🔬 physics

The Harsh Truth: Segment-Level Analysis of Harsh Driving Events in Milan Using Large-Scale Telematics, Street Networks, and Google Street View

Deze studie maakt gebruik van grootschalige telematica van meer dan 4,2 miljoen voertuigen in Milaan, gecombineerd met straatnetwerk- en Google Street View-gegevens, om aan te tonen dat bredere wegen en open visuele velden correleren met een hoger aantal harde rijgebeurtenissen, terwijl dichtere bebouwde fronten deze verminderen, waardoor contextspecifieke, datagestuurde stedelijke veiligheidsinterventies worden ondersteund.

Oorspronkelijke auteurs: Andrea La Grotteria, Paolo Santi, Titus Venverloo, Umberto Fugiglando, Carlo Ratti

Gepubliceerd 2026-06-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andrea La Grotteria, Paolo Santi, Titus Venverloo, Umberto Fugiglando, Carlo Ratti

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je Milaan voor als een gigantische, levende puzzel gemaakt van straten. Jarenlang hebben stadsplanners die de straten veiliger willen maken, naar deze puzzel gekeken door een beslagen raam: ze zien alleen de ongelukken die daadwerkelijk zijn gebeurd en bij de politie zijn gemeld. Maar ongelukken zijn als de top van een ijsberg; ze gebeuren te laat om het gevaar te stoppen voordat het begint, en veel kleine "bijna-ongelukken" worden niet gerapporteerd.

Dit paper besluit de mist te klaren door te kijken naar de onderwatermassa van de ijsberg: de momenten waarop bestuurders hard moeten remmen of te hard op het gaspedaal trappen. Dit worden "harse events" genoemd. De onderzoekers behandelden deze gebeurtenissen als een enorme, real-time stresstest voor de wegen van de stad.

Hier is het verhaal van wat ze vonden, met behulp van eenvoudige analogieën:

1. De Data: Een Stad-brede "Black Box"

In plaats van te wachten op politieberichten, gebruikten de onderzoekers een "black box" van meer dan 4,2 miljoen auto's (geleverd door een verzekeringsmaatschappij). Deze auto's legden elke keer vast dat een bestuurder agressief reed. Dit combineerden ze met:

Google Street View: Ze gebruikten een slim computervisiestelsel (zoals een robot die een foto kan "zien") om te analyseren hoe de straat eruitziet. Het telde hoeveel lucht, weg en gebouwen zichtbaar waren in elke afbeelding.
Verkeerskaarten: Ze voegden data toe over hoeveel auto's er daadwerkelijk op de weg waren om er zeker van te zijn dat ze niet simpelweg een weg de schuld gaven omdat het er gewoon druk was.

2. De Grote Ontdekking: Het "Open Veld"-effect

De onderzoekers deelden de stad op in duizenden kleine straatsegmenten en vroegen zich af: Wat zorgt ervoor dat een bestuurder plotseling in paniek remt of agressief optrekt?

Ze vonden een verrassend patroon, dat ze het "Open Veld"-effect noemen:

Brede, open straten = Meer agressie: Wanneer een straat breed is, lange zichtlijnen heeft, veel lucht zichtbaar is en weinig gebouwen het zicht blokkeren, hebben bestuurders de neiging om agressiever te rijden. Het is als een coureur op een lange, rechte, lege baan; de open ruimte nodigt uit om snelheid te maken en vervolgens hard te remmen wanneer men eindelijk een stopbord ziet.
Smalle, "drukke" straten = Rustiger rijgedrag: Omgekeerd hadden straten met dichte bebouwing, smalle rijstroken en veel visuele rommel (zoals bomen of borden) juist minder "harse events". Het is als rijden door een smal, kronkelend steegje; je vertraagt vanzelf en blijft alert omdat je niet ver vooruit kunt kijken.

De Analogie: Denk aan rijden op een brede, open snelweg versus een gezellige, door bomen omzoomde buurt. Op de snelweg heb je misschien de drang om hard te gaan en daarna hard te remmen. In de buurt houden de "muren" van de gebouwen en bomen je in toom, waardoor je natuurlijker rustiger rijdt.

3. Het Tijdstip van de Dag Doet Er Toe

De studie keek ook naar wanneer deze gebeurtenissen plaatsvonden, wat twee verschillende "persoonlijkheden" van de stad onthulde:

De Spits (Ochtend/Avond): Het totaal aantal "harse events" is het hoogst tijdens de spits. Dit is als een druk metrostation; er zijn simpelweg zoveel mensen (auto's) dat zelfs als iedereen normaal rijdt, het enorme volume voor meer "schokken" zorgt.
Het Risico van de Nachtbrakers (Weekend nachten): Wanneer ze corrigeerden voor het verkeersvolume (kijkend naar risico per auto), piekte het gevaar eigenlijk laat in de nacht in het weekend. Dit is als een rustige bar die sluit; er zijn minder auto's, maar de auto's die er wel zijn, kunnen vermoeid of onder invloed zijn, waardoor ze eerder geneigd zijn gevaarlijk te rijden.

4. De Fietspad Casus

Om te zien of deze data kan helpen bij echt beleid, keken ze naar fietspaden. Ze vergeleken drie soorten banen:

Gescheiden: Een fietspad met een fysieke barrière (zoals een stoeprand) tussen het en de auto's.
Alleen Gemarkeerd: Een fietspad dat alleen door verf op de weg is aangegeven.
Gedeeld: Auto's en fietsers die dezelfde rijstrook delen.

Het Resultaat:

Alleen met verf gemarkeerde banen werden geassocieerd met 19,5% meer "harse events" op de aangrenzende weg vergeleken met gescheiden banen.
Gedeelde banen hadden 11,5% meer "harse events".
Gescheiden banen vormden de veiligste omgeving voor bestuurders (en vermoedelijk fietsers).

De Conclusie: Het lijkt erop dat wanneer fietsers en auto's slechts door een lijn verf van elkaar gescheiden zijn, bestuurders meer gestrest en agressief raken. Wanneer er een fysieke muur of barrière is, voelen iedereen zich veiliger en rijden ze rustiger.

5. Wat dit betekent voor de Veiligheid in de Stad

Het paper betoogt dat we niet een "one-size-fits-all" aanpak moeten gebruiken voor het verbeteren van wegen.

Maak straten niet alleen breder: Een straat breder en opener maken kan de bestuurders er juist toe brengen sneller te rijden en harder te remmen.
Gebruik de "Visuele Rommel": Soms kan het toevoegen van gebouwen, bomen of het vernauwen van het visuele veld bestuurders vanzelf kalmer maken.
Bescherm de Kwetsbaren: Als je fietsers veilig wilt houden, is een fysieke barrière beter dan alleen verf.

Samenvatting

Deze studie is als het geven van een nieuwe bril aan stadsplanners. In plaats van alleen te kijken naar waar ongelukken gebeuren achteraf, kunnen ze nu kijken naar waar bestuurders op dat moment worstelen. Ze ontdekten dat open, brede straten gevaarlijk kunnen zijn omdat ze agressie uitlokken, terwijl smalle, visueel complexe straten veiliger kunnen zijn omdat ze voorzichtigheid afdwingen. Door gebruik te maken van data van miljoenen auto's en AI-gestuurde straatfoto's, helpen ze steden bij het ontwerpen van wegen die van nature veiliger rijgedrag stimuleren, in plaats van alleen te reageren op crashes.

Technische Samenvatting: De Harde Werkelijkheid – Segmentanalyse van Hard Rijgedrag in Milaan

Probleemstelling
De beoordeling van de veiligheid op stedelijke wegen steunt traditioneel op door de politie gerapporteerde ongevalsstatistieken. Deze gegevens zijn echter vaak incompleet, kampen met aanzienlijke rapportagevertragingen en missen de granulariteit die vereist is voor het ontwerp van tijdige, fijnmazige interventies. Hoewel hard accelereren en remmen (harde gebeurtenissen) veelgebruikte surrogaatindicatoren zijn voor agressief of onveilig rijgedrag, waren eerdere studies beperkt door kleine steekproeven (bijv. minder dan 1.500 bestuurders), een gebrek aan visuele straatbeeldcontext en een afhankelijkheid van passage-tellingen in plaats van onafhankelijke verkeersvolumes voor de controle op blootstelling. Deze studie pakt deze beperkingen aan door harde gebeurtenissen over het gehele stedelijke wegennetwerk van Milaan te analyseren, waarbij hoogwaardige telematica wordt geïntegreerd met open geospatiale en visuele data om besluitvorming binnen Vision Zero te informeren.

Methodologie
De studie maakt gebruik van een multischalig analytisch kader dat niet-parametrische statistische toetsen, supervised machine learning en regressieanalyse combineert op een dataset die 24.673 stedelijke wegsegmenten en meer dan 3,4 miljoen gematchte harde gebeurtenissen beslaat, geregistreerd over zes representatieve weken in 2023.

Dataintegratie: De analyse synthetiseert vijf complementaire datasets:
1. Telematica: Harde rem- en acceleratiegebeurtenissen van meer dan 4,2 miljoen voertuigen uitgerust met On-Board Units (OBU's) geleverd door UnipolTech. Gebeurtenissen werden geharmoniseerd over twee typen apparaten (Targa accelerometrie-gebaseerd en MetaSystem GNSS-gebaseerd) naar een uniforme ernstschaal (1–4).
2. Verkeersexpositie: Segmentniveau verkeersmetingen (probe counts) van TomTom, gebruikt om een expositiemetriek (Verkeersvolume × Segmentlengte) en een genormaliseerde harde ratio te berekenen.
3. Netwerkgeometrie: OpenStreetMap (OSM) data (snapshot: 31 dec. 2023) die segmentlengte, sinuositeit, aantal rijstroken, snelheidslimieten en infrastructurele attributen (bijv. oversteekplaatsen, stopplaatsen voor openbaar vervoer) biedt.
4. Fietsinfrastructuur: Het gemeentelijke fietsnetwerk van Milaan, gecategoriseerd in fysiek gescheiden paden, louter gemarkeerde rijstroken en gedeelde verkeerssegmenten.
5. Visueel Straatbeeld: Google Street View (GSV) beelden verwerkt via het OneFormer semantische segmentatiemodel (DiNAT-L backbone) om de pixelproporties van superklassen (weg, lucht, gebouw, vegetatie, etc.) te extraheren.
Analytische Aanpak:
- Niet-parametrische Vergelijking: Segmenten werden verdeeld in groepen met een hoge en lage intensiteit van hard rijgedrag op basis van de mediaan score. De distributies van OSM- en GSV-afgeleide kenmerken werden vergeleken met tweezijdige Mann–Whitney U-testen.
- Machine Learning: Gradient Boosting en Random Forest regressoren werden getraind om segmentniveau harde scores te voorspellen met behulp van geometrische, regulatoire, verkeers- en visuele beschrijvers. Kenmerkbelang werd beoordeeld via Gini-rangschikking en SHapley Additive exPlanations (SHAP).
- Casestudy Fietsinfrastructuur: Een log-lineaire Ordinary Least Squares (OLS) regressie met robuuste standaardfouten (HC3) werd gebruikt om de associatie tussen typen fietsfaciliteiten en de intensiteit van harde gebeurtenissen te schatten, waarbij gecontroleerd werd voor expositie, snelheidslimieten, rijstroken en wegbreedte.

Belangrijkste Resultaten

Expositie en Ruimtelijke Patronen: Univariante analyse toonde zwakke correlaties aan tussen harde scores en enkelvoudige variabelen zoals snelheidslimieten of verkeersvolume ( $R^2 < 0,09$ ). Expositie bepaalt de basislijn voor absolute aantallen gebeurtenissen, maar zodra er voor wordt gecontroleerd, drijven de vorm van het segment en de visuele openheid de residuele variatie aan.
Ontwerp en Visuele Correlaten: Segmenten met een hoge intensiteit van hard rijgedrag zijn systematisch geassocieerd met bredere rijbanen, de aanwezigheid van oversteekplaatsen en haltes voor openbaar vervoer, en meer open visuele velden (hogere proporties lucht- en wegpixels). Daarentegen is een dichtere bebouwde frontbreedte (hogere proporties gebouwpixels) geassocieerd met een lagere intensiteit van hard rijgedrag.
Temporele Dynamiek: Absolute harde scores pieken tijdens de ochtend- en avondspits op werkdagen, wat de verkeersdichtheid reflecteert. Echter, de op de blootstelling genormaliseerde harde ratio's pieken tijdens de nachtelijke uren, met name in het weekend, wat wijst op een hoger risico per voertuig tijdens deze perioden.
Gradiënt in Fietsinfrastructuur: De casestudy identificeerde een significante gradiënt in de intensiteit van harde gebeurtenissen over de verschillende typen faciliteiten. Relatief ten opzichte van fysiek gescheiden fietspaden:
- Louter gemarkeerde rijstroken zijn geassocieerd met een 19,5% hogere harde score.
- Configuraties waarbij de weg gedeeld wordt met voertuigen zijn geassocieerd met een 11,5% hogere harde score.
  Deze associaties blijven standhouden onder controle voor expositie en weggeometrie.

Belangrijkste Bijdragen

Schaal en Dataintegratie: De studie breidt de ruimtelijke analyse van harde gebeurtenissen uit naar een orde van grootte grotere steekproef dan eerder werk, door telematica van 4,2 miljoen voertuigen te integreren met open geospatiale en visuele data op pixelniveau.
Methodologisch Kader: Het demonstreert een reproduceerbare pijplijn voor het construeren van stedelijke wegnetwerkdatasets die grootschalige telematica combineren met semantische segmentatie van straatbeelden.
Controle op Expositie: Het introduceert een onafhankelijke maatstaf voor verkeersvolume (TomTom probe counts) om de blootstelling te controleren, waarmee verder wordt gegaan dan eenvoudige passage-tellingen.
Beleid relevante Inzichten: De bevindingen ondersteunen contextspecifieke veiligheidsinterventies in plaats van uniforme benaderingen, waarbij de rol van visuele openheid en fysieke scheiding in de fietsinfrastructuur wordt benadrukt.

Betekenis en Claims
Het artikel beweert dat grootschalige telematica, wanneer gecombineerd met open geospatiale en visuele data, effectief kan bijdragen aan de besluitvorming rondom Vision Zero op metropolitaans niveau. De resultaten suggereren dat "open" visuele velden (brede wegen, hoge zichtbaarheid van de lucht) agressiever rijgedrag kunnen stimuleren, terwijl dichtere bebouwde omgevingen kunnen fungeren als natuurlijke kalmeringsmechanismen. Bovendien levert de analyse van de fietsinfrastructuur empirisch bewijs dat fysieke scheiding geassocieerd is met een lagere intensiteit van hard rijged 통한 vergeleken met geschilderde banen of gemengd verkeer, wat de prioritering van gescheiden infrastructuur waar mogelijk ondersteunt.

De auteurs hanteren een bescheiden standpunt door te benadrukken dat de analyse observationeel is en geen causaliteit kan vaststellen. Zij erkennen beperkingen zoals niet-gemeten verstorende variabelen (bijv. handhavingsintensiteit, sociaaleconomische context), de statische aard van de OSM-snapshot versus variabele GSV-opnamegegevens, en de harmonisatie van verschillende OBU-apparaattypen. Bijgevolg worden de gerapporteerde coëfficiënten voor de fietsinfrastructuur gepresenteerd als associaties binnen de specifieke steekproef, in plaats van een definitieve causale rangschikking van ontwerptypen.