Handleiding bij het gebruik van regressiemodellen voor ...

3 . W A A R V O O R K U N N E N D E R G E L I J K E R I S I C O M O D E L L E N
G E B R U I K T W O R D E N ?
DEZE RISICOMODELLEN ZIJN CROSS-SECTIONELE MODELLEN, wat wil zeggen dat ze het verwachte
aantal ongevallen berekenen als functie van de variabelen zoals de situatie was op het
ogenblik van de dataverzameling. Dit wil zeggen dat de beleidsvisie waarmee de huidige
situatie ontstaan is, mee in de resultaten vervat zit. En dit heeft een grote impact op het
gebruik van de modellen. We geven hieronder een aantal toepassingen van
risicomodellen, waarbij de resultaten steeds voorzichtiger moeten geïnterpreteerd
worden, en waarbij de kennis over het gevoerde beleid en de terreinkennis steeds
belangrijker worden.
3.1 Extra risicovolle plaatsen zoeken
De risicomodellen berekenen het verwachte aantal ongevallen, rekening houdend met de
in het model gebruikte wegkenmerken. Dit verwachte aantal is een soort gemiddelde.
Locaties die de laatste jaren duidelijk meer ongevallen hadden dan door het risicomodel
voorspeld werd, verdienen extra aandacht. Het loont de moeite dat een expert over die
plaats nadenkt om te zien welk extra veiligheidsprobleem zich daar nog voordoet. Dit
doen ook Janson et al (1998) bij hun op-afrittenberekening.
Voorbeeld
Stel dat er een wegsegment naast een oprit is met als wegkenmerken verkeersintensiteit
= 70000 voertuigen/dag, pechstrookbreedte = 3 m, redresseerstrookbreedte = 0.75 m
en maximum toegelaten snelheid = 120 km/u. Uit Vergelijking 8, zie ook Figuur 6, volgt
dat het verwachte aantal ongevallen per jaar 0.29 is. Dit komt ruwweg neer op 1 ongeval
per drie à vier jaar. Als er een wegsegment is met deze kenmerken waarbij er zich elk
jaar één of meerdere ongevallen voordoen, dan is er op dat segment iets dat niet
verklaard wordt door de beschouwde variabelen. In dat geval is het de moeite dat een
menselijke expert naar dit segment kijkt om te zien wat er daar mis gaat.
3.2 Schatting van ongevallen
Een nadeel van regressiemodellen is dat het onmogelijk is om rekening te houden met
alle factoren die het aantal ongevallen beïnvloeden. Dit kan soms tot paradoxale
conclusies leiden als - zoals dikwijls gedaan wordt - dergelijke modellen gebruikt worden
om oorzaak-gevolg te duiden. Ook als deze modellen gebruikt worden voor de schatting
van ongevallen neigt de schatting onbetrouwbaar te zijn indien de onverklaarde variantie
relatief groot is.
3.3 Voor- en na studies
Met een regressiemodel kunnen we geen rechtstreekse voor- en na studies uitvoeren.
Een regressiemodel kan echter wel data aanleveren voor een voor- en na studie.
In Figuur 7 tonen we het schema van een voor- en na studie. Hierbij onderscheiden we 4
soorten data:
‣ A: ongevallen voor een maatregel
‣ B: ongevallen na een maatregel
‣ C: ongevallen in een vergelijkingsgroep op het tijdstip voor de maatregel
‣ D: ongevallen in een vergelijkingsgroep na het tijdstip voor de maatregel
Steunpunt Verkeersveiligheid 17 RA-2006-89