Identification of factors contributing to the occurrence of crashes at high-risk locations

Abstract

Aan de hand van ongevalgegevens van 1997-1999 heeft de Vlaamse overheid 1014 locaties geïdentificeerd als gevaarlijke punten. Dit rapport geeft een aantal verklarende modellen weer die gebouwd werden aan de hand van een dataset van 601 van deze locaties. De bedoeling van het rapport is om de belangrijkste onderliggende factoren te bepalen die het aantal letselongevallen op deze locaties beïnvloeden. Ook zijn de modellen in dit rapport gebruikt in een recente voor-en-na studie over gevaarlijke punten van het Steunpunt Mobiliteit & Openbare Werken, Spoor Verkeersveiligheid om te corrigeren voor het regressie-naar-het-gemiddelde effect.

Negatief binomiale modellen worden gebruikt omdat ze kunnen omgaan met de overdispersie die aanwezig is in de dataset. De afhankelijke variabele is het aantal letselongevallen of het aantal zware letselongevallen dat op het kruispunt gebeurd is in de periode 2000-2003. Deze periode is gekozen om het regressie-naar-het-gemiddelde effect op te vangen dat aanwezig is in de ongevalgegevens van 1997-1999. Ongevaldata tot en met 2003 kunnen gebruikt worden omdat de eerste van deze gevaarlijke punten in 2004 werd heringericht in het kader van een grootschalig project van de Vlaamse overheid, waarin 800 gevaarlijke punten worden heringericht om de verkeersveiligheid te verbeteren. Daardoor is overeenstemming tussen de verzamelde ongevallendata en kruispuntkenmerken verzekerd. Informatie over 38 potentieel belangrijke onafhankelijke variabelen werd verzameld. De modellen zijn gebouwd volgens een iteratief proces om problemen met ontbrekende waarden zo goed mogelijk op te vangen. De kwaliteit van de modellen wordt beoordeeld aan de hand van de AIC-waarde. De eindmodellen worden gecontroleerd op multicollineariteitsproblemen met de type II tolerance test.

Een aantal modellen en submodellen werden gefit. Twee algemene modellen voor alle ongevallen werden gefit, waarvan één op basis van alle letselongevallen en één enkel gebaseerd op ongevallen met ernstig gewonde of dodelijke slachtoffers. Submodellen werden gefit voor voorrangsgeregelde en lichtengeregelde kruispunten, voor driearmige en vierarmige kruispunten, voor kruispunten binnen de bebouwde kom en buiten de bebouwde kom, en voor drie verschillende types categorisering van de hoofdweg. Hoewel er een aantal verschilpunten zijn tussen de modellen, kunnen een aantal algemene conclusies getrokken worden.

Vele ongevalsvoorspellingsmodellen geven aan dat expositie het grootste deel van de structurele variatie in de data verklaart. Ook in deze studie zijn de expositievariabelen LOGVOLMAJTOTAL en LOGVOLMINTOTAL zeer belangrijke verklarende variabelen. De modellen in deze studie tonen een positief maar inelastisch verband aan tussen het aantal ongevallen en de voertuigintensiteiten.

Wat betreft de geometrische kruispuntkenmerken, blijkt de aanwezigheid van een middenberm op de hoofd- of onderliggende weg te correleren met een hoger aantal ongevallen. De variabele SIGNALS is enkel aanwezig in het algemene model voor ongevallen met zwaargewonde en dodelijke slachtoffers. De variabele wijst aan dat er een groter aantal ernstige letselongevallen gebeuren op de lichtengeregelde kruispunten in deze dataset dan op niet-lichtengeregelde kruispunten. Driearmige kruispunten blijken een lager aantal letselongevallen te hebben dan kruispunten met meer dan drie armen. Verder blijken kruispunten op wegen met een snelheidslimiet van 50 km/u vaak een significant hoger aantal ongevallen te hebben dan de andere categorieën. Het is daarom aanbevolen dat gevaarlijke kruispunten op wegen met een snelheidslimiet van 50 km/u speciale aandacht krijgen van wegontwerpers en beleidsmakers. Variabelen die de aanwezigheid van voorzieningen voor zwakke weggebruikers beschrijven verschijnen ook in een aantal modellen, maar wijzen niet consistent in dezelfde richting. De bestaande wetenschappelijke literatuur is echter ook niet eenduidig over de invloed van voorzieningen voor zwakke weggebruikers op het aantal ongevallen. Een aantal modellen geven een lager aantal ongevallen aan wanneer één of meerdere kruispunttakken niet loodrecht aansluit in vergelijking met kruispunten waar wel alle takken loodrecht aansluiten. Hoewel dit eerder onverwacht lijkt, komen een aantal andere studies ook tot gelijkaardige bevindingen. Het aantal rijstroken van de kruispunttakken is aanwezig in enkele modellen, maar is vaak niet aanwezig in het eindmodel omwille van multicollineariteitsproblemen.

De functionele wegencategorisering is een aspect dat zelden wordt opgenomen in studies die gebruik maken van ongevalsvoorspellingsmodellen. De variabelen RDCATMAJ en RDCATMIN verschijnen in deze studie echter in verschillende eindmodellen. Kruispunten op primaire wegen blijken vaak een significant hoger aantal letselongevallen te tellen dan andere wegcategorieën. Deze kruispunten verdienen dan ook speciale aandacht. Over het algemeen lijkt de tendens dat kruispunten van een hogere wegcategorie een hoger aantal ongevallen hebben. Alleen de categorie MAIN volgt dit patroon niet, wat verklaard kan worden door het feit dat dit in feite kruispunten zijn met op- en afritten van hoofdwegen. Één submodel geeft een hoger aantal ongevallen aan wanneer het kruispunt tot het functionele en/of recreatieve fietsroutenetwerk behoort, maar de variabele zou ook een proxy kunnen zijn voor een hogere intensiteit van fietsers.

In een aantal model geven de grondgebruikvariabelen PUBLIC, RESIDENTIAL en ECONOMIC aan dat er een hoger aantal letselongevallen gebeurt op kruispunten waar het grondgebruik bestaat uit openbare voorzieningen, woongebied of commerciële activiteiten respectievelijk. Deze variabelen fungeren mogelijk echter als proxy voor de expositie van zwakke weggebruikers. BUILTUP is aanwezig in het submodel voor secundaire wegen. De variabele wijst op een hoger aantal ongevallen wanneer bebouwing aanwezig is rond het kruispunt, wat de veiligheidsproblemen die veroorzaakt worden door de aanwezigheid van lintbebouwing benadrukt.

Het is aanbevolen dat toekomstig onderzoek gegevens over de expositie van andere types weggebruikers dan enkel motorvoertuigen ook in rekening brengt. Ook kunnen nauwkeurigere telgegevens van de voertuigintensiteiten worden verzameld, of kan een meer gesofisticeerde expositiemaatstaf worden gemeten, zoals bijvoorbeeld het aantal ontmoetingen tussen weggebruikers. Tenslotte kan toekomstig onderzoek ook focussen op het verder onderzoeken van de causaliteit van de correlaties die werden gevonden in de dataset.

Using crash data of the years 1997-1999, the Flemish government identified 1014 road locations as dangerous locations. This report presents a number of explanatory models, fitted on a dataset of 601 of these locations. The purpose of the report is to identify the most important underlying factors that determine the number of injury crashes at these dangerous intersections. Furthermore, the models in this report have been used to correct for the regression-to-the-mean effect in a before-after evaluation study of dangerous locations by the Flemish Policy Research Centre Mobility & Public Works, track Traffic Safety. Negative binomial models are used to deal with the overdispersion that is present in the dataset. The dependent variable is the number of injury crashes or severe injury crashes that has occurred at the location in the 2000-2003 period. The period has been chosen to account for the regression-to-the-mean effect that is known to be present in the 1997-1999 period that is used to select the locations. Crash data up to and including 2003 could be used because the first of these locations were reconstructed in 2004 in a large scale project of the Flemish government to reconstruct 800 dangerous locations to improve their safety performance. This way, full correspondence between the collected crash data and the intersection characteristics is assured. Information about 38 possible independent variables is collected. The models are fit using an iterative process to overcome missing data issues. The fit of the models is judged using the AIC-value. The final models are checked for multicollinearity using the type II tolerance test. A number of models have been fit. Two general models for all intersections have been fit; one using all injury crashes and one using only serious injury and fatal crashes. Submodels are fit for priority, signalized, four-leg and three-leg intersections, for intersections inside and outside built-up area, and for three different types of major road category intersections. There are a number of differences between the models, but a number of general conclusions can be drawn. A lot of crash prediction model studies indicate that exposure explains most of the structural variance. In this study, the exposure variables LOGVOLMAJTOTAL and LOGVOLMINTOTAL are also in this study highly important explanatory variables. The models in this study show a positive but inelastic correlation between the number of crashes and the vehicle volumes. Concerning the geometric variables, the presence of a median on the major or minor road tends to correspond with a higher number of crashes. The variable SIGNALS is only present in the general model for serious injury and fatal crashes. The variable indicates a higher number of serious crashes in case the intersection is signalized. Three-leg intersections on the other hand have a lower number of injury crashes than other types of intersections. Furthermore, intersections with a speed limit of 50 km/h tend to show a significantly higher number of crashes than the other categories. It is therefore recommended that these intersections receive special attention from road designers and policy makers. The presence of facilities for vulnerable road users at the intersections appears in some of the presented models. The patterns are however not consistent. Literature is however not conclusive on this subject either. Furthermore, some of the models indicate a safety benefit for non-perpendicular intersections compared to regular 90° intersections. Although this is rather unexpected, some literature comes to similar findings. The number of lanes of the intersection legs is present in some models, but is often not included in the end model due to multicollinearity issues. Functional road classification is a variable that is not often included in crash prediction model literature. The variables RDCATMAJ and RDCATMIN appear in quite a number of models in this study however. Intersections of primary roads tend to have a significantly higher number of injury crashes than the other categories. These intersections deserve special attention. Generally, the trend seems to be that a higher road category corresponds with a higher number of crashes. Only the category MAIN does not follow this pattern, which can be explained by the fact that these are actually intersections with on/off ramps of main roads. One submodel indicates a higher crash rate at intersections that belong to the cycle route network, but the variable could be a proximate for a higher volume of bicyclists. In a number of models, the land use variables PUBLIC, RESIDENTIAL and ECONOMIC indicate a higher number of injury crashes in case the land use is public facilities, residential or commercial activities respectively. These variables are however likely to function as a proxy for the exposure of vulnerable road users. BUILTUP is present in the submodel for secondary roads. The variable indicates a higher number of crashes when buildings are present, which stresses the safety issues of ribbon development. It is recommended that future research includes exposure data from other types of road users than only motor vehicles. Furthermore, more accurate motor vehicle counts could be collected, or a more sophisticated exposure measure such as the number of encounters. Also, future research should focus on establishing the causality of the correlations that have been found in the dataset.