Automatisk trafiksäkerhetskontroll (ATK) En studie av effekterna på fordonshastigheter

Automatisk trafiksäkerhetskontroll (ATK) En studie av effekterna på fordonshastigheter Automatic speed cameras A study of the effects on vehicle speed Fredrik Bergdahl U.U.D.M. Project Report 2007:27 Examensarbete i matematik, 30 högskolepoäng Handledare: Svante Berg Ämnesgranskare: Sven Erick Alm Examinator: Tomas Nyberg Oktober 2007 Department of Mathematics Uppsala University

Abstract Automatisk trafiksäkerhetskontroll (ATK) - En studie av effekterna på fordonshastigheter Automatic speed cameras - A study of the effects on vehicle speeds Teknisk- naturvetenskaplig fakultet UTH-enheten Besöksadress: Ångströmlaboratoriet Lägerhyddsvägen 1 Hus 4, Plan 0 Postadress: Box 536 751 21 Uppsala Telefon: 018 471 30 03 Telefax: 018 471 30 00 Hemsida: http://www.teknat.uu.se/student Fredrik Bergdahl In 2006, a new safety camera system was introduced in Sweden. 700 safety cameras were established by The National Road Administration in cooperation with the Police. The aim with the safety cameras is to reduce vehicle speed and thereby reduce the number of persons injured and killed in traffic. In this report the effects of the cameras on vehicle speeds have been studied. The report is based on speed measurements made by The National Road Administration Consulting Services Directorate before and after the introduction of safety cameras. Data from slightly less then 4 million passing cars were used in the analyses. In the report statistical parameters and diagrams are presented to quantify the effects of the cameras and to help comparing different conditions at the measured sites. The report also describes methods to manage large sets of data, and give suggestions on further studies. The results in the report show a significant reduction on average speeds, on proportions breaking the speed limit and on the spreading of vehicle speeds at safety camera sites. The magnitudes of the effects were depending on the type of vehicle, the speed limit and the distance from the cameras. Generally the magnitude of the effect was larger among passenger cars than among trucks, at lower speed limits than higher and near the cameras than farer away. Handledare: Svante Berg Ämnesgranskare: Sven Erick Alm Examinator: Tomas Nyberg ISSN: 1401-5757, UPTEC F07097 Sponsor: Vägverket

Sammanfattning Under år 2006 etablerade Vägverket i samarbete med polisen cirka 700 trafiksäkerhetskameror. Syftet med dessa är att sänka hastigheterna och därmed minska antalet döda och skadade i trafiken. I detta examensarbete har effekterna som kamerorna har haft på fordonshastigheter studerats. Arbetet bygger på data från mätningar gjorda av Vägverket Konsult på sträckor före och efter monteringen av kamerorna. Totalt användes data från knappt 4 miljoner fordonspassager. I rapporten presenteras statistiska parametrar och diagram med uppdelning på olika betingelser för att kunna jämföra dessa. Vidare beskrivs i arbetet metoder för att hantera stora mängder data, och förslag till vidare studier ges. Resultaten av arbetet visar att automatisk trafiksäkerhetskontroll (ATK) har haft en reducerande effekt på medelhastigheter, hastighetsöverträdelser och hastighetsspridning. Storleken på den reducerande effekten varierade beroende på typen av fordon, den gällande hastighetsbegränsningen och mätplatsens placering. Generellt sett var effekten bättre för personbilar än lastbilar, vid lägre hastighetsbegränsningar än högre och närmare kameror än längre ifrån. 3

1 INLEDNING... 7 1.1 PROBLEMFORMULERING OCH SYFTE... 7 1.2 BAKGRUND... 7 1.2.1 Tidigare forskning om automatisk trafiksäkerhetskontroll (ATK)... 8 1.2.2 Potensmodellen sambandet mellan hastighet och olyckor... 9 1.3 FRÅGESTÄLLNINGAR... 10 2 METOD... 11 2.1 URVAL... 11 2.1.1 Rekommendationer för ATK-sträcka... 11 2.1.2 Urval av mätplatser... 11 2.1.3 Urval av fordon... 13 2.2 MÄTMETOD... 13 2.2.1 Mätning med METOR 3000... 13 2.3 BORTFALL... 17 2.3.1 Bortfall av registrerade fordon... 17 2.3.2 Bortfall av mätpunkter... 18 2.4 DATAINSAMLING... 18 2.4.1 Insamling av data från trafikmätningar... 18 2.4.2 Insamling av data om mätplatser... 19 2.5 DATABEARBETNING... 20 2.6 BEHANDLING OCH LAGRING AV DATA... 21 2.6.1 Beskrivning av databasen för mätdata från slang... 21 2.6.2 Databearbetning... 23 2.6.3 Beskrivning av vyer i SQL-Server... 24 2.6.4 Framtagning av hasighetsöverträdelser... 24 2.6.5 Beskrivning av Qlikview... 25 2.7 VALIDERING AV DATA... 25 2.7.1 Validering av kvalitén på mätdata... 25 2.7.2 Validering av rimligheten av mätdata... 26 2.7.3 Validering av information om mätplatser... 26 2.8 PARAMETRAR OCH DIAGRAM... 27 2.8.1 Parametrar... 27 2.8.2 Diagram... 29 2.9 ANALYS AV DATA... 30 2.9.1 Centrala gränsvärdessatsen och normalfördelade värden... 31 2.9.2 Upprepade signifikanstest... 32 4

2.9.3 Alternativ metod för test... 33 2.9.4 Variansanalys och test med Tukey... 35 3 RESULTAT... 36 3.1 RIKSVÄG 50 E LÄNSGRÄNS ÅSBRO... 36 3.1.1 Medelhastigheter... 36 3.1.2 Hastighetsöverträdelser... 37 3.1.3 Kumulativa hastighetsfördelningar uppdelat på skyltad hastighet... 40 3.1.4 Medelhastighetens utveckling över dygnet för personbilar... 41 3.1.5 Medelhastighetens utveckling över veckan... 43 3.1.6 Percentiler...43 3.1.7 Spridning... 44 3.1.8 Lådagram uppdelat på skyltad hastighet och placering för personbil och lastbil... 45 3.2 SAMLADE MÄTPUNKTER... 46 3.2.1 Medelhastigheter... 46 3.2.2 Hastighetsöverträdelser... 48 3.2.3 Medelhastighetens utveckling över dygnet... 49 3.2.4 Hastighetens utveckling över veckan... 49 3.2.5 Percentiler vid olika avstånd från kameror... 49 3.2.6 Spridning... 51 3.3 UNDERSÖKNINGAR MED ALLA MÄTPUNKTER... 53 3.3.1 Relativa hastighetsminskningen för avståndsklasser på 90-väg... 53 3.3.2 Samband mellan medelhastighet före och efter ATK... 54 3.3.3 Samband mellan tidigare medelhastighet och hastighetsminskning... 55 4 DISKUSSION... 57 4.1 SAMMANFATTNING AV RESULTAT... 57 4.2 UNDERSÖKNINGENS TILLFÖRLITLIGHET... 57 4.2.1 Mätfel... 57 4.2.2 Datakvalité... 57 4.2.3 Bortfallsfel...58 4.2.4 Övriga felkällor... 58 4.3 DISKUSSION AV RESULTAT... 58 4.3.1 Effekten av ATK vid olika mätplatser och resonerande kring kamerors placeringar... 59 4.3.2 Resultat relaterade till tidigare forskning... 60 4.4 ANVÄNDNING AV RESULTAT... 61 4.5 FÖRSLAG TILL VIDARE FORSKNING... 61 5 LITTERATURLISTA... 63 5

6 ORDLISTA... 65 1 BILAGA 1 SQL... 1 1.1 KOD FÖR SLANGMÄTNINGSDATABAS... 1 1.2 KOD FÖR ATT TA FRAM STATISTIK... 2 1.3 VYER... 3 1.4 KOD FÖR HASTIGHETSÖVERTRÄDELSE... 4 1 BILAGA 2 RESULTAT... 1 1.1 RV 50 E LÄNSGRÄNS ÅSBRO... 1 1.1.1 Hastighetsöverträdelser... 1 1.1.2 Medelhastigheten över dygnet... 4 1.1.3 Medelhastighetens utveckling över veckan... 5 1.1.4 Percentiler... 6 1.1.5 Lådagram... 7 1.2 SAMLADE MÄTPUNKTER... 9 1.2.1 Medelhastigheter... 9 1.2.2 Hastighetsöverträdelser... 10 1.2.3 Medelhastighetens utveckling över dygnet... 12 1.2.4 Hastighetens utveckling över veckan... 16 1.2.5 Percentiler...19 1.2.6 Lådagram... 21 BILAGA 3 STATISTIK FRÅN MÄTPUNKTER... 1 BILAGA 4 MÄTPRINCIPER FÖR METOR 3000... 1 BILAGA 5 BESKRIVNING AV ATK_SLANGCONVERTER... 1 BILAGA 6 - KARTA ÖVER RV 50 E-LÄNSGRÄNS ÅSBRO... 1 6

1 Inledning 1.1 Problemformulering och syfte Under 2006 inledde Vägverket i samarbete med polisen etableringen av drygt 700 nya trafiksäkerhetskameror. Denna blev klar under första kvartalet 2007 och ytterligare 170 kameror är planerade att etableras under 2007. Därmed kommer cirka 880 trafiksäkerhetskameror att vara driftsatta innan 2008. Syftet med trafiksäkerhetskamerorna är att sänka hastigheterna och därmed minska antalet döda och skadade i trafiken. För att uppskatta nyttan med trafiksäkerhetskamerorna krävs utvärdering av de sträckor längs vilka kameror hittills etablerats. Intressant att studera är bl.a. förändringen av fordonshastigheter. I detta examensarbete har effekten av automatisk trafiksäkerhetskontroll (ATK) med avseende på fordonshastighet studerats, där tyngdpunkten har legat på förändringen av medelhastigheter. Trafikmätningar före och efter etableringarna av ATK har gjorts vid olika placeringar och hastighetsbegränsningar, där de passerande fordonens typ och passagetid registrerats. Med dessa data som underlag har storleken på effekterna av ATK kunnat kopplas till förhållandena på mätplatsen samt typen av fordon. Denna information kan bidra till ökad kunskap om vilka effekter som trafiksäkerhetskamerorna ger samt var man kan förvänta sig större respektive mindre effekter. Detta gäller framförallt vid de sträckor där kameror redan etablerats, men informationen bör även ge god vägledning vid planering av nya sträckor. Med kunskaper om vilka effekter som uppnås och var de erhålls ges alltså bättre underlag till framtida ATK-sträckor. Syftet med detta arbete är att utvärdera effekten av trafiksäkerhetskameror med avseende på fordonshastigheter. 1.2 Bakgrund Det finns relativt lite dokumenterad forskning om ATK i Sverige. Studier gjorda i bl.a. Storbritannien och Norge visar på goda effekter av ATK. Det går dock inte riktigt att jämföra studierna från Storbritannien med studier gjorda i Sverige. Dels då försöken har varit annorlunda. Dels då trafiksituationen inte är som i Sverige, där trafikflödet bl.a. är större i Storbritannien. Läsare som är intresserade av engelska studier rekommenderas The national safety camera programme Four year evaluation report (A. Gains et al. 2005). De svenska studier som jag har tagit del av har varit inriktade på generella parametrar och har därför inte varit särskilt detaljerade. Något som studerats noggrannare är sambandet mellan hastighetsförändring och förändringen av antalet olyckor i trafiken. Forskning kring detta har givit en modell som går under namnet Potensmodellen. 7

Denna används vid planering av åtgärder där trafikhastigheten förväntas ändras, och modellen är därmed ett lämpligt verktyg vid uppskattningen av trafiksäkerhetskamerornas inverkan på antalet döda och skadade. Potensmodellen kommer inte att användas i detta examensarbete. Den motiverar dock studier av förändringar av hastighet då den kan användas i samhällsekonomiska kalkyler. Potensmodellen visar även att små förändringar av medelhastigheten kan ge relativt stora förändringar av antalet döda och svårt skadade. 1.2.1 Tidigare forskning om automatisk trafiksäkerhetskontroll (ATK) De kameror som detta arbete behandlar är av typen ARGUS II, vilka ersätter den gamla typen ARGUS. Då de nya kamerorna bara har funnits i drygt ett år finns bortsett från Utvärdering och analys av trafiksäkerhetskameror Riksväg 50 länsgräns Åsbro (S. Berg & F. Bergdahl, 2007), som kan sägas vara en förstudie till detta arbete, ingen tidigare forskning om dessa. Däremot finns en del studier om effekterna av de gamla kamerorna. VTI (Statens väg- och transportforskningsinstitut) har på uppdrag av Vägverket vid flera tillfällen utvärderat effekten av ATK. I rapporterna används två olika metoder för att mäta hastighet varför inte alla resultaten är jämförbara. Undersökningarna visar dock på goda effekter av ATK. I Automatisk hastighetsövervakning 2002-2003 (G. Andersson, 2004) och Automatic speed cameras in Sweden 2002-2003 (G. Andersson & J. Larsson, 2005) redovisas resultat av punktmätningar med slang och mätning med s.k. floating car, där ett fordon mäter trafiken genom att följa efter andra fordon. Resultaten som omfattar sträckor på 90-väg visade bl.a. att effekten av ATK beror av hur hög hastigheten varit innan kamerorna etablerades. Om medelhastigheten innan införandet av ATK t.ex. var 95 km/h skulle sänkningen enligt undersökningens modell minska med cirka 8 km/h vid kameror och med cirka 5 km/h mellan kamerorna. Om medelhastigheten istället var 85 km/h innan etableringen förväntades dock en minskning med bara cirka 3 km/h vid kamerorna och med 0,5 km/h mellan kamerorna. Sambandet mellan medelhastigheten innan och efter etableringen av ATK visades vara starkt, där medelhastighetsminskningen var större ju högre den tidigare medelhastigheten varit. Resultaten visar alltså att ATK ger en god effekt och att denna är större vid än mellan kameror. I rapporten Automatisk hastighetsövervakning - Resultat från försöksverksamheten (Andersson, G, 2003), som delvis bygger på samma datamaterial, observerades att det vid samtliga försökssträckor var de bilister som tidigare kört fortast som påverkats mest. Liknande resultat visades även i Automatisk hastighetsövervakning (H. Kronberg & G. Nilsson, 2000). Då utvärderades en 6 km lång sträcka med sammanlagt 7 kameraskåp mellan Iggesund och Hudiksvall, där den skyltade hastigheten var 90 km/h. Undersökningen bygger enbart på mätningar med floating car där cirka 30 fordon mätts per period. Resultatet visade att medelhastigheten minskade med cirka 6-7 km/h mellan sommaren 1998 och sommaren 1999. Samtidigt ökade hastigheten på en kontrollsträcka, medan hastigheten var oförändrad på en annan. När en 8

ny mätning gjordes år 2000 hade medelhastigheten ökat med cirka 2 km/h från föregående år. Hastigheten minskade alltså inledningsvis ganska kraftigt för att sedan gå tillbaka lite efter en tid. Förutom en avtagande hastighet så observerades att spridningen i hastighet minskade. I den norska studien Automatisk trafikkontroll (ATK) Effekt på kjørefart (A. Ragnøy, 2002) visades att hastigheten vid mätpunkter längs vägar med den skyltade hastigheten 70, 80 respektive 90 km/h minskade med 4-6 km/h i genomsnitt. Variationen i effekt vid punkter mellan och vid kameror var dock stor. Vid mätpunkter mellan kameror minskade hastigheten runt 2 km/h medan den vid kameror minskade med uppåt 7 km/h. Mätningar av fordons hastigheter längs vägen strax före och efter kameror visade att förare saktar in före kameror för att sedan öka hastigheten efter att ha passerat dessa. 1.2.2 Potensmodellen sambandet mellan hastighet och olyckor För att relatera en förändring av hastighet till en förändring av antal olyckor används en modell som går under namnet Potensmodellen. Potensmodellen togs från början fram av Göran Nilsson, forskningsledare på VTI. Den bygger på hastighets och olycksdata från Sverige under 60 och 70- talet, då man ofta skyltade om varvid hastigheterna varierade. Data från denna tid visade att antalet personskadeolyckor förändrades med den relativa hastighetsförändringen i kvadrat. Samtidigt visades att betingat att en personskadeolycka inträffat var sannolikheten att den skulle ha resulterat i en dödsolycka också proportionell mot kvadraten på den relativa hastighetsförändringen. Därmed framkom sambandet att förändringen i antalet dödsolyckor var proportionellt mot hastighetsförändringen med potensen fyra (G. Nilsson, 2000). Antal dödsolyckor före Antal dödsolyckor efter = Medelhastighet före Medelhastighet efter 4 Potensmodellen kan även prediktera andra typer av olyckor där modeller av lindrigare olyckor generellt sätt har lägre potenser. För utförligare beskrivning hänvisas den intresserade läsaren till rapporten Hastighetsförändringar och trafiksäkerhetseffekter Potensmodellen (Nilsson, 2000). Senare gjorda studier i bl.a. Danmark, USA, Australien och Holland m.fl. har visat att sambanden stämmer väl överens med verkligheten. En annan studie som delvis bekräftat och utvecklat potensmodellen är Speed and road accidents - An evaluation of the Power Model (A. Amundsen et. al, 2004). Denna visar på ett starkt samband mellan hastighet och trafiksäkerhet. Att potensmodellen används i stor utsträckning kan förutom dess dokumenterade tillförlitlighet bero på dess enkelhet. Fördelarna med potensmodellen är flera. Modellen är symmetrisk varför såväl minskningar och ökningar av hastigheten kan studeras. Den är dessutom ganska okänslig 9

för mätmetod, om mätningarna görs systematiskt, då den relativa hastighetsförändringen används. 1.3 Frågeställningar Som stöd för att uppfylla undersökningens syfte, d.v.s. att utvärdera effekten av trafiksäkerhetskameror med avseende på fordonshastigheter, har följande frågeställningar legat till grund för arbetet: 1. Hur stor effekt ger trafiksäkerhetskameror med avseende på hastigheter, och hur påverkar olika faktorer denna effekt? 2. Vilken effekt ger trafiksäkerhetskameror på spridningen i hastighet? 3. Var kan man förvänta sig bättre respektive sämre effekter? 10

2 Metod Till skillnad mot tidigare forskning, som varit inriktad mot att ta fram mer sammanfattande statistik, har jag i detta arbete gjort mer detaljerade studier, i vilka flera aggregerade värden tagits fram från olika indelningar för att kunna jämföra olika faktorer. För att ge en bild av hastighetsfördelningar och förändringar har flera typer av diagram och parametrar tagits fram. Under arbetet var jag noga med att använda metoder som är skalbara d.v.s. metoder där de data jag tagit fram ska kunna utökas och därmed användas vid fler undersökningar. Mätningar av trafik vid platser längs nya ATK-sträckor är i skrivande stund bara i ett inledande skede, varför mycket mer data från många fler mätplatser med tiden kommer att finnas tillgängligt. Jag anser därför att insamlingen av data bör göras systematiskt och lagras på ett sätt så att det enkelt kan fyllas på för att kunna göra nya utvärderingar. Detta har legat till grund vid mina val av metoder. 2.1 Urval I arbetet har ett urval av fordon och mätplatser använts vars sammansättning i stor grad har styrts av tillgången på data. Alla mätpunkter, med tillräcklig datakvalité, som funnits vid tidpunkten för denna rapports skrivning har används. I detta avsnitt presenteras kraven för att en sträcka ska utrustas med trafiksäkerhetskameror samt hur urvalen av mätplatser och fordon har gjorts. 2.1.1 Rekommendationer för ATK-sträcka De sträckor som utrustats med trafiksäkerhetskameror har valts ut i samarbete mellan Vägverket och polisen. Vägledande för att en sträcka ska utrustas med trafiksäkerhetskameror är att den ska vara olycksdrabbad (fler än 0,08 döda och svårt skadade per km och år) samt att medelhastigheten längs sträckan ska vara minst 5 km/h över den skyltade begränsningen (S. Berg 2007). Ytterligare en förutsättning är tillgången på utbyggd el då det är mycket dyrt att dra nya ledningar. 2.1.2 Urval av mätplatser Valen av sträckor och mätpunkter styrdes till största del av tillgången på data. Inledningsvis analyserades sträckan Rv 50 E-länsgräns Åsbro vid Askersund som var den första sträckan att utrustas med de nya trafiksäkerhetskamerorna ARGUS II. Att det var den första ATK-sträckan med det nya systemet gjorde att det satsades extra resurser på att mäta denna noggrant för att få ett underlag för utvärdering. Den är med sina 10 mätpunkter och två efterperioder hittills unik. Tanken vid planeringen av detta arbete var att fler sträckor skulle analyseras på ungefär samma 11

sätt som sträckan vid Askersund. Genom att studera likheter och skillnader mellan sträckorna skulle generella slutsatser kunnat dras. Det visade sig dock under arbetets gång att det inte fanns några fler sträckor med tillräckligt många mätpunkter för att detta skulle vara meningsfullt. Detta beror delvis på att det inte lagts ut så många mätplatser vid varje ATK-sträcka, men framförallt på att många mätpunkter inte hållit tillräcklig kvalité för att användas. Bortfallen finns beskrivna i avsnitt 2.3.2. Ett krav för att mätpunkter skulle användas i arbetet var att förutsättningarna vid dessa var desamma under mätperioderna. En ändrad förutsättning kan t.ex. vara att vägen byggts eller skyltats om. Sträckorna skulle också vara nya i bemärkelsen att det inte skulle ha funnits den äldre generationens kameror, ARGUS I, längs sträckan tidigare. I instruktionerna till personalen som lagt ut mätningarna angavs bl.a. att tidpunkterna för mätningarna skulle väljas så att väderförhållandena skulle vara likvärdiga (se avsnitt 2.4.1). Då det skulle innebära stort merarbete att undersöka vädret vid varje mätning, samt att avgöra hur informationen skulle användas, har det i arbetet antagits att det inte har varit nämnvärt stora skillnader. De sträckor som använts i arbetet finns presenterade i Tabell 1. Gemensamt för sträckorna är att de mestadels är belägna längs landsväg där den skyltade hastigheten till största delen är 90 men även 70 och vid några mätpunkter 50 km/h. Vid sträckan Rv 50 E-länsgräns Åsbro var antalet passager som användes drygt 800 000 och bland de övriga mätplatserna var antalet drygt 3 miljoner varför totalt knappt 4 miljoner passager användes i arbetet. Objektid Benämninng Antal mätpunkter 12002 Lv 108 Svedala - Lund 4 12004 Lv 111 Laröd-Domsten 5 12005 Rv 13 Klippan - Munka Ljungby 6 12006 Rv 23 Rollsberga - Sandåkra 12 12007 Rv 11 Sjöbo - Ö Tommarp 8 12009 E 22 Tätort Linderöd (väster-öster) 4 12010 E 22 Tätort Sätaröd 4 13002 Rv 41 Veddige (865) - länsgränsen 8 13003 Rv 26 Halmstad-Oskarsström 4 18002 Rv 50 E-länsgräns - Åsbro 20 05003 Rv 50 Vadstena - Motala 8 07002 Rv 23 Stora Hammaren - Lövhult 4 Totalt 87 Tabell 1: De i arbetet förekommande sträckorna med beteckning, benämning och antalet mätpunkter från dessa som har använts i arbetet. Vid angivelse av antal mätpunkter har en mätplats som mäter i två riktningar räknats som två separata mätplatser. 12

2.1.3 Urval av fordon Mätningarna av fordon gjordes under koncentrerade perioder där mätplatser placerades ut under cirka en vecka före och efter etableringen av trafiksäkerhetskameror. De fordon som passerade mätplatserna under dessa perioder registrerades och utgjorde en form av slumpmässigt urval. Slumpmässigt i bemärkelsen att det inte på förhand var bestämt vilka fordon som skulle passera. Urval i bemärkelsen att mätningen gjordes under en begränsad period där just de fordon som passerade då tagits med. Om mätningarna hade gjorts under en annan period skulle urvalet sannolikt ha sett annorlunda ut. I arbetet studerades olika delmängder av fordonen. Ofta delades fordonen in i klasserna samtliga, personbilar och lastbilar (se avsnitt 6 för beskrivning av dessa). För vissa undersökningar valdes bara de fordon som registrerats som personbilar. Klasserna delades in med avseende på axelavstånd och antal axlar. Detaljerna om hur detta gjorts finns beskrivet i Bilaga 4 Mätprinciper för METOR 3000. Motorcyklar är en fordonsklass som hade varit intressant att studera då de skiljer sig från övriga fordon på en rad punkter. De kan svårligen bli bötfällda vid hastighetsöverträdelser vid ATK då de saknar registreringsskylt fram samt oftast har hjälm som täcker ansiktet. Vidare är de mindre och har ofta goda fartresurser, varför de har god framkomlighet. Det vore därför intressant att undersöka om dessa fordon på något sätt påverkats av hastighetskamerorna. Tyvärr var antalet passager med motorcyklar för litet och dessutom osäkert då dessa i större grad än andra fordon påverkas av väderförhållanden. Med anledning av detta kunde dessa fordon dessvärre inte studeras i detta arbete. 2.2 Mätmetod Större delen av de data som använts i detta arbete är insamlade med mätsystemet METOR 3000. Detta system bygger på parvisa luftfyllda slangar som dras över vägen vinkelrätt mot körriktningen. Dessa registrerar fordons axelpassager och samlar med hjälp av dessa in statistik om den passerande trafiken. 2.2.1 Mätning med METOR 3000 Vid registrering av fordonspassager använder man två luftslangar som dras tvärs över en väg och ansluts till trafikutrustningen METOR 3000. När ett fordons däck passerar över en slang sker en tryckförändring. Denna detekteras och registreras sedan av utrustningen. Varje puls tilldelas ett datum och en tid med noggrannheten av en millisekund. Då varje axel av ett fordon ger upphov till en puls kan man med hjälp av tiderna för pulserna avgöra det passerade fordonets riktning, hastighet och fordonsklass. 13

För den intresserade läsaren finns en mer detaljerad information om hur mätningarna går till i Bilaga 4 Mätprinciper för METOR 3000. 2.2.1.1 Beräkning och trunkering av hastigheter Hastigheten för varje axel beräknas som s 100 v = där Δt s = sensoravståndet i cm (avståndet mellan slangarna) Δ t = tidsdifferensen i ms Detta ger hastigheten för varje axel i dm/s. Vid beräkningen sparas inga decimaler utan värdet trunkeras. Omräkningen till km/h görs enligt följande: (v[dm/s] 36) v[km/h] = 100 Även här tas inga decimaler med varför även denna beräkning trunkerar värdet (Ekdahl, 1996). Att trunkeringen görs, och dessutom två gånger, gör att det finns en risk att en uppmätt hastighet blir något felaktig. Följande räkneexempel illustrerar detta. Antag att den riktiga hastigheten är 102,9 dm/s = 37,044 km/h. Vid första trunkeringen görs 102,9 dm/h om till 102 dm/h. Omräkningen till km/h ger (102*36)/100 = 36,72 km/h vilket blir 36 km/h trunkerat. Vid heltalstrunkeringen ges alltså 36 km/h istället för det korrekta 37 km/h. För att få en väntevärdesriktig skattning av medelhastigheten skulle 0,5 behöva läggas till det enskilda fordonets hastighet före varje trunkering. Detta har inte gjorts i detta arbete. Den underskattning av medelhastigheten som detta har lett till har dock varit systematiskt och bör därför ha haft en liten inverkan på den relativa hastigheten som har varit av störst intresse i detta arbete. Att programvaran trunkerar värden leder till att vissa hastigheter blir mer vanligt förekommande än andra. Vid undersökningar gjorda i detta arbete upptäcktes att närliggande hastigheter ofta har stor skillnad i andelen uppmätta fordonspassager, vilket illustreras i Figur 1. Exempelvis upptäcktes att 102 km/h var en vanligt uppmätt hastighet i förhållande till övriga hastigheter kring 100 km/h. Trunkeringen förklarar delvis utseendet på Figur 1, men kan inte vara den enda orsaken. 14

Figur 1: Andelen fordon som kört en viss km/h över den skyltade begränsningen vid mätpunkter på 70-väg vid sträckan Rv 50 Länsgräns Åsbro uppdelat på mätperiod. 2.2.1.2 Imputationsförfarandet i METOR Som beskrivs i Bilaga 4 Mätprinciper för METOR 3000 använder programvaran något som kallas imputation för pulser som den inte kunnat identifiera som något fordon. Om flera intilliggande pulser inte kan kodas rätt så väljer programvaran utifrån pulserna det mest troliga fordonet. I de fall då det uppkommer singelpulser använder programvaran statistik om de tidigare fordonen som passerat, vilket innebär att om de flesta fordonen som passerat varit personbilar utan släp så kodas singelpulsen troligen som en sådan (A. Isaksson, 1997). Fordonet får sedan samma hastighet som det senaste fordonet som passerade av samma fordonstyp. Ett imputerat fordon kan alltså sägas vara en kvalificerad gissnings som ofta är bra om man bara ska titta på trafikflöde. Imputationer av fordon har dock visat sig vara dåliga för hastighetsbestämning eftersom hastigheten ofta underskattas (D. Andersson, P. Granlund & M. Lundström, 2007). METORsystemet var från början avsett att användas för flödesmätningar. Förfarandet med imputation har därför varit föremål för omfattande valideringsstudier av flöde och klassificering i fordonsklasser. Metoden har dock inte utvärderats lika utförligt vad gäller tilldelning av hastighet, riktning och tidpunkt (A. Isaksson 1997). Av denna anledning har man i flera undersökningar valt att stryka dessa observationer när man tittar på hastighet. Bl.a. i En studie av hastigheter och tidluckor 1996 (A. Isaksson, 1997) som ligger till grund för efterkommande rapporter med samma syfte. Senare undersökningar som Ny metod för trafikmätning (D. Andersson, 2006) visar att imputerade fordon generellt får en lägre hastighet än korrekt kodade fordon. Det innebär att det finns risk att medelhastigheten underskattas om imputerade fordon tas med. I detta arbete har, i likhet med många andra undersökningar, imputerade fordon strukits vid undersökningar av hastigheter (P. Granlund 2007). De imputerade fordonen är troligtvis inte representativa varför urvalet därmed blir något skevt. Resultatet bör dock bli bättre än att ta med imputationerna (D. Andersson 2006). 2.2.1.3 Verkningsgrad Kvalitén på skattningar av medelhastighet och andra parametrar beror av verkningsgraden på mätningen. Med verkningsgrad avses andelen registrerade pulser som korrekt kodats till fordon 15

av alla registrerade pulser (Isaksson, 1997). Med korrekt kodad puls menas pulser som inte kodats med imputation. Verkningsgraden kan anges för olika tidsintervall där medeldygnsverkningsgraden (MVG) är vanlig att ange. Verkningsgraden blir därmed ett mått på hur bra mätningen varit. Ett högt värde anger att data vid mätningen har en hög tillförlitlighet samtidigt som ett lågt värde anger motsatsen. Beroende på förhållandena på mätplatsen och syftet med undersökningen kan man tolerera olika låga värden på verkningsgraden. I undersökningen En studie av hastigheter och tidluckor 1996 (A. Isaksson, 1997) kom man fram till att MVG skulle vara minst 85 % vid det statliga vägnätet och minst 80 % i tätort. Detta har varit vägledande i denna rapport. 2.2.1.4 Mätfel Bestämningen av hastighet bygger på det välkända sambandet mellan tid, sträcka och hastighet. Det är därför viktigt att sträckan och tiderna är korrekta för att få en med verkligheten överrensstämmande hastighet. Avståndet mellan slangarna måste därmed vara det som angivits i mätapparaturen. Det är även viktigt att slangarna är parallella och vinkelräta mot vägen. Alla avvikelser från detta påverkar hastighetsmätningens riktighet. Något som inte går att undvika helt är slangvaj. Detta uppstår då fordon kör över slangarna varvid de töjs i fordonets körriktning. Detta har ingen betydelse om båda slangarna töjs lika mycket, eftersom det då inte leder till någon tidsdifferens. Det är därför viktigt att de båda slangarna vid en mätplats är av samma typ, ålder, och har liknande slitage för att ha så lika elasticitet som möjligt samt att de spänns lika mycket. Fel i tid kan bero på flera olika faktorer. Pulsen som genereras då ett fordon passerar en slang färdas med ljudets hastighet till mätutrustningen som registrerar passagen. Då hastigheten bestäms använder man skillnaden mellan de registrerade tiderna från slangarna. Det är därför viktigt att transporttiden är densamma för de båda slangarna. En faktor som gör att tiderna blir olika är att slangarna har olika längd. En skillnad på en meter ger en tidsskillnad på cirka 3 millisekunder vilket ger cirka 1 km/h fel i uppmätt hastighet vid 70 km/h. Vidare kan temperaturen i slangarna vara olika, t.ex. då ena slangen ligger i sol och den andra i skuggan, vilket leder till olika transporttider då ljudet har olika hastighet beroende på temperaturen. Tidsupplösningen i systemet är 1 ms vilket innebär att tidsfelet i värsta fall kan bli 2 ms vid en tidsdifferens. Detta kan innebära cirka 1 km/h vid 90 km/h för ett enskilt fordon. För aggregerade värden är detta inget problem då väntevärdet för detta fel är symmetriskt kring noll. Annat som kan leda till fel är då: slangen är sliten, trasig eller på annat sätt defekt. fordon p.g.a. möte eller omkörning passerar en slang samtidigt. tunga fordon passerar så kraftig att det bildas en reflexpuls vid dess axelpassering som utrustningen registrerar som ytterliggare en puls. 16

passerande fordon accelererar. 2.2.1.5 Noggrannhet Tyvärr tycks dokumentationen om slangmätningarnas noggrannhet vara något tunn. I en undersökning gjord av bl.a. D. Andersson (2006) testades slangmätningar mot referensutrustningarna radarpistol och laserinstrument. Undersökningen omfattande två slangar vid varje referensutrustning, vilket är relativt lite varför det är svårt att dra några säkra slutsatser. Resultaten visade att tillförlitligheten hos slangmätningarna var ganska god. Skillnaderna i medelhastighet mellan slang och referensutrustning var i samtliga fall under en km/h och skillnaderna mellan slangarna var under en halv km/h. Avstånd mellan slangarna ska vara 3,3 meter. Detta relativt långa avstånd är valt för att minimera fel p.g.a. felaktiga avstånd mellan slangarna. Det ska vara praxis att man lämnar anordningen som används för att sätta fast slangarna mellan en för- och eftermätning. På så sätt blir eventuella fel p.g.a. felaktigt avstånd mer systematiskt. Det finns dock inga garantier för att så sker. I detta arbete observerades att man åtminstone i Skåneregionen inte alltid gjorde så. Därmed kan systematiska fel göras i såväl för- som eftermätning där dessa går åt olika håll. Ett fel i differensen av medelhastighet mellan en för- och eftermätning kan därmed vara dubbelt så stort som det största felet i en mätning. Storleken på ett sådant systematiskt fel har dock inte kunnat mätas eller uppskattas. Vid aggregering då flera mätningar slås samman bör dock felen ta ut varandra till stor del då väntevärdet av felet bör vara noll. Avsnittet om noggrannhet kan sammanfattas med avslutningen på motsvarande avsnitt i En studie av tidluckor och hastigheter (A. Isaksson, 1997): Mätfelets storlek har inte kunnat mätas (sida 45). 2.3 Bortfall Ett visst bortfall av fordonspassager skedde vid alla mätplatser. Storleken på bortfallen varierade dock där vissa mätplatser hade väldigt stora. Detta var den största anledningen till att relativt många mätplatser inte togs med i arbetet. 2.3.1 Bortfall av registrerade fordon Då mätutrustningen inte klarar att registrera alla fordon korrekt förekommer bortfall. I dessa fall ersätter programvaran bortfallet med statistiskt anpassade, s.k. imputerade, värden. Att fordon inte kan registreras korrekt kan ha flera orsaker vilka beskrivs i Bilaga 4 Mätprinciper för METOR 3000. I all undersökning av hastigheter har imputerade fordon tagits bort. Det är troligt att de fordon som inte kunnat kodas rätt och därmed blivit imputerade inte är representativa för den resterande populationen varför denna blir något skev utan dessa. Med stöd av tidigare forskning (A. Isaksson, 1996) samt rekommendationer från sakkunniga (D. Andersson, P. Granberg & M. 17

Lundström, 2007) på Vägverket Konsult har dessa ändå tagits bort. Vid studier av fordonsflöden har de imputerade fordonen tagits med, då tillförlitligheten med avseende på flöden är bättre utvärderad och kvalitetssäkrad. 2.3.2 Bortfall av mätpunkter Bortfallen av mätpunkter var relativt omfattande och var en bidragande orsak till att enbart sträckan vid Askersund kunde analyseras som en hel sträcka. Detta berodde framförallt på att många mätningar hade en för låg verkningsgrad (se avsnitt 2.2.1.3). För att det ska vara meningsfullt att studera mätningarna från en plats måste det finnas mätvärden av tillräcklig kvalité från perioder både före och efter etableringen av ATK. Därför fick många mätningar lov att slängas trots att de kan ha haft mycket god kvalité, då motsvarande mätning från den andra perioden var för dålig. En annan orsak till att mätplatser valdes bort var att de flyttats mellan perioderna. Med undantag av en mätplats (se avsnitt 2.7.3) togs dessa bort då det kan räcka att en mätplats bara flyttas några meter för att förutsättningarna ändras för mycket, särskilt i anslutning till kameror och korsningar. 2.4 Datainsamling Mätningen av trafiken på platser längs ATK-sträckor gjordes av fältpersonal på Vägverket Konsult. Efter utförda mätningar placerades mätdata tillsammans med uppgifter om mätplatserna i ett arkiv för att kunna analyseras. Denna källa låg till grund för datainhämtningen i detta arbete. 2.4.1 Insamling av data från trafikmätningar Ansvaret för datainsamlingen från ATK-sträckor låg på Vägverkets regioner som fick rekommendationer om hur mätningen skulle genomföras. Syftet med rekommendationerna var att få underlag för en så enhetlig utvärdering som möjligt. Rekommendationerna från projektet Nationell utvärdering av ATK finns i ett dokument skrivet av S. Berg (2005). Några av de punkter som togs upp finns listade nedan: Rekommendation till för- och eftermätning: Mätningarna av hastigheter utförs under en vecka i både för- och eftermätning. Mätningarna utförs med mätutrustningen Metor 3000. För- och efterstudierna skall utföras under perioder med samma förutsättningar vad beträffar trafik och väglag/väder. Ta hänsyn till lokala förutsättningar, t.ex. turistvägar. Ur vädersynpunkt är mätperioder under april-oktober att föredra. Grunddata samlas in på fordonsnivå för vidare analys. Minsta nivån på antal och placering av mätpunkter bör vara: 18

En mätpunkt vid varje kameraplacering i båda riktningarna. Mätpunkten bör läggas i referenslinjen för ATK-mätstationen (cirka 14 m). En mätpunkt mitt emellan 2 kameror i båda riktningarna. Helst en per homogen delsträcka. En mätpunkt vid informationsskylt om ATK-kameror/sträcka i vardera riktningen. En kontrollpunkt på samma väg utanför ATK-zonen. En kontrollpunkt på väg som inte berörs av ATK-zonen men som har liknade karaktär och trafik (samma punkt kan användas för flera ATK-sträckor). Det betonades sedan vikten att exakta mätplatsen, skyltad hastighet samt ATK-platsen dokumenterades noga (var någonstans på sträckan samt riktning). Instruktionen var sedan att lägga upp data från mätningarna i packat format på ett gemensamt arkiv tillsammans med protokoll från mätningarna. 2.4.2 Insamling av data om mätplatser Information om varje mätplats lagrades för att kunna klassificera data utifrån egenskaperna där det samlats in. Denna information handlade t.ex. om hastighetsbegränsning och mätplatsens placering relativt trafiksäkerhetskamerorna. Det finns många faktorer som är intressanta att undersöka och i detta arbete valdes några av dessa ut. Anledningen till att inte alla de faktorer som ansågs intressanta kunde undersökas, var att informationen saknades eller att antalet mätplatser var för litet för att några slutsatser skulle kunna dras. Den information som togs fram gällde mätplatsens benämning, benämningen för ATK-objektet i anslutning till mätplatsen, i vilken riktning mätningen var gjord, den skyltade hastigheten, hur mätplatsen var placerad relativt trafiksäkerhetskamerorna, avståndet till närmast passerade och närmast kommande kamera mätande i trafikens riktning. Uppgifter om skyltade hastigheter inhämtades från dokument i anslutning till mätdata på det gemensamma arkivet. Detta kunde vara skannade mätprotokoll eller sammanfattande excel-filer. För flera av mätpunkterna hade även J. Andersson på Vägverket Konsult inhämtat uppgifter som han delade med sig av. För att ta reda på mätpunkternas placering användes kortprogrammet ArcView samt dokument där alla ATK-sträckor finns inmätta med avseende på hastighetsskyltar, informationsskyltar och trafiksäkerhetskameror. I de fall där mätpunkter låg precis i anslutning till en kamera kunde protokollen användas som hjälp. I övriga fall mättes avståndet i ArcView. Noggrannheten i dessa mätningar var klart acceptabla till det syfte de hade. Vid kontroller av mätningarna var mätfelet inte mer än 10-50 meter på avstånd som var några kilometer. Koordinaterna för slangmätningarna var även de hämtade från det gemensamma arkivet. Vid alla mätplatser utom tre som använts i detta arbete gjordes mätningar av trafiken i båda körriktningarna. På så vis bidrog de flesta mätplatserna med två mätpunkter vardera. I datafilerna 19

som skapats av METOR 3000 så anges ett fordons riktning med 1 respektive 2. Det ät viktigt att noga kontrollera vilken siffra som anger vilken riktning. Tyvärr är de som utför mätningarna inte alltid konsekventa när de ställer in utrustningen. Denna lärdom fick bittert erfaras vid utvärderingen av sträckan vid Askersund, där 2 av 10 mätplatser angav riktningarna annorlunda än de övriga. Detta ledde till att dessa två från början klassades fel då det antogs att alla riktningsangivelserna var lika. Därmed blev placeringar som skulle ha klassats som framriktning klassade som bakriktning och tvärtom. Felet upptäcktes lyckligtvis och efter detta kontrollerades riktningarna noga. Andra faktorer vars effekter hade varit intressanta att studera är avstånd till informations- och hastighetsskyltar samt avstånd till korsningar. Avstånden till hastighets- och informationsskyltar gick att få från dokument där alla hastighetskameror och hastighets- och informationsskyltar finns inmätta med avstånd och koordinater. Förutom att det hade tagit mycket tid att mäta in dessa avstånd är effekterna troligtvis för små för att kunna urskiljas med det antal mätpunkter som fanns tillgängliga. Effekten av avståndet till korsningar hade varit intressant att undersöka då trafiksituationen är annorlunda i närheten av dessa. Uppgift om mätplatserna låg nära en korsning fanns inte tillgänglig i anslutning till mätdata där annars annan information gick att få. Detta var synd då det hade varit enklast att samla denna information i samband med att mätplatserna lades ut. 2.5 Databearbetning Det är en ganska lång process från att data lagras vid mätning till att det har ett format som gör det användbart för analys. För att kunna ta fram de data som varit av intresse i detta arbete gjordes ett program. Programmets roll i insamlingen av data finns beskriven i detta avsnitt. Hur programmet används finns beskrivet i Bilaga 5 Beskrivning av ATK_slangconverter. Insamlingen av data till detta arbete gjordes från ett gemensamt arkiv där mätdata från varje mätplats finns i separata filer i det packade formatet.raw. Filerna packades inledningsvis upp till det läsbara formatet.met med programvaran METOR 3000. Dessa filer innehåller information om allt från pulstider till sammanfattande aggregerade värden. I denna form är filerna svårhanterliga varför de behöver bearbetas för det syfte man har. I detta arbete var varje enskild fordonspassage med tillhörande information av intresse. För att komma åt denna information beställdes ett program med uppgift att läsa in met-filer med den aktuella strukturen, plocka ut de väsentliga delarna och skriva ut dessa på en textfil. Programmet ATK_slangconverter skapades av J. Andersson på Vägverket Konsult efter de behov som fanns i detta arbete. Programmet samlar in följande information från met-filen och användaren: Mätplatsens identitet. Fordonets riktning. 20

Om mätningen gjorts före eller efter etableringen av trafiksäkerhetskameror. Vilken mätningen är i ordningen, exempelvis första eller andra eftermätningen. Fordonets klass i 15 olika klasser, exempelvis personbil utan släp. Passagetid med datum och tidpunkt på sekundnivå. Fordonets hastighet i km/h. En markör som säger om fordonet är imputerat. Dessa parametrar skrivs ut i kolumner på en textfil där varje rad motsvarar en fordonspassage. Detta sparas ner på en textfil med namnet slangid_period.txt. Ett exempel på hur en rad i filen 2239_21.txt ser ut visas nedan. SlangID Riktning Före_Efter Tid Fklass Hastighet ImpGrad 2239 1 21 2006-04-24 12:22:49 5 79 0 2.6 Behandling och lagring av data För att kunna arbeta med så stora mänger data som analyserats i detta arbete krävs att det lagras på ett sätt som gör det lättåtkomligt och möjligt att bearbetas effektivt. Detta är inte möjligt i traditionella verktyg som exempelvis Excel som använder kalkylblad för lagring av data. Anledningarna till detta är flera. De saknar för det första kapacitet att lagra stora mängder data där exempelvis Excel begränsas till 65536 rader. Vidare saknar de flexibilitet att söka, kombinera och aggregera data på ett snabbt och flexibelt sätt. För att uppfylla de krav som arbetet ställde behövdes en databas. Denna skapades i Microsoft SQL-Server 2005. För att undersöka data och generera grafiska presentationer effektivt användes Qlikview, ett verktyg för så kallad Business Intelligence. 2.6.1 Beskrivning av databasen för mätdata från slang Databasen för lagring och bearbetning av data från trafikmätningar skapades i databashanteraren Microsoft SQL-Server 2005. Den består fram för allt av tre tabeller; trafik, trafik_tmp och matplats, samt ett flertal vyer för att ta fram aggregerade värden. Tabellen trafik lagrar data från fordonspassager. För varje passage anges vid vilket ATK-objekt och vid vilken mätplats passagen skedde, fordonets riktning, om det var under en för- eller eftermätning och vid vilken i ordningen, vilket datum och klockslag passagen inträffade, fordonstypen samt vilken hastighet mätutrustningen registrerat. Trafik_tmp är som trafik bortsett från att den saknar objektid. Den fungerar som en sluss till trafik. Data från en textfil skapad av ATK-slangkonverter läses först in i trafik_tmp. Här kan den valideras så att den inte har orimliga värden eller annat som gör den olämplig. Efter framgångsrik validering läses data in i tabellen trafik tillsammans med objektid, som saknas i textfilerna. Tabellen matplats innehåller data som beskriver mätpunkter samt värden relaterade till föroch eftermätningarna. I tabellen anges för varje mätpunkt vilket ATK-objekt den tillhör, 21

beteckning, riktning, skyltad hastighet samt avstånd till närmast passerande och kommande kamera i mätplatsens riktning. Förutom detta så innehåller även matplats värden som är relaterade till mätningarna som gjorts. Här skulle man kunna tänka sig att ha ytterligare en tabell för statistik rörande resultat av mätningarna. Valet att lägga ihop dessa till en tabell gjordes för att slippa göra så många joins, vilket ger lite kortare kod. Nackdelen är att modellen inte är helt normaliserad. I detta fall är det dock inte väsentligt då matplats aldrig kommer att innehålla fler än några hundra rader, varför det inte blir några märkbara effektivitetsförluster. Flera av de värden som finns lagrade i matplats som är relaterade till statistik skulle i de flesta fall vara bättre att ha i vyer som beräknar värdet varje gång de söks. För att förenkla inläsning till analysverktyget Qlikview valdes dock att hårdkoda värden som i detta arbete ändå inte skulle förändras. I Bilaga 1 SQL visas de datatyper som användes och hur tabellerna skapats. Gemensamt för Trafik och matplats är att objektid, slangid och riktning tillsammans utgör en primärnyckel vilket bl.a. innebär att dessa unikt identifierar en viss mätplats med riktning. För att enkelt kunna välja olika fordonstyper skapades även tabellen Fklass som mappar de 15 klasserna till fordon. Nedan följer en genomgång av den information som lagras i de olika tabellerna i databashanteraren. Trafik Objektid anger ATK-objektets beteckning. Slangid anger mätplatsens beteckning. Riktning anger i vilken riktning det registrerade fordonet åkt. Period anger med två siffror om mätningen gjordes före (1) eller efter (2) etablering av kameror samt vilken i ordningen, med start på 1. Detta innebär t.ex. att första eftermätningen får beteckningen 21. Datum anger vilket datum och klockslag som fordonet registrerats på sekundnivå. Fordonstyp anger vilken typ av fordon som registrerats i 15 kategorier efter axelavstånd. Hastighet anger uppmätt hastighet av fordonet i hela km/h. Trafikt_tmp Trafikt_tmp lagrar samma information som trafik, bortsett från att den saknar Objektid. Matplats Objetid anger ATK-objektets beteckning. Slangid anger mätplatsens beteckning. Riktning anger mätpunktens riktning. Riktning_mot anger vilken stad mätpunkten är riktad mot. Skyltad anger den skyltade hastigheten på mätplatsen. Placering anger mätplatsens placering i en av följande fem kategorier; framrikt, bakrikt, mellan, utanför eller referens. 22

Kamera1 anger avståndet till närmast passerade kamera mätande i mätplatsens riktning. Kamera2 anger avståndet till närmast kommande kamera mätande i mätplatsens riktning. Kamera anger min(kamera1, Kamera2) Klass anger vilken avståndsklass som mätplatsen tillhör. Dessa klasser finns beskrivna i avsnitt 2.6.2. Den statistikrelaterade delen av matplats innehåller M11 och M21 anger medelhastigheten för samtliga fordon under första för- och efterperioden. M11_Pb, M21_Pb, M11_Lb och M_21_Lb anger samma sak som M11 och M21 fast för personbilar och lastbilar Diff, Diff_Pb, Diff_Lb anger absoluta differensen i medelhastighet mellan för- och efterperioden. Rel, Rel_Pb, Rel_Lb anger relativa differensen i medelhastighet mellan för- och efterperioden. Q anger trafikflödet vid mätplatsen i antal fordonspassager per dygn MVG_11 och MVG_21 anger medelverkningsgraden vid mätningen i för- och efterperioden. Fklass Fklass innehåller 15 klasser som tal. Fordonstyp innehåller strängarna MC, personbil, personbil med släp, lastbil och övriga. 2.6.2 Databearbetning I de fall då angivelsen av riktning inte var konsekvent för mätpunkterna längs en sträcka ändrades detta i SQL-Server. För att fylla på med de statistikrelaterade parametrarna användes olika funktioner i SQL. Alla medelvärden togs fram genom att använda funktionen avg() med lämpliga selektiva val om vilka värden detta skulle göras för. Absoluta differensen (Diff) och relativa differensen (Rel) kunde sedan enkelt beräknas i Excel där alla uppgifter sparades. Trafikflödet (Q) beräknades genom att studera hur många passager det gjorts från den första registrerade passagetiden till den sista passagetiden, samt hur många minuter det var mellan dessa tider. Därefter beräknades antalet passager per minut för att sedan omvandlas till passager per dygn. Denna något omständliga omväg gjordes för att tidsfunktionerna räknar påbörjade tidsperioder där t.ex. en halv dag räknas som en dag. Då mätdata oftast inte började och slutade med exakta dygn hade antalet fordon per dygn underskattats. Felet blir betydligt mindre om passager per minut används då det maximalt kan bli knappt 2 minuter fel på cirka en veckas tid, något som är försumbart. I de fall då det var stor differens mellan perioderna kontrollerades dessa extra för att se om det fanns bortfall i mitten av perioden. I de flesta fallen var flödesskillnaderna små mellan perioderna. 23

För att minimera risken att underskatta flöden p.g.a. bortfall valdes flödet i den period där det var störst. Uppgifterna om medelverkningsgrad (MVG) togs fram med hjälp av programvaran METOR 3000. Alla uppgifter sparades sedan kolumnvis på en textfil som sedan lästes in i SQL- Server. För att kunna ta fram meningsfulla aggregerade värden beskars data så att mätperioderna vid mätpunkterna blev ungefär lika långa. Strävan var även att få en jämn representation mellan veckodagarna varför en hel vecka per mätpunkt och period alltid eftersträvades. Även om en mätning var gjord under 2 veckor sparades inte allt data då denna då skulle få en större vikt än de andra vid beräkning av aggregerade värden. För de flesta mätplatserna fanns en veckas mätdata men i tre fall fanns inte tillräckligt med data. För mätplats 2257 saknades måndag och en halv söndag i efterperioden. Mätplats 70440 hade bara tisdag-fredag samt en extra onsdag i förperioden. I dessa fall kapades inte den andra perioden då det rörde sig om en så liten skillnad i medelhastigheterna mellan dagarna samt att bortfallet inte var så stort. Mätplats 4089 saknade i efterperioden måndag-onsdag. I detta fall kapades motsvarande dagar från efterperioden. För att kunna gruppera data efter avstånd från kamerorna delades mätplatserna in i 5 avståndsklasser. Dessa delades in med följande avstånd från närmaste kamera mätande i riktningen: Klass 0 vid kamera i framriktning. Klass 1 mindre än 500 meter. Klass 2 mellan 500 och 2500 meter. Klass 3 mellan 2500 och 5000 meter. Klass 4 mer än 5000 meter. 2.6.3 Beskrivning av vyer i SQL-Server De medelhastigheter och standardavvikelser som finns presenterade togs fram med hjälp av vyer i SQL-Server. En vy är som en namngiven fråga som tar fram/beräknar efterfrågade värden varje gång den anropas. Vyerna i detta arbete bestod av en hjälpvy för varje period samt en huvudvy som sammanfattade resultaten från perioderna. Separata vyer användes för sträckan vid Askersund och de övriga punkterna. Detta gjordes för att de studerades separat och för att sträckan vid Askersund hade två efterperioder. Hur en av hjälpvyerna samt en huvudvy ser ut finns att se i Bilaga 1 SQL. 2.6.4 Framtagning av hasighetsöverträdelser För att ta fram hastighetsöverträdelserna och kumulativa fördelningar för trafiken vid mätplatser och platstyper användes itererade frågor i SQL-Server. Överträdelserna togs fram genom att beräkna andelen fordon över varje hel km/h från skyltad hastighet upp till 40 km/h över denna. 24

De beräknade värdena lästes in i en tabell som i sin tur lästes in i Qlikview. Hur denna kod ser ut i fallet för uppdelning för placering finns att se i Bilaga 1 SQL. Då strukturen på koderna är likartade presenteras inte dessa för de övriga hastighetsöverträdelserna eller kumulativa fördelningarna. 2.6.5 Beskrivning av Qlikview Qlikview är ett program som kan användas för att snabbt få fram grafiska presentationer av stora mängder data. Programmet är i sig ingen databashanterare, men fungerar på ett likartat sätt när det gäller sammankopplingen mellan olika tabeller. Data som lästs in kan inte modifieras, men detta är inget stort problem om det kopplas mot en databas. I detta arbete lästes data in från SQL-Server till Qlikview. Qlikview användes för att ta fram de flesta figurerna i detta arbete. Den stora fördelen med Qlikview är att den kan hantera stora mängder data som den läser in i RAMminnet. Detta gör att det går fort att få fram figurer. De statistikprogram som testats har inte klarat av att arbeta med miljontals värden som det krävts i detta arbete. Traditionella kalkylbladssystem har antingen en fysisk begränsning som Excel (med sina 65536 rader) eller en praktisk begränsning som visar sig genom att datorn i stort sett hänger sig. Mer information om QlikView finns att läsa på www.qliktech.com. 2.7 Validering av data Mycket tid av arbetet ägnades åt olika former av validering av data och information. Genom att hela tiden göra stickkontroller och att leta värden som stack ut kontrollerades kontinuerligt att de data och den information som samlades in hade hög tillförlitlighet. På detta sätt upptäcktes flera felaktigheter som även var av intresse för andra inom projektet kring ATK. 2.7.1 Validering av kvalitén på mätdata Vid mätning med METOR 3000 lagras ett fordons passagetid tillsammans med dess hastighet och fordonsklass. Av flera orsaker som finns beskrivna i Bilaga 4 Mätprinciper för METOR 3000, kan ibland fordon inte identifieras och ersätts då av ett imputerat värde. För att avgöra hur bra en mätning har varit används begreppet verkningsgrad. Denna anger andelen korrekt kodade pulser, d.v.s. antalet pulser som kunnat kodas till ett fordon, dividerat med det totala antalet registrerade pulser. Ett sammanfattande mått är medelverkningsgraden (MVG) som anger den genomsnittliga verkningsgraden för en hel mätperiod. I rapporten En studie av hastigheter och tidluckor 1996 (Isaksson, 1997) kam man fram till att MVG skulle vara minst 85 % vid det statliga vägnätet och minst 80 % i tätort. Detta har varit vägledande i detta arbete. Verkningsgraden för en mätning går att kontrollera med programvaran för METOR 3000. Varje mätfil har med detta verktyg validerats. I de allra flesta fallen har mätningar med en lägre verkningsgrad än 80 % kasserats. I de 25

fall då verkningsgraden var bra till en viss tidpunkt, beskars mätfilen om tillräckligt många dagar ändå blev kvar. I Bilaga 3 Statistik finns verkningsgraden för varje mätplats och period angiven. 2.7.2 Validering av rimligheten av mätdata För varje mätplats kontrollerades bl.a. Medelhastigheten i förhållande till den skyltade hastigheten. Medelhastighen i vardera riktning. Medelhastigheten för varje dygn. Medelhastigheten för varje period. Spridningen av hastigheterna. Rimligheten av dessa värden kontrollerades. Det vanligaste upptäckta felet var att en mätplats fått en felaktig klassificering av placering och/eller felaktig riktning. Detta kunde upptäckas då medelhastigheten i samtliga fall sjönk mer i kamerans framriktning än bakriktning. Vid en upptäckt av ett sådant fel kontrollerades även alla andra mätpunkter vid samma sträcka för att se om ett systematiskt fel hade gjorts. Ett allvarligt fel som upptäcktes var att mätdata från en av mätplatserna (2246 första eftermätningen) vid Askersund inte var rimliga. Det visade sig att den ursprungliga mätningen hade blivit felaktig, och att det därför hade gjorts en ersättande mätning veckan efter. Man råkade dock lägga ut felaktigt data på arkivet, något som korrigerades efter påpekande. 2.7.3 Validering av information om mätplatser Det som främst validerades av informationen om mätplatser var angivelserna om geografiska positioner för platserna och för kamerorna i deras omgivning. Det som styrde arbetet var rimligheten i placeringar. Vid flera tillfällen upptäcktes med hjälp av ArcView kameror eller slangmätningar som fått felaktiga koordinater. Något som också kontrollerades var om förutsättningarna hade ändrats mellan mätningarna. Detta kunde göras på alla mätplatser i Skåneregionen då fältpersonalen där föredömligt lagt ut digitala bilder på mätplatserna vid för- och eftermätningen. Här rensades platser bort där förutsättningarna förändrats för att förhindra att den studerade effekten av kamerorna skulle överskattas. Det enda undantaget där en flyttad mätplats togs med i arbetet var 70452. Den hade flyttats cirka 17 meter (avståndet kunde uppskattas med hjälp av mittlinjer) precis i anslutning av en avfart (med avfart menas ytterligare körfält inför vänstersväng). I förmätningen låg slangen precis vid starten av det nya körfältet meden den i eftermätningen låg cirka 17 meter längre bak. Det är rimligt att anta att om allt annat vore lika så skulle fordonen köra långsammare vid den främre punkten då fordon som ska svänga vänster troligen bromsar in lite innan avfarten. Om det hade 26

varit eftermätningen som legat på den främre platsen hade mätningen tagits bort då det finns en stor risk att minskningen av hastigheten annars riskerat att överskattas. I detta fall var det en relativt stor effekt som troligen inte beror på flytten, då denna snarare borde ha en negativ effekt på minskningen. Med anledning av detta togs just denna mätpunkt med trots att den flyttats något. Vid sträckan Lv 108 Svedala Lund fanns det tidigare kameror av typen Argus I. I detta arbete står ändå angivet att två mätpunkter använts från denna sträcka. Dessa låg dock båda utanför sträckan varför de tagits med som referenser. 2.8 Parametrar och diagram I arbetet presenteras flera mått och diagram som ska vara till stöd vid besvarandet av frågeställningen. Måtten är i många fall skattningar av parametrar. I statistiken används begreppet parameter som ett sammanfattande mått hos observationerna i en undersökningspopulation. Nedan följer beskrivningar av de estimationer som används samt hur vissa av diagrammen ska tolkas. 2.8.1 Parametrar Aritmetiskt medelvärde För att skatta medelhastigheter har det aritmetiska medelvärdet används. n = v i i V = 1 där n V = medelhastighet v = hastighet för fordon i i n = totalt antal fordon När ett medelvärde för hastigheten beräknas för en viss mätpunkt speglar detta mått den medelhastighet som varit under den tid mätutrustningen varit igång. Om man däremot beräknar medelvärdet för flera mätpunkter tillsammans finns det ett par aspekter att tänka på. Det totala medelvärdet kommer att bygga på hastigheter från flera mätpunkter. Det innebär att varje mätpunkt kommer att ges en vikt som motsvarar antalet registrerade passager vid denna. Man kommer alltså i regel inte att få samma värde som om man beräknat medelvärdet av medelvärdena från respektive mätplats, d.v.s. fallet då alla ges samma vikt. Om man vill ha medelvärdet för flera punkter kan det dock vara önskvärt att de som haft fler passager ges en större vikt. Viktigt att tänka på är dock att antalet registrerade passager vid en mätpunkt inte bara 27

beror av flödet utan även av hur länge mätplatsen har varit igång. Man bör därför kontrollera så att periodernas längd är relativt lika. I detta arbete har de flesta medelvärdena bildats av observationer från flera mätplatser tillsammans. Detta gör att dessa alltså är viktade mot antalet passager. Med anledning av detta har mätperiodernas längd anpassats till en vecka vid alla mätplatser utom tre för vilka detta inte gick. Detta finns utförligare beskrivet i avsnitt 2.6.2. På det sättet har alla mätplatser i stort sett samma relativa vikt vid båda perioderna. Då en hel vecka valts har även veckodagarna samma vikt, vilket är önskvärt då hastigheterna normalt varierar något över veckan. Ovanstående resonemang gäller även de andra parametrarna i detta arbete. I de fall då medelhastigheterna har setts som observationer har medelhastighen för varje mätplats givits samma vikt. Standardavvikelse Som mått på spridningen bland fordons hastigheter har stickprovets standardavvikelse använts. s = 1 n 1 n i= 1 ( v i v) 2 där s = stickprovets standardavvikelse v i = hastighet för fordon i n = totalt antal fordon Variationskoefficient Variationskoefficienten är ett dimensionslöst tal som ofta anges i procent. Det används för att kunna jämföra variationerna hos populationer med olika medelvärden (Wikipedia, 2007-07-10). Variationskoefficienten är stickprovets standardavvikelse dividerat med medelvärdet. σ C v = där μ C = variationskoefficienten v σ = standardavvikelsen, som vanligen skattas med s (stickprovets standardavvikelse) μ = väntevärdet, som vanligen skattas med det aritmetiska medelvärdet Måttet används bl.a. inom biologin. Ett belysande exempel är t.ex. om man ska jämföra variationen i benlängd mellan giraffer och näbbmöss. Det skulle då inte vara meningsfullt att använda standardavvikelse då giraffens ben är betydligt längre och därmed också kan antas ha en betydligt större absolut variation än näbbmusens. I detta arbete finns inte sådana tydliga skillnader mellan populationerna, men måttet har ändå använts för att ge en bredare bild över hur spridningen har förändrats. Medelhastigheterna i detta arbete minskade i de flesta fallen avsevärt 28

mellan för- och efterperioderna. Om en medelhastighet minskar med t.ex. 10 % på grund av att alla fordon sänkt sina hastigheter med 10 % så skulle även standardavvikelsen minska med samma andel. Riktigt så har nog inte varit fallet i denna undersökning. Det är troligare att fordonen har sänkt sin hastighet i varierande grad beroende på tidigare hastighet. De som tidigare körde mycket för fort har troligen sänkt hastigheten mer än de som tidigare inte körde för fort. För att ändå kompensera för denna effekt, samt att göra det lättare att jämföra spridningen vid olika hastighetsbegränsningar, har variationskoefficienten använts för att ge ett kompletterande mått till standardavvikelsen. Percentil En percentil x p, 0 < p < 1 är ett tal under vilket andelen p av värdena befinner sig (G. Blom 1998, s. 35). Vanliga percentiler är medianen som är 50-percentilen och undre och övre kvartilen, vilka är 25-percentilen respektive 75-percentilerna. I detta arbete har bl.a. den lite ovanligare 99- percentilen använts för att studera den snabbast körande procenten. Andel hastighetsöverträdelser antal fordon över viss hastighet totalt antal fordon Andelen hastighetsöverträdelser anges oftast för de fordon som kört minst 1 km/h över den skyltade begränsningen. För att ge en tydligare bild av hastighetsöverträdelser ges i denna rapport förutom detta mått andelen förare som kört minst 6 km/h och 30 km/h över hastighetsbegränsningen. Detta då dessa nivåer motsvarar gränserna för att bötfällas av kamerorna, respektive att förlora körkortet. 2.8.2 Diagram Lådagram Ett grafiskt sätt att åskådliggöra percentiler och medelvärde är att göra lådagram. Detta ger en bra bild över hur värdena i en population är fördelade samt förenklar en grafisk jämförelse mellan olika populationer. En låda rymmer den mittersta hälften av observationerna och begränsas därmed av den övre och undre kvartilen. Strecket i lådan markerar medianen och krysset medelvärdet. De två linjerna som sträcker sig ut ur en låda markerar i detta arbete ibland 5 % och 95 % percentilerna och ibland 10 % och 90 % percentilerna. Se Figur 2 för illustration. 29

Figur 2: Beskrivning av ett liggande lådagram. där det vänstra utdragna sträcket är 5- eller 10-percentilen, vänstra (nedre) delen av lådan är under kvartilen, linjen i mitten är medianen, högra delen av lådan är övre kvartilen, högra utdragna sträcket är 90- eller 95-percentilen och krysset är medelvärdet hos populationen. Det förekommer även stående lådagram i arbetet som då är vridna 90 grader moturs. Hastighetsöverträdelser För att grafiskt illustrera hur andelen hastighetsöverträdelser såg ut vid olika mätplatser och perioder, gjordes diagram över andelen fordon som kört olika nivåer över den skyltade hastigheten. Detta ger en tydligare bild än det trubbigare måttet andel hastighetsöverträdelser som anger hur stor andel som kört minst 1 km/h över den skyltade hastigheten. I diagrammet finns en punkt för varje hel km/h som anger andelen fordon som minst kört så fort. Detta görs med start vid den skyltade hastigheten upp till en viss nivå. Se Figur 3 som visar detta för mätplatser på 50-väg i placering i kamerans framriktning. Figur 3: Andelen fordon som körde ett visst antal km/h över den skyltade hastigheten vid mätpunkter med placering i kamerans framriktning på 50-väg uppdelat på mätperiod. 2.9 Analys av data Vid planeringen av detta examensarbete hade jag tänkt använda matematiska modeller och tester för att påvisa signifikanta skillnader till följd av ATK. Därför läste jag in mig på flera matematiska test och statistikprogrammet SPSS. Jag insåg ganska snart att användningen av detta skulle vara väldigt begränsad då förutsättningarna i detta arbete inte är som i läroböckerna. Ett vanligt problem inom statistiken är att få ihop tillräckligt med data. I detta arbete var det oftast tvärtom. Den stora datamängden gjorde att vanliga statistiska test inte var meningsfulla då dessa i stort sett alltid visar på signifikanta skillnader. Följden av detta är att arbetet fick en mer deskriptiv 30

utformning än vad som planerats. Några tester kunde dock utföras i de fall då bl.a. hastighetsförändringen vid enskilda mätplatser sågs som observationer. 2.9.1 Centrala gränsvärdessatsen och normalfördelade värden En stor del av den statistiska inferensteorin är uppbyggd kring normalfördelningen och dess speciella egenskaper. Många statistiska test kräver därför att observationer som används i dessa är normalfördelade. Om man kan anta att det man testar är normalfördelat får man därmed tillgång till många matematiska verktyg. Tyvärr är sällan observationer från verkliga försök normalfördelade. I detta arbete har fordons hastigheter varit intressanta att studera, vilka dock inte är normalfördelade. Det går emellertid att approximera en fördelning som normal med hjälp av centrala gränsvärdessatsen. Denna säger att medelvärdet av N observationer tagna ur en 2 population med en begränsad varians σ och medelvärde μ närmar sig en normalfördelning 2 σ med variansen och medelvärdet μ. Då N växer kommer fördelningen närmare en N normalfördelning. Detta är oberoende av utseendet på den ursprungliga fördelningen bara N är tillräckligt stort. Som tumregel brukar man säga att cirka 30 observationer räcker för att kunna göra en normalapproximation (W. Hays, 1981). I detta arbete är antalet observationer betydligt fler än detta, med minst 30 000 observationer vid enskilda mätpunkter och ofta flera hundra tusen då många mätplatser studerats. Det är därför utan risk man kan anta att medelhastigheterna i detta arbete är normalfördelade. Differensen mellan två normalfördelade observationer är normalfördelade varför differensen mellan medelhastigheter även är normalfördelad (Blom 1984). v2 v1 Då antalet observationer är så stort kan även den relativa skillnaden,, mellan två v normalfördelade värden antas vara normalfördelad, vilket följer av Slutsky s teorem (Wikipedia, 2007-08-10). 2 För att kunna göra ett antal vanliga test och konfidensintervall krävs att följande förutsättningar är uppfyllda. (U. Engstrand & U. Olsson, 2003). Observationerna i varje stickprov måste vara oberoende. I de fall då flera populationer jämförs måste de olika stickproven vara oberoende av varandra. Formellt krävs att observationerna kommer från en normalfördelning. Kravet att observationerna skall komma från en normalfördelning är inte så strikt och kan lösas med centrala gränsvärdessatsen enligt ovan. Oberoendet mellan stickproven är heller inget problem då det varit minst ett halvår mellan perioderna. Det är troligtvis många förare som bildat observationer vid både för- och eftermätningarna. Förutsättningarna har dock varit olika före och efter etableringen varför detta beroende inte är ett hinder. Observationerna inom ett stickprov är 31

dock inte oberoende av flera skäl. Samma fordon kan registreras flera gånger då det kör över flera mätpunkter i följd. Fordon med samma förare kan även registreras flera gånger under perioden, då många kör samma sträcka varje dag. Antalet passager är dock så stort att dessa beroenden inte kommer att ha någon betydande inverkan. Det kanske mest kritiska beroendet är att fordon ofta kör i fordonståg där fordonet längst fram påverkar hastigheten för alla fordon som kör bakom. Med autokorrelation har enskilda mätplatser studerats med avseende på beroendet mellan efterföljande fordon. Detta visade att det inte går att se ett beroende längre än cirka 5-8 fordon. Därefter finns ingen synbar korrelation mellan fordon. Ett sätt att kompensera för detta är att reducera antalet frihetsgrader till en femtedel. Trots denna reducering leder heller inte detta till några praktiska problem då mängden data är så stor. Allt detta innebär att det går bra att använda de flesta av de test och metoder som kräver normalfördelade värden. Därför går det även bra att jämföra de medelhastigheter och absoluta och relativa skillnader samt de standardavvikelser som finns i detta arbete. 2.9.2 Upprepade signifikanstest När man vill testa en nollhypotes, en hypotes om att det inte finns någon skillnad, så bestämmer man normalt vilken grad av säkerhet man vill ha för att inte förkasta nollhypotesen om den är sann. Vanligt är att man väljer denna felrisk, signifikansnivå, till 5 % vilket innebär att man med 95 % säkerhet kan avgöra om nollhypotesen är falsk. Detta brukar benämnas att konfidensgraden är 95 % (G. Blom, 1998). Man kan annorlunda uttrycka det som att testerna beräknar hur stor sannolikhet det är att man fått sitt resultat om det vore så att observationerna, som i detta arbete är fordons hastigheter, kommer från samma fördelning. Om sannolikheten att få resultatet är mindre än den valda felrisken, tror man inte att observationerna kommit från samma fördelning. Detta kan i detta arbete vara två olika perioder som därmed troligen inte varit lika med avseende på hastighet. Om man ska göra flera tester på ett material är det lite mer komplicerat att välja konfidensgraden. Detta då den simultana, globala, konfidensgraden blir lägre än den man använder för enskilda tester (U. Hjorth, 1998). Om man gör upprepade oberoende tester med signifikansnivån α, där alla nollhypoteser är sanna, är risken att förkasta en enskild nollhypotes α. Risken att förkasta någon av nollhypoteserna är dock 1 ( 1 α ) n, där n är antalet utförda test. Om 15 test görs med den enskilda konfidensgraden 95 % så kommer konfidensgraden för alla testerna tillsammans bara att bli 46 %. Det är därmed troligt att man kommer att göra fel i något av testerna. För att hålla den globala signifikansnivån låg då man gör flera tester krävs att de lokala signifikansnivåerna är betydligt lägre. En enkel metod att använda för att lösa detta är Bonferronis. Denna bygger på olikheten P n U 1 C n P( Ci ) 1 i 32

Där C i är en händelse i utfallsrummet Ω och n är antalet händelser. Låt C = utfall där konfidensintervallet är felaktigt, d.v.s. man kommer felaktigt att i förkasta den vid test. P( ) α = signifikansnivån för intervall i. U n 1 C i Ci = i = något intervall är felaktigt. n n Om α i = α så blir P α. Den simultana konfidensgraden blir där därmed i= 1 U C i 1 1 α. Om man har n konfidensintervall, n olika tester, så ser man speciellt att de enskilda konfidensgraderna bör vara 1 för att den globala konfidensgraden minst ska vara 1 α. Praktiskt α n innebär detta att man använder λ α / n istället för att λ α för att få den globala konfidensgraden 1 α. (U. Hjorth, 1998). I detta arbete är det intressant att jämföra många olika betingelser, som exempelvis om effekten varit större vid platser med viss hastighetsbegränsning eller placeringstyp. Det är inte orimligt att tänka sig att göra över 100 tester om man kombinerar olika platstyper och fordonstyper. För att kunna göra 150 tester med en global konfidensgrad på minst 95 % måste de enskilda konfidensgraderna vara 1 = 99,97 %. Det innebär att osäkerheten kring medelvärdet blir λ 0, 0003 α s, n n där s = stickprovet standardavvikelse, n = antalet observationer och λ 0, 0003 < 3,5 (W. Hays, 1981). Standardavvikelserna för hastigheterna i detta arbete är runt 10 km/h, vilket innebär 35 osäkerheten. För ett enskilt objekt är n som minst 30 000 före och efter etableringen av n hastighetskamerorna vilket innebär en spridning kring medelhastigheten på ± 0,3 km/h. Även om antalet frihetsgrader reduceras till en femtedel är medelfelet inte större än 0,45 km/h. Om man tittar på flera mätpunkter tillsammans, som oftast görs i detta arbete, så är n typiskt några hundra tusen och då är osäkerheten istället i storleksordningen ± 0,1 km/h. Detta är lägre än både den normala variationen mellan olika perioder p.g.a. väderförhållanden och dylikt, och noggrannheten i mätningen. 2.9.3 Alternativ metod för test Resonemangen ovan visar att det i detta arbete skulle ha gått att göra vanliga statistiska test som Students t-test eller variansanalys för att jämföra bl.a. medelhastigheter, eller F-test för att jämföra standardavvikelser. För att göra testen skulle det krävas normalapproximation och reducering av 33

frihetsgrader och sedan korrigering av den enskilda konfidensgraden för att få önskad global signifikansnivå. Den stora mängden data leder dock till att detta inte är meningsfullt. Det dessa tester provar är ifall det är troligt att två eller flera mängder med observationer kommer från samma fördelning. I fallet med medelhastigheter kan man förenklat säga att dessa metoder visar på en signifikant skillnad om osäkerheten kring medelvärdena inte överlappar varandra. I fallet med väldigt många observationer blir osäkerheten kring medelvärdena mycket liten. Det räcker därför att två medelvärden bara är lite skilda för att testerna ska visa att de är signifikant skilda. Denna skillnad kan dock i många fall vara ointressant varför signifikans i testet inte säger särskilt mycket. Som A. Field (2005) påpekar så kommer två mängder där den ena har medelvärdet 10,00001 vara signifikant skild från ett annat med medelvärde 10 bara antalet observationer är tillräckligt många. Man bör därför enligt A. Feild (2005) inte förkasta en nollhypotes för att man fått en signifikant skillnad mellan deras medelvärden om dessa är bildade av stora datamängder. I detta arbete har medelhastigheten mellan olika perioder jämförts och det är naturligt att dessa inte är exakt lika. En skillnad på bara en halv km/h kommer dock att visa på signifikant skillnad även nere på mätplatsnivå. Denna skillnad kan dock knappast anses vara viktig. Vid planeringen av detta examensarbete hade jag tänkt bygga upp matematiska modeller och göra tester för att dra slutsatser om effekten av ATK. Då detta visade sig vara mindre meningsfullt p.g.a. den stora mängden data blev jag tvungen att tänka om. För att avgöra om en hastighetsförändring är intressant, måste man bestämma hur stor förändring det borde ha kunnat bli om förutsättningarna hade varit lika, d.v.s. om inga kameror satts upp. En hastighetsförändring kan bero på flera faktorer som inte har med kamerorna att göra. Exempel på sådana faktorer är osäkerhet kring medelvärde, mätfel och naturlig variation p.g.a. t.ex. väder. Beroende på vad man jämför spelar dessa olika stor roll. Vid exempelvis jämförelser inom samma mätperiod behöver inte hänsyn tas till naturlig variation. Ju fler mätpunkter och ju mer data ett aggregerat värde bygger på desto mindre blir felen. Särskilt gäller detta mätfelet vilket troligen till största delen är systematiskt med väntevärdet 0. Med ett växande antal mätpunkter kommer detta att närma sig detta väntevärde. Då inget dokumenterat hittats om dessa fel har jag gjort en egen bedömning beträffande deras storlek. Jag har uppskattat ett fel för jämförelse av enskilda mätpunkter och ett för aggregerade värden. Vid jämförelse inom samma period har jag tagit bort fel p.g.a. väder och annat. Med stöd av J. Lindskog (2006) har jag använt lagen för fortplantning av mätosäkerheter som kan sägas vara en statistisk kompromiss då man ska lägga ihop flera okorrelerade osäkerheter. Istället för att anta värsta fallet då alla osäkerheter helt enkelt adderas, använder denna det euklidiska avståndet, som i det tvådimensionella fallet är hypotenusan i en rätvinklig triangel. Det innebär att om man har tre okorrelerade osäkerheter a, b och c så blir den totala osäkerheten a + 2 2 2 + b c. I Tabell 2 finns mina skattningar av mätosäkerheternas storlekar, som tillsammans kan sägas vara en gräns 34

för när en hasighetsförändring eller skillnad mellan två hastighetsförändringar är intressant. s Osäkerheten kring medelvärdet, λ, bygger på resonemanget i 2.9.2, mätfelet bygger på n diskussioner med bl.a. Lindström, Andersson D och Forsman (2007) samt rapporten Ny metod för trafikmätning (D. Andersson, 2006). Skattningen av den naturliga variationens storlek bygger på observation av hur medelhastigheten utvecklats månadsvis mellan sommaren 2006 och sommaren 2007 vid ATK-sträckan riksväg 50 E länsgräns Åsbro och förändringen vid cirka 30 fasta mätpunkter runt om i Sverige mellan 2006 och 2007. Olika perioder Samma mätperiod Enskild mätpunkt Flera mätpunkter Enskild mätpunkt Flera mätpunkter Osäkerhet 0,7 0,3 0,7 0,3 Mätfel 2,1 0,7 2,1 0,7 Naturlig variation 2,9 2,1 0,0 0,0 Totalt 3,6 2,3 2,3 0,8 Tabell 2: Skattningar av mätosäkerheten av faktorerna osäkerhet kring medelvärdet, mätfel och naturlig variation samt dessa tillsammans. Detta är gjort för enskilda och flera mätpunkter. Samtliga värden är relativa i procent. Då dessa skattningar saknar vetenskaplig förankring bör de endast användas som riktvärden. Då det är mycket svårt att göra dessa skattningar på ett vetenskapligt sätt, ligger det långt utanför detta examensarbete att göra detta. Jag anser ändå att det är relevant att göra skattningarna för att ge stöd vid jämförelser. Det är dock viktigt att läsaren förstår deras begränsning. Vid jämförelse av standardavvikelser har inget riktvärde för när en skillnad är intressant kunnat uppskattas. 2.9.4 Variansanalys och test med Tukey Då resultaten från alla mätplatser studerades tillsammans användes medelhastigheterna från varje mätpunkt samt de relativa medelhastighetsförändringarna som observationer. Det blev därmed betydligt färre observationer än då enskilda fordonshastigheter användes som observationer. Det gick därför att använda traditionella statistiska metoder och test. För att avgöra skillnader mellan populationer från olika betingelser användes variansanalys och uppföljande test med Tukey. Variansanalys är ett sätt att avgöra om det finns någon skillnad i medelvärde mellan fler än två populationer. Tukey är en metod som används vid upprepade parvisa jämförelser. Den tar liksom Bonferroni, beskriven i avsnitt 2.9.2, hänsyn till den globala signifikansnivån. Dessa metoder kräver att kraven beskrivna i 2.9.1 är uppfyllda. För utförligare beskrivning av dessa metoder hänvisas läsaren till Variansanalys och försöksplacering (U. Engstrand & U. Olsson, 2003). 35

3 Resultat 3.1 Riksväg 50 E länsgräns Åsbro Riksväg 50 E länsgräns Åsbro, härefter betecknad Askersundsträckan, utrustades med 10 trafiksäkerhetskameror vecka 12 år 2006. Sträckan är 4 mil lång och har ett trafikflöde på cirka 5000 fordon per dygn (se karta i Bilaga 6). Med anledning av att det var den första sträckan med de nya kamerorna satsades extra resurser på mätningar av trafiken i syfte att utvärdera effekterna. 10 slangmätningar användes vid för- och eftermätningar som gjordes kring vecka 44 år 2005, vecka 17 år 2006 och vecka 42 år 2006. Mätpunkterna var fördelade enligt Tabell 3. Tyvärr var kvalitén på andra eftermätningen något sämre än de andra, där 3 av mätplatserna (2241, 2242, 2246) hade lägre verkningsgrad än den för arbetet satta gränsen. Då effekten vid andra efterperioden tycks överensstämma med den första och då dess kvalité var något sviktande, presenteras inte alltid resultatet från denna. Skyltad\Placering Framrikt Bakrikt Mellan Utanför Totalt 70 3 3 4 0 10 90 4 0 4 2 10 Totalt 7 3 8 2 20 Tabell 3: Antalet mätpunkter vid respektive placeringstyp och hastighetsbegränsning. 3.1.1 Medelhastigheter Medelhastigheten minskade för nästan alla kombinationer av fordons- och platstyper. Effekten vid mätpunkter mellan kameror var dock inte signifikant för lastbilar. Signifikanta skillnader fanns heller ej för några fordonstyper vid mätplatsen utanför ATK-området (2239). Störst effekt hade ATK på personbilar vid mätpunkter på 70-väg i kamerans framriktning, där den relativa hastighetsminskningen var över 13 %. Mer måttlig var effekten på lastbilar vid mätpunkter på 90-väg mellan kameror, där den relativa hastighetsminskningen var knappt 1 %, vilket är att betrakta som oförändrat. Skillnaden mellan olika placeringstyper var stor där mätpunkter i framriktning visade ungefär dubbelt så stor effekt som mätplatser mellan kameror. Skillnaderna mellan de två eftermätningarna var mycket små och var i inget fall signifikant. Överlag var hastighetsförändringen stor där alla mätplatser längs sträckan i genomsnitt hade en hastighetsminskning på cirka 8 %. Nedan rangordnas effektens storlek i fallande ordning efter typ av faktor: Fordonstyp: 1. Personbil 2. Lastbil Hastighetsbegränsning: 1. 70 2. 90 Placeringstyp: 1. Framriktning 2. bakriktning 3. mellan 4. utanför 36

I Tabell 4 presenteras medelhastigheterna före och efter etableringen av ATK uppdelat på skyltad hastighet och i Tabell 5 och Tabell 6 finns dessa presenterade uppdelat på skyltad hastighet och placeringstyp. Skyltad hastighet 70 90 70 och 90 Period Före Efter R.h.m Före Efter R.h.m Före Efter R.h.m Personbil 81,4 73,3 10,0 93,1 85,9 7,8 87,0 79,3 8,8 Lastbil 80,8 75,2 6,9 85,5 83,6 2,2 83,0 79,1 4,6 Samtliga 81,2 73,6 9,3 91,2 85,2 6,6 85,9 79,2 7,8 Tabell 4: Medelhastigheter, i km/h, före och efter att kameror monterats uppdelat på skyltad hastighet och fordonstyp. Mätvärden från mätplats 2239, som låg utanför ATK-området, är inte med i dessa medelvärden. R.h.m står för relativ medelhastighetsminskning och anges i procent. Skyltad hastighet 70 Placering Framriktning Mellan Bakriktning Period Före Efter R.h.m Före Efter R.h.m Före Efter R.h.m Personbil 80,6 69,8 13,4 81,8 75,9 7,3 81,6 73,0 10,5 Lastbil 80,3 72,8 9,4 81,6 77,3 5,3 80,3 75,1 6,5 Samtliga 80,4 70,4 12,5 81,6 76,1 6,8 81,2 73,3 9,8 Tabell 5: Medelhastigheten, i km/h, vid mätpunkter på 70-väg före och efter att kameror monterats uppdelat på placeringstyp för personbilar, lastbilar och samtliga fordon. R.h.m står för relativ medelhastighetsminskning och anges i procent. Skyltad hastighet Placering 90 Framriktning Mellan Utanför Period Före Efter R.h.m Före Efter R.h.m Före Efter R.h.m Personbil 92,5 82,6 10,8 93,7 89,1 4,9 92,4 90,7 1,8 Lastbil 85,0 82,0 3,5 86,0 85,2 0,9 85,2 85,6-0,5 Samtliga 90,6 82,3 9,2 91,7 88,1 4,0 90,5 89,4 1,2 Tabell 6: Medelhastigheten, i km/h, vid mätpunkter på 90-väg före och efter att kameror monterats uppdelat på placeringstyp för personbilar, lastbilar och samtliga fordon. R.h.m står för relativ medelhastighetsminskning och anges i procent. 3.1.2 Hastighetsöverträdelser I detta avsnitt presenteras andelen fordon som kört minst 1, 6 eller 30 km/h över skyltad hastighet. Utöver detta presenteras även diagram som visar andelen hastighetsöverträdelser för varje hel km/h uppdelat på period. Generellt visar resultaten att andelen hastighetsöverträdelser har minskat på alla nivåer, men att effekten relativt starkt beror av mätpunktens placering. 3.1.2.1 Hastighetsöverträdelser uppdelat på hastighet Andelen hastighetsöverträdelser minskade kraftigt efter att trafiksäkerhetskameror monterats. Innan etableringen av trafiksäkerhetskamerorna körde drygt 85 % av alla fordon över skyltad hastighet på 70-väg och cirka 50 % på 90-väg. Efter monteringen av hastighetskameror sjönk denna andel till knappt 60 % på 70 väg och cirka 20 % på 90-väg. Andelen 37

hastighetsöverträdelser skiljde sig stort mellan hastighetsbegränsningarna 70 och 90 km/h, varför det är svårt att säga var effekten var som störst. Procentuellt minskade andelen hastighetsöverträdelser mest vid mätplatser på 90-väg, men i absoluta tal minskade de mer vid mätplatser på 70- väg. Fördelningarna över hastighetsöverträdelserna var mycket likartade i de båda efterperioderna, där bara små skillnader kunde ses på 90-väg, där den andra efterperioden hade något lägre andel hastighetsöverträdelser. Andelen som körde minst 30 km/h över skyltad hastighet minskade från 6 % till 2 % vid mätplatser på 70-väg och från 2 % till 0,5 % vid mätplatser på 90- väg. Andelen fordon som körde 1, 6 respektive 30 km/h över skyltad hastighet finns tabulerat i Tabell 7. Figur 4 och Figur 5 visar grafiskt hur fördelningarna för hastighetsöverträdelserna ser ut på olika nivåer. Period Före Efter Före Efter Före Efter Före Efter Skyltad 70 Placering Alla Framriktning Mellan Bakriktning Minst 1 km/h 86,0 57,6 84,4 40,0 87,7 69,8 85,1 58,9 Minst 6 km/h 69,1 35,1 67,7 20,8 70,2 45,3 68,8 35,7 Minst 30 km/h 5,9 2,2 5,8 1,4 5,7 2,8 6,2 2,1 Skyltad 90 Placering Alla Framriktning Mellan Utanför Minst 1 km/h 47,5 21,2 46,2 10,9 48,8 32,1 41,7 35,4 Minst 6 km/h 31,1 10,4 30,1 4,0 32,1 17,0 25,8 20,2 Minst 30 km/h 2,3 0,6 2,4 0,3 2,2 1,0 2,0 1,5 Tabell 7: Andelen fordon, i procent, som körde minst 1, 6, respektive 30 km/h över skyltad hastighet uppdelat på skyltad hastighet och placering under förperioden och första efterperioden. Alla innebär alla passager på sträckan vid respektive hastighetsbegränsning, varför punkten 2239 utanför är exkluderad. Figur 4: Andelen fordon som kört minst ett visst antal km/h över den skyltade hastigheten 70 km/h uppdelat på mätperiod. 38

Figur 5: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 90 km/h uppdelat på mätperiod. 3.1.2.2 Hastighetsöverträdelser uppdelat på hastighet och placering Fördelningen av hastighetsöverträdelser var innan etableringen av trafiksäkerhetskameror i stort sett lika på mätplatser med samma skyltade hastighet. I eftermätningarna kan man dock se relativt stora skillnader på fördelningarna beroende på typen av placering. Mätpunkter i kamerans framriktning hade störst effekt följt av bakriktning som hade något bättre effekt än mätpunkter mellan kameror. Effekten 4 km utanför sträckan var måttlig men ökade något i andra eftermätningen. Vid mätpunkter med den skyltade hastigheten 70 km/h var fördelningarna av hastighetsöverträdelser i stort sett lika i de båda efterperioderna. De största minskningarna skedde i kamerans framriktning, där andelen fordon som körde minst 1 respektive 30 km/h för fort sjönk från cirka 84 % till 40 % och från 6 % till drygt 1 %, vilket visas i Figur 6. Figur 7 visar att effekten var sämre vid mätpunkter med placering mellan kameror. Vid mätplatser med den skyltade hastigheten 90 km/h var fördelningarna för hastighetsöverträdelserna i efterperioderna något skilda vid placeringstyperna mellan och utanför, där den senare efterperioden hade något lägre andel överträdelser. Även på 90-väg fanns de största effekterna i kamerans framriktning, där andelen hastighetsöverträdelser minskade från 46 % till 11 %, och andelen som körde minst 30 km/h över skyltad hastighet minskade från 2,4 % till 0,2 %. Fler figurer med fördelningar över hastighetsöverträdelser finns i Bilaga 2 Resultat sida 1. 39

Figur 6: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 70 km/h vid mätpunkter med placering i kamerans framriktning uppdelat på mätperiod. Figur 7: Andelen fordon som körde över ett visst antal km/h över den skyltade hastigheten 70 km/h vid mätpunkter med placering mellan kameror uppdelat på mätperiod. 3.1.3 Kumulativa hastighetsfördelningar uppdelat på skyltad hastighet De kumulativa hastighetsfördelningarna i Figur 8 och Figur 9 visar tydligt hur hastigheterna minskade mellan mätningarna före och efter etableringen av trafiksäkerhetskameror, då kurvorna för efterperioderna är förskjutna åt vänster. Spridningen har samtidigt blivit något mindre, då fördelningskurvan blivit något brantare, i synnerhet på mätplatser på 90-väg. Vid mätplatser på 70-väg var fördelningarna för eftermätningarna i stort sett identiska, medan det vid mätplatser på 90-väg syns en tendens till att andra eftermätningen hade något lägre hastigheter. 40

Figur 8: Kumulativ hastighetsfördelning för fordon vid mätpunkter med skyltade hastigheten 70 km/h uppdelat på mätperiod. Figur 9: Kumulativ hastighetsfördelning för fordon vid mätpunkter med skyltade hastigheten 70 km/h uppdelat på mätperiod. 3.1.4 Medelhastighetens utveckling över dygnet för personbilar Medelhastigheten för personbilar varierade kraftigt över dygnet på 70-väg både före och efter etableringen av hastighetskameror, där tidpunkter med lågt trafikflöde hade en högre medelhastighet än de med ett stort trafikflöde, vilket visas i Figur 10 och Figur 12. Före etableringen var skillnaden mellan dygnets högsta och lägsta medelhastighet 16 km/h för personbilar. Denna skillnad sjönk i första efterperioden till knappt 11 km/h. Beteendet på 90- väg var likartat, men variationen var mindre kraftig i eftermätningarna vilket visas i Figur 11. Skillnaden mellan dygnets högsta och lägsta medelhastighet var för personbilar före etableringen 13 km/h och efter etableringen 5 km/h. Gemensamt för både 70- och 90-sträckorna var att de högsta medelhastigheterna uppmättes vid sen kväll och tidig morgon där trafikflödet var som lägst. Högst var medelhastigheten mellan klockan 03 och 04 och lägst var medelhastigheten mellan klockan 10-16 på dagen. Det som beskrivits för personbilar, vilka stod för cirka 73 % av all trafik, gäller i stora drag även för alla fordon på 70-väg. På 90-väg var dock medelhastigheten för andra fordonstyper mer jämn både före och efter etableringen av ATK. 41

Figur 10: Medelhastigheten vid varje timme på dygnet uppdelat på mätperiod vid den skyltade hastigheten 70 km/h. Figur 11: Medelhastigheten vid varje timme på dygnet uppdelat på mätperiod vid den skyltade hastigheten 90 km/h. Minskningen av medelhastighet var bland personbilar som störst där medelhastigheten tidigare varit högst vilket illustreras i Figur 13. Detta visar att medelhastigheten har utjämnats mer över dygnet. Denna trend gäller dock inte generellt för alla fordon då lastbilar tvärtom hade sin lägsta minskning av hastigheten under morgonens tidiga timmar. Figur 12: Andelen av dygnets trafik vid varje timme på dygnet. 42

Figur 13: Den relativa minskningen av medelhastigheten för personbilar efter etableringen av hastighetskameror för varje timme på dygnet. 3.1.5 Medelhastighetens utveckling över veckan Medelhastigheten och flödet var relativt konstant under arbetsveckan både före och efter etableringen av trafiksäkerhetskameror. Högst var medelhastigheten på lördagar då veckans flöde även var som lägst. En effekt av kamerorna var att hastigheten utjämnades mer över veckan varför effekten var störst på lördagar. Detta går att se i figurer i Bilaga 2 Resultat sida 5. 3.1.6 Percentiler ATK tycks ha haft en effekt på den snabbast körande procenten av fordonen. Detta visas bl.a. i Figur 14, där 99-percentilen för mätplatser vid olika perioderna åskådliggörs. Storleken på effekten var dock starkt knuten till placeringen på mätplatsen där mätpunkter i kamerans framriktning hade betydligt större effekt än mätplatser vid andra placeringstyper. Detta mönster uppvisades även vid studier av de lägre percentilerna 95, 90, 75 och 50. Storleken på skillnaden i effekt beroende på placering var dock större med ökad percentil, där variationerna var klart störst för 99-percentilen. Vid mätplatser på 70-väg i sydlig riktning, var effekten liten vid mätplats 2240, 2241 och 2246 som inte var i närheten av en kamera i framriktningen. Effekten var lite större vid mätplats 2242 som låg strax efter en kamera och störst vid mätplats 2245 som var placerad i framriktningen på en kamera. I nordlig riktning på 70-sträckor, visades samma mönster där effekter vid mätplats 2242 som låg i kamerans framriktning var stor, medan det knappt var någon effekt vid mätplats 2241 som låg mellan kameror. På mätplatser med den skyltade hastigheten 90 km/h upprepas samma sak, vilket illustreras av Figur 14. Mätplats 2243 och 2247 som låg mellan kameror hade betydligt sämre effekt än 2244 och 2248 som hade kameror i båda riktningar. Fler figurer finns i Bilaga 2 Resultat sida 7. 43

Figur 14: 99-percentilen för fordons hastighet vid mätplatser med skyltad hastighet 90 km/h riktning söderut. 2244 och 2248 är placerade i kamerors framriktning. 3.1.7 Spridning I detta avsnitt presenteras parametrarna standardavvikelse och variationskoefficient samt lådagram för att illustrera förändringen i spridning för fordonshastigheter. Samtliga mått visar på en generell minskning av spridning som var störst vid hastighetsbegränsningen 70 km/h, placeringstypen framriktning och för fordonstypen personbilar. 3.1.7.1 Standardavvikelse och variationskoefficient Standardavvikelsen för personbilars hastighet minskade efter etableringen av hastighetskameror, där effekten i framriktning var störst. Tar man hänsyn till minskningen av medelhastighet, och betraktar variationskoefficienten, kunde ingen förändring ses vid mätplatser med placering mellan kameror på 70-väg. För lastbilar var standardavvikelsen och förändringen av denna generellt mindre än för personbilar och i de flesta fall var denna nästan oförändrad. I framriktning, särskilt på 90-väg, fanns den tydligaste minskningen. Tabell 8 visar standardavvikelser och variationskoefficienter för personbilar och lastbilar. Placering Alla Framriktning Mellan Period Före Efter Före Efter Före Efter Skyltad hastighet 70 Personbil 12,0 (14,8) 10,4 (14,2) 12,7 (15,8) 9,6 (13,8) 11,3 (13,8) 10,3 (13,5) Lastbil 8,9 (11,1) 8,8 (11,6) 9,1 (11,4) 8,6 (11,8) 8,7 (10,7) 8,8 (11,4) Skyltad hastighet 90 Personbil 13,5 (14,5) 10,9 (12,6) 14,1 (15,2) 9,7 (11,7) 12,9 (13,8) 10,9 (12,3) Lastbil 9,2 (10,7) 8,4 (10,0) 10,5 (12,4) 9,2 (11,2) 7,7 (8,9) 7,2 (8,5) Tabell 8: Standardavvikelsen (och variationskoefficienten) för personbilar och lastbilar vid olika hastighetsbegränsningar och placeringstyper, där alla betyder för alla placeringstyper längs sträckan. Standaravvikelsen anges i km/h. Variationskoefficienten är dimensionslös och anges i procent. 3.1.7.2 Lådagram Lådagrammen nedan visar medelhastigheten och flera percentiler och grafiskt och ger därför en bra bild av hastighetsspridningen för personbilar och lastbilar under de tre mätperioderna. 44

Lådagrammen visar tydligt att hastigheten har minskat för både mätplatser på 70- och 90-väg vid alla placeringstyper. Tydligt är också att det finns stora skillnader i effekt beroende på placeringstyp, där eftermätningarna vid mätplatser i framriktning hade en klart större förskjutning relativt förmätningen. Förändringen i lådans storlek, vilket är en indikator av förändring på spridning, varierar mellan personbilar och lastbilar. För personbilar på 70-väg har spridningen minskat kraftigt, medan den för lastbilar snarare har ökat. För personbilar är medelvärdet i stort sett alltid större än medianen vilket visar att det finns en förskjutning i hastighetsfördelningen vilket kommer av att några fordon kör klart snabbare än andra. Detta syns inte för lastbilar vars medelvärde och median oftare sammanföll. Fler lådagram finns i Bilaga 2 Resultat sida7. 3.1.8 Lådagram uppdelat på skyltad hastighet och placering för personbil och lastbil Figur 15: Lådagram över hasigheten för personbilar på 70-väg (t.v.) och 90-väg (t.h.) placerad i kamerans framriktning uppdelat på period. Figur 16: Lådagram över hasigheten för personbilar på 70-väg (t.v.) och 90-väg (t.h.) placerad mellan kameror uppdelat på period. 45

3.2 Samlade mätpunkter Mätplatserna som ingår i detta resultatavsnitt kommer främst från sträckor i Skåne, men innehåller även mätningar från fyra andra sträckor (se 2.1.2). Flödet på sträckorna var mellan 4 till 10 tusen fordon per dygn (se Bilaga 3 för flödet vid varje mätpunkt). Som beskrivs i 2.1.2 var bortfallen relativt stora varför bara en del av de mätpunkter som legat längs dessa sträckor har kunnat användas i arbetet. Kvar blev 67 mätpunkter från olika placeringstyper och hastighetsbegränsningar fördelade enligt Tabell 9. Härefter benämns mätpunkterna i denna sektion de samlade mätpunkterna. Skyltad\Placering Framrikt Bakrikt Mellan Utanför Referens Totalt 50 4 4 0 0 0 8 70 4 4 0 2 0 10 90 8 12 17 6 6 49 Totalt 16 20 17 8 6 67 Tabell 9: Antalet mätpunkter vid respektive placeringstyp och hastighetsbegränsning. 3.2.1 Medelhastigheter Effekten av ATK med avseende på medelhastighet var varierande, liksom vid Askersundsträckan, beroende på placeringstyp och hastighetsbegränsning vilket visas i Tabell 10, Tabell 11 och Tabell 12. Nedan rangordnas effektens storlek i fallande ordning efter typ av faktor: Fordonstyp: 1. Personbil 2. Lastbil Hastighetsbegränsning: 1.70, 50 2. 90 Placeringstyp: 1. Framriktning 2. bakriktning 3. mellan, utanför, referens Det gick inte att skilja på effekten vid hastighetsbegränsningen 50 och 70 km/h eller placeringstyperna mellan, utanför och referens. Effekten i framriktning var väl överensstämmande med Askersundsträckan, medan övriga placeringstyper hade en lägre effekt. Placering Skyltad hastighet 50 Framriktning 70 90 Period Före Efter R.h.m Före Efter R.h.m Före Efter R.h.m Personbil 54,3 47,3 12,9 72,5 62,8 13,4 89,6 82,1 8,3 Lastbil 55,7 49,6 10,9 73,0 65,5 10,4 85,4 82,0 4,0 Samtliga 54,4 47,6 12,6 72,5 63,1 13,0 88,9 82,0 7,8 Tabell 10: Medelhastigheten, i km/h, vid mätpunkter i framriktning före och efter att kameror monterats uppdelat på skyltad hastighet för personbilar, lastbilar och samtliga fordon. R.h.m står för relativ medelhastighetsminskning och anges i procent. 46

Placering Skyltad hastighet Bakriktning 50 70 90 Period Före Efter R.h.m Före Efter R.h.m Före Efter R.h.m Personbil 55,3 52,9 4,5 73,1 69,0 5,6 89,6 86,1 4,0 Lastbil 57,5 54,9 4,5 73,0 70,1 4,0 84,8 83,7 1,3 Samtliga 55,5 53,0 4,5 72,9 69,0 5,4 88,7 85,5 3,6 Tabell 11: Medelhastigheten, i km/h, vid mätpunkter i bakriktning före och efter att kameror monterats uppdelat på skyltad hastighet för personbilar, lastbilar och samtliga fordon. R.h.m står för relativ medelhastighetsminskning och anges i procent. Skyltad hastighet Placering 90 Utanför Mellan Referens Period Före Efter R.h.m Före Efter R.h.m Före Efter R.h.m Personbil 88,1 85,6 2,8 96,1 93,4 2,8 86,4 84,3 2,4 Lastbil 84,4 83,0 1,7 87,1 87,3-0,3 82,3 80,9 1,7 Samtliga 87,4 85,1 2,7 94,3 92,2 2,2 85,8 83,8 2,3 Tabell 12: Medelhastigheten, i km/h, vid mätpunkter i på 90-väg före och efter att kameror monterats uppdelat på placeringstyp för personbilar, lastbilar och samtliga fordon. R.h.m står för relativ medelhastighetsminskning och anges i procent. För att ge en tydligare bild av hur medelhastigheten förändrats vid olika placeringstyper och hastigheter finns lådagram i Figur 17 som sammanfattar den relativa hastighetsförändringen från mätplatserna (se fler i Bilaga 2 Resultat sida 9). Lådagrammens utdragna sträck anger här 10 respektive 90 percentilerna. Notera att det kan vara olika många observationer från respektive placeringstyp varför bredden på lådagrammen inte bör jämföras utan detta i åtanke. Figur 17: Den relativa hastighetsminskningen från respektive mätpunkt på 90-väg. Antalet observationer (mätpunkter) från respektive placeringstyp är: framrikt = 12, bakrikt = 8, mellan = 17, referens = 6 och utanför = 6. 47

3.2.2 Hastighetsöverträdelser Andelen hastighetsöverträdelser minskade, liksom vid Askersundsträckan, vid alla placeringstyper och skyltade hastigheter. Kamerans framriktning var den placeringstyp där effekten var störst och 70 km/h var den hastighetsbegränsning där effekten var störst. Vid denna kombination minskade andelen hastighetsöverträdelser vid från 55 % till 10 %, och andelen som körde minst 30 km/h över den skyltade hastigheten minskade från 1,5 % till 0,1 %. Effekten var även tydlig vid mätpunkter med placering i kamerans bakriktning, där andelen hastighetsöverträdelser på 70-väg minskade från 63 % till 38 % och andelen som körde minst 30 km/h över skyltad hastighet minskade från 1,6 % till 0,4 %. Andelen hastighetsöverträdelser var större vid lägre hastighetsbegränsningar än högre där 50 km/h hade störst och 90 km/h hade lägst andel. I Tabell 13 finns andelen fordon som körde 1, 6 och 30 km/h över skyltad hastighet före och efter etableringen av trafiksäkerhetskameror tabulerad. Figur 18 och Figur 19 visar grafiskt andelen fordon som körde minst ett visst antal kilometer för fort. Fler diagram över hastighetsöverträdelser visas i Bilaga 2 Resultat sida 11. 50 70 90 Period Före Efter Före Efter Före Efter Placering Framriktning Minst 1 km/h 64,4 23,3 55,4 9,9 41,4 12,2 Minst 6 km/h 36,9 6,7 33,6 3,7 30,6 6,2 Minst 30 km/h 1,9 0,2 1,5 0,1 1,3 0,2 Placering Bakriktning Minst 1 km/h 71,8 60,7 63,2 38,1 40,5 25,7 Minst 6 km/h 43,9 29,4 40,1 17,4 23,7 11,9 Minst 30 km/h 2,1 0,9 1,6 0,4 1,3 0,6 Tabell 13: Andelen fordon som körde minst 1, 6, och 30 km/h över skyltad hastighet uppdelat på skyltad hastighet och placering. Figur 18: Andelen fordon som körde minst ett visst antal km/h över skyltad hastighet vid mätpunkter med placering i kamerans framriktning på 90-väg uppdelat på mätperiod. 48

Figur 19: Andelen fordon som körde minst ett visst antal km/h över skyltad hastighet vid mätpunkter med placering i kamerans bakriktning på 90-väg uppdelat på mätperiod. 3.2.3 Medelhastighetens utveckling över dygnet Liksom vid Askersundsträckan varierade medelhastigheten kraftigt över dygnet, där de högsta medelhastigheterna skedde under tidig morgon och de lägsta mitt på dagen och fram på eftermiddagen. Medelhastigheten var mycket starkt kopplad till trafikflödet. Den relativa hastighetsförändringen var vid mätplatser på 50- och 70-vägar störst, där hastigheten tidigare varit som störst. Denna trend var inte så tydlig vid mätpunkter på 90-sträckor. Generellt var resultaten lika de vid Askersund och variationen i effekt vid olika placeringstyper följde samma mönster som de som uppvisades i 3.2.1. För figurer över medelhastighetsutvecklingen för alla hastighets och placeringsalternativ samt trafikflöde hänvisas läsaren till Bilaga 2 Resultat sida 12. 3.2.4 Hastighetens utveckling över veckan Mätplatser på 70- och 90-väg visade en liten variation av medelhastighet över dygnet och den relativa hastighetsförändringen var även den relativt jämn med en liten ökning vid helgen. På 50- väg var medelhastigheten, liksom vid Askersundsträckan, högre på helgen innan etableringen av ATK. Denna utjämnades efter etableringen varför den största relativa hastighetsförändringen skedde på helgen. För figurer över medelhastighetsutvecklingen för alla hastighets och placeringsalternativ hänvisas läsaren till Bilaga 2 Resultat sida 16. 3.2.5 Percentiler vid olika avstånd från kameror Vid undersökning av 99-percentilen upptäcktes ett ganska starkt samband mellan denna och mätplatsers avstånd till närmaste kamera. Mätplatser på 90-väg delades därför in i avståndsklasser (se 2.6.2) istället för efter placeringstyp. Figur 20, Figur 21 och Figur 22 visar tydligt att det fanns en skillnad beroende på avstånd till närmaste kamera (fler figurer finns i Bilaga 2 Resultat sida 19). Mätplatserna i figurerna är sorterade efter storlek på effekt i fallande ordning. För att se om det statistiskt gick att skilja avståndsklasserna gjordes variansanalys med uppföljande test med 49

Tukey där den relativa förändringen av 99-percentilen från vardera mätplats användes som observationer. Resultatet av dessa test visar att det med 95 % säkerhet skett en minskning av 99- percentilen vid alla avståndsklasser utom klass 4. Störst var minskningen vid avståndsklass 0 som i genomsnitt minskade med 14,7 %, i framriktning. Därefter kom avståndsklass 1, med en genomsnittlig minskning på 8,4 % vilket var signifikant bättre effekt än klass 2, 3 och 4 som hade 3,8, 3,4 respektive 1,3 procents minskning. Det går inte med 95 % säkerhet att avgöra vilken inbördes ordning som klass 2, 3 och 4 hade med avseende på minskning av 99-percentilen. Förklaringsgraden, den andel av variationen som kan förklaras modellen, var 80 % vilket visar att avståndsklasserna väl predikterar minskningen av 99-percentilen. Figur 20: 99-percentilen för fordons hastighet vid mätplatser med avståndsklass 0, vid kamera i framriktning, på 90-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99-percentilerer uppmätts. Figur 21: 99-percentilen för fordons hastighet vid mätplatser med avståndsklass 1, inom 500 meter från närmaste kamera, på 90-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99-percentilerer uppmätts. 50

Figur 22: 99-percentilen för fordons hastighet vid mätplatser med avståndsklass 3, mellan 2500 och 5000 meter från närmaste kamera, på 90-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99- percentiler uppmätts. 3.2.6 Spridning Förändringen av spridning för de samlade mätpunkterna var likartad den vid Askersundsträckan. Standardavvikelser, variationskoefficienter och lådagram för de samlade mätpunkterna presenteras nedan. 3.2.6.1 Standardavvikelse och variationskoefficient Standardavvikelsen för fordonshastigheten minskade eller var oförändrad vid alla placeringstyper och hastighetsbegränsningar. Tydligast var minskningen, liksom vid Askersundsträckan, för personbilar. Standardavvikelsen minskade för lastbilar vid placeringarna framriktning och bakriktning, men var oförändrad vid placeringstyperna mellan, utanför och referens. Effekten vid olika hastighetsbegränsningar ökade med minskad hastighetsbegränsning, där mätplatser på 50- väg visade tydligast effekt. Förändringen i variationskoefficienten var generellt större för de samlade punkterna än vid Askersundsträckan. Tabell 14 och Tabell 15 visar standardavvikelser och variationskoefficienter för personbilar och lastbilar. Skyltad hastighet 50 70 90 Period Före Efter Före Efter Före Efter Placering Framriktning Personbil 9,2 (17,0) 6,2 (13,2) 10,5 (14,4) 7,0 (11,1) 12,3 (13,7) 9,7 (11,8) Lastbil 9,5 (17,0) 6,0 (12,1) 10,0 (13,6) 7,2 (11,1) 9,3 (10,8) 8,1 (9,9) Placering Bakriktning Personbil 9,5 (17,1) 7,9 (15,0) 10,3 (14,1) 8,3 (12,0) 12,3 (13,7) 9,7 (11,2) Lastbil 9,3 (16,2) 7,7 (14,0) 9,8 (13,5) 8,1 (11,5) 9,3 (10,9) 8,1 (9,7) Tabell 14: Standardavvikelsen (och variationskoefficienten) för personbilar och lastbilar vid olika hastighetsbegränsningar och placeringstyper. Standaravvikelsen anges i km/h. Variationskoefficienten är dimensionslös och anges i procent. 51

Skyltad hastighet 90 Period Före Efter Före Efter Före Efter Placering Mellan Utanför Referens Personbil 13,1 (14,9) 11,7 (13,7) 11,6 (12,0) 11,0 (11,8) 11,7 (13,5) 10,9 (12,9) Lastbil 9,6 (11,3) 9,4 (11,3) 8,2 (9,4) 8,5 (9,7) 9,7 (11,7) 9,7 (12,0) Tabell 15: Standardavvikelsen (och variationskoefficienten) för personbilar och lastbilar vid olika placeringstyper på 90-väg. Standaravvikelsen anges i km/h. Variationskoefficienten är dimensionslös och anges i procent. 3.2.6.2 Lådagram Lådagrammen över de samlade punkterna påminde mycket om de vid Askersundsträckan. Tydliga förändringar kunde ses för personbilar där lådagrammen, förutom förskjutning bakåt, hade blivit smalare vilket visar på en minskad hastighetsspridning. Storleken på effekt var liksom tidigare knuten till placeringstyp, där kameror placerade i framriktning hade en stor effekt, kameror placerade mellan en liten och referenspunkterna ingen. För lastbilar fanns en förändring i spridning vid 50- och 70 väg. Denna saknades på 90-väg, där spridningen i framriktning snarare ökat än minskat. Generellt var förändringarna på lådornas storlekar i förhållande till faktorer lika som effekten på medelhastighet presenterat i 3.2.1. Figur 23, och Figur 24 illustrerar lådagram för personbilar på 90-väg. Fler figurer med lådagram finns i Bilaga 2 Resultat sida 21. Figur 23: Lådagram över hasigheten för personbilar vid mätplatser på 90-väg i framriktning (t.v.) och i bakriktning (t.h.) uppdelat på period. Figur 24: Lådagram över hasigheten för personbilar vid mätplatser på 90-väg mellan kameror (t.v.) och utanför/referens (t.h.) uppdelat på period. 52

3.3 Undersökningar med alla mätpunkter Detta avsnitt presenterar resultatet av undersökningar som gjorts med alla mätpunkter som underlag, såväl de från Askersundsträckan och de samlade mätpunkterna. Undersökningarna bygger på hypoteser som har uppkommit under arbetets gång. 3.3.1 Relativa hastighetsminskningen för avståndsklasser på 90-väg Hypotesen då förändringen av den relativa hastighetsminskningen studerades, var att storleken på denna beror av mätplatsens avstånd till närmaste, i riktningen mätande, kamera. Mätplatserna delades därför in i avståndsklasser (se 2.6.2). De relativa hastighetsminskningarna från respektive mätplats användes sedan som observationer. Då antalet mätplatser vid hastighetsbegränsningarna 50 och 70 km/h var få, gjordes detta bara för mätplatser på 90-väg. Figur 25 visar den relativa hastighetsminskningen för vardera mätplats i form av punktdiagram och lådagram. Dessa indikerar starkt att det skulle föreligga ett samband. För att testa detta gjordes en variansanalys med uppföljande test med Tukey. Resultatet av testerna visade att mätplatser vid avståndsklass 0 med 95 procents säkerhet hade bättre effekt än alla andra avståndsklasser. Avståndsklass 1 hade med 95 procents säkerhet bättre effekt än avståndsklass 4. Avståndsklass 1 visade även tendens till att ha större effekt än 2 och 3, men detta gick inte att visa med 95 procents säkerhet. Det gick heller inte att, med 95 procents säkerhet, säga något om den inbördes ordningen i effekt mellan klass 2, 3 och 4 Förklaringsgraden, var 63 % varför en stor del av variationen i den relativa hastighetsminskningen tycks bero av avståndet till hastighetskameror. Figur 25: Punktdiagram och lådagram visande den relativa hastighetsminskningen. Varje punkt i punktdiagrammet motsvarar den relativa hastighetsminskningen vid en mätplats. Diagrammen bygger på 55 53

mätpunkter med följande antal från respektive avståndsklass: 0 = 16, 1 = 9, 2 = 13, 3 = 10, 4 = 7. Där avståndsklass: 0 är i framriktning, 1 inom 500 meter, 2 mellan 500 och 2500 meter, 3 mellan 2500 och 5000 meter och 4 över 5000 meter från närmaste kamera. 3.3.2 Samband mellan medelhastighet före och efter ATK I likhet med tidigare forskning (Andersson, G, 2003, 2004) har i detta arbete sambandet mellan medelhastigheten före och efter etableringen av ATK studerats. Resultaten visar att det finns ett starkt samband mellan dessa medelhastigheter. Vidare visar resultaten att hastighetsminskningen vid mätplatser i kamerans framriktning var större ju högre medelhastigheten var innan etableringen av ATK. Denna effekt kunde inte ses vid mätplatser som inte var i anslutning till en kamera i framriktningen. Osäkerheterna i koefficienterna var relativt stora, där de 95 procentiga konfidensintervallen för lutningskoefficienten var (0,27, 0,96) vid avståndsklass 0 och (0,79, 1,1) vid avståndsklass 1-3. Figur 26: Medelhastigheten före mot medelhastigheten efter etableringen av ATK vid mätpunkter i kamerans framriktning på 90-väg. 54

Figur 27: Medelhastigheten före mot medelhastigheten efter etableringen av ATK vid mätpunkter med ett avstånd på 500-5000 meter från kamera i framriktning på 90-väg. 3.3.3 Samband mellan tidigare medelhastighet och hastighetsminskning Indikationer under arbetet och tidigare forskning (Andersson, G, 2003, 2004) har visat att det tros finnas ett samband mellan tidigare hög medelhastighet och minskning av denna efter etablering av ATK. Därför gjordes regression av den absoluta hastighetsminskningen mot tidigare medelhastighet vid mätplatser med placering i kamerans framriktning på 90-vägar. Regressionen visar att det finns ett positivt samband, då regressionslinjens lutning är positiv. Sannolikheten att lutningen skulle vara negativ utifrån observationerna är 3,2 % vilket är mindre än 5 %. Därmed tycks det finnas ett signifikant samband. Modellens förklaringsgrad, R 2, är dock bara 29 %, dvs. de övriga 71 procenten förklaras av något annat. Då istället den relativa hastighetsminskningen studerades blev regressionslinjen likartad. Sambandet blev dock inte lika starkt och det gick inte att med 95 procents säkerhet säga att sambandet var signifikant. 55

Figur 28: Medelhastigheten före etableringen av ATK vid mätplatser på 90-väg i kamerans framriktning, på x-axeln, mot den absoluta hastighetsminskningen, på y-axeln. 56

4 Diskussion 4.1 Sammanfattning av resultat Resultaten i detta examensarbete visar att automatisk trafikkontroll (ATK) har haft en reducerande effekt på allt hastighetsrelaterat som undersökts. Det gäller bl.a. medelhastigheter, hastighetsspridning, percentiler och andelen hastighetsöverträdelser. Då dessa beror av varandra är det naturligt att alla har påverkats i samma riktning. Storleken på den reducerande effekten visade sig dock variera beroende på typen av fordon, hastighetsbegränsningen och mätplatsens placering. Effekten var generellt sett bättre för personbilar än lastbilar, vid lägre hastighetsbegränsningar än högre och närmare kameror än längre ifrån. 4.2 Undersökningens tillförlitlighet Det finns i detta arbete många källor till möjliga fel eller faktorer som kan ha påverkat resultatet. Flera åtgärder har gjorts för att minimera eventuella störningar så mycket som möjligt, men det har inte gått att undvika alla fel och osäkerheter. Att undersökningen av Askersundsträckan och de samlade punkterna uppvisade stora likheter tyder dock på att tillförlitligheten bör vara relativt god. I detta avsnitt redogörs för de faktorer som kan ha påverkat resultatet. 4.2.1 Mätfel Det finns många möjliga källor till fel vid mätning med utrustningen METOR 3000, vilken har använts vid de mätningar som detta arbete bygger på. De flesta felen tros vara systematiska och bero på tidsfel i pulsregistreringarna. En utförlig beskrivning av mätfelen finns i avsnitt 2.2.1.4. Mätfelets storlek har inte kunnat mätas, men som stöd vid jämförelse av medelhastigheter har dock en övre gräns på mätfelet skattats (se avsnitt 2.9.3). 4.2.2 Datakvalité I allt arbete med insamlat data har beräkningar gjorts med minst 10 decimalers noggrannhet. Det är därför troligt att eventuella brister i datakvalité har uppkommit vid mätning och bearbetning av data med mätutrustningen METOR 3000. Denna har en begränsad noggrannhet som finns beskriven i avsnitt 2.2.1.5. Något som bör ha försämrat datakvalitén är att METOR 3000 arbetar med heltal och därför trunkerar i två steg beskrivet i avsnitt 2.2.1.1. Det är även troligt att mätutrustningen ibland kodat fordon till fel fordonsklass. 57

4.2.3 Bortfallsfel I arbetet förekom bortfall både av mätplatser och registrerade fordon (se avsnitt 2.3). Att det var bortfall av mätplatser bör inte ha påverkat resultatet annat än att urvalet blev mindre. Bortfallet av registrerade fordon, till följd av att verkningsgraden (se avsnitt 2.2.1.3) inte var 100 procent, kan dock ha lett till att urvalet av fordon blev något skevt (se avsnitt 2.3.1). 4.2.4 Övriga felkällor Det finns flera faktorer förutom de ovan nämnda som kan ha inverkat på resultatet. Den kanske största av dessa är förhållandena vid olika mätperioder. Även om instruktionerna till mätpersonalen var att väderförhållanden skulle vara desamma vid för- och eftermätningarna (se avsnitt 2.4.1) så är det troligt att det funnits vissa variationer. Det kan även ha förekommit andra förändringar av vägar eller i miljön kring dessa. I de fall då större förändringar upptäckts har dessa mätpunkter tagits bort från urvalet, men det är inte säkert att alla förändringar har uppmärksammats. Den 1 oktober 2006 höjdes nivån på fortkörningsböter. Hur detta har påverkat resultatet kan diskuteras. Jag har dock svårt att tro att höjningen skulle påverka effekten av trafiksäkerhetskameror negativt, då kamerorna just riskerar att ge en förare böter. Det är dock möjligt att detta har påverkat trafiken som helhet varför även hastigheten vid referenspunkter kan ha påverkats. De 6 referenspunkter som använts i detta arbete hade alla förmätning före och eftermätning efter den 1 oktober 2006. Många av de trafikmätningar som gjorts efter att trafiksäkerhetskameror har etablerats på sträckor, har ägt rum ganska nära inpå monteringen av kamerorna. Det finns därför en risk att en uppmätt effekt på hastigheten kommer att avta när förare vant sig vid kamerorna och lärt sig deras placering. Tidigare forskning (H. Kronberg & G. Nilsson, 2000) visade att medelhastigheten längs en sträcka minskade kraftigt vid en första mätning efter montering av hastighetskameror, men att den sedan hade återgått något vid mätning ett år senare. Vid Askersundsträckan gjordes den första eftermätningen fem veckor efter montering av kamerorna. Den visade på goda effekter. Ett halvår senare gjordes ytterligare en mätning vilken inte visade några tecken på att effekten avtagit. 4.3 Diskussion av resultat I detta avsnitt diskuteras effekterna av ATK vid olika typer av platser. Diskussionen tar upp den kraftiga sänkningen i kamerornas framriktning, om kamerans bakriktning har en effekt, om det finns effekt mellan kameror och om varför det skett en hastighetssänkning vid referensplatser. 58

Vidare jämförs resultaten i denna rapport med tidigare studier och råd ges om resultatens användning. 4.3.1 Effekten av ATK vid olika mätplatser och resonerande kring kamerors placeringar I denna undersökning visade resultaten att medelhastigheten, andelen hastighetsöverträdelser och spridningen minskade kraftigt till följd av ATK precis i anslutning till kameror. Vid mätpunkter mellan kameror var dock dessa effekter betydligt mindre, där hastighetssänkningen var knappt hälften så stor. En slutsats utifrån detta är att effekten längs en sträcka troligen ligger närmare de effekter som uppmätts mellan kameror, då en sträcka till största delen består av sådana punkter. En annan slutsats är att man bör försöka ta till vara på den stora effekt som uppkommer i anslutning till kameror och därmed placera dessa där lokala sänkningar av hastigheten önskas. Exempel på sådana platser är vid nedskyltad hastighet genom ett mindre samhälle eller i anslutning till en korsning. Även om det primära syftet med en ATK-sträcka är att sänka hastigheten längs denna så bör man sträva efter att ta till vara all effekt och därmed placera trafiksäkerhetskamerorna där även en lokal sänkning har en särskild nytta. Vid undersökningen av Askersundsträckan visade resultaten att mätpunkter med placering i kamerans bakriktning hade större effekter på fordons hastighet än mätplatser med placering mellan kameror. Liknande resultat, dock inte lika tydliga, visades för de samlade mätpunkterna. Hypotesen, och anledningen till att bakriktning blev en egen placeringskategori, var att förare skulle sakta ner då de blivit påminda av kameran, trots att den mätte i andra körriktningen. Det är svårt att avgöra om den uppvisade effekten beror på detta. Vid Askersundsträckan var antalet mätpunkter relativt lågt, med 4 placerade mellan kameror och 3 i bakriktning på 70-sträckor, varför det är svårt att dra några säkra slutsatser. Vid de samlade mätpunkterna låg mätpunkter vid kameror i bakriktningen i genomsnitt närmare kameror i framriktning än mätpunkter mellan kameror. Den ökade hastighetsminskningen skulle därför kunna vara en effekt av detta. Skulle det vara så att kameror i bakriktning ger en effekt bör ATK-sträckor bestå av kameror placerade saxat. Det innebär att kameror mätande olika riktningar inte ska placeras på samma ställe. Mätplatser med placering mellan kameror visade vid undersökning av de samlade punkterna (se avsnitt 3.2) ingen mätbar skillnad i medelhastighetsförändring mot mätplatser med placering utanför ATK-sträckor och vid referenspunkter. Spridningen är dock, som framgår av Figur 17, relativt stor bland mätpunkter placerade mellan kameror. En av mätpunkterna, som låg 420 meter från närmaste kamera, hade en hastighetsminskning på 10 procent. Det är därför inte rätt att, utifrån observationerna vid de samlade mätpunkterna, säga att ingen effekt med avseende på hastighet kunde ses vid mätpunkter med placering mellan kameror. Vissa mätplatser mellan kameror uppvisade ingen effekt medan andra en stor effekt. Det gick inte att se någon tydlig trend gällande att mätplatser med lägre avståndsklasser skulle ha bättre effekt. Spridningen i 59

effekt bland olika mätplatser visar dock att förändringen skiljer sig vid olika platser längs ATKsträckor. I undersökningen av de samlade punkterna (se avsnitt 3.2) visades relativt stora hastighetsskillnader även vid mätplatser på referenspunkter, d.v.s. på sträckor utan ATK. Vid de 3 referensmätplatserna som låg på 90-vägar var den relativa hastighetsförändringen 2,4 procent. Vad denna skillnad beror på är intressant att spekulera i och jag ser tre möjliga förklaringar: 1. Hastigheterna var lägre därför att förhållandena var annorlunda p.g.a. t.ex. vädret eller väglaget. Om så var fallet kanske inte hela effekten som uppmätts vid ATK-sträckor borde tillskrivas ATK. Effekten av ATK riskerar därmed att vara överskattad i detta arbete. 2. Hastigheterna var lägre därför att ATK även ger effekt på andra vägar. Om så var fallet så för ATK med sig större effekter än vad man hittills trott och effekterna av ATK är därmed underskattade i många bedömningar. 3. Hastigheterna kan ha varit lägre vid referenspunkterna av orsaker som är att betrakta som slump. Detta är inte orimligt då antalet mätpunkter är relativt få. 4.3.2 Resultat relaterade till tidigare forskning Tidigare forskning (G. Andersson, 2003, 2004) framhåller att det finns ett starkt samband mellan medelhastigheten vid mätplatser innan och efter etableringen av ATK. Detta visas genom regressioner. Att lutningskoefficienten är mindre än 1 indikerar att minskningen av hastighet är större för platser där medelhastigheten tidigare varit hög. Denna effekt var lika stor både vid och mellan kameror som mätplatserna delats in i. I min undersökning visades också ett starkt samband mellan hastigheten före och efter etableringen av ATK, som liksom tidigare forskning hade en förklaringsgrad på uppåt 80 procent (se avsnitt 3.3.2). Skillnad i hastighetsminskning beroende på tidigare hastighet kunde dock bara ses vid mätplatser i kamerans framriktning. Den höga förklaringsgraden i regressionerna kan locka en att tro att en stor del av hastighetsminskningen vid en mätplats kan förklaras av medelhastigheten innan. Det är dock ganska självklart att det finns ett samband mellan hastigheterna före och efter etableringen av ATK. Speciellt om dessa inte förändras alls, då förklaringsgraden, skulle vara 100 procent. Om man istället tittar på sambandet mellan tidigare medelhastighet och sänkningen av denna efter etableringen av ATK, blir förklaringsgraden betydligt lägre. I min undersökning visas att det finns ett signifikant samband mellan absolut hastighetsförändring och tidigare medelhastighet vid mätplatser i kamerans framriktning. Förklaringsgraden är dock bara knappt 30 procent varför tidigare medelhastighet ensam inte är en särskilt bra prediktor. Som nämndes ovan delade tidigare forskning (G. Andersson, 2003, 2004) in mätpunkterna i placeringstyperna mellan och vid. Vid innebär vid en slangmätning i anslutning till en kamera. Slangmätningar mäter dock båda riktningar som i detta arbete delats in i placeringstyperna bak- 60

och framriktning. Resultaten i detta arbete visar att effekten med avseende på medelhastighet är ungefär dubbelt så stor i riktning mot kameran. Jag är därför tveksam till att blanda dessa placeringstyper. 4.4 Användning av resultat Resultaten i denna rapport kan användas till olika saker beroende på intresse och syfte. Det finns dock två områden där man bör fundera noga innan man använder siffrorna. 1. Om det på ett enkelt sätt hade gått att skatta medelhastigheten längs en sträcka så hade detta gjorts för Askersundssträckan. Det är dock inte okomplicerat att utifrån punkthastigheter skatta sträckhastigheten. I fallet med Askersundsträckan kan man lockas att ta medelvärdet av alla fordonspassager, vilket jag har gjort i arbetet och fått värdet 8 procent (se avsnitt 3.1.1). Detta värde är som jag skriver den genomsnittliga hastighetsförändringen för alla mätplatser längs sträckan. Den ska inte förväxlas med förändringen av medelhastigheten längs hela sträckan. De registrerade fordonspassagerna som ligger till grund för detta arbete innehåller punkthastigheter och kan inte utan vidare göras om till sträckhastigheter. 2. Även om medelhastigheten minskar till följd av ATK så innebär detta inte säkert att utsläppen av koldioxid också minskar. Resultat i detta arbete, samt norska studier (A. Ragnøy, 2002) tyder på att förare saktar in vid kameror för att sedan gasa när de passerat. Ett beteende med inbromsningar och acceleration kan leda till att utsläppen istället ökar. 4.5 Förslag till vidare forskning Vid tiden för detta examensarbete var insamlingen av data från mätningar gjorda före och efter etableringen av nya ATK-sträckor bara i ett inledande skede. Många fler ATK-sträckor kommer att mätas och det kommer därför med tiden att finnas mycket större underlag för studier av hastighetens påverkan av ATK. Det vore därför bra att fortsätta insamlingen och bearbetningen av data enligt modellen i detta arbete. Den arbetsmetod som valts är skalbar och kan, när väl all data är insamlad och korrekt lagrad, snabbt analysera betydligt större datamängder. Med fler mätpunkter skulle bl.a. följande kunna studeras noggrannare: Om kameror mätande en riktning även ger en effekt i andra körriktningen Sambandet mellan effekten på hastighet och avståndet till kameror. Detta skulle helst göras med uppdelning på närmaste passerade och närmaste kommande kamera i framriktningen. Detta skulle ge en bra vägledning om hur influensområdet kring kameror ser ut, vilket skulle vara till stor hjälp vid utplaceringen av framtida kameror. Om det genom införandet av trafiksäkerhetskameror skett en generell sänkning av hastigheten vid referenspunkter, d.v.s. mätpunkter på vägar utan ATK. 61

För att kunna dra säkrare slutsatser utifrån mätningar gjorda med slang borde denna mätmetod utvärderas bättre. Det finns ingen större undersökning som har försökt avgöra hur stor noggrannhet mätningarna har. Det är därför svårt att säga något säkert om när en skillnad mellan två mätningar är större än ett eventuellt mätfel. Tidigare forskning har, förutom kostnaden, sett bristen på tillförlitlig referensutrustning som ett hinder. Det vore dock intressant att bara titta på den relativa skillnaden mellan flera slangar. En sådan undersökning skulle kunna göras utan referensutrustning. Då hastighetsmätningar är något som ökar i omfattning skulle en vetenskapligt grundad undersökning av åtminstone slangarnas relativa noggrannhet vara av stor nytta. 62

5 Litteraturlista Böcker Blom, Gunnar (1998), Statistikteori med tillämpningar, Lund, Studentlitteratur Blom, Gunnar (1984), Sannolikhetsteori med tillämpningar, Lund, Studentlitteratur Engstrand, Ulla & Olsson, Ulf (2003), Variansanalys och försöksplanering, Lund, Studentlitteratur Field, Andy (2005), Discovering Statistics Using SPSS, London, Sage Publications Hays, William (1981), Statistics, Japan, CBS Collage Publishing Hjorth, Urban (1998), Statistisk slutledning I ekonomi och teknik, Lund, Studentlitteratur Lindskog, Jan (2006), Mätvärdesbehandling och rapportering av mätresultat, Danmark, Studentlitteratur Rapporter Amundsen, Astrid, Christensen, Peter & Elvik, Rune (2004), Speed and road accidents - An evaluation of the Power Model, Oslo, TOI rapport 740/2004 Andersson, Gunnar & Larsson, Jörgen (2005) Automatic speed cameras in Sweden 2002-2003, VTI, Notat 10A-2004 Berg, Svante & Bergdahl, Fredrik (2007), Utvärdering och analys av trafiksäkerhetskameror Riksväg 50 E länsgräns Åsbro, Vägverket, Publikation 2007:16 Ekdahl, Thomas (1996), Beskrivning av tidsupplösning i METOR för axelsensorer och slingdetektorer, Allogg, AL80 B 96:2043 Gains, Adrian et el. (2005), The national safety camera programme Four year evaluation report, Department of Transport, PA Consulting Group, UCL Isaksson, Annica (1997). En studie av tidluckor och hastigheter 1996. Rapport till Vägverket. Publikation 1997:85 Kronberg, Henrik & Nilsson, Göran (2000), Automatisk hastighetsövervakning, VTI, Meddelande 906 2000 63

Nilsson, Göran (2000), Hastighetsförändringar och trafiksäkerhetseffekter Potensmodellen, VTI, Notat 76, 2000 Nilsson, Göran (2004), Trafiksäkerhetsåtgärder och efterlevnad, VTI, Meddelande 951 Ragnøy, Arild (2002), Automatisk trafikkontroll (ATK) Effekt på kjørefart, TØI rapport 573/2002 Interna rapporter och dokument Andersson, Dennis (2006), Ny metod för trafikmätning, Intern rapport till Vägverket Andersson, Gunnar (2004), Automatisk hastighetsövervakning 2002-2003, VTI, PM 2004-03-23, Linköping Andersson, Gunnar (2003), Automatisk hastighetsövervakning - Resultat från försöksverksamheten, VTI, PM 2003-01-03, Linköping Berg, Svante (2005), Förslag till utvärdering ver 1.8.doc, Internt dokument, Vägverket Lundström, Mats (2001), Mätteknik och mätfel, Intern rapport till Vägverket Websidor Wikipedia (2007-07-10), http://en.wikipedia.org/wiki/coefficient_of_variation Wikipedia (2007-08-10), http://en.wikipedia.org/wiki/slutsky%27s_theorem Muntliga källor Andersson, Dennis (2007-06-01), Statistiker, Vägverket Konsult Berg, Svante (2007-08-14), Vägverket Forsman, Gösta (2007-05-09), Chefsstatistiker, Vägverket Granlund, Per-Olov (2007-06-04), Förvaltare av Vägverkets trafikmätningssystem, Vägverket Konsult Lundström, Mats (2007-05-03), Projektledare, Vägverket Konsult Övrigt Dennis Andersson, Trafikingenjör, Vägverket Konsult 64

6 Ordlista Tidsangivelser Efter tidpunkt efter etablering av trafiksäkerhetskameror. Före tidpunkt före etablering av trafiksäkerhetskameror. Period XY anger om period för en mätning gjorts före eller efter etablering av trafiksäkerhetskameror samt vilken i ordningen. X har värde 1 vid förmätning och 2 vid eftermätning. Y är ett heltaligt värde med början på 1. Första eftermätningen benämns således period 21. Placeringar av mätpunkter Bakriktning betyder att kameran står riktad från körfältets körriktning. Framriktning betyder att kameran står riktad mot körfältets körriktning. Mellan punkt som inte är i anslutning till en kamera, men som har kameror i både riktningar om sig. Referens en punkt som ligger på en sträcka utan trafiksäkerhetskameror. Utanför en punkt som ligger utanför sträckan med trafiksäkerhetskameror och därmed inte har kameror både riktningar om sig. Fordonstyper Lastbilar lastbilar med och utan släp. Personbilar personbilar utan släp. Samtliga fordon från alla fordonsklasser, d.v.s. alla registrerade fordon. Förkortningar ATK automatisk trafiksäkerhetskontroll. MVG medelverkningsgrad R.h.m relativ hastighetsminskning. VTI statens väg- och transportforskningsinstitut. Övrigt Mätplats plats där slangar med mätsystemet METOR 3000 legat. Oftast mäter denna trafiken i båda körriktningarna. Mätpunkt en av riktningarna vid en mätplats. 65

Statistiska termer Autokorrelation kan användas vid tidsserier och anger då korrelationen, sambandet, mellan värden vid efterföljande tidpunkter. Förklaringsgrad är ett tal mellan 0 och 1 som anger hur stor del av variationen i en population som kan förklaras av en modell. Betecknas ofta som R 2 alternativt R-Sq. Imputation ersättning av saknade data. Percentil - En percentil x p, 0 < p < 1 är ett tal under vilket andelen p av värdena befinner sig (G. Blom 1998, s. 35). Regression regressionsanalys är ett sätt att skapa en funktion, linjär i detta arbete, som bäst passar observerade data. Standardavvikelse kvadratroten av variansen (se varians) och är därför även ett mått på spridning i en population. Standardavvikelse har samma enhet som observationerna i populationen. Tukey en metod för att få önskad global signifikansnivå vid flera parvisa test. Varians mått på spridning som anger hur mycket värden från en population avviker från medelvärdet. Variansanalys en uppsättning statistiska metoder som bl.a. kan jämföra medelvärden från fler än två populationer. Variationskoefficient besläktat mått med standardavvikelse som anger relativ spridning i förhållande till medelvärde. Variationskoefficienten är dimensionslös och anges ofta i procent. Databastermer Fråga Sökning i en databas, normal uttryckt i frågespråket SQL. Join Hopkoppling av två eller flera tabeller. Normalisering Teori med villkor för att få en effektiv design av en databas. Primärnyckel En till antalet minimal kombination av attribut som tillsammans är unika och därmed kan identifiera en viss rad. Vy Namngiven fråga som ger ett visst sätt att se databasen. 66

1 Bilaga 1 SQL Följande bilaga presenterar bara delar av den kod som använts i arbetet. Mycket kod går dock att göra om med små modifieringar för att ta fram annan information. 1.1 Kod för slangmätningsdatabas ------------------------------------------------------------ --Skapa tabell för slangmätnigar ------------------------------------------------------------ CREATE TABLE [dbo].[trafik]( [ObjektId] [varchar](12) COLLATE Finnish_Swedish_CI_AS NOT NULL, [SlangId] [int] NOT NULL, [Riktning] [tinyint] NOT NULL, [Period] [tinyint] NOT NULL, [Datum] [datetime] NOT NULL, [Fklass] [tinyint] NOT NULL, [Hastighet] [decimal](10, 6) NOT NULL, [Imput] [tinyint] NOT NULL ) ON [PRIMARY] ------------------------------------------------------------ --Skapa sluss för tabell för slangmätnigar ------------------------------------------------------------ CREATE TABLE [dbo].[trafik_tmp]( [SlangId] [int] NOT NULL, [Riktning] [tinyint] NOT NULL, [Period] [tinyint] NOT NULL, [Datum] [datetime] NOT NULL, [Fklass] [tinyint] NOT NULL, [Hastighet] [decimal](10, 6) NOT NULL, [Imput] [tinyint] NOT NULL ) ON [PRIMARY] -------------------------------------------------------- --MATPLATS --Uppgift att tillhandahålla information om mätplatser. Denna kombineras --läpligen med en join med trafik med de gemensamma attributen ObjektId, --SlangId, Riktning vilket tillsammans är unika. -------------------------------------------------------- CREATE TABLE [dbo].[matplats]( [Id] [smallint] NOT NULL, [ObjektId] [varchar](12) COLLATE Finnish_Swedish_CI_AS NOT NULL, [SlangId] [int] NOT NULL, [Riktning] [tinyint] NOT NULL, [Riktning_mot] [varchar](20) COLLATE Finnish_Swedish_CI_AS NOT NULL, [Skyltad] [tinyint] NOT NULL, [Placering] [varchar](8) COLLATE Finnish_Swedish_CI_AS NULL, [Kamera1] [int] NULL, [Kamera2] [int] NULL, [Kamera] [int] NULL, [Klass] [smallint] NULL, [M11] [decimal](10, 6) NULL, [M21] [decimal](10, 6) NOT NULL, [M11_Pb] [decimal](10, 6) NOT NULL, [M21_Pb] [decimal](10, 6) NOT NULL, [M11_Lb] [decimal](10, 6) NOT NULL, 1

[M21_Lb] [decimal](10, 6) NOT NULL, [Diff] [decimal](10, 6) NOT NULL, [Diff_Pb] [decimal](10, 6) NOT NULL, [Diff_Lb] [decimal](10, 6) NOT NULL, [Rel] [decimal](10, 6) NOT NULL, [Rel_Pb] [decimal](10, 6) NOT NULL, [Rel_Lb] [decimal](10, 6) NOT NULL, [Q] [int] NOT NULL, [MVG_11] [smallint] NOT NULL, [MVG_21] [smallint] NOT NULL, CONSTRAINT [PK_matplats] PRIMARY KEY CLUSTERED ( [ObjektId] ASC, [SlangId] ASC, [Riktning] ASC )WITH (IGNORE_DUP_KEY = OFF) ON [PRIMARY] ) ON [PRIMARY] 1.2 Kod för att ta fram statistik ------------------------------------------------------------------ --Skalkod för att ta fram medlhastigher ------------------------------------------------------------------ select m.objektid, m.slangid, m.riktning, VAL1 from trafik f JOIN matplats m ON m.slangid = f.slangid AND m.objektid = f.objektid AND m.riktning = f.riktning where Imput = 0 AND VAL2 group by m.objektid, m.slangid, m.riktning order by m.objektid, m.slangid, m.riktning M11 (och M21) VAL1: avg(f.hastighet) VAL2: period = 11 (21) M11_Pb (och M21_Pb) VAL1: avg(f.hastighet) VAL2: period = 11 (21) AND Fklass = 2 M11_Lb (och M21_Lb) VAL1: avg(f.hastighet) VAL2: period = 11 (21) AND (Fklass >= 5 AND Fklass <= 14) -------------------------------------------------------------------------- --Kod för att ta fram antalet passager per dygn under period 11 (eller 21) -------------------------------------------------------------------------- select m.objektid, m.slangid, m.riktning count(*) as antal, datediff(dd,min(datum), max(datum)) as dagar, convert(int,(count(*)/convert(decimal(18,1), datediff(mi,min(datum), max(datum))))*60*24) from trafik f JOIN matplats m ON m.slangid = f.slangid AND m.objektid = f.objektid AND m.riktning = f.riktning where period = 11 --(eller 21) group by m.objektid, m.slangid, m.riktning order by m.objektid, m.slangid, m.riktning 2

1.3 Vyer -------------------------------------------------------------- --Vy som tar fram för period_11 --medelhastighet, antal obs, std, --uppdelat på placering och fordonstyp -------------------------------------------------------------- CREATE VIEW [dbo].[askersund11_placering] AS SELECT TOP 100 PERCENT m.skyltad, 'samtliga' as placering, k.fordonstyp, AVG(hastighet) as Medelhast_11, COUNT(Hastighet) as Antal_11, STDEV(hastighet) AS Std_11 from trafik_cut f JOIN matplats m ON m.slangid = f.slangid AND m.objektid = f.objektid AND m.riktning = f.riktning JOIN Fklass k ON k.fklass = f.fklass WHERE imput = 0 AND f.objektid = '18002' AND f.period = 11 AND (Fordonstyp = 'Personbil' OR Fordonstyp = 'Lastbil') AND f.slangid <> 2239 GROUP BY m.skyltad, k.fordonstyp UNION SELECT TOP 100 PERCENT m.skyltad,'samtliga' as placering, 'Totalt', AVG(hastighet) as Medelhast_11, COUNT(Hastighet) as Antal_11, STDEV(hastighet) AS Std_11 from trafik_cut f JOIN matplats m ON m.slangid = f.slangid AND m.objektid = f.objektid AND m.riktning = f.riktning JOIN Fklass k ON k.fklass = f.fklass WHERE imput = 0 AND f.objektid = '18002' AND f.period = 11 AND f.slangid <> 2239 GROUP BY m.skyltad UNION SELECT TOP 100 PERCENT m.skyltad, m.placering, k.fordonstyp, AVG(hastighet) as Medelhast_11, COUNT(Hastighet) as Antal_11, STDEV(hastighet) AS Std_11 from trafik_cut f JOIN matplats m ON m.slangid = f.slangid AND m.objektid = f.objektid AND m.riktning = f.riktning JOIN Fklass k ON k.fklass = f.fklass WHERE imput = 0 AND f.objektid = '18002' AND f.period = 11 AND (Fordonstyp = 'Personbil' OR Fordonstyp = 'Lastbil') AND f.slangid <> 2239 GROUP BY m.skyltad, m.placering, k.fordonstyp UNION SELECT TOP 100 PERCENT m.skyltad, m.placering, 'Totalt', AVG(hastighet) as Medelhast_11, COUNT(Hastighet) as Antal_11, STDEV(hastighet) AS Std_11 from trafik_cut f JOIN matplats m ON m.slangid = f.slangid AND m.objektid = f.objektid AND m.riktning = f.riktning WHERE imput = 0 AND f.objektid = '18002' AND f.period = 11 AND f.slangid <> 2239 GROUP BY m.skyltad, m.placering ------------------------------------------------------------------------ --Vy som sammanfattar vyerna ASkersundXX_placering 3

------------------------------------------------------------------------ CREATE VIEW [dbo].[askersund_placeringcut] AS SELECT TOP 100 PERCENT '18002' AS Objektid, a.skyltad, a.placering, a.fordonstyp, a.medelhast_11, b.medelhast_21, c.medelhast_22, a.medelhast_11-b.medelhast_21 AS 'Diff1', a.medelhast_11-c.medelhast_22 AS 'Diff2', b.medelhast_21-c.medelhast_22 AS 'Diff3', 100*(1-(b.medelhASt_21/a.medelhASt_11)) AS 'Rel1', 100*(1-(c.medelhASt_22/a.medelhASt_11)) AS 'Rel2', 100*(1-(c.medelhASt_22/b.medelhASt_21)) AS 'Rel3', a.antal_11, b.antal_21, c.antal_22, a.std_11, b.std_21, c.std_22 FROM ASkersund11_placeringcut a FULL OUTER JOIN ASkersund21_placeringcut b ON b.placering = a.placering AND b.fordonstyp = a.fordonstyp AND b.skyltad = a.skyltad FULL OUTER JOIN ASkersund22_placeringcut c ON c.placering = a.placering AND c.fordonstyp = a.fordonstyp AND c.skyltad = a.skyltad GROUP BY a.skyltad, a.placering, a.fordonstyp, a.medelhast_11,b.medelhast_21,c.medelhast_22, a.antal_11, b.antal_21, c.antal_22, a.std_11, b.std_21, c.std_22 ORDER BY a.skyltad, a.placering 1.4 Kod för hastighetsöverträdelse --------------------------------------------------------------------------- --Genererar 5 kolumner --Kolumn1-3: Slangid, Riktning, Period --Kolumn4: Antal km/h över gällande hastighet --Kolumn5: Andel över aktuell hastigetsöverträdelse --Startar: vid gällande hastighet --Slutar: Gällande hastighet + 40. --------------------------------------------------------------------------- drop table #temp1 DECLARE @totalt decimal(18,6) DECLARE @temp decimal(18,6) DECLARE @andel decimal(18,6) DECLARE @skyltad decimal(18,6) DECLARE @niva tinyint DECLARE @slangid int DECLARE @riktning tinyint DECLARE @Period tinyint DECLARE @antal_punkter int DECLARE @IdCount int --Initialvärden SET @period = 11 SET @riktning = 1 SET @antal_punkter = (select count(*) from matplats) SET @IdCount = (select min(id) from matplats) SET @slangid = (select slangid from matplats WHERE id = @IdCount) CREATE TABLE #temp1 (Slangid int NOT NULL, Riktning tinyint NOT NULL, Period tinyint NOT NULL, Niva tinyint NOT NULL, 4

Andel decimal(10,6) NOT NULL) WHILE(@Period <= 21) BEGIN WHILE(@IdCount <= @antal_punkter) BEGIN SET @riktning = 1 WHILE(@riktning <=2) BEGIN SET @skyltad = CONVERT(decimal(18,6), (SELECT skyltad FROM matplats WHERE slangid = @slangid and riktning = @riktning)) SET @niva = @skyltad SET @totalt = (SELECT CONVERT(decimal(18,6), COUNT(hastighet)) FROM trafik_cut WHERE Imput = 0 AND period = @Period AND slangid = @slangid AND riktning = @riktning) WHILE (@niva <= @skyltad) BEGIN IF (select count(*) from trafik_ WHERE Imput = 0 AND slangid = @slangid AND riktning = @riktning AND hastighet >= @Niva AND period = @Period )>0 BEGIN SET @temp = (SELECT count(*) FROM trafik_ WHERE Imput = 0 AND period = @Period AND slangid = @slangid AND riktning @riktning AND hastighet >= @Niva) SET @andel = @temp/@totalt END INSERT INTO #temp (Slangid, riktning, Period, Niva, Andel) VALUES (@Slangid, @riktning, @Period, @Niva-@Skyltad, @andel) END SET @Niva = @Niva + 1 END SET @riktning = @riktning +1 END SET @IdCount = @IdCount + 1 SET @slangid = (select slangid from slang WHERE id = @IdCount) Print @slangid END SET @IdCount = (select min(id) from matplats) SET @slangid = (select slangid from matplats WHERE id = @IdCount) SET @Period = CASE @Period WHEN 11 THEN 21 WHEN 21 THEN 26 END 5

--Inläsning av värden i overradelse INSERT INTO overtradelse (Slangid, Riktning, Period, Niva, Andel) SELECT Slangid, Riktning, Period, Niva, Andel FROM #temp ORDER BY Period,Slangid,Riktning,niva 6

1 Bilaga 2 Resultat 1.1 Rv 50 E länsgräns Åsbro 1.1.1 Hastighetsöverträdelser Figur 29: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 90 km/h uppdelat på mätperiod. Figur 30: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 70 km/h uppdelat på mätperiod. 1

Figur 31: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 90 km/h vid mätpunkter med placering i kamerans framriktning uppdelat på mätperiod. Figur 32: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 90 km/h vid mätpunkter med placering mellan kameror uppdelat på mätperiod. Figur 33: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 90 km/h vid mätpunkt placerad 4 km utanför sträckan med kameror uppdelat på mätperiod. 2

Figur 34: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 70 km/h vid mätpunkter med placering i kamerans framriktning uppdelat på mätperiod. Figur 35: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 70 km/h vid mätpunkter med placering i kamerans bakriktning uppdelat på mätperiod. Figur 36: Andelen fordon som körde minst ett visst antal km/h över den skyltade hastigheten 70 km/h vid mätpunkter med placering mellan kameror uppdelat på mätperiod. 3

1.1.2 Medelhastigheten över dygnet Figur 37: Medelhastigheten för personbilar vid varje timme på dygnet uppdelat på mätperiod vid den skyltade hastigheten 90 km/h. Figur 38: Medelhastigheten för personbilar vid varje timme på dygnet uppdelat på mätperiod vid den skyltade hastigheten 70 km/h. Figur 39: Andelen av dygnets trafik vid varje timme på dygnet. 4

Figur 40: Den relativa minskningen av medelhastigheten för personbilar efter etableringen av hastighetskameror för varje timme på dygnet. 1.1.3 Medelhastighetens utveckling över veckan Figur 41: Medelhastigheten för veckans dagar för personbilar uppdelat på period vid den skyltade hastigheten 90 km/h. Figur 42: Medelhastigheten för veckans dagar för personbilar uppdelat på period vid den skyltade hastigheten 70 km/h. 5

Figur 43: Den relativa hastighetssänkningen mellan förmätningen och de båda eftermätningarna för veckans dagar. 1.1.4 Percentiler Figur 44: 99-percentilen för fordons hastighet vid mätplatser med skyltad hastighet 90 km/h riktning söderut. 2244 och 2248 är placerade i kamerors framriktning. Figur 45: 99-percentilen för fordons hastighet vid mätplatser med skyltad hastighet 90 km/h riktning norrut. 2244 och 2248 är placerade i kamerors framriktning. 6

Figur 46: 99-percentilen för fordons hastighet vid mätplatser med skyltad hastighet 70 km/h riktning söderut. 2245 är placerad i en kameras framriktningen. Figur 47: 99-percentilen för fordons hastighet vid mätplatser med skyltad hastighet 70 km/h riktning norrut. 2240 och 2242 är placerade i kamerors framriktning. 1.1.5 Lådagram 1.1.5.1 Lådagram uppdelat på skyltad hastighet för personbil och lastbil Figur 48: Lådagram över hasigheten för personbilar på 70-väg (t.v.) och 90-väg (t.h.) uppdelat på period. 7

Figur 49: Lådagram över hasigheten för lastbilar på 70-väg (t.v.) och 90-väg (t.h.) uppdelat på period. 1.1.5.2 Lådagram uppdelat på skyltad hastighet och placering för personbil och lastbil Figur 50: Lådagram över hasigheten för personbilar på 70-väg (t.v.) och 90-väg (t.h.) placerad i kamerans framriktning uppdelat på period. Figur 51: Lådagram över hasigheten för personbilar på 70-väg (t.v.) och 90-väg (t.h.) placerad mellan kameror uppdelat på period. Figur 52: Lådagram över hasigheten för personbilar på 70-väg (t.v.) och 90-väg (t.h.) placerad i kamerans framriktning uppdelat på period. 8

Figur 53: Lådagram över hasigheten för lastbilar på 70-väg (t.v.) och 90-väg (t.h.) placerad mellan kameror uppdelat på period. 1.2 Samlade mätpunkter 1.2.1 Medelhastigheter Figur 54: Den relativa hastighetsminskningen bland alla fordon på mätpunkter på 90-väg, där minskningen från respektive mätpunkt har setts som observation. Antalet observationer från respektive placeringstyp är: framrikt = 12, bakrikt = 8, mellan = 17, referens = 6 och utanför = 6. Figur 55: Den relativa hastighetsminskningen bland alla fordon på mätpunkter på 70-väg, där minskningen från respektive mätpunkt har setts som observation. Antalet observationer från respektive placeringstyp är: framrikt = 4 och bakrikt = 4. 9

Figur 56: Den relativa hastighetsminskningen bland alla fordon på mätpunkter på 50-väg, där minskningen från respektive mätpunkt har setts som observation. Antalet observationer från respektive placeringstyp är: framrikt = 4 och bakrikt = 4. 1.2.2 Hastighetsöverträdelser Figur 57: Andelen fordon som körde minst ett visst antal km/h över skyltad hastighet vid mätpunkter med placering i kamerans framriktning på 90-väg uppdelat på mätperiod. Figur 58: Andelen fordon som körde minst ett visst antal km/h över skyltad hastighet vid mätpunkter med placering i kamerans bakriktning på 90-väg uppdelat på mätperiod. 10

Figur 59: Andelen fordon som körde ett visst antal km/h över skyltad hastighet vid mätpunkter med placering mellan kameror på 90-väg uppdelat på mätperiod. Figur 60: Andelen fordon som körde ett visst antal km/h över skyltad hastighet vid mätpunkter med placering i kamerans framriktning på 70-väg uppdelat på mätperiod. Figur 61: Andelen fordon som körde ett visst antal km/h över skyltad hastighet vid mätpunkter med placering i kamerans bakriktning på 70-väg uppdelat på mätperiod. 11

Figur 62: Andelen fordon som körde ett visst antal km/h över skyltad hastighet vid mätpunkter med placering i kamerans framriktning på 50-väg uppdelat på mätperiod. Figur 63: Andelen fordon som körde ett visst antal km/h över skyltad hastighet vid mätpunkter med placering i kamerans bakriktning på 50-väg uppdelat på mätperiod. 1.2.3 Medelhastighetens utveckling över dygnet Figur 64: Medelhastigheten vid varje timme på dygnet uppdelat på mätperiod vid mätplatser i framriktning på 90-väg. 12

Figur 65: Medelhastigheten vid varje timme på dygnet uppdelat på mätperiod vid mätplatser i bakriktning och mellan på 90-väg. Figur 66: Den relativa minskningen av medelhastigheten för varje timme på dygnet för personbilar efter etableringen av hastighetskameror på 90-väg uppdelat på placering. Figur 67: Medelhastigheten vid varje timme på dygnet uppdelat på mätperiod vid mätplatser i framriktning på 70-väg. 13

Figur 68: Medelhastigheten vid varje timme på dygnet uppdelat på mätperiod vid mätplatser i bakriktning på 70-väg. Figur 69: Den relativa minskningen av medelhastigheten för varje timme på dygnet för personbilar efter etableringen av hastighetskameror på 70-väg uppdelat på placering. Figur 70: Medelhastigheten vid varje timme på dygnet uppdelat på mätperiod vid mätplatser i framriktning på 50-väg. 14

Figur 71: Medelhastigheten vid varje timme på dygnet uppdelat på mätperiod vid mätplatser i bakriktning på 50-väg. Figur 72: Den relativa minskningen av medelhastigheten för varje timme på dygnet för personbilar efter etableringen av hastighetskameror på 50-väg uppdelat på placering. Figur 73: Det relativa trafikflödet för varje tillem på dygnet. Båda perioderna har slagits ihop då ingen skillnad kunde uppfattas mellan dem 15

1.2.4 Hastighetens utveckling över veckan Figur 74: Medelhastigheten för veckans dagar för personbilar uppdelat på period vid mätplatser i framriktning på 90-väg. Figur 75: Medelhastigheten för veckans dagar för personbilar uppdelat på period vid mätplatser i bakriktning och mellan på 90-väg. Figur 76: Den relativa minskningen av medelhastigheten för personbilar efter etableringen av hastighetskameror för varje timme på dygnet vid mätplatser på 90-väg. 16

Figur 77: Medelhastigheten för veckans dagar för personbilar uppdelat på period vid mätplatser i framriktning på 70-väg. Figur 78: Medelhastigheten för veckans dagar för personbilar uppdelat på period vid mätplatser i bakriktning på 70-väg. Figur 79: Den relativa minskningen av medelhastigheten för personbilar efter etableringen av hastighetskameror för varje timme på dygnet vid mätplatser på 70-väg. 17

Figur 80: Medelhastigheten för veckans dagar för personbilar uppdelat på period vid mätplatser i framriktning på 50-väg. Figur 81: Medelhastigheten för veckans dagar för personbilar uppdelat på period vid mätplatser i bakriktning på 50-väg. Figur 82: Den relativa minskningen av medelhastigheten för personbilar efter etableringen av hastighetskameror för varje timme på dygnet vid mätplatser på 50-väg. 18

1.2.5 Percentiler 1.2.5.1 99-percentil uppdelat på avståndsklass på 90-väg Figur 83: 99-percentilen för fordons hastighet vid mätplatser med avståndsklass 0, vid kamera i framriktning, på 90-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99-percentilerer uppmätts. Figur 84: 99-percentilen för fordons hastighet vid mätplatser med avståndsklass 1, inom 500 meter från närmaste kamera, på 90-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99-percentilerer uppmätts. Figur 85: 99-percentilen för fordons hastighet vid mätplatser med avståndsklass 2, mellan 500 och 2500 meter från närmaste kamera, på 90-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99-percentilerer uppmätts. 19

Figur 86: 99-percentilen för fordons hastighet vid mätplatser med avståndsklass 3, mellan 2500 och 5000 meter från närmaste kamera, på 90-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99-percentilerer uppmätts. Figur 87: 99-percentilen för fordons hastighet vid mätplatser med avståndsklass 4, längre än 5000 meter från närmaste kamera, på 90-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99-percentilerer uppmätts. 1.2.5.2 99-percentiler på 70-väg Figur 88: 99-percentilen för fordons hastighet vid mätplatser på 70-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99-percentilerer uppmätts. De fyra punkterna till vänster (55, 58, 52, 46) är i framriktning och de övriga är i bakriktning. 20

Figur 89: 99-percentilen för fordons hastighet vid mätplatser på 50-väg. Siffrorna på x-axeln anger id för mätplatsen där respektive 99-percentilerer uppmätts. De fyra punkterna till vänster (39, 48, 45, 51) är i framriktning och de övriga är i bakriktning. 1.2.6 Lådagram 1.2.6.1 Personbilar Figur 90: Lådagram över hasigheten för personbilar vid mätplatser i framriktning på 70-väg (t.v.) och 90- väg (t.h.) uppdelat på period. Figur 91: Lådagram över hasigheten för personbilar vid mätplatser i bakriktning på 70-väg (t.v.) och 90-väg (t.h.) uppdelat på period. 21

Figur 92 Lådagram över hasigheten för personbilar vid mätplatser mellan på 70-väg (t.v.) och vid mätplatser utanför och vid referens 90-väg (t.h.) uppdelat på period. Figur 93: Lådagram över hasigheten för personbilar vid mätplatser på 50-väg i framriktning (t.v.) och i bakriktning (t.h.) uppdelat på period. 1.2.6.2 Lastbilar Figur 94: Lådagram över hasigheten för lastbilar vid mätplatser i framriktning på 70-väg (t.v.) och 90-väg (t.h.) uppdelat på period. Figur 95: Lådagram över hasigheten för lastbilar vid mätplatser i bakriktning på 70-väg (t.v.) och 90-väg (t.h.) uppdelat på period. 22

Figur 96: Lådagram över hasigheten för lastbilar vid mätplatser mellan på 70-väg (t.v.) och vid mätplatser utanför och vid referens 90-väg (t.h.) uppdelat på period. Figur 97: Lådagram över hasigheten för lastbilar vid mätplatser på 50-väg i framriktning (t.v.) och i bakriktning (t.h.) uppdelat på period. 23

Bilaga 3 Statistik från mätpunkter Id Objektid Mätplats Rikt. mot Skyltad Placerimg M_11 M_21 R.h.m Q MVG11 MVG21 Klass 13 12002 70450 Trelleborg 70 utanför 66,8 61,2 8,5 4499 95 94 3 14 12002 70450 Lund 70 utanför 69,2 66,7 3,6 4391 95 94 3 15 12002 70451 Trelleborg 90 referens 91,3 88,2 3,3 3159 94 98 4 16 12002 70451 Lund 90 referens 91,3 87,7 3,9 3152 94 98 4 17 12004 70433 Höganäs 90 mellan 92,9 90,6 2,5 5030 95 97 2 18 12004 70433 Helsingborg 90 mellan 91,5 90,0 1,7 5122 95 97 2 19 12004 70435 Helsingborg 90 mellan 87,1 84,4 3,1 5138 99 99 1 20 12004 70436 Helsingborg 90 framrikt 86,6 79,8 7,9 5424 87 98 0 21 12004 70437 Höganäs 90 mellan 82,9 79,9 3,7 5552 97 100 1 22 12005 70423 Ängelholm 90 mellan 89,5 84,9 5,2 2269 96 96 3 23 12005 70423 Klippan 90 mellan 91,2 88,9 2,5 2265 96 96 3 24 12005 70424 Ängelholm 90 framrikt 86,8 78,4 9,6 2102 97 97 0 25 12005 70424 Klippan 90 bakrikt 86,7 81,1 6,4 2237 97 97 1 26 12005 70425 Ängelholm 90 bakrikt 88,4 84,1 4,9 2172 93 98 1 27 12005 70425 Klippan 90 framrikt 88,1 82,4 6,5 2109 93 98 0 28 12006 70439 Rolsberga 90 utanför 93,7 93,9-0,3 2042 95 91 3 29 12006 70439 Höör 90 utanför 95,6 94,6 1,0 2164 95 91 4 30 12006 70440 Rolsberga 90 framrikt 90,5 86,5 4,4 3900 95 89 0 31 12006 70440 Höör 90 bakrikt 86,5 87,0-0,6 3900 95 89 3 32 12006 70441 Rolsberga 90 bakrikt 90,8 88,5 2,5 3965 96 95 3 33 12006 70441 Höör 90 framrikt 92,8 84,9 8,5 3883 96 95 0 34 12006 70442 Rolsberga 90 framrikt 90,3 83,5 7,6 3470 94 95 0 35 12006 70442 Höör 90 bakrikt 91,7 87,0 5,2 3474 94 95 1 36 12006 70443 Rolsberga 90 mellan 90,6 89,7 1,1 3867 97 95 3 37 12006 70443 Höör 90 mellan 87,3 86,9 0,5 3897 97 95 4 38 12006 70444 Rolsberga 50 bakrikt 62,5 57,4 8,1 4187 96 95 3 39 12006 70444 Höör 50 framrikt 59,6 48,5 18,6 4256 96 95 0 40 12007 70459 Sjöbo 90 mellan 82,4 80,9 1,8 3019 92 97 1 41 12007 70459 Tommarp 90 framrikt 84,9 78,4 7,7 2771 92 97 0 42 12007 70460 Sjöbo 90 framrikt 89,6 80,7 10,0 2091 96 94 0 43 12007 70460 Tommarp 90 bakrikt 91,0 86,7 4,7 2132 96 94 1 44 12007 70461 Sjöbo 50 bakrikt 51,0 49,6 2,7 5190 87 89 2 45 12007 70461 Tommarp 50 framrikt 51,2 45,9 10,2 4175 87 89 0 46 12007 70462 Sjöbo 70 framrikt 69,2 62,3 10,0 3591 96 93 0 47 12007 70462 Tommarp 70 bakrikt 68,5 66,2 3,4 3594 96 93 2 48 12009 70455 Lund 50 framrikt 52,7 46,3 12,1 4720 87 88 0 49 12009 70455 Kristianstad 50 bakrikt 55,4 53,7 3,0 4891 87 88 1 50 12009 70456 Lund 50 bakrikt 53,6 51,8 3,3 4336 84 84 1 51 12009 70456 Kristianstad 50 framrikt 53,4 49,4 7,5 4987 84 84 0 52 12010 70452 Lund 70 framrikt 71,4 62,6 12,4 4511 97 91 0 53 12010 70452 Kristianstad 70 bakrikt 71,6 68,1 4,9 5011 97 91 1 54 12010 70453 Lund 70 bakrikt 77,5 72,4 6,6 4326 93 88 1 55 12010 70453 Kristianstad 70 framrikt 75,9 63,5 16,4 5053 93 88 0 56 13002 4082 Skene 90 bakrikt 89,3 84,4 5,4 2485 90 98 1 57 13002 4082 Varberg 90 framrikt 91,7 80,7 12,0 2422 90 98 0 58 13002 4083 Skene 70 framrikt 73,2 64,8 11,4 2428 94 95 0 59 13002 4083 Varberg 70 bakrikt 73,9 69,7 5,7 2427 94 95 3 60 13002 4085 Skene 90 mellan 84,2 75,9 9,9 2431 96 98 1 61 13002 4085 Varberg 90 mellan 82,4 77,5 5,8 2382 96 98 2 62 13002 4087 Skene 90 referens 85,2 83,4 2,1 3331 96 96-1

63 13002 4087 Varberg 90 referens 82,8 80,8 2,3 3460 96 96-64 13003 4089 Oskarström 90 framrikt 90,6 82,0 9,5 4724 95 91 0 65 13003 4089 Halmstad 90 framrikt 89,9 85,2 5,2 4850 95 91 0 66 13003 4092 Oskarström 90 utanför 93,6 89,4 4,5 2972 94 86 3 67 13003 4092 Halmstad 90 utanför 94,9 90,8 4,3 3010 94 86 2 68 18002 2239 Norrut 90 utanför 92,3 90,9 1,6 2662 94 86 3 69 18002 2239 Söderut 90 utanför 88,6 87,8 1,0 2584 94 86 4 70 18002 2240 Norrut 70 framrikt 83,9 76,0 9,4 2247 98 93 0 71 18002 2240 Söderut 70 bakrikt 86,4 77,5 10,2 2331 98 93 4 72 18002 2241 Norrut 70 mellan 85,4 79,1 7,4 2172 98 97 3 73 18002 2241 Söderut 70 mellan 82,6 78,2 5,4 2139 98 97 3 74 18002 2242 Norrut 70 framrikt 78,2 67,1 14,2 2223 96 86 0 75 18002 2242 Söderut 70 bakrikt 78,1 70,9 9,3 2372 96 86 2 76 18002 2243 Norrut 90 mellan 91,4 88,1 3,6 2691 97 95 3 77 18002 2243 Söderut 90 mellan 93,3 88,7 5,0 2813 97 95 3 78 18002 2244 Norrut 90 framrikt 90,5 81,8 9,7 2687 94 89 0 79 18002 2244 Söderut 90 framrikt 87,4 79,7 8,8 2992 94 89 0 80 18002 2245 Norrut 70 bakrikt 79,8 73,0 8,5 3584 95 85 4 81 18002 2245 Söderut 70 framrikt 79,6 69,3 12,9 3976 95 85 0 82 18002 2246 Norrut 70 mellan 81,6 74,9 8,2 4057 87 77 4 83 18002 2246 Söderut 70 mellan 78,5 74,3 5,4 4182 87 77 3 84 18002 2247 Norrut 90 mellan 91,1 88,0 3,3 3636 96 94 2 85 18002 2247 Söderut 90 mellan 91,4 87,4 4,4 3734 96 94 2 86 18002 2248 Norrut 90 framrikt 92,8 84,3 9,2 3642 94 88 0 87 18002 2248 Söderut 90 framrikt 91,1 83,0 8,9 3752 94 88 0 1 05003 2322 Ängelholm 90 framrikt 82,3 79,5 3,5 2395 95 96 0 2 05003 2322 Klippan 90 bakrikt 83,3 81,5 2,1 2522 95 96 2 3 05005 2323 Ängelholm 90 mellan 80,0 80,2-0,2 2415 95 92 2 4 05003 2323 Klippan 90 mellan 84,0 82,7 1,6 2532 95 92 2 5 05003 2325 Ängelholm 90 mellan 82,5 81,5 1,2 2699 97 91 2 6 05005 2325 Klippan 90 mellan 83,5 80,5 3,6 2562 97 91 2 7 05003 2326 Ängelholm 90 referens 81,7 79,9 2,2 2329 99 99-8 05003 2326 Klippan 90 referens 81,2 79,8 1,7 2326 99 99-9 07002 2257 Växjö 90 utanför 94,4 92,9 1,6 2628 95 84 4 10 07002 2257 Ängelholm 90 utanför 94,5 92,9 1,7 2601 95 84 4 11 07002 2260 Växjö 90 mellan 94,9 93,0 2,0 2456 97 94 2 12 07002 2260 Ängelholm 90 mellan 95,3 91,2 4,2 2452 97 94 2 Tabell 16: För varje mätpunkt finns följande tabulerat: id, betäckning, i riktning mot stad, skyltad hastighet, placering, medelhastighet före ATK, medelhastighet med ATK, relativ hastighetsminskning, trafikflöde per dygn, medelverkningsgrad i förmätningen, medelverkningsgrad i eftermätningen och avståndsklass. 2

Bilaga 4 Mätprinciper för METOR 3000 Delar av informationen som återfinns i denna bilaga finns i det interna dokumentet Mätteknik och mätfel (Lundström, 2001). Figur 98: : En personbil som passerar en mätplats med mätsystemet METOR 3000. Då de främre däcken på bilen passerar sensor A registreras en puls vid tiden t1. Därefter passerar bilen samma sensor med bakre däcken vid tiden t2. På samma sätt erhålls registreringar vid tiderna t3 och t4 då främre och bakre däcken passerar sensor B. I detta fall förutsätts att fordonet har ett kortare axelavstånd än avståndet mellan slangarna. Det hade dock bara skiljt i ordningen av sensorernas inbördes registreringar om så inte hade varit fallet. Tiden det tar för främre däcket 1

att passera slangarna ges av t3 t1 och avståndet mellan slangarna S L är känt. Man kan därför beräkna fordonets hastighet (V) enligt: S L V = t 3 t 1 När man beräknat fordonets hastighet kan man även beräkna dess axelavstånd (S H ) enligt: S H = V ( t ) 2 t1 Utifrån det beräknade axelavståndet klassificerar man fordonet till en av 15 fordonsklasser. Figur 99: : Diagram som visar ett fordon som passerar en mätplats i riktning 1. x-axeln anger tid och y- axeln anger avstånd. Pulserna från sensorerna A och B kan åskådliggöras i ett diagram där x-axeln anger tid och y- axeln anger avstånd. I Figur 99 visas hur det kan se ut när en personbil passerar sensorerna i riktning 1. Diagrammet visar fyra punkter som motsvaras av de fyra registrerade pulserna. Pulser från samma axlar har förbundits med streckade linjer vilka bildar hastighetsvektorer. Lutningen på dessa anger fordonets riktning och hastighet. Med hjälp av dessa kan man para ihop pulser till rätt fordon. 2

Figur 100: Diagram som visar två fordon med olika hastighet som passerar en mätplats i riktning 1. x-axeln anger tid och y-axeln anger avstånd. Figur 3 visar hur det kan se ut om två fordon med olika hastigheter passerar efter varandra i riktning 1. Man kan se att fordon x passerade först, och att y som passerade efter hade en högre hastighet. Figur 101: Diagram som visar ett fordon som passerar en mätplats i riktning 2. x-axeln anger tid och y-axeln anger avstånd. Figur 101 illustrerar ett fordon som passerat i riktning 2. Detta visas genom att hastighetsvektorn har en negativ lutning. I de beskrivningar som hittills givits har enskilda fordon passerat mätplatsen. I dessa fall är det inte särskilt svårt att uttyda pulserna till ett fordons riktning, hastighet och fordonsklass. Om fordon däremot möts blir bilden inte lika entydig. Figur 102 nedan visar en situation då två fordon har mötts vid mätplatsen. 3

Figur 102: Diagram där pulser från mötande fordon är utritade. x-axeln anger tid och y-axeln anger avstånd. För att lösa fall som detta bildas en matris som innehåller alla möjliga kombinationer av hastighetsvektorer som pulserna kan bilda. Dessa söks igenom och den kombination som bildar de mest realistiska fordonen väljs. I fallet som illustreras i Figur 102 visade det sig att det troligaste var att en lastbil med ett enaxlat släp (X) mött en personbil (Z) vilket ger hastighetsvektorerna i Figur 103. Figur 103: Diagram som visar hastighetsvektorer bildade av pulserna från en mötande lastbil med enaxlat släp (X) och en personbil (Z). X-axeln anger tid och y-axeln anger avstånd. Det finns fall då mönstret är så svårtytt att de metoder som finns inte räcker till för att urskilja fordon. I dessa fall använder man en metod som kallas imputation. Denna metod ersätter de svårtydda pulserna med fordon utifrån ett antal statistiska parametrar. De statistiska parametrarna är byggda av de data som finns registrerat i utrustningen och uppdateras därmed kontinuerligt för att ge en så korrekt bild som möjligt. I programvaran finns funktioner som korrigerar felaktigheter. Det kan t.ex. vara fall då axlar ger upphov till dubbelpulser, d.v.s. då mätutrustningen registrerar flera pulser från en axel eller att två fordon möts och endast en puls registreras. I de flesta fallen lyckas programvaran korrigera detta. De fordon som registreras delas in i en av 15 olika fordonsklasser. Denna indelning görs med stöd av följande axiom : 4

Ett fordon utgörs av ett dragfordon med eller utan släp. Dragfordonet måste ha minst 2 axlar och det totala antalet axlar får inte överstiga 14 stycken. Avståndet mellan axlarna ska ligga inom intervallet "min axelavstånd" och "max axelavstånd". Fordonen delas utifrån avståndet mellan hjulaxlarna samt antalet axlar in i en av följande fordonsgrupper; MC, P, L eller XXX. MC - fordon med ett axelavstånd mellan 80 och 180 cm, främst mopeder och motorcyklar. P fordon med ett axelavstånd mellan 180 och 330 cm, främst personbilar. L fordon med axelavstånd mellan 330 och 1050 cm eller fordon med axelavstånd mellan 80 och 1050 cm om fordonet har fler än två axlar, främst lastbilar och bussar. XXX fordon som inte kan placeras i någon av de ovan nämnda kategorierna, men som ändå uppfyller axiomet. 5

Bilaga 5 Beskrivning av ATK_slangconverter Programmerat ATK-slangkonverter har som uppgift att läsa filer av typen.met och skriva ut alla enskilda fordonspassager med tillhörande information på en textfil. När man öppnar en met-fil visas denna i ett xy-diagram, där y-axeln anger hastighet och x-axeln anger tid vilket visas i Figur 104. Varje fordonspassage motsvaras av en tunn stapel vars position i x-led anger när i tiden fordonet passerade och vars höjd motsvarar vilken hastighet som uppmätts. En uppdelning är gjord på fordonsklass och riktning, vilket gör att man kan väja vilken kombination av dessa som ska visas. Lämpligt för att kunna upptäcka fel är dock att visa personbilar utan släp då dessa utgör en klar majoritet av fordonen. Den grafiska beskrivningen av data visar under vilken period mätningen är gjord samt om mätningen har blivet fel på något sätt. Ett vanligt fel är att en slang har blivit dålig vilket resulterar i att alla fordon efter haveriet får samma uppmätta hastighet, något som illustreras i Figur 2. Om ett fel uppstått så finns det möjlighet att redigera filen. Programmet låter användaren markera en vald del av den grafiska framställningen varefter denna kan välja att tas bort. På detta sätt kan man beskära datafilen på valfritt sätt för att sedan exportera den del som är relevant. Innan textfilen skapas skall det anges om mätningen var en för- eller eftermätning samt vilken i ordningen. Förperiod anges med 1 och efterperiod anges med 2. Vilken i ordningen anges med ett tal med början på 1. 1

Figur 104: : Skärmdump från ATK_slangconverter. Bilden visar personbilar utan släp under perioden 2005-10-27 till 2005-11-02. De tunna staplarna motsvarar fordonspassager där höjden anger hastighet och placeringen i x-led anger när i tiden passagen skedde. Figur 105: : Skärmdump från ATK_slangconverter. Bilden visar en mätning där en slang slutat fungera efter drygt halva perioden. Efter detta har alla fordon fått samma uppmätta hastighet. 2

Bilaga 6 - Karta över Rv 50 E-länsgräns Åsbro Figur 106: Kartbild över ATK-sträckan Rv 50 E-länsgräns Åsbro. 1