Kunnen we met remdata uit auto’s gevaarlijke situaties op de weg voor fietsers beter inschatten? Dat was de insteek van een data sprint die MRA-platform Smart Mobility afgelopen jaar onder leiding van thematrekker Data en Digitalisering Michiel Prak inzette. De sprint resulteerde in een proof-of-concept waarmee een aantal onveilige oversteekpunten voor de fiets is gelokaliseerd. Michiel: “Het zou mooi zijn als we hiermee de infrastructuur voor fietsers kunnen verbeteren.”
Op zich zou je een onveilig kruispunt voor fietsers kunnen opsporen door naar de fysieke kenmerken van een kruispunt te kijken. Ligt het bijvoorbeeld vlak na een bocht? Ontbreken er verkeerslichten waardoor auto’s maar doorrazen? Dan kan het gevaarlijk zijn om daar over te steken. Toch zijn niet alle oorzaken van onveiligheid op die manier te achterhalen. Denk bijvoorbeeld aan een verkeerslicht dat maar weinig op groen springt waardoor fietsers door rood gaan rijden om op tijd ergens aan te komen. Ook dan heb je met een onveilig kruispunt te maken, zonder de fysieke kenmerken.
Maar hoe weet je zoiets? Hoe kom je erachter of een kruispunt met een verkeerslicht dat auto’s voortrekt, gevaarlijk is voor fietsers. Alle verkeerslichten in Nederland testen? Dat kost wel erg veel tijd. Bovendien zou je die telling moeten combineren met het aantal fietsers dat hierdoor gevaarlijke toeren gaat uithalen. Mark Könst bedacht een andere methode om te achterhalen waar zich onveilige fietssituaties voordoen: met data over het remgedrag van automobilisten.
Floating car data
Als beleidsadviseur Mobiliteitsdata en Procesanalisten bij de Vervoerregio Amsterdam én als teamlid van het kernteam Data en Digitalisering van het MRA-platform Smart Mobility bezocht Mark in mei 2023 een congres van het Nationale Dataportaal Wegverkeer (NDW). “Daar hoorde ik dat het Rijk een deal had gesloten met Mercedes: het zogeheten Road Monitor project (ROMO).” De autofabrikant zou gedurende 2 jaar alle floating car data van dure modellen delen, waarmee het Rijk beschikking kreeg over gegevens als het rij- en remgedrag van Mercedes-rijders, hoe zij gas geven of hun ruitenwissers bedienen. Mark: “Ik sloeg aan op ‘inzicht krijgen in het remgedrag van automobilisten’. Want als je weet waar auto’s remmen, dan weet je ook waar ze hard moeten remmen. En waar hard wordt geremd is mogelijk sprake van een onveilige situatie.” Als fervent fietser koppelde Mark deze gedachte snel aan onveilige situaties voor fietsers: “Ik let doorgaans heel goed op en toch heb ik op de fiets al menig ongeluk met een auto moeten voorkomen. Dus als data over het remgedrag van automobilisten kan bijdragen aan een beter fietsklimaat, dan zou dat fantastisch zijn.”
Data sprint fietsveiligheid
En zo werd de gedachtesprong van Mark inzet voor de data sprint fietsveiligheid waarmee Michiel en Mark samen met Alex Verploegh (prov. Flevoland) en Anne van der Veen (prov. Noord-Holland) afgelopen jaar aan de slag gingen. In het artikel Data handig inzetten dankzij een value sessie legden we al uit hoe zo’n data sprint werkt: goede ideeën zo uitwerken dat je op een snelle en gestructureerde manier oplossingen kan verkennen en testen, zonder dat dit veel tijd kost.
Michiel: “We hebben eerst gekeken of de remdata die we nodig hadden voor onze sprint voldoende was om conclusies uit te trekken. Bij Mercedes bleek dat er te weinig van de dure modellen met de juiste software rondreden. Daardoor was het aantal datapunten te beperkt. Dus weken we uit naar bandenleverancier Bridgestone die veel bestelbusjes op de weg heeft en daarvan de remdata registreert. Vervolgens hadden we een fietsnetwerk nodig van een afgekaderd proefgebied om deze remdata te analyseren. Daarvoor hebben we het Nationale Wegen Bestand (NWB) gebruikt.”
Digitaal model
Gedurende 3 weken werkte het team samen met ontwikkelpartner Analyze aan een digitaal model waarin datastromen uit de bestelbussen werden gekoppeld aan een overzicht van punten waar fietspaden en autowegen elkaar kruisen. Daarbij letten ze op de intensiteit van fietsers op de fietspaden, wat de maximale snelheid voor auto’s op een bepaald kruispunt is en hoe vaak er op die kruispunten hard werd geremd. Michiel: “Met deze informatie ontdekten we een aantal hotspots waar remmende automobilisten en fietsers elkaar vaak treffen. Daaruit stelden we een top 20 van risicovolle kruisingen samen. Die lijst beschouwen we als het potentieel meest gevaarlijke kruispunten voor fietsers binnen het testgebied.”
Om verder te onderzoeken wat de mogelijke oorzaak van de remmingen was, bekeek het team vervolgens op Google Street View de daadwerkelijke situatie van die afzonderlijke locaties. Het blijft namelijk lastig om een direct verband aan te tonen tussen het hard remmen van een auto en een kruisende fietser. Maar het concept bleek succesvol. Michiel: “Met het systeem kunnen we onveilige situaties lokaliseren die aan de hand van fysieke kenmerken niet meteen als gevaarlijk bestempeld zouden worden. En uitgaande van die informatie kunnen die locaties voorrang krijgen wanneer er ruimtelijke ingrepen worden gedaan om de fietsveiligheid te vergroten.”
Doorsprinten
En daarmee is deze proof-of-concept dan ook interessant voor de praktijk. Zo vinden in elk geval de Vervoerregio Amsterdam en de Provincie Noord-Holland. Ook enkele andere provincies hebben al interesse getoond. Het kernteam wil dan ook graag doorsprinten naar een volgende fase om remdata in te zetten voor verbetering van de veiligheid voor fietsers.
Momenteel is het kernteam met de ANWB in gesprek over een eventuele samenwerking.
Wil je meer horen over de data sprint fietsveiligheid? Op 6 juni presenteert Mark Könst tijdens het Nationale Fietscongres in Den Haag alle ins en outs van deze sprint plus nieuwe ontwikkelingen. Aanmelden kan via de site.