Verkeerssensoren detecteren ‘near misses'

Er zit een merkwaardige discrepantie tussen het gevoel van (on)veiligheid en daadwerkelijke onveiligheid. Als een situatie onveilig aanvoelt, passen we ons gedrag er vaak op aan, waardoor een veiligere situatie ontstaat. Het omgekeerde geldt ook, dat een situatie veilig aanvoelt en daardoor schijnveiligheid ontstaat. De daadwerkelijke veiligheid meten we vaak op basis van ongevallen, maar dat vertelt niet het hele plaatje.

Ongevalcijfers bieden geen volledig beeld van de ervaren onveiligheid in verkeerssituaties, en het is ook goed om in te grijpen vóórdat er ongevallen gebeuren; soms moet je de put dempen voordat het kalf verdrinkt. Data hierover is echter lastig te verkrijgen. Hier komen data over ‘near misses’ om de hoek kijken. Near misses zijn bijna-ongevallen, situaties waarbij bijvoorbeeld een auto en een fietser bijna met elkaar in aanraking komen. Omdat dit geen ongeval oplevert, komen deze situaties niet in de verkeersongevallendata terecht, terwijl ze wel 
degelijk van nut kunnen zijn bij het verhogen van veiligheid én beleving in het verkeer. 

Datapunten

Bij een onderzoek door Technolution [*] is gekeken naar twee soorten near misses waarbij  verkeersdeelnemers (voertuigen, fietsers, voetgangers) moesten stoppen om een ongeluk te voorkomen. Het eerste criterium bij een near miss is: ‘Time-to-collision’: hoeveel tijd hebben 
verkeersdeelnemers nog over om een potentieel ongeluk af te wenden. De tweede soort near misses zijn die waar verkeersdeelnemers vlák voor of achter elkaar langs gingen. Het cruciale datapunt zit hier in de ‘Post Encroachment Time’: hoeveel tijd zat er tussen het moment dat de deelnemers op dezelfde plek aankwamen. 

Flowcubes 

Voor dit onderzoek is gebruik gemaakt van Technolution’s FlowCube verkeerssensoren:  sensoren gebaseerd op camera’s die het verkeer kunnen meten en analyseren. De verkeersdeelnemers zijn over de hele kruising te volgen en door informatie vanuit verschillende standpunten te combineren ontstaat een nauwkeurig beeld van alle voertuigen en verkeersdeelnemers op een kruispunt. Door het continu, intern bufferen van de grove beeldopnames kunnen we bij het detecteren van near-misses de situatie vastleggen voor verdere analyses. De opname heeft een lage resolutie en laat alleen zien wát er gebeurde, zonder dat daarbij te herleiden is welk voertuig erbij betrokken is. De wegbeheerder kan zo inzicht krijgen in de pijnpunten op kruispunten die niet naar voren komen in ongevalsstatistieken. Dit geeft handvatten om de ervaren veiligheid te verbeteren en risico’s te verminderen.