🌧️ Nasses Wetter und nächtliche Kurvenfahrten auf Landstraßen: Lektionen aus dem Departement Calvados

‍DerKontext

Das Calvados liegt im Herzen der Normandie und ist eine Landschaft mit sanften Hügeln und alten Hecken, in der jede gewundene Straße eine Geschichte erzählt, die Jahrhunderte zurückliegt. Diese ländlichen Wege schlängeln sich durch Landschaften, die Zeuge der normannischen Invasion Englands und der D-Day-Landung waren, und tragen den Hauch der Geschichte in ihren abgenutzten Kanten und verwitterten Oberflächen.

‍

Entlang der Küste bieten die routes départementales atemberaubende Ausblicke auf den Ärmelkanal und folgen in dramatischen Kurven den Konturen der Kreidefelsen. Im Landesinneren schlängeln sich die Straßen durch eine Landschaft mit steinernen Bauernhäusern und Calvados-Brennereien, in denen der berühmte Apfelschnaps hergestellt wird, der den Namen des Departements trägt.

‍

‍

Die Herausforderung, diese poetischen, aber prekären Wege zu erhalten, ist einzigartig in Kalifornien. Moderne Lastwagen und landwirtschaftliche Maschinen müssen auf Wegen fahren, die ursprünglich für Pferdefuhrwerke angelegt wurden. Scharfe Kurven, die einst die berittenen Boten verlangsamten, stellen heute die Grenzen der modernen Fahrzeuge auf die Probe, vor allem unter den regennassen Bedingungen, die in diesem maritimen Departement üblich sind.

‍

Der Wert von Cornering Data

Die Straßenverkehrssicherheit im ländlichen Raum ist mit besonderen Herausforderungen verbunden, die sich deutlich vom Straßenmanagement in Städten unterscheiden. In einem weiten Gebiet ist es nicht möglich, Sensoren und Verkehrskameras in großem Umfang zu unterhalten, so dass große Informationslücken bestehen. Vernetzte Fahrzeugdaten bieten einen einzigartigen Einblick in das Verhalten von Fahrern in ländlichen Gebieten wie dem Calvados. Da die Daten generiert und gesammelt werden, bevor die Behörde überhaupt weiß, dass sie benötigt werden, ergeben sich im Vergleich zur Installation und Wartung teurer Hardware erhebliche Kosteneinsparungen. Und da die Fahrzeuge auf dem gesamten Straßennetz unterwegs sind, werden Verhaltens- und Nutzungsinformationen für praktisch jede Straße erfasst, selbst bei einer relativ kleinen Stichprobe der Gesamtzahl der Fahrzeuge.

‍

Vianova arbeitet mit einer Reihe von Datenanbietern zusammen, die über Daten sowohl im städtischen als auch im ländlichen Kontext verfügen. Einige Eingaben sind ähnlich und für beide nützlich - zum Beispiel das Fahrzeugaufkommen auf einer Straße und die durchschnittliche oder 85-prozentige Geschwindigkeit auf dem Abschnitt. Einige Daten sind jedoch für den einen Ort besonders aufschlussreich im Vergleich zum anderen. Auf Landstraßen zum Beispiel ist die Anzahl der Schnellbremsungen (oder "Vollbremsungen") relativ selten, da weniger Fahrzeuge über ein größeres Gebiet verteilt sind als in städtischen Gebieten. Außerdem gibt es auf Landstraßen relativ wenige Konflikte zwischen Fahrzeugen und anderen Verkehrsträgern, wie Radfahrern und Fußgängern.

‍

Vernetzte Fahrzeuge können jedoch auch einzigartige Erkenntnisse über das Ausweich- und Kurvenverhalten liefern. Kurvenfahrten treten auf, wenn ein Fahrzeug beim Durchfahren einer Kurve erheblichen seitlichen Kräften ausgesetzt ist. Unser Datensatz erfasst diese Ereignisse, indem er sowohl die Geschwindigkeit des Fahrzeugs als auch die während der Kurve auftretenden g-Kräfte misst. Wenn ein Fahrzeug mit einer Geschwindigkeit von 50 km/h oder mehr in eine Kurve einfährt und dabei Seitenkräfte erfährt, die vorgegebene Schwellenwerte überschreiten, protokolliert das System dies als Kurvenereignis.

‍

Gefährliche Kurvenfahrten kommen auf Landstraßen relativ häufig vor, da es nur wenige konstruktive Hinweise gibt, die zum Abbremsen auffordern. Im Rahmen einer sechsmonatigen Datenstichprobe haben wir mehr als 1,3 Millionen harte Kurvenfahrten im Calvados analysiert, von denen sich fast 60 % auf von den Straßenbauämtern verwalteten Straßen ereigneten. Die Analyse zeigt Muster auf, die die Straßenbauämter nutzen können, um die Verkehrssicherheit zu erhöhen und das Unfallrisiko zu verringern.

‍

‍

Kurvenfahren im Calvados

In unserer Studie wurden etwa 1,37 Millionen Kurvenfahrten in Calvados, Frankreich, analysiert. Jedes Kurvenereignis in unserem Datensatz enthielt wichtige Informationen wie genaue Ortskoordinaten, Zeitstempel, Geschwindigkeitsmessungen und Kraftmessungen, die die Schwere des Kurvenmanövers anzeigten.

‍

Wir waren vor allem daran interessiert, die Auswirkungen auf die Straßen des Departements zu verstehen. Wir haben eine Karte des Institut National de l'information Géographique et Forestière (IGN) mit den vom Departement verwalteten Straßen im Departement herangezogen. Diese 9.422 Straßenabschnitte des Straßennetzes des Departements Calvados verbinden Städte und Dörfer miteinander, meiden aber weitgehend das Zentrum von Großstädten wie Caen und Bayeux. Mehr als 60 % der gesamten Kurvenereignisse entfielen auf diese Straßen, der Rest lag hauptsächlich auf größeren Straßen (Autobahnen mit beschränktem Zugang oder routes nationales).

‍

‍

Die Wetterbedingungen für jedes Ereignis wurden über die Meteostat-API ermittelt, die historische Wetterbeobachtungen liefert. Unser System fragte für jedes Ereignis die nächstgelegene Wetterstation ab und sammelte Daten über die Niederschlagsmenge in Millimetern und die Sichtverhältnisse. Um die Genauigkeit zu gewährleisten, glichen wir die Wetterdaten innerhalb eines Zeitfensters von einer Stunde um den Zeitstempel des jeweiligen Ereignisses ab. Darüber hinaus haben wir ein vereinfachtes Tageszeitmodell für Nordfrankreich mit monatlichen Sonnenaufgangs- und Sonnenuntergangszeiten implementiert, das es uns ermöglicht, Ereignisse entweder als tagsüber oder nachts stattfindend zu klassifizieren.

‍

Die Ereignisse wurden durch mehrere Dimensionen charakterisiert: Schweregrad auf der Grundlage von Kraftmessungen, Geschwindigkeitskategorien, die von niedrig (unter 30 km/h) bis sehr hoch (über 70 km/h) reichten, Umweltbedingungen, einschließlich der Unterscheidung zwischen Tag und Nacht sowie Regen und Trockenheit, und detaillierte Kurvenmerkmale, die sowohl Richtung als auch Schärfe beschreiben. Um die Datenqualität zu erhalten, wurden mehrere Kontrollmaßnahmen durchgeführt, darunter der Ausschluss von Ereignissen mit Geschwindigkeiten über 130 km/h, die Forderung nach gültigen Geschwindigkeitsmessungen über 0 km/h, die Überprüfung der GPS-Genauigkeit der Standortdaten und die zeitliche Validierung des Wetterdatenabgleichs.

‍

‍

Erkenntnisse und Maßnahmen

Die statistische Analysekomponente unserer Studie konzentrierte sich auf den Vergleich verschiedener Metriken zwischen Straßen in und außerhalb des Departements, wobei Unterschiede bei den durchschnittlichen Kurvenkräften, der Geschwindigkeitsverteilung, den Raten schwerer Ereignisse, den Auswirkungen der Wetterbedingungen und den Tageszeiten untersucht wurden.

‍

Die Einstufung des Schweregrads dieser Ereignisse ist besonders aufschlussreich. Von den aufgezeichneten Ereignissen wurden 39,3 % als schwer eingestuft, während 14,2 % ein extremes Niveau erreichten. Dies sind nicht nur Zahlen - sie stehen für potenzielle Beinaheunfälle und gefährliche Situationen, die zu Unfällen führen können.

‍

Die Geschwindigkeitsbereiche sind sehr aufschlussreich. Bei niedrigeren Geschwindigkeiten (0-30 km/h) wurden nur 24 % der Ereignisse als moderat eingestuft. Im Geschwindigkeitsbereich von 91-130 km/h waren jedoch 46,6 % der Kurvenunfälle extrem, während die restlichen 53,4 % als schwer eingestuft wurden. Diese Entwicklung zeigt deutlich, wie höhere Geschwindigkeiten die mit scharfen Kurven verbundenen Risiken verstärken.

‍

Unsere Ergebnisse zeigten deutliche zeitliche Risikomuster, wobei die Hochrisikoperioden am frühen Morgen (2 bis 4 Uhr morgens) und am späten Abend (20 bis 23 Uhr) auftraten, obwohl es sich dabei um verkehrsarme Zeiten handelte. Das Verkehrsaufkommen erreichte während der normalen Hauptverkehrszeiten seinen Höhepunkt, aber die Schwere der Unfälle war in diesen Zeiten mit hohem Verkehrsaufkommen tatsächlich geringer. Dies deutet darauf hin, dass die Tageszeit ein wichtigerer Risikofaktor sein könnte als das Verkehrsaufkommen allein. Die Stärke der Kräfte zeigte ein klares Tagesmuster, wobei in verkehrsarmen Zeiten höhere Werte verzeichnet wurden. Dieses Muster deutet auf die Notwendigkeit verstärkter Sicherheitsmaßnahmen in den Morgenstunden hin, möglicherweise durch verbesserte Beleuchtung oder Beschilderung.

‍

‍

Die straßenspezifische Analyse ergab mehrere bemerkenswerte Muster. Die D30 erwies sich mit einer Rate von 30,5 % schwerer Ereignisse (±2,1 % Konfidenzintervall) als der risikoreichste Straßenabschnitt. Die Ereignisdichte variierte dramatisch zwischen den Straßen und reichte von 191,7 bis 5.923,8 Ereignissen pro Kilometer, was auf erhebliche Unterschiede in der Risikoexposition hinweist. Interessanterweise fanden wir keine starke Korrelation zwischen dem Ereignisvolumen und der Schweregradrate, was darauf hindeutet, dass stark befahrene Straßen nicht unbedingt gefährlicher für anormale Kurvenereignisse sind.

‍

‍

Linksabbieger sind durchweg mit höheren Risiken behaftet als Rechtsabbieger, mit Schweregraden von 10,1 % im Vergleich zu 8,1 % bei Rechtsabbiegern. Dieser Unterschied ist nicht nur statistisch signifikant, sondern geht auch mit systematisch höheren Kraftstärken (446,3 gegenüber 438,7) und höheren Durchschnittsgeschwindigkeiten (40,4 km/h gegenüber 36,3 km/h) beim Linksabbiegen einher. Die Konsistenz dieser Ergebnisse über verschiedene Messgrößen hinweg deutet auf einen grundlegenden Unterschied im Risikoprofil zwischen Links- und Rechtsabbiegemanövern hin.

‍

Einzelne Straßenabschnitte weisen bemerkenswerte Unterschiede in den Risikomustern auf. Die D30 zeichnet sich durch einen ungewöhnlich hohen Anteil an schweren Rechtsabbiegern aus (36,8 %), während die D263 das höchste Risiko für Linksabbieger aufweist (35,2 %). Die Tatsache, dass es sich bei sieben der zehn risikoreichsten Abschnitte um Linksabbieger handelt, unterstreicht das allgemeine Muster des Linksabbiegerrisikos, aber das Vorhandensein einiger risikoreicher Rechtsabbiegeorte (wie die D30) deutet darauf hin, dass die lokale Straßengeometrie und -bedingungen die allgemeinen Muster außer Kraft setzen können. Dies deutet darauf hin, dass systemische Ansätze für die Sicherheit von Linksabbiegern zwar wichtig sind, aber bei Sicherheitsverbesserungen auch ortsspezifische Faktoren berücksichtigt werden müssen.

‍

Besonders interessant ist der Geschwindigkeitsunterschied zwischen Links- und Rechtsabbiegern (im Durchschnitt 4,1 km/h). Höhere Geschwindigkeiten beim Linksabbiegen können das erhöhte Risiko teilweise erklären, aber die Beziehung ist nicht eindeutig - die Korrelation zwischen Geschwindigkeit und Kraft ist relativ schwach (r=-0,024 für Linksabbieger, r=-0,007 für Rechtsabbieger), was darauf hindeutet, dass andere Faktoren wie die Abbiegegeometrie, die Sichtverhältnisse oder die Verhaltensmuster der Fahrer eine wichtige Rolle spielen. Die Boxplots der Kraftverteilung zeigen für beide Abbiegerichtungen ähnliche Muster von Ausreißern, was darauf hindeutet, dass Extremereignisse unabhängig von der Abbiegerichtung auftreten, auch wenn sie bei Linksabbiegern häufiger vorkommen.

‍

‍

Umweltfaktoren spielten eine weniger bedeutende Rolle als erwartet. Regen hatte nur minimale Auswirkungen auf die Schwere des Ereignisses, und die Nachtbedingungen wiesen ähnliche Risikomuster auf wie die Tageszeit. Dies deutet darauf hin, dass die Straßenbeschaffenheit und die Tageszeit für die Wahrscheinlichkeit und den Schweregrad anormaler Kurvenfahrten einflussreichere Faktoren sein könnten als das Wetter oder die Lichtverhältnisse. Die Tatsache, dass riskante Kurvenfahrten bei nassem Wetter nicht abnahmen, ist jedoch ein Warnsignal, da diese unsicheren Kurvenfahrten in Kombination mit den Straßenverhältnissen und den eingeschränkten Sichtverhältnissen bei nassem Wetter zu einer Kollision führen können.

‍

Diese Ergebnisse haben erhebliche Auswirkungen auf die Straßenverkehrssicherheit und die Infrastrukturplanung. Die Identifizierung spezifischer risikoreicher Straßenabschnitte in Verbindung mit klaren zeitlichen Mustern legt die Notwendigkeit gezielter, zeitspezifischer Sicherheitsmaßnahmen nahe. Die komplexe Beziehung zwischen Geschwindigkeit und Ereigniseigenschaften stellt einfache geschwindigkeitsbezogene Risikobewertungen in Frage und legt die Notwendigkeit differenzierterer Ansätze für die Verkehrssicherheit nahe. Orte mit hoher Ereignisdichte verdienen besondere Aufmerksamkeit bei der Überprüfung der Infrastruktur, während die beobachteten Präferenzen für die Abbiegerichtung bei unterschiedlichen Geschwindigkeiten in die Überlegungen zur Straßengestaltung einfließen sollten.

‍

Straßen mit einer hohen Anzahl von Kurvenereignissen waren unabhängig von den Bedingungen weitgehend gleich, aber die Reihenfolge der Prioritäten variierte leicht.

‍

‍

Ergebnisse

In Zukunft können diese Erkenntnisse dazu beitragen, gezielte Interventionen im Bereich der Straßenverkehrssicherheit und der Infrastrukturplanung vorzunehmen. Die eindeutigen Muster bei den zeitlichen Risiken und straßenspezifischen Merkmalen deuten auf Möglichkeiten für dynamische Sicherheitsmaßnahmen und gezielte Infrastrukturverbesserungen hin. Weitere Analysen könnten die spezifischen Merkmale von Straßenabschnitten mit hohem Risiko und die Faktoren, die zu ihren erhöhten Risikoprofilen beitragen, untersuchen.

‍

Für die Straßenbauämter in ländlichen Gebieten bieten diese Daten mehrere verwertbare Erkenntnisse. Erstens müssen Kurven, die immer wieder schwere Kurvenereignisse hervorrufen, möglicherweise neu gestaltet oder mit verbesserten Warnsystemen ausgestattet werden. Zweitens deutet die Korrelation zwischen Geschwindigkeit und Unfallschwere darauf hin, dass die strategische Platzierung von Maßnahmen zur Geschwindigkeitsreduzierung vor schwierigen Kurven die Sicherheit erheblich verbessern könnte. Und schließlich zeigen die zeitlichen Muster, wann eine verstärkte Kontrolle oder Überwachung am effektivsten sein könnte.

‍

Durch das Verständnis dieser Muster können Autobahnbehörden von reaktiver Instandhaltung zu proaktivem Sicherheitsmanagement übergehen. Anstatt auf Unfälle zu warten, um gefährliche Kurven zu identifizieren, ermöglichen Daten zu Kurvenereignissen präventive Eingriffe, bevor es zu Unfällen kommt.

‍

‍

Über Vianova

Vianova ist die Datenanalyselösung für den Betrieb der Mobilitätswelt. Unsere Plattform nutzt die Leistungsfähigkeit von vernetzten Fahrzeugen und IoT-Daten, um verwertbare Erkenntnisse für die Planung sicherer, umweltfreundlicher und effizienter Verkehrsinfrastrukturen zu liefern.

‍

Von der Regulierung der geteilten Mobilität über die Umgestaltung der letzten Meile bis hin zur Kartierung von Risikopunkten im Straßenverkehr - Vianova unterstützt mehr als 150 Städte, Flottenbetreiber und Unternehmen auf der ganzen Welt dabei, die Art und Weise zu verändern, wie sich Menschen und Güter bewegen.

‍

Möchten Sie mehr erfahren? Besuchen Sie unsere Seite und nehmen Sie Kontakt auf.