A global framework to estimate urban spatial cycling patterns based on crowdsourced data

Probleemstelling

Fietsen is een hoeksteen van een duurzame mobiliteitsovergang, maar onderzoek en planning worden belemmerd door het gebrek aan vergelijkbare, ruimtelijk accurate en actuele data over fietsvolumes. Traditionele dataverzameling (zoals handtellingen of statische tellers) is vaak sporadisch, arbeidsintensief en heeft beperkte ruimtelijke dekking. Hoewel platforms zoals Strava grote hoeveelheden data genereren via crowdsourcing, is de toegang tot de gedetailleerde Strava Metro-platformdata beperkt tot specifieke steden en onderhevig aan beleidsveranderingen. De openbaar beschikbare Strava Global Heatmap biedt een alternatief, maar deze data is oorspronkelijk ontworpen als visuele weergave met genormaliseerde, ordinale pixelwaarden (0-255) en niet als absolute volumemetingen. Er bestond tot nu toe geen gestandaardiseerde methode om deze heatmap-data systematisch te vertalen naar betrouwbare schattingen van fietsintensiteiten op stedelijke schaal, noch was de nauwkeurigheid ervan wereldwijd gevalideerd.

Methodologie

De auteurs ontwikkelden een raamwerk bestaande uit vier fasen om ruimtelijke fietspatronen af te leiden uit de Strava Global Heatmap en deze te valideren:

1. Data-extractie:

   • De auteurs haalden ruwe pixelwaarden uit de Strava Global Heatmap voor "ride"-activiteiten op een resolutie van ongeveer 2,4 meter (zoomniveau 16) voor 29 steden in Europa, Noord- en Zuid-Amerika en Oceanië.
   • De heatmap bestaat uit tegels in de Web Mercator-projectie (EPSG:3857), waarbij pixelwaarden een ordinale schaal van 0-255 vertegenwoordigen.

2. Verfijning (Gewogen Schatting):

   • Omdat de ruwe heatmap-waarden niet direct vergelijkbaar zijn over grote gebieden vanwege interne normalisatie, werden deze gewogen met externe variabelen.
   • Er werden twee gewichtsfactoren gebruikt: bevolkingsdichtheid (uit de Global Human Settlement Layer, GHSL) en aantal Punten van Interesse (POI) (uit OpenStreetMap).
   • Voor elke heatmap-pixel werden de waarden gewogen op basis van het aantal inwoners of POI's binnen verschillende bufferstralen (van 100m tot 5000m).
   • De formule voor gewogen waarden ($h_{l,b,weighted}$) normaliseerde de teller (aantal POI's/bevolking op locatie $l$ binnen buffer $b$) door het maximum binnen de stad, en vermenigvuldigde dit met de ruwe heatmap-waarde ($h_l$). Er werd ook een gecombineerde weging ($pop \times POI$) getest.

3. Validatie (Ground Truth):

   • De geschatte patronen werden vergeleken met officiële, openbaar beschikbare fietsaantellingen van gemeenten of via het Ecocounter-platform.
   • De dataset omvatte 29 steden met minimaal 30 meetlocaties per stad (uitgezonderd Bern en Zurich).
   • Er werd een Pearson en Spearman rangcorrelatie berekend tussen de heatmap-waarden en de officiële tellingen voor elke buffergrootte. De focus lag op de rangcorrelatie (Spearman), aangezien de heatmap ordinale data is en geen absolute volumes weergeeft.

4. Contextuele Analyse:

   • De correlatieresultaten werden geanalyseerd in relatie tot het modal share van fietsen, bevolkingsdichtheid en de dichtheid van de meetlocaties per stad.

Belangrijkste Bijdragen

• Eerste gestandaardiseerde globale validatie: Dit is het eerste onderzoek dat de Strava Global Heatmap systematisch toepast om fietspatronen over meerdere steden en continenten te schatten en de nauwkeurigheid wereldwijd valideert tegen officiële tellingen.
• Methodologisch raamwerk: Het biedt een reproduceerbare methode om ordinale heatmap-data om te zetten in betrouwbare indicatoren voor relatieve fietsintensiteit door gebruik te maken van open data (OSM POI's en GHSL bevolkingsdata).
• Optimalisatie van buffergroottes: Het onderzoek identificeert dat de optimale buffergrootte voor weging afhangt van de stedelijke morfologie en geografische locatie (breder in Noord-Amerika, smaller in Europa).

Resultaten

• Ruwe vs. Gewogen Data: De ruwe heatmap-output vertoonde in de meeste steden slechts zwakke tot matige correlaties met officiële tellingen ($\rho < 0.4$ in meer dan de helft van de steden).
• Effect van POI-gewichting: Het wegen met POI's leverde de beste resultaten op. In Europa bereikten bijna alle steden sterke correlaties ($\rho > 0.7$), met pieken in Londen ($\rho = 0.89$), Hamburg ($\rho = 0.86$) en Glasgow ($\rho = 0.86$). Ook aan de oostkust van Noord-Amerika werden sterke correlaties gevonden ($\rho > 0.7$).
• Optimale Buffergroottes:
  • Europa: De sterkste correlaties werden gevonden bij buffergroottes van 2500–3000 meter.
  • Noord-Amerika (oostkust): De optimale buffers waren groter, namelijk 3500–4000 meter, waarschijnlijk vanwege de verspreidere stedelijke structuur en de projectie-effecten van de heatmap.
• Invloed van Modal Share: De nauwkeurigheid van de methode nam toe in steden met een hoger fietsmodal share. Steden met een hoger fietsgebruik toonden sterkere correlaties, wat suggereert dat de Strava-data representatiever is in steden met een gevestigde fietscultuur.
• Bevolkingsdichtheid en Teldichtheid: Hogere correlaties werden ook gevonden in steden met een hogere bevolkingsdichtheid en een dichter netwerk van officiële telpunten.

Betekenis en Toepassing

• Invulling van Data-gaten: Het raamwerk biedt planners en beleidsmakers een haalbare, relatief goedkope manier om ruimtelijke fietspatronen te schatten in steden waar officiële tellingen schaars of afwezig zijn.
• Vergelijkbaarheid: Het stelt onderzoekers in staat om fietsgedrag en infrastructuurgebruik op een consistente manier te analyseren over verschillende steden en landen heen, wat cruciaal is voor grootschalige vergelijkingen.
• Beperkingen en Nuance: Hoewel de methode uitstekend werkt voor het schatten van relatieve intensiteiten en ruimtelijke trends, moeten de waarden worden gezien als categorische benaderingen en niet als absolute aantallen. De nauwkeurigheid is lager in steden met een laag fietsgebruik of in gebieden met een lage dekking van OSM-POI's.
• Toekomstperspectief: De studie onderstreept het potentieel van crowdsourced data, gecombineerd met open ruimtelijke data, voor het ondersteunen van duurzame mobiliteitsplanning en het monitoren van de effectiviteit van fietsinfrastructuur op wereldwijd niveau.