Trafikdage 2017, Aalborg Universitet, d. 28-29. august Cyklistuheld hvilken betydning har vejen, køretøjet og trafikanten Kira Hyldekær Janstrup, Mette Møller og Ninette Pilegaard {kija, mette, nipi}@dtu.dk
Baggrund Hvilke faktorer der bidrager til om et trafikuheld finder sted er af stor betydning for at kunne udarbejde målrettede forebyggende tiltag Underrapportering er et velkendt fænomen og især cyklisterne er i særlig grad underrapporterede i de officielle uheldsstatistikker Internationale studier har vist at dårlig vejbelægning kan give trafikforstyrrelser og øge uheldsrisikoen Spørgeskemastudier har parallelt vist at størstedelen af cyklistuheldene skyldes vejens tilstand og udformning
Omkostninger
Formål Opnå en bedre og mere detaljeret forståelse af hvorfor cyklistuheld sker Hvilken betydning har vejens tilstand og omgivelser, køretøjets stand samt trafikantens adfærd på om uheldet sker Findes der en særlige gruppe af cyklister som er mere uheldsinvolveret på veje med en dårlig stand
Data Tilskadekomne cyklister som har henvendt sig til akutmodtagelsen i Århus i perioden 2010-2015. 4205 cyklister opsøgte akutmodtagelsen Info som: køn, alder, skadesgrad, uheldssituation, føre m.fl. 3331 cyklister kunne kædes til et besigtiget vejstykke Info som: rabatopspring, rabatfald, slaghuller, krakeleringer, afskalninger, rivninger, tværfald, skader på riste m.fl. ÅDT for cyklister på vejstrækningerne hvor uheldene er sket Kategorier benyttet i analyse Årsdøgnstrafik 1 2 3 4 5 Antal cyklister 0-500 501-1500 1501-3000 3001-5000 >5001
Semi-kvalitativ analyse Identifikationen af uheldsfaktorer Køretøjsfaktor (KF) en defekt ved køretøjet (fx punktering) Vejfaktor (VF) vejens tilstand eller omgivelser (fx glat føre, huller) Trafikantfaktor (TF) Cyklistens egen adfærd (fx distraktion, alkohol) Modpart (MP) modpartens adfærd (fx drejer ind foran patienten) Ukendt faktor (UF) mangelfulde oplysninger (fx faldet på cyklen) Blank (B) Ingen beskrivelse af uheldet
Semi-kvalitativ analyse Gennemgang af kommentarfelter: 340 observationer (B) og 664 observationer (UF) Fuld på cykel, ville undvige glasskår og vælter, hudafskrabninger Væltet på cykel, skred i sving, hudafskrabning på knæ og mave Cyklen foran ham bremser pludseligt op og han rammer ind i den og vælter. Ville undvige en "vejarbejde jernplade", der lå på cykelsti. Bildør åbner og cyklist rammer da hun kører forbi.
Kvantitativ analyse Latent Class Clustering Gruppering af sammenlignelige cyklister? G1 G2 G3 8 grupper blev identificeret
Resultater fundne uheldsfaktorer Uheldsfaktorer for 2327 cyklister Uheldsfaktor MP TF VF KF I alt MP 823 1 73 2 899 TF 1 710 80 0 791 VF 73 80 570 5 728 KF 2 0 5 63 70 I alt 899 791 728 70 2488 Modparten: angivet i 39% af uheldene, ene faktor i 35% af uheldene Trafikanten: angivet i 34% af uheldene, ene faktor i 31% af uheldene Vejen: angivet i 31% af uheldene, ene faktor i 25% af uheldene Køretøjet: angivet i 3% af uheldene, ene faktor i 2% af uheldene Flere uheldsfaktorer: 7% af uheldene
Resultater aldersgrupper og køn Uheldsfaktorer fodelt på alder og køn MP TF VF KF Variabel kategori antal % antal % antal % antal % Køn Mand 412 46 400 51 348 48 52 74 Kvinde 487 54 391 49 380 52 18 26 Aldersgruppe 0-8 år 9 1 14 2 8 1 0 0 9-17 år 42 5 65 8 62 9 7 10 18-29 år 424 47 297 38 260 36 35 50 30-45 år 186 21 148 19 142 20 16 23 46-65 år 205 23 212 27 195 26 12 17 66 år + 33 4 55 7 61 8 0 0
Resultater Underkategorier Underkategorier for KF Kategori antal % Bremser 10 14 Defekt diverse 23 33 Gear 5 7 Kæde 32 46 Underkategorier for VF Kategori antal % Belægning 51 7 Design 113 16 Genstand på vej 74 10 Glat eller vådt 230 32 Kantsten 145 20 Vejarbejde 47 7 Vejr 17 2 Underkategorier for TF Kategori antal % Alkohol 205 26 Bekædning, taske mm. 69 9 Betjeningsfejl 57 7 Distraktion 30 4 Høj fart 78 10 Lovovertrædelse 25 3 Trægning 61 8 Fysisk tilstand 16 2 Miste kontrol 24 3 Uopmærksom 166 21
Resultater- Latent Class Clustering C1: problemer med kantsten Vej og uheldskarakteristika: Ene- og krydsuheld Dagslys og tørt føre ÅDT 3001-5000 cyklister Acceptabel vejtilstand God cykelsti Mange lapper og lunker Kantsten højde på over 7 cm Data karakteristika: 4% af alle cyklister Uskadte Person karakteristika: Begge køn 18-29 år TF: 21%, VF: 22%, KF 2% og MP: 32%
Resultater- Latent Class Clustering C2: ringe belægning Vej og uheldskarakteristika: Eneuheld Dagslys og tørt føre ÅDT 0-500 cyklister Dårlig vejtilstand Ingen info om cykelsti Mange lapper, lunker, rivninger m.fl. Slaghuller Rabat opspring og fald Data karakteristika: 9% af alle cyklister Alvorlige personskader Person karakteristika: Mænd/drenge 0-8 år 9-17 år + 66 år Hjelmbruger TF: 30%, VF: 25%, KF 4% og MP: 8%
Resultater- Latent Class Clustering C3: Krydsuheld Vej og uheldskarakteristika: Krydsuheld og uheld med svingning Dagslys og tørt føre ÅDT fordelt Dårlig cykelsti stand Mange lapper, lunker, rivninger m.fl. Data karakteristika: 19% af alle cyklister Alle typer personskader Person karakteristika: Begge køn 18-29 år TF: 8%, VF: 1%, KF 0% og MP: 62%
Resultater- Latent Class Clustering C4: Alkohol påvirkede cyklister Vej og uheldskarakteristika: Eneuheld Mørke og ukendt føre ÅDT over 5000 cyklister Ingen info om cykelsti Mange rivninger m.fl. Slaghuller Data karakteristika: 6% af alle cyklister Uskadte Person karakteristika: Mænd 18-29 år TF: 100%, VF: 11%, KF 0% og MP: 0%
Resultater- Latent Class Clustering C5: God belægning og modparten Vej og uheldskarakteristika: Krydsuheld eller med sving Dagslys og tørt føre ÅDT spredt Ingen info cykelstiens stand Rigtig god belægning Ingen vejskader Data karakteristika: 13% af alle cyklister Dræbte Cykelhjelm Person karakteristika: Begge køn Mellem 18-65 år TF: 7%, VF: 1%, KF 0% og MP: 71%
Resultater- Latent Class Clustering C6: Glat føre og dårlig belægning Vej og uheldskarakteristika: Eneuheld Mørke og glat føre ÅDT spredt Cykelsti og lige vej Vejarbejde Slaghuller Rivninger m.fl. Data karakteristika: 10% af alle cyklister Ingen dræbte Person karakteristika: Kvinder Over 30 år TF: 1%, VF: 75%, KF 0% og MP: 3%
Resultater- Latent Class Clustering C7: Eneuheld på store veje Vej og uheldskarakteristika: Eneuheld Dagslys og tørt føre ÅDT større end 3000 Ingen vinter uheld Acceptabel cykelsti stand Slaghuller, rivninger og lapper Data karakteristika: 23% af alle cyklister Alle typer personskader Person karakteristika: Begge køn Alle aldersgrupper TF: 26%, VF: 27%, KF 5% og MP: 11%
Resultater- Latent Class Clustering C8: Eneuheld og god belægning Vej og uheldskarakteristika: Eneuheld eller lige ud på samme vej Dagslys og tørt føre ÅDT spredt Ingen info om cykelsti Rigtig god belægning Ingen vejskader Data karakteristika: 15% af alle cyklister Lette personskader Person karakteristika: Begge køn Over 66 år TF: 37%, VF: 27%, KF 4% og MP: 6%
Konklusion og perspektivering Værdifuld info i uheldsdata fra akutmodtagelsen hvor en langt større andel af cyklistuheldene findes Ikke kun alkohol, distraktion og uopmærksomhed er et adfærdsproblem, men også beklædning i hjulet og høj fart. For (KF) var der især problemer med kæden og andre defekter, men også en del hvor bremsen havde sat sig fast Vejen har en større betydning for cyklistuheld end hidtil påvist, (VF) 31%. Ting som belægningsskader og design kan altså være et problem
Konklusion og perspektivering Usikre trafikanter er i højere grad involverede i cyklistuheld steder hvor belægningen er dårlig Alkohol og yngre mænd er en uheldsgruppe for sig, men de kommer ikke så slemt til skade Uheld hvor modparten er identificerede som uheldsfaktor er mere alvorlige uheld Kvindelige cyklister er i højere grad i uheld på veje med dårlig belægning, ved vejarbejde og i glat føre end mænd
Trafikdage 2017, Aalborg Universitet, d. 28-29. august Spørgsmål og kommentarer