3 RESULTAT OCH ANALYS
3.1 Historiska data
3.1.2 Tolkning av modell för antal överträdelser
Som vi tidigare nämnde i kapitel 2.1.2 kommer vi att analysera antalet hastighets- överträdelser med hjälp av Poissonregressionen. När vi påbörjade sökningen av analysmodell utgick vi från modellen vi kom fram till för multipel linjär regression (3.1.1), det vill säga med följande förklaringsvariabler:
Timme, Gällande hastighet, Säsong, Helg, Pendling, Region, Antal fordon, Nederbördstyp, Yttemperatur, Kameraaktivering, Region*Kameraaktivering
Genom att studera typ 1 SS (sekventiella kvadratsummor) i Genmodproceduren fick vi fram att variablerna Helg och Kameraaktivering inte var signifikanta. Däremot var interaktionen Region*Kameraaktivering signifikant varför Kameraktivering behövs i modellen. Vidare var variabeln Helg signifikant i parameterskattningen, vilket gör att vi kan jämföra skillnaden mellan vardagar och helger.
För att ta hänsyn till överspridning skattade vi skalparametern med hjälp av data. I vårt fall blev skattningen 1,75, vilket innebär att vi har en viss överspridning i materialet. De procentuella skillnaderna i texten är beräknade utifrån skattningarna i tillhörande tabell eller i bilagan enligt exemplet i kapitel 2.1.2.
Timme
I diagram 2 kan vi se hur parameterskattningarna över antalet hastighetsöverträdelser varierar under dygnet.
Diagram 2: Timvariation för antalet hastighetsöverträdelser
22:0 0 - 2 3:00 20:0 0 - 2 1:00 18:0 0 - 1 9:00 16:0 0 - 1 7:00 14:0 0 - 1 5:00 12:0 0 - 1 3:00 10:0 0 - 1 1:00 08:0 0 - 0 9:00 06:0 0 - 0 7:00 04:0 0 - 0 5:00 02:0 0 - 0 3:00 00:0 0 - 0 1:00 0,50 0,25 0,00 -0,25 -0,50 -0,75 Timme P a ra m e te rs ka ttn in g a r
Jämfört med klockan 23:00-24:00 minskar antalet hastighetsöverträdelser mellan klockan 00:00-06:00, främst mellan klockan 02:00-05:00 (46-51 procent färre över- trädelser). Från klockan 06:00 börjar antalet hastighetsöverträdelser öka mer och mer med de största värdena mellan klockan 18:00-22:00 (då de ökar med 38-53 procent). Sedan fortsätter antalet hastighetsöverträdelser att öka jämfört med klockan 23:00- 24:00, om än svagare än tidigare. Trots att medelhastigheten är högre under natten (se kapitel 3.1.2 Timme) sker det jämförelsevis färre hastighetsöverträdelser. Något som kan påverka de få överträdelserna nattetid är att trafiken förmodligen mest består av lokaltrafik. Dessa trafikanter känner troligtvis till trafiksäkerhetskamerornas
Gällande hastighet
När vi fortsättningsvis ser på Gällande hastighet är det en klar skillnad i antalet
hastighetsöverträdelser mellan de olika gränserna. När hastighetsgränsen är 50 km/h är antalet hastighetsöverträdelser så mycket som 182 procent fler än på 90 km/h. På 70- vägar sker det 163 procent fler överträdelser än på 90-vägar.
Tabell 7: Poissonregressionens parameterskattningar för Gällande hastighet
Parameter Estimate Standard error Pr >
ChiSq
Gällande hastighet 50 1.0368 0.0097 <.0001
Gällande hastighet 70 0.9664 0.0072 <.0001
Gällande hastighet 90 0.0000 0.0000 .
Säsong
Det finns en klar säsongsskillnad i antalet överträdelser. Jämfört med hösten sker det fler hastighetsöverträdelser resten av året. Under vintern är det ca 20 procent fler överträdelser än under hösten medan våren placerar sig högst med 30 procent fler ärenden än under hösten. Under sommaren ligger antalet hastighetsöverträdelser på 15 procent högre än hösten. Resultatet är förvånande då man kan tycka att det borde ske fler hastighetsöverträdelser på sommaren än på vintern med tanke på att medel- hastigheterna borde öka på sommaren. Däremot stämmer dessa resultat väl ihop med vad undersökningen av medelhastigheterna visade (se kapitel 3.1.1 Säsong). Både medelhastigheterna och antalet överträdelser ligger lägre under sommaren än under vintern och våren. Vad detta beror på vet vi inte, vi kan bara fastslå att under hösten sker det både färre hastighetsöverträdelser och medelhastigheten är lägre än under resten av året.
Tabell 8: Poissonregressionens parameterskattningar för Säsong
Parameter Estimate Standard error Pr > ChiSq Vinter 1 0.1788 0.0084 <.0001 Vår 2 0.2647 0.0079 <.0001 Sommar 3 0.1374 0.0169 <.0001 Höst 4 0.0000 0.0000 . Helg
Under vardagar ligger antalet hastighetsöverträdelser 4 procent lägre än under helger.
Denna variabel har därmed en mindre påverkan på antalet överträdelser.
Pendling
När det kommer till normaltrafikvägar ökar antalet hastighetsöverträdelser med 88 procent på dessa jämfört med pendeltrafikvägar.
Region
När vi undersökte regioner användes region Väst som referensvariabel. Därmed är alla följande skattningar jämförelser mot den regionen. Det som är intressant med den regionen är att i resten av regionerna inträffar det procentuellt mycket färre hastighets- överträdelser. Region Norr har det lägsta antalet hastighetsöverträdelser med 69 procent färre överträdelser än region Väst. Den region som ligger närmast Väst i antal överträdelser är Skåne, men ändå är det hela 34 procent lägre antal överträdelser där.
Tabell 9: Poissonregressionens parameterskattningar för Region
Parameter Estimate Standard
error Pr > ChiSq Region Mälardalen -0.8539 0.0460 <.0001 Region Mitt -0.4514 0.0580 <.0001 Region Norr -1.1732 0.1951 <.0001 Region Skåne -0.4159 0.1190 0.0005 Region Stockholm -0.6085 0.0519 <.0001 Region Sydost -0.6052 0.1135 <.0001 Region Väst 0.0000 0.0000 . Antal fordon
Antalet hastighetsöverträdelser ökar under en timme med 0,22 procent när
fordonsflödet ökar med ett fordon. Det innebär att om fordonsflödet ökar med 100 fordon, sker det även 22 procent fler hastighetsöverträdelser.
Nederbördstyp
När det kommer till skillnaden i antalet hastighetsöverträdelser mellan nederbörds- typer visar skattningen på en ökning av hastighetsöverträdelser med 12 procent vid ej nederbörd jämfört med nederbörd.
Yttemperatur
Det sker 0, 22 procent fler hastighetsöverträdelser för varje grad som yttemperaturen ökar. Exempelvis ökar överträdelserna med 1,1 procent när yttemperaturen stiger 5 grader. Därmed kan vi dra slutsatsen att Yttemperatur ger en liten påverkan på antalet hastighetsöverträdelser.
Kameraaktivering
Variabeln Kameraaktivering ska tolkas tillsammans med interaktionen
Region*Kameraaktivering, vilket kan göra resultaten svårtolkade. Vi har därför valt att sammanställa de skattade parametrarna och deras effekter i tabell 10. Ursprungs-
användes region Väst som referensvariabel. De tre regionerna Skåne, Mälardalen och Norr blev signifikant skilda från Väst. Region Mitt skulle bli signifikant skild från Väst på 10 procents nivå. Hos referensvariabeln region Väst ökar antalet överträdelser med 9 procent när kameran är aktiverad. Däremot minskar hastighetsöverträdelserna kraftigt under kameraaktivering i regionerna Skåne och Norr. I dessa regioner minskar överträdelserna med hela 26 samt 31 procent. Slutligen är det en något lägre
minskning under kameraaktivering i region Mälardalen där hastighetsöverträdelserna minskar med 16 procent.
Tabell 10: Poissonregressionens parameterskattningar för Kameraaktivering och Region*Kameraaktivering Region Skattad parameter Effekt av kameraaktivering Mälardalen -0.1800 0.8353 Mitt 0.1824 1.2001 Norr -0.3678 0.6923 Skåne -0.3028 0.7387 Stockholm 0.0275 1.0279 Sydost 0.1349 1.1444 Väst 0.0844 1.0881 3.2 Tolkning av experimentdata
I experimentet har de flesta förklaringsvariabler, som påverkar medelhastigheten, försvunnit genom användandet av differensen mellan varje mättillfälle. Vi hade kunnat göra en regressionsanalys i GLM med förklaringsvariablerna Nederbördstyp,
Yttemperatur och Antal fordon. Dessa variabler gav dock inte tillräckligt mycket i modellen för historiska data. De tre förklaringsvariablerna ger praktiskt sett så lite att vi inte behöver dem i analysen av experimentet. Det som återstår att göra blir då en differensanalys, där vi undersöker skillnaden i medelhastighet.
noll. Differenserna beräknas genom att ta lågaktiveringsobservationerna minus
observationerna under hög aktivering. För alla sträckor låg differensmedelvärdet på -0,5900, vilket innebär att medelhastigheterna var högre under högaktiveringsperioden än under låg aktivering. Konfidensintervallet för differensmedelvärdet innefattar inte
noll och förväntade differensenkan därmed sägas vara skild från noll. Det innebär att
vi med 95 procents säkerhet kan säga att aktiveringsperioderna har haft olika effekter på medelhastigheten.
Tabell 11: Experimentdatas medelvärde för differenserna på alla mätplatser
Mean Std Dev Lower 95% CL for Mean
Upper 95% CL for Mean
t Value Pr > |t|
-0.5900 4.0207 -0.6266 -0.5535 -31.67 <.0001
Vidare ville vi studera hur differenserna såg ut uppdelad på hastighetsgränser. Det visade sig att sträckorna med differensgenomsnitten skilda från noll var de med hastighetsgräns 50 km/h och 90 km/h.
Tabell 12: Experimentdatas medelvärde för differenserna för Gällande hastighet
Gällande hastighet Mean Std Dev Lower 95% CL for Mean Upper 95% CL for Mean 50 -0.1150 2.0530 -0.1792 -0.0509 70 -0.0209 3.3670 -0.0748 0.0329 90 -0.9680 4.4893 -1.0210 -0.9150
För 50-sträckor fick vi ett medelvärde på differenserna i medelhastighet på -0,12 km/h och för 90-sträckor blev skillnaden större med ett medelvärde på -0,97. När det
kommer till 70-sträckor har de en genomsnittsdifferens på -0,02, medan konfidens- intervallet innefattar noll (-0,07 till 0,03 km/h). Det betyder att det inte finns någon säkerställd skillnad mellan de två aktiveringstyperna för 70-sträckorna. Differens- medelvärdet för de olika hastighetsbegränsningarna var alla negativa. Detta tyder på att en hög aktivering har haft en negativ effekt, då medelhastigheterna varit högre
Dessa resultat visar att det verkar finnas en väldigt liten skillnad mellan låg och hög aktivering hos 50- och 70-mätplatser. Differensen är däremot större hos 90-vägarna där genomsnittsdifferensen innebär nästan 1 km/h högre medelhastighet under högaktiveringsperioden. Något som bör tas i beaktande är att perioden av låg aktivering skedde under vintern. Samtidigt låg högaktiveringsperioden under både vinter och vår. Då historiska data visade att medelhastigheten är ca 0,4 km/h högre under våren än under vintern kan den knappa skillnaden tänkas bero på säsongsskiftet. Däremot visade historiska data även att medelhastigheten sänktes i Mälardalen med 0,8 km/h vid kameraaktivering. Vi har alltså fått motsägande resultat där historiska data visade på en minskning av medelhastighet under kameraaktivering, medan experimentdata tyder på att hög aktivering inte ger någon önskad effekt på medel- hastigheten.
Trots att experimentet visar att en hög aktivering inte ger bättre resultat än en låg aktivering, skulle vi kunna dra slutsatsen att regionens aktiveringspolicy är det som bäst påverkar medelhastigheten. I historiska data följdes Mälardalens policy, medan den frångicks till förmån för två olika aktiveringsgrader i experimentet. Att kamera- aktiveringen i sig sänker medelhastigheten i historiska data medan hög aktivering verkar höja medelhastigheten i experimentdata är ett tecken på att Mälardalens vanliga aktiveringspolicy är bättre på att sänka medelhastigheten.