Nationaal verkeerskundecongres 2015

Nationaal verkeerskundecongres 2015 SPI’s in kaart; Monitoring van rijsnelheden

Aarts, L.T. Stichting Wetenschappelijk Onderzoek Verkeersveiligheid Bijleveld, F.D. Stichting Wetenschappelijk Onderzoek Verkeersveiligheid Stipdonk, H.L. Stichting Wetenschappelijk Onderzoek Verkeersveiligheid

Samenvatting Op initiatief van de het ROF, het ROVZ, het ROVG en de provincie Utrecht heeft SWOV verkend hoe risicofactoren in het verkeer (SPI’s) gemonitord kunnen worden. Dit artikel gaat in op monitoring van de risicofactor ‘snelheid’. De ROV’s en provincie wilden graag meer zicht hebben op de onveiligheid van locaties waarover nog niet veel bekend is. Hiervoor leek het gebruik van floating car data (FCD, beter bekend als ‘speed profiles’) ideaal: data is reeds beschikbaar en de methode is non-invasief. Maar wat is de bruikbaarheid van dergelijke gegevens voor verkeersveiligheid? Dat is in deze studie verkend. Er is daartoe gekeken naar de totstandkoming van ‘speed profiles’. Daarnaast is een vergelijking gemaakt van snelheidsgegevens uit FCD en meetlussen van dezelfde (provinciale) wegen en tijdsperioden. We concluderen dat FCD bruikbaar is om een beeld van de risicofactor snelheid op het wegennet te krijgen. Wel geven ze (op provinciale wegen) tot 20% lagere waarden aan. Trefwoorden Monitoring, veiligheidskwaliteit, risico-indicatoren, snelheid, FCD

1

Inleiding Proactief, risicogestuurd verkeersveiligheidsbeleid is – sinds de implementatie van Duurzaam Veilig – niet nieuw, maar kan de laatste tijd op hernieuwde energie en belangstelling rekenen. Dit is bijvoorbeeld terug te zien aan: − inventarisaties van proactieve verkeersveiligheidsinstrumenten (Aarts, 2011; Donkers, Pieters & Serné, 2008; Drolenga, 2008; DTV Consultants, 2008), − gebruik van dergelijke instrumenten (zoals Ranking the Roads door de provincie Zuid-Holland (van Velden & van den Besselaar, 2010) en de RPS-inventarisaties van rijks- en provinciale wegen (Janssen-Stans, de Niet & de Joode-Dolman, 2012; van der Hout, 2013)), − ontwikkeling van proactief instrumentarium (zoals ProMeV in opdracht van IPO (Aarts, Dijkstra & Bax, 2014; IPO, 2014); Safe Cycle Network door ANWB, FIA en enkele provincies (Wijlhuizen, Dijkstra & van Petegem, 2014) en de ontwikkeling van een Safety Performance Index in opdracht van de gemeente Amsterdam (de Kievit, 2014). Aanleidingen voor deze ontwikkeling zijn enerzijds de successen van beleid (het aantal verkeersdoden is sinds de jaren ’70 aanzienlijk gedaald), anderzijds problemen met de ongevallenregistratie waardoor beleidsmakers een incompleet beeld van de verkeersonveiligheid in hun beheersgebied hebben. Deze context maakt het voor beleidsmakers lastig om problemen correct te analyseren, beleid bij te stellen en te onderbouwen. Overigens wordt er momenteel wel geïnvesteerd in verbetering van de ongevalsstatistieken via het STAR-initiatief (Smart Traffic Accident Reporting) van politie, het verbond van verzekeraars en marktpartij VIA. Dat laat onverlet dat er momenteel en ongetwijfeld ook in de toekomst met name bij decentrale overheden de behoefte bestaat aan aanvullende indicatoren die zicht geven op risico’s op het wegennet. Safety Performance Indicators (SPI’s) Om risico’s in het verkeer inzichtelijk te maken, kunnen zogenoemde Safety Performance Indicators (SPI’s), ook wel Kritieke PrestatieIndicatoren (KPI’s) gebruikt worden (Hafen et al., 2005). SPI’s zijn gedefinieerd als indicatoren van factoren die in belangrijke mate bijdragen aan (oorzaak zijn van) het ontstaan van verkeersongevallen en/of letsel (ETSC, 2001). 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)  Voertuigveiligheid (zoals botsvriendelijkheid en mate van bescherming van inzittenden)  Kwaliteit van traumazorg (zoals aanrijtijden, zorgkwaliteit) Om deze veiligheidsindicatoren daadwerkelijk als een prestatie-indicator te kunnen gebruiken, dienen ze aan een doel en termijn gekoppeld te worden. Het kan bijvoorbeeld de ambitie zijn dat in 2020 99% van het verkeer zich aan de snelheidslimiet houdt op alle wegen in beheer bij provincies en gemeenten. In Zweden werkt men al een aantal jaren op deze wijze (zie Berg, 2013; Berg, Strandroth & Lekander, 2009) en monitort men daarom tussentijds de relevante indicatoren. Snelheid is een van die indicatoren: naarmate er sneller wordt gereden, neemt het risico op ongevallen en ernstig letsel toe. In internationaal verband is aan het begin van de eeuw uitgebreid onderzoek gedaan naar SPI’s (Hafen et al., 2005; Hakkert & Gitelman, 2007), al wil dat niet zeggen dat daarmee alle vragen beantwoord zijn. De kennis die reeds is opgedaan bood - met het veelgebruikte model van de verkeersveiligheidspiramide als basis (zie Afbeelding 1) - vier provincies en ROV’s de eerste inspiratie om na te gaan denken over hoe de belangrijkste risicofactoren of SPI’s in beeld te krijgen. Gegevens over SPI’s blijken vooral op regionaal en lokaal niveau veelal niet (consequent) beschikbaar en/of vergelijkbaar (zie bijvoorbeeld Weijermars, Goldenbeld & Bijleveld, 2014; Weijermars, Goldenbeld & Bos, 2010).

2

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

Initiatief van vier provincies en ROV’s De regionale organen verkeersveiligheid van de provincies Fryslân (ROF), Zeeland (ROVZ) en Gelderland (ROVG, tegenwoordig het ROV Oost-Nederland), en de provincie Utrecht zijn medio 2012 met SWOV bijeen gaan zitten om de krachten te bundelen in het opzetten van meetnetten voor SPI’s. 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. Voor de locatiegebonden indicatoren ging de interesse vooral uit naar informatie over 50 km/uur wegen: een wegtype met een relatief hoog risico waarover niet veel gegevens bekend zijn en waardoor minder duidelijk is wat daar nog grote problemen zijn. Deze wegen zijn over het algemeen in beheer bij gemeenten, maar daarom voor provincies in hun rol als regievoerder niet minder interessant. Wel bleek dit organisatorisch en financieel een lastig punt voor het opzetten van een meetnet. De aanleg van meetlussen – een veel toegepaste meetmethode waarmee al veel onderzoek is verricht – werd daarbij niet op korte termijn haalbaar geacht. Een oplossing werd gezien in het gebruik van Floating Car Data (FCD), waarvan het TomTom-product ‘speed profiles’ als interessant alternatief werd gezien door de opdrachtgevers. Deze gegevens dekken in principe het hele wegennet. Diverse provincies maken al gebruik van deze gegevens of oriënteren zich op het gebruik hiervan. Het is echter nog onvoldoende bekend in hoeverre snelheidsgegevens uit FCD bruikbaar zijn als bron voor SPI’s op het gebied van snelheid. Ook is het de vraag wat gebruik van deze gegevens zou betekenen voor een meetnet, in aanvulling op de aanbevelingen die eerder zijn gedaan door Goldenbeld & Aarts (2013). In het project is bovenstaande aan de hand van de volgende vragen verder onderzocht: 1. Waaruit bestaan ‘speed profiles’ precies? 2. Hoe verhouden ‘speed profiles’ zich tot andere, meer traditionele snelheidsmetingen? 3. Wat is er te zeggen over de bruikbaarheid van andere snelheidsproducten gebaseerd op FCD?

3

Beschrijving van de verkenning De verkenning is uitgevoerd aan de hand van: − gesprek met TomTom (2 september 2013), − bestudering van relevante documentatie en onderzoeken (Clergue & Buttignol, 2014; de Boer & Krootjes, 2012; Ticheloven & Scholten, 2010; TomTom, 2011; VIA, 2010; 2011; Wilmink et al., 2014) en − analyse en vergelijking van beschikbaar gestelde data (meetlus- en FCD-gegegevens van provinciale wegen van Zeeland en Utrecht). ‘Speed profiles’ nader bekeken Eerst is nader bekeken wat ‘speed profiles’ precies zijn en hoe ze tot stand komen. Dit is gedaan aan de hand van beschikbare documentatie en het gesprek met TomTom.

Afbeelding 2: ’Speed profiles’ op basis van gemeten dagsnelheid als aandeel van de nachtelijke snelheid die als ‘vrije rijsnelheid’ wordt beschouwd (TomTom, 2011).

Opbouw van een ‘speed profile’ Een ‘speed profile’ beschrijft de (historische) verdeling van de gemiddelde snelheid van (ca. 90% van de) TomTom-gebruikers op een wegvak en een aansluitend kruispunt (beschikbaar sinds 2008):  per vijf minuten  voor elke dag van de week  tussen 4:00 uur en 21:00 uur  gebaseerd op gegevens van 2 jaar tijd. Om tot ‘speed profiles’ te komen, worden de gelogde rijsnelheid van TomTom-gebruikers tussen 4:00 en 21:00 uur uitgedrukt als aandeel van de gelogde rijsnelheden tussen 21:00 en 4:00 uur. De veronderstelling is dat deze nachtelijke snelheid als ‘vrije rijsnelheid’ kan worden beschouwd. Deze bewerking levert bepaalde patronen op die per weg en tijdstip (kunnen) verschillen. TomTom had op het moment van onderzoek 93 van dergelijke (unieke) patronen (= ‘speed profiles’) geïdentificeerd die representatief worden verondersteld voor het feitelijke verloop van de gemiddelde snelheid op een bepaald tijdstip op een weg (zie Afbeelding 2). De gevolgen van de clustering van de snelheidsgegevens tot profielen zijn niet volledig duidelijk. De indruk wordt gewekt dat de snelheidsprofielen gebruikt worden om ontbrekende informatie aan te vullen. Als we (kunnen) aannemen dat een wegvak een bepaald profiel heeft, dan hebben we van dat wegvak een schatting van de gemiddelde snelheid op het betreffende tijdstip en dag, gemeten over een 2 jarige periode, op basis van het profiel. 4

Dekkingsgraad van ‘speed profiles’ ‘Speed profiles’ zijn in principe beschikbaar voor alle wegen waar voldoende verkeer rijdt. Om tot voldoende data per tijdseenheid te komen om profielen op te baseren, worden gegevens van telkens 2 jaar benut. De dekkingsgraad verschilt per wegtype. Zo noemt TomTom zelf dat de dekkingsgraad op de drukke A4 bij Schiphol 4% zou bedragen, terwijl onderzoek op het onderliggend wegennet (stedelijke en provinciale wegen) op minder dan 1% van het totale verkeer uitkomt. Deze verschillen komen grofweg overeen met de waarneming van Clergue & Buttignol (2014, p. 8), die in Frankrijk, afhankelijk van route en tijdstip dekkingsgraden optekenen tussen de 0,7% en 4,3%. Een vergelijking van een profiel van de TomTom-gebruiker ten opzichte van de niet-gebruiker is niet beschikbaar, dus kunnen we niet inschatten in hoeverre hierbij sprake is van een vertekening in gegevens t.o.v. het beeld dat zou ontstaan als alle verkeer wordt meegenomen. ‘Speed profiles’ versus meetlusgegevens Omdat de primaire interesse van de opdrachtgevende provincies/ROV’s gelegen was in SPI’s van 50 km/uur wegen, is eerst nagegaan in hoeverre van deze wegen geschikte gegevens beschikbaar waren. Het ging daarbij om wegen waarvan zowel ‘speed profiles’ als meetlus- of radargegevens beschikbaar waren, waarbij de gegevens per weg in precies dezelfde tijdperiode verzameld dienden te zijn. Dit is geïnventariseerd bij de gemeenten Harderwijk, Leeuwarden en Goes en bleek niet beschikbaar. Alleen de provincies Zeeland en Utrecht bleken van hun wegennet dergelijke gegevens beschikbaar te hebben, en deze zijn dan ook gebruikt voor een vergelijkende analyse. Daarnaast is aanvullend gekeken naar andere studies waarin een vergelijking is gemaakt.

Afbeelding 3: Schematische weergave van traditionele puntmetingen (meetlus, radar) versus trajectmetingen (FCD-gegevens).

Gemiddelde snelheid: puntmeting versus trajectmeting De ‘gemiddelde snelheid’ binnen ‘speed profiles’ verschilt van het idee van gemiddelde snelheid van de traditionelere snelheidsmetingen met lussen of radar (zie schematische weergave hiervan in Afbeelding 3). Een gemiddelde snelheid in ‘speed profiles’ is namelijk berekend uit de lengte van een wegvak gedeeld door de gemiddelde benodigde tijd om dit wegvak af te leggen. Bij meer traditionele methoden zoals lus- en radarmetingen wordt gebruikgemaakt van puntmetingen van de snelheid. Gemiddelde snelheid is in dat geval hoe snel de langskomende voertuigen gemiddeld rijden op het moment dat zij het meetpunt passeren. Op voorhand is dan ook te verwachten dat de gemiddelde snelheid volgens ‘speed profiles’ een lagere gemiddelde snelheid op zal leveren op een traject dan de gemiddelde snelheid gemeten op een punt (radar of meetlus) dat voldoende ver verwijderd is van een kruispunt op dat traject. In deze puntmeting zit immers niet de tijd die het kost om bijvoorbeeld op te trekken en af te remmen voor een kruispunt. Als de puntmeting dicht bij een kruispunt wordt uitgevoerd, zal naar verwachting het omgekeerde het geval zijn: in dat geval is naar verwachting de gemiddelde snelheid op een meetpunt lager dan de gemiddelde snelheid over het gehele traject.

5

Vergelijking van ‘speed profiles’ en meetlusgegevens op provinciale wegen De vergelijking van ‘speed profile’ trajectsnelheden met gemiddelde puntsnelheden uit meetlussen op provinciale wegen van Zeeland en Utrecht laten op het eerste oog een sterke overeenkomst zien (zie Afbeelding 4 en Afbeelding 5).

Afbeelding 4: Gemiddelde snelheid – trajectgemiddelde van ‘speed profiles’ (lijn) en puntgemiddelde van meetlus (punten) – op de Utrechtse provinciale weg N234 over 24 uur.

Afbeelding 5: Gemiddelde snelheid – trajectgemiddelde van ‘speed profiles’ (lijn) en puntgemiddelde van meetlus (punten) – op de Zeeuwse provinciale weg N256 over 24 uur op vrijdagen.

6

Er zijn ook een aantal zichtbare verschillen:  De gemiddelde snelheid volgens de meetlussen liggen vrij structureel boven die van de ‘speed profiles’. Dit is echter niet altijd het geval. Het is niet duidelijk wat hiervan de oorzaak is.  Metingen van ‘speed profiles’ vertonen tussen 21:00 en 4:00 uur een rechte lijn die samenhangt met de gebruikte methode (zie vorige paragraaf), terwijl meetlusgegevens een ‘levendiger’ patroon van gemiddelde snelheid laten zien. In Afbeelding 6 is horizontaal de gemiddelde snelheid volgens het meetlusnet van een van de provincies weergegeven en verticaal de snelheid volgens ‘speed profiles’ als aandeel van de gemiddelde snelheid volgens de meetlus. Het volgende valt op uit de afbeelding: 1. De gemiddelde snelheid volgens ‘speed profiles’ ligt tot 20% lager dan die van de meetlus, maar niet meer dan dat. 2. De verhouding tussen de gemiddelde snelheid volgens ‘speed profiles’ en die volgens de meetlus blijft gemiddeld gesproken constant bij toenemende snelheid. Kennelijk spelen vertragingen die kunnen samenhangen met het rijden over kruispunten op de onderzochte wegen geen grote rol, aannemende dat op wegen met een hogere snelheid doorgaans minder kruispunten zullen voorkomen.

Afbeelding 6: Vergelijking van de gemiddelde snelheid volgens de meetlussen (meetnet) en de snelheid volgens ‘speed profiles’, beide voor hetzelfde wegvak en over dezelfde twee jaar gemeten. De waarnemingen zijn samengesteld uit vijf doordeweekse waarnemingen en twee weekendwaarnemingen.

Er is ook in meer detail naar de verschillende data van de provincie Zeeland en Utrecht gekeken (zie Aarts, Bijleveld & Stipdonk, 2015). Wat daarbij – kort samengevat - vooral opvalt is dat de ‘speed profile’ gegevens in een aantal gevallen vreemde patronen laten zien in het aantal voertuigen (soms met factor 10 verschil tussen provinciale wegen). Soms ontbreken ‘speed profiles’ om onduidelijke redenen. Ook wordt bevestigd dat het aantal voertuigen waarop ‘speed profiles’ zijn gebaseerd lager ligt dan de aantallen voertuigen die door meetlussen worden geregistreerd. Dit roept de vraag op welke kenmerken van invloed zijn op een bepaald profiel. Met andere woorden: welke inhoudelijke betekenis heeft een snelheidsprofiel en hoe valide is dit als referentiemaat voor de snelheid op een weg? Pragmatisch bekeken kan echter ook gesteld worden dat dit voor beleidsmakers die een globale indruk van snelheden op hun weg willen krijgen, minder relevant is. De vergelijking met traditionelere methoden (zie begin van deze paragraaf) laten immers een behoorlijke overeenkomst zien – althans op het provinciale wegennet, zij het met een tamelijk structurele afwijking naar beneden.

7

Vergelijking van ‘speed profiles’ met radargegevens In een Franse studie uitgevoerd door Clergue en Butignol (2014) zijn reistijden afkomstig van TomTom vergeleken met metingen verkregen via automatische nummerplaatherkenning (ANPR). Ook deze vergelijkingsstudie kwam tot de conclusie dat de overeenkomst tussen de beide meetmethoden groot is. De onderzoekers vonden dat de reistijdmetingen op reistijden van ca. ½ uur maximaal ½ minuut afweken van elkaar. Ze vonden daarmee een afwijking van FCD-gegevens t.o.v. radargegevens van minder dan 1,6%. Bruikbaarheid van andere snelheidsproducten uit FCD als SPI Naast ‘speed profiles’ blijken er meer snelheidsproducten uit FCD beschikbaar, zoals de ‘custom area analysis’ en de ‘custom travel time’ (zie bijvoorbeeld TomTom, 2014). Van deze producten is op basis van de beschikbare documentatie nagegaan wat de bruikbaarheid hiervan is als SPI. Custom travel times CTT-gegevens bieden zicht op reistijden van TomTomgebruikers op een bepaald traject. Ook hierbij wordt gebruikgemaakt van de nachtelijke snelheid (de ‘vrije rijsnelheid’) als referentiesnelheid. Dit product bevat dus dezelfde brondata als de ‘speed profiles’. Data zijn beschikbaar per traject en per specifieke tijdsperiode. Met deze gegevens kan vooral inzicht worden verkregen in de reistijdvertragingen op trajecten in verschillende perioden, bijvoorbeeld spits versus dal, of hoogversus laagseizoen (zie ook Clergue & Buttignol, 2014). Dit type gegevens kan vooral nuttig zijn voor wegbeheerders voor het identificeren van knelpunten in doorstroming en monitoring van de effecten van (doorstromings)maatregelen. Custom area analysis CAA-gegevens van TomTom zijn eigenlijk dezelfde soort gegevens als CTT, alleen op een andere wijze opvraagbaar, namelijk per gebied in plaats van per traject. Dit kan met name handig zijn in gebieden met een dicht wegennet (zie ook Clergue & Buttignol, 2014).

Discussie In dit artikel is het initiatief van vier provincies/ROV’s uiteengezet om meetnetten op te zetten waarmee gevaarlijke situaties in het verkeer of gevaarlijk gedrag in kaart kunnen worden gebracht. Deze situaties en gevaarlijk gedrag staan in de literatuur ook wel bekend als ‘Safety Performance Indicators’ of kortweg SPI’s. Op basis van informatie over SPI’s kunnen wegbeheerders en regievoerders bepalen waar zich welke problemen nog bevinden, waar maatregelen getroffen zouden moeten worden en welke maatregelen daarbij effectief kunnen zijn. In dit artikel is ingegaan op de SPI ‘snelheid’ en hoe decentrale overheden van deze SPI een beter beeld kunnen krijgen op hun eigen wegennet of dat van hun regiegebied. In de eerdere handreiking voor een decentraal snelheidsmeetnet (zie Goldenbeld & Aarts, 2013), werd aanbevolen om metingen in principe uit te voeren met meetlussen of radar. Daarbij werden wel een aantal randvoorwaarden en ruimte voor verbeteringen aangemerkt. Belangrijkste opmerkingen waren de beschikbaarheid van individuele voertuigdata bij meetlussen en controle op de kwaliteit van metingen bij herhaald gebruik van radartellers. Deze methoden blijken in de praktijk niet voor alle wegtypen even bruikbaar. Dit komt onder meer doordat de individuele wegbeheerders erbij betrokken dienen te worden: er dienen immers lussen in de weg gefrased te worden of kastjes binnen het beheersgebied opgehangen. Gegevens uit ‘floating car data’, zoals ‘speed profiles’ van TomTom zijn in principe voor alle wegen historisch beschikbaar omdat het om een non-invasieve methode gaat, en zouden het hiervóór geschetste probleem kunnen ondervangen. Van FCD is echter veel minder bekend, zeker in relatie tot bruikbaarheid voor verkeersveiligheidsdoeleinden. Derhalve is besloten dit verder te onderzoeken. Bruikbaarheid van FCD-gegevens voor de SPI snelheid Uit de verkenning concluderen we dat - met de kennis van nu - FCD-gegevens (‘speed profiles’) bruikbaar zijn voor een algemene indruk van gemiddelde snelheden op het wegennet. Omdat hogere

8

snelheden in verband zijn gebracht met een grotere kans op ongevallen en ernstiger letsel, biedt informatie over snelheid dus ook een indicatie van locaties waar deze factor mogelijk bijdraagt aan gevaarlijke situaties. Misschien zijn er op die locaties nog geen ongevallen gebeurt, maar dit kan in de toekomst wel het geval zijn. Kennis over dergelijke locaties en gedrag dat zich daarop voordoet, kan beleidsmakers helpen om beleid te prioriteren en te specificeren. Wel is het raadzaam om er rekening mee te houden dat de gemiddelde snelheden uit ‘speed profiles’ tot 20% lager kunnen uitvallen dan de traditioneel gebruikte gemiddelde snelheden uit lussen. Dat betekent voor het verkeersveiligheidsvraagstuk dat snelheden gemeten via een meetlus een minder gunstig beeld kunnen afgeven dan dat uit FCD-gegevens kan blijken. Zeker als beleidsmakers van de ene naar de andere methode overgaan of beide methoden voor verschillende wegtypen naast elkaar gebruiken, is het goed om van deze verschillen op de hoogte te zijn bij het trekken van conclusies over vergelijkingen (is het probleem toe- of afgenomen? Is het probleem op wegtype x erger dan op wegtype y?). Maar ook bij gegevens zoals die tot nu toe veelal uit meetlussen worden gewonnen zijn kanttekeningen te plaatsen. Zo kunnen de gemiddelde snelheden uit meetlussen ook een vertekeningen van de werkelijke gemiddelde snelheid geven omdat deze maat geconstrueerd wordt uit gegevens die zijn opgeslagen in klassen (zie ook Goldenbeld & Aarts, 2013). Wel is eerder onderzoek naar de relatie tussen het risico op ongevallen en snelheid vooral uitgevoerd met de meer traditionele methoden. Nader onderzoek met FCD-gegevens is aan te bevelen als overheden geïnteresseerd zijn in kwantitatieve relaties tussen ontwikkelingen in (gemiddelde) snelheid en de samenhang met de risico’s op hun wegennet. Bij monitoring gaat het echter vooral om de relatieve ontwikkeling van een risicofactor zoals snelheid. Mits aan de voorwaarde wordt voldaan dat de methode van gegevensverzameling tussentijds niet wezenlijk wijzigt, zouden FCD daarvoor prima gebruikt kunnen worden. Andere snelheidsmaten Naast absolute snelheden zijn ook snelheidsverschillen in verband gebracht met verkeersonveiligheid (zie voor een overzicht Aarts & van Schagen, 2006). Snelheidsverschillen kunnen echter betrekking hebben op uiteenlopende situaties zoals verschillen in snelheid tussen voertuigen, tijdstippen of locaties. FCD-gegevens bieden vooral zicht op verschillen in gemiddelde snelheid op een traject op verschillende tijdstippen. In bepaalde mate is via deze gegevens ook over het verloop van snelheid op een weg en tussen verschillende wegen informatie te verkrijgen. De beschikbare FCD-gegevens bieden geen informatie over snelheidsverschillen tussen individuele voertuigen op dezelfde plaats en tijd. Om een beeld te krijgen van snelheden van het hardrijdende verkeer (maten zoals de V85 of V901), zijn FCD-gegevens minder tot niet geschikt. Belangrijkste oorzaak hiervoor is dat de dataverwerkingsprocedure die ten grondslag ligt aan het uiteindelijke snelheidsproduct voor gebruikers, niet gericht is op het in beeld brengen van deze snelheden. Binnen de verkeersveiligheid is het gebruikelijk om ook naar het aandeel overtreders van de snelheidslimiet op een weg te kijken. Ook hiervoor zijn FCD-gegevens niet geschikt. Er wordt maar een deel van het verkeer gemeten en metingen worden eerst bewerkt en gemiddeld. FCD-producten zijn niet gericht op analyses van snelheidsovertredingen en maten die zijn gerelateerd aan verkeersintensiteit. Voor- en nadelen van FCD-gegevens De belangrijkste voordelen van het gebruik van FCD-gegevens zijn (zie ook Aarts, Bijleveld & Stipdonk, 2015) voor inzet in een snelheidsmeetnet: − De gegevens dekken een veel groter deel van het wegennet dan het geval is bij traditionelere methoden zoals lus- en radarmetingen. 1

Resp. snelheid die niet door 85% of 90% van het verkeer wordt overschreden.

9

− − −

Gegevens betreffen niet alleen metingen op een punt op een traject (zoals het geval is bij traditionelere methoden), maar bieden zicht op gemiddelde snelheden over een heel traject. Verzamelde gegevens bieden met name tussen 04:00 uur en 21:00 uur een bruikbaar beeld van gemiddelde snelheden van het verkeer over een traject. Historische gegevens zijn beschikbaar op het moment dat besloten wordt om snelheidsgegevens te gaan verzamelen.

De belangrijkste beperkingen van FCD-gegevens in relatie tot verkeersveiligheid zijn: − Er zijn wegen waarvan ook niet met behulp van FCD-gegevens gemiddelde snelheden kunnen worden berekend omdat er te weinig verkeer rijdt met Tom Tom apparatuur aan. − Er is vooralsnog geen onderscheid mogelijk in snelheden van verschillende groepen verkeersdeelnemers en in snelheidsverschillen tussen verkeersdeelnemers. − Het is niet bekend wat de precieze relatie is tussen gemiddelde snelheid zoals gemeten met FCD-methoden en verkeersonveiligheid. Pieksnelheden van een enkel voertuig of op een klein deel van het traject komen bij de middeling niet tot uitdrukking. − De continuïteit van metingen is niet gegarandeerd en ligt buiten de directe invloedssfeer van beleidsmakers. Toepassingsmogelijkheden en toekomst ‘Floating car data’ kunnen dus interessante mogelijkheden bieden voor een decentraal snelheidsmeetnet. Dit geldt zolang er geen specifieke vragen mee beantwoord dienen te worden over bijvoorbeeld hoge snelheden of bepaalde groepen verkeersdeelnemers. De bruikbaarheid van FCDgegevens voor een snelheidsmeetnet als indicator voor verkeersveiligheid geldt ten minste voor het hoofdwegennet (inclusief provinciale wegen). Minder duidelijk is in hoeverre FCD-gegevens afkomstig van het onderliggende weggennet (met name het wegennet binnen de bebouwde kom) representatief zijn voor de snelheid van het gemotoriseerd verkeer op deze wegen. Het zou vertrouwen geven als hierover meer duidelijkheid komt uit onafhankelijk onderzoek. De verkenning die nu is uitgevoerd laat echter zien dat de bestaande gegevens onvoldoende zijn voor een dergelijke vergelijkingsstudie voor het onderliggende wegennet. Daarvoor zouden aanvullende gegevens verzameld moeten worden. De methode zoals gebruikt door (Clergue & Buttignol, 2014) met radarmetingen (ANPR) biedt een interessante mogelijkheid om dergelijk onderzoek ook in Nederland uit te voeren. Aansluiten bij lopende initiatieven Voor een meetnet is het van belang dat de snelheden op de verschillende meetmomenten over de tijd (bijvoorbeeld ieder jaar) telkens op dezelfde wijze gemeten worden. Dat wil zeggen dat met de dezelfde methoden gegevens worden verzameld en op dezelfde wijze (indien nodig) steekproeven worden getrokken. Vanuit dat oogpunt bieden FCD-gegevens – onder bovengenoemde voorwaarden – een pragmatische oplossing. Ze dekken een groot deel van het wegennet, in ieder geval een groter deel dan het meetnet van meetlussen en incidentele radartellingen die nu nog veel gebruikt wordt. Combinatie van gegevensbronnen is hierbij een interessante optie. Dit geeft zicht op vertekeningen die zich over de tijd voor kunnen doen. Het maakt overheden bovendien niet volledig afhankelijk van commerciële partijen waarvan het voortbestaan en kwaliteit niet gegarandeerd zijn. Dit sluit ook aan bij de recente verkenning van de NDW (zie Wilmink et al., 2014): gebruik van FCD-gegevens als aanvulling op het bestaande meetnet, maar niet als een complete vervanging daarvan. Als de NDW daadwerkelijk besluit haar bronnen te gaan aanvullen en deels vervangen door FCDgegevens, dan kan dit ook voor een decentraal snelheidsmeetnet relevant zijn. Het ligt voor decentrale beleidsmakers voor de hand om de mogelijkheden tot samenwerking verder te verkennen. Het grotere plaatje De achtergrond van de hier gepresenteerde dataverkenning is dat vanuit het hoger doel van proactief in kaart brengen van risicovolle locaties en situaties gegevens verzameld en benut kunnen worden. Het idee erachter 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 gedrag waarvan bekend is dat die een verhoogd risico met zich meebrengt, kan de beleidsmaker beter 10

inspringen op onveiligheid. Snelheid is een voorbeeld van dergelijk gedrag, cruciaal voor veiligheid, en is dan ook opgenomen als een van de onderdelen van het in opdracht van IPO ontwikkelde ProMeV. Proactief beleid kan reeds putten uit de vele kennis die al is opgedaan en zo veel als mogelijk bestaande dataverzamelingsbronnen. 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. Als meerdere instanties volgens een zelfde protocol gaan meten, ontstaat er bovendien het potentieel om vergelijkingen te kunnen trekken en te leren van elkaar (benchmarking). Momenteel lopen er bij diverse overheden (provincies, gemeente Amsterdam), initiatieven om risicovolle locaties en gevaarlijk gedrag in kaart te krijgen. Dit betekent dat het belang van meetnetten om SPI’s in beeld te krijgen toeneemt. Gegevens uit dergelijke meetnetten 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 in de belangstelling staat en interessant is om onderbouwd verder uit te diepen. Centraal daarbij staat de vraag wat de bijdrage is en moet zijn van overheid en burgers.

Literatuur Aarts, L. (2011). Methoden en instrumenten voor het onderbouwen van verkeersveiligheidsbeleid. Een inventarisatie. R-2011-3. SWOV, Leidschendam. 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.T., Bijleveld, F.D. & Stipdonk, H.L. (2015). Bruikbaarheid van snelheidsgegevens uit ‘floating car data’ voor proactieve verkeersveiligheidsanalyses. Analyse van TomTom-snelheidsgegevens en vergelijking met meetlusgegevens op het provinciale wegennet. R-2015-3. SWOV, Den Haag. Aarts, L.T. & van Schagen, I.N.L.G. (2006). Driving speed and the risk of road crashes; a review. In: Accident Analysis and Prevention, vol. 38, p. 215-224. Berg, Y. (2013). Analysis of road safety trends 2012. Management by objectives for road safety work, towards the 2020 interim targets. Publication 2013:178. The Swedish Transport Administration, Borlänge. Berg, Y., Strandroth, J. & Lekander, T. (2009). Monitoring performance indicators in order to reach Sweden’s new road safety target – a progress towards zero. Paper gepresenteerd op 4th IRTAD conference, 16-17 September 2009, Seoul, Korea Clergue, L. & Buttignol, V. (2014). Using GPS-data in favour of traffic knowledge. Paper gepresenteerd op Transport Research Arena, Paris. de Boer, G. & Krootjes, P. (2012). The quality of floating car data benchmarked. An alternative to road side equipment? Paper gepresenteerd op 19th ITS World Congress, 22/26 October 2012, Vienna. de Kievit, E. (2014). Ontwikkeling van SPI's in Amsterdam. Almere. Donkers, E., Pieters, J. & Serné, W. (2008). Wegbeelden als basis voor de verkeersveiligheid. Paper gepresenteerd op Nationaal Verkeersveiligheidcongres NVVC, Rotterdam.

11

Drolenga, H. (2008). Bepalen jaarlijkse instroom SMPU verkeersveiligheid t.b.v. onderzoeksprojecten. Provincie Utrecht, Utrecht. DTV Consultants (2008). Toolkit analysemethoden. Toepassing kwalitatieve analysemethoden verkeersveiligheid. DTV Consultants, Breda. ETSC (2001). Transport safety performance indicators. . European Transport Safety Council, Brussels. Goldenbeld, C. & Aarts, L.T. (2013). Monitoring snelheid in het verkeer. Handreiking voor een gestructureerd decentraal meetnet. SWOV, Den Haag. 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. IPO (2014). ProMeV: proactief meten verkeersveiligheid. Den Haag. Janssen-Stans, Y., de Niet, M. & de Joode-Dolman, P. (red.) (2012). Veilig over Rijkswegen 2010. Deel A: Verkeersveiligheid landelijk beeld. Rijkswaterstaat, Dienst Verkeer en Scheepvaart, Delft. 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. Ticheloven, H. & Scholten, J. (2010). Leidraad voor snelheidsbeleid. Analyse snelheidsgerelateerde ongevallen met VIAStat speed profiles. VIA, Vught. TomTom (2011). Historical traffic information. White paper. TomTom, Amsterdam. TomTom (2014). Real time and historical traffic. TomTom, Amsterdam. van der Hout, R. (2013). Verkeersveiligheid provinciale wegen. ANWB, Den Haag. van Velden, A. & van den Besselaar, L. (2010). Ranking the roads. Kwaliteitstoets verkeersveiligheid provinciale wegen. Provincie Zuid-Holland, Dienst Beheer en Infra-structuur, Den Haag. VIA (2010). Speed profiles factsheet (Engelstalige versie). VIA, Vught. VIA (2011). Factsheet Speed Profiles. (Nederlandse versie). VIA, Vught. Weijermars, W., Goldenbeld, C. & Bijleveld, F. (2014). Monitor Beleidsimpuls Verkeersveiligheid 2014. R-2014-36. SWOV, Den Haag. Weijermars, W., Goldenbeld, C. & Bos, N. (2010). Monitor verkeersveiligheid 2010. Ontwikkeling in slachtoffers, risico, beleid en gedrag in 2009. R-2010-16. SWOV, Leidschendam. 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. 12

Wilmink, I., et al. (2014). Datafusie pilot – Openbare resultaten. Eindrapport. 11448. DTICM, Helmond.

13