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