Cyklistuheld – hvilken betydning har vejen, køretøjet og trafikanten
Kira Hyldekær Janstrup, Mette Møller og Ninette Pilegaard {kija, mette, nipi}@dtu.dk
Trafikdage 2017, Aalborg Universitet, d. 28-29. august
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
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
Formål
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
Årsdøgnstrafik 1 2 3 4 5
Antal cyklister 0-500 501-1500 1501-3000 3001-5000 >5001 Kategorier benyttet i analyse
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)
Ville undvige en "vejarbejde jernplade", der lå på cykelsti.
Fuld på cykel, ville undvige glasskår og vælter,
hudafskrabninger
Cyklen foran ham bremser pludseligt op og han rammer ind i den og vælter.
Væltet på cykel, skred i sving, hudafskrabning på knæ og mave
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
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
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
Uheldsfaktorer for 2327 cyklister
Resultater – aldersgrupper og køn
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
Uheldsfaktorer fodelt på alder og køn
MP TF VF KF
Resultater – Underkategorier
Kategori antal %
Bremser 10 14
Defekt diverse 23 33
Gear 5 7
Kæde 32 46
Underkategorier for KF
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
Underkategorier for TF
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 VF
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
Person karakteristika:
• Begge køn
• 18-29 år
Data karakteristika:
• 4% af alle cyklister
• Uskadte
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
Person karakteristika:
• Mænd/drenge
• 0-8 år
• 9-17 år
• + 66 år
• Hjelmbruger
Data karakteristika:
• 9% af alle cyklister
• Alvorlige personskader
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.
Person karakteristika:
• Begge køn
• 18-29 år
Data karakteristika:
• 19% af alle cyklister
• Alle typer personskader
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
Person karakteristika:
• Mænd
• 18-29 år
Data karakteristika:
• 6% af alle cyklister
• Uskadte
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
Person karakteristika:
• Begge køn
• Mellem 18-65 år Data karakteristika:
• 13% af alle cyklister
• Dræbte
• Cykelhjelm
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.
Person karakteristika:
• Kvinder
• Over 30 år
Data karakteristika:
• 10% af alle cyklister
• Ingen dræbte
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
Person karakteristika:
• Begge køn
• Alle aldersgrupper Data karakteristika:
• 23% af alle cyklister
• Alle typer personskader
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
Person karakteristika:
• Begge køn
• Over 66 år
Data karakteristika:
• 15% af alle cyklister
• Lette personskader
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
Vejen har en større betydning for cyklistuheld end hidtil påvist, (VF) 31%. Ting som belægningsskader og design kan altså være et
problem
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
Konklusion og perspektivering
Usikre trafikanter er i højere grad involverede i cyklistuheld steder hvor belægningen er dårlig
Kvindelige cyklister er i højere grad i uheld på veje med dårlig belægning, ved vejarbejde og i glat føre end mænd
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
Trafikdage 2017, Aalborg Universitet, d. 28-29. august