt tussen locaties, dataverzamelaars en over tijd. We bevelen aan dit volgens de door SWOV opgestelde criteria uit te voeren (zie Dijkstra & Aarts, 2014; Dijkstra, Wijlhuizen & Aarts, 2015; Wijlhuizen & Aarts, 2014). 2. Op voldoende grote schaal wordt gemeten. Dit kan door alles te meten of door een goede steekproef van de verschillende wegtypen te nemen (zie eerder genoemde rapporten). 3. Metingen volgens een identiek protocol worden herhaald. Voor kenmerken op en langs de infrastructuur die sterk aan verandering onderhevig (kunnen) zijn (zoals wegdek, belijning, bebording, begroeiing), bevelen we aan dit jaarlijks te monitoren. Overige kenmerken, die minder snel wijzigen, kunnen eens in de vijf jaar worden gemeten. 4. Dataverzamelaars van te voren goed en uniform worden geïnstrueerd. 5. Gegevens handzaam worden opgeslagen en beheerd en toegankelijk zijn voor gebruikers. 6. Analyses op een correcte wijze worden uitgevoerd en valide conclusies worden getrokken, waarbij actuele kennis uit de wetenschap wordt betrokken. Momenteel lopen er bij diverse overheden (provincies, gemeente Amsterdam), initiatieven om risicovolle locaties voor snelverkeer en/of fietsers in kaart te krijgen. Dit biedt kansen voor verdere opzet en uitrol van meetnetten. Deze kunnen zowel aanknopingspunten bieden voor proactief beleid als verdere kennisontwikkeling om meer verkeersslachtoffers te voorkomen. Daarbij kan ook inzichtelijker worden wat wegbeheerders al doen aan de veiligheid van wegen en waar nog ruimte is voor verbetering. Dit kan tevens onderbouwing bieden voor het debat rond ‘gedeelde verantwoordelijkheid’. Dit is een thema dat de laatste tijd steeds meer aandacht krijgt. Centraal daarbij staat de vraag wat de bijdrage is en moet zijn van overheid en burgers. Literatuur Aarts, L. & Bax, C. (2014). Benchmarking van verkeersveiligheid. Een inventarisatie en aanbevelingen voor de opzet van verkeersveiligheidsbenchmarks in Nederland. R-2014-5. SWOV, Den Haag. Aarts, L., Dijkstra, A. & Bax, C. (2014). ProMeV: Proactief Meten van Verkeersveiligheid. Inzicht in onveiligheid vóórdat er slachtoffers vallen. R-2014-10. SWOV, Den Haag. Aarts, L., et al. (2011). Road authority pilot and feasability study. Report No. WP03-03 and WP04-04. ERASER - Evaluation to Realise a common Approach to Self-explaining European Roads.

14

Aarts, L. & van Nes, N. (2007). Een helpende hand bij snelhedenbeleid gericht op veiligheid en geloofwaardigheid; Eerste aanzet voor een beslissingsondersteunend instrument voor veilige snelheden en geloofwaardige snelheidslimieten. D-2007-2. SWOV, Leidschendam. CROW (1997). Handboek categorisering wegen op duurzaam veilige basis. Deel 1: (voorlopige) functionele en operationele eisen. CROW, Ede. CROW (2006). Ontwerpwijzer fietsverkeer. Publicatie 230. CROW, Ede. CROW (2012). Handboek Basiskenmerken Wegontwerp. Categorisering en inrichting van wegen. Publicatie 315. CROW, Ede. de Kievit, E. (2014). Ontwikkeling van SPI's in Amsterdam. Almere. Dijkstra, A. (2003). Kwaliteitsaspecten van duurzaam veilige weginfrastructuur. Stichting Wetenschappelijk Onderzoek Verkeersveiligheid SWOV, Leidschendam. Dijkstra, A. & Aarts, L. (2014). Monitoring verkeersinfrastructuur. Handreiking voor een gestructureerd decentraal meetnet. SWOV, Den Haag. Dijkstra, A., Louwerse, R. & Aarts, L. (2010). Veiligheidsgehalte toetsen van verkeersinfrastructuur: hoe doe je dat? . Paper gepresenteerd op Nationaal Verkeerskunde Congres, Rotterdam. Dijkstra, A., Wijlhuizen, G.J. & Aarts, L.T. (2015). Monitoring van de veiligheidskwaliteit van weginfrastructuur en fietsinfrastructuur. Proefmetingen in een aantal regio's. R-2015-5. SWOV, Den Haag. ETSC (2001). Transport safety performance indicators. European Transport Safety Council, Brussels. Hafen, K., et al. (2005). State of the art report on Road Safety Performance Indicators. SafetyNet, Building the European Road Safety Observatory. European Commission, Directorate-General Transport and Energy, Brussels. Hakkert, A.S. & Gitelman, V. (red.) (2007). Road Safety Performance Indicators: Manual. Volume Deliverable D3.8 of the EU FP6 project SafetyNet European Commission, DirectorateGeneral Transport and Energy, Brussels. Houwing, S. (2003). Praktijktest van de DV-meter. Gebruiksvriendelijkheid van een computerprogramma voor de analyse van DV-karakteristieken van een wegennet. D-2003-7. SWOV, Leidschendam. IPO (2014). ProMeV: proactief meten verkeersveiligheid. Den Haag. Koornstra, M., et al. (2002). SUNflower: A comparative study of the road safety in Sweden, the United Kingdom and the Netherlands. SWOV Institute for Road Safety Research, Leidschendam. LTSA (2000). Road safety strategy 2010: overview; A consultation document. Land Transport Safety Authority LTSA, Wellington. van der Kooi, R. & Dijkstra, A. (2000). Ontwikkeling van een ‘DV-gehaltemeter’ voor het meten van het gehalte duurzame veiligheid: het prototype meetinstrument beschreven aan de hand van indicatoren, criteria en een proefmeting in de praktijk. SWOV, Leidschendam.

15

Wegman, F. & Aarts, L. (red.) (2005). Door met Duurzaam Veilig; Nationale verkeersveiligheidsverkenning voor de jaren 2005-2020. Book. SWOV, Leidschendam. Weijermars, W., Bos, N. & Stipdonk, H. (2014). Lasten van verkeersletsel ontleed. Basis voor een nieuwe benadering van verkeersveiligheid. R-2014-25. SWOV, Den Haag. Wijlhuizen, G.J. & Aarts, L. (2014). Monitoring fietsveiligheid. Safety Performance Indicators (SPI's) en een eerste opzet voor een gestructureerd decentraal meetnet. SWOV, Den Haag. Wijlhuizen, G.J., Dijkstra, A. & van Petegem, J.H. (2014). Safe Cycling Network. Ontwikkeling van een systeem ter beoordeling van de veiligheid van fietsinfrastructuur. SWOV, Den Haag.

16