Hoe meten en modelleren we weerbaarheid?

We hebben allemaal wel een beeld bij ‘de weerbaarheid van ons wegennetwerk’. Maar wat bedoelen we precies? Hoe maak je die weerbaarheid objectief? Welke indicatoren zijn gangbaar? En vooral: hoe kun je de weerbaarheid meten, analyseren en modelleren?

Wat is weerbaarheid in de context van een wegennetwerk? De Europese CER-richtlijn, de Critical Entities Resilience Directive, definieert het begrip als het vermogen om een incident te voorkomen– en als het incident toch gebeurt de impact ervan te beperken en er snel weer van te herstellen.

Dat beperken en herstellen kunnen we visualiseren met de grafiek in figuur 1. Deze geeft de operationele toestand van een wegennetwerk over de tijd weer. Links zien we dat het netwerk normaal functioneert: er zijn wel fluctuaties, maar die zijn beperkt. Maar dan gebeurt er een groot ongeval en valt een belangrijke verkeersader uit. De operationele toestand zakt meteen flink in: in onze grafiek presteert het netwerk nog maar op zo’n 20 procent. Zodra de weg weer vrij is ofde vervoersvraag afneemt, zet het herstel in en keert de operationele toestand weer geleidelijk naar normaal.

Bij dit verloop hoort de volgende terminologie. De mate waarin het wegsysteem zijn functie behoudt na een verstoring (incident), noemen we de robuustheid van het wegennetwerk. De snelheid waarmee het netwerk terugveert, heet de veerkracht. Met weerbaarheid doelen we op het geheel: de complete ‘driehoek’ van inzakken tot ‘terug bij normaal’.¹In de praktijk wordt veerkracht ook wel gebruikt voor het geheel van inzakken en terugveren (zoals we hier weerbaarheid omschrijven). En ook weerbaarheid krijgt soms per rapport een net iets andere invulling. De in dit artikel gebezigde definities sluiten goed aan bij hoe de CER-richtlijn de woorden gebruikt.

Indicatoren

Die weerbaarheid kunnen we op verschillende manieren getalsmatig uitdrukken, namelijk met:

• de totale extra reistijd die het gevolg is van de verstoring;
• het totaal aantal extra afgelegde kilometers;
• of de totale extra kosten door de verstoring.

Bij dat laatste zetten we de extra reistijd en de extra afgelegde kilometers om naar geld (euro’s) met behulp van een tijdwaardering en kosten per kilometer.

Deze drie indicatoren zijn omgekeerd evenredig met de weerbaarheid: als de weerbaarheid minder is, zijn de waarden van de indicatoren juist groter. Dat geldt ook voor de driehoek in de grafiek – hoe lager de weerbaarheid, hoe groter de oppervlakte.

Verstoringen

Dan nog de verstoringen of incidenten. Die zijn er uiteraard in verschillende vormen. Ze kunnen regulier zijn of niet-regulier, en voorzien of onvoorzien. De frequentie of kans op een bepaalde verstoring kan behoorlijk uiteenlopen, net als het gevolg: die is kortdurend of juist langdurig en zorgt lokaal dan wel netwerkbreed voor problemen.

Wat weerbaarheid betreft, is het gevolg trouwens belangrijker dan de kans. We spreken dus ook van een lage weerbaarheid als een incident die slechts zelden voorkomt – een overstroming bijvoorbeeld – toch een enorme impact zou hebben. De kans op een bepaald type incident wordt wel gebruikt om eventuele ‘weerbaarheidsmaatregelen’ te prioriteren: hoe groter de impact (= kans x gevolg) hoe belangrijker het is daar maatregelen te treffen.

Meten…

Voor het meten van het gevolg is het belangrijk te weten of het een lokale of juist een netwerkbrede verstoring betreft. Een groot ongeval zou bijvoorbeeld lokaal zijn, terwijl een storm misschien wel over het hele land trekt.

Om de effecten van een lokale verstoring in kaart te brengen, moeten we de volgende effecten achterhalen:

• de fileopbouw richting de (deels) afgesloten weg;
• de fileterugslag naar andere wegen;
• de extra reistijd en kilometers door omrijden;
• de congestie op alternatieve routes
• kijkfiles;
• de verbeterde doorstroming stroomafwaarts van de verstoring;
• vraageffecten, zoals niet-reizen of het aanpassen van de bestemming, vervoerwijze of het vertrektijdstip.

In 2013 hebben we een methode ontwikkeld om de effecten 1, 2 en 5 van lokale verstoringen automatisch te meten op basis van lusdata (tellingen).²Snelder, M., Bakri, T., Van Arem, B. (2013). Delays caused by incidents; a data driven approach, in Transportation Research Record: Journal of the Transportation Research Board, nr. 2333, pag. 1-8. Hierbij detecteren we de congestie stroomopwaarts van de (gedeeltelijke) afsluiting en in tegengestelde richting en vergelijken we die met een referentiesituatie zonder verstoring. Vraageffecten (dat er meer of minder verkeer op de weg is vanwege het incident) nemen we impliciet mee. Interessant is dat we deze methode hebben kunnen gebruiken om een groot aantal verstoringen die in het verleden zijn gebeurd, door te rekenen. Zo lukte het ons om de meest kwetsbare locaties in kaart te brengen.

Maar zoals gezegd zijn er ook netwerkbrede verstoringen, zoals een grote storm. Juist omdat de verstoring een groot deel van het wegennetwerk raakt, is het niet mogelijk de gevolgen aan één locatie toe te kennen. We moeten dan het hele deel van het netwerk beschouwen dat door de verstoring wordt beïnvloed.

Voor die uitdaging is recent ook een methode ontwikkeld: op basis van lusdata wordt daarbij automatisch het effect van netwerkbrede verstoringen gemeten (= weerbaarheidscurve wordt bepaald). Figuur 2 geeft een voorbeeld waarbij de weerbaarheidscurve is berekend voor storm Eunice van 18 februari 2022. Hiervoor is lusdata gebruikt van een cordon rondom de storm.

… en modelleren

Als we het effect van lokale en netwerkbrede verstoringen ook willen modelleren, kunnen we toedelingsmodellen gebruiken. Hierbij wordt een toedeling mét verstoring en zónder verstoring (= referentiesituatie) uitgevoerd om zo de extra reistijd en reiskosten als gevolg van de verstoring te berekenen. Vraageffecten laten we buitenbeschouwing. Afhankelijk van het type toedelingsmodel kunnen we de eerder genoemde effecten 1 tot en met 6 meer of minder goed modelleren.

Voor een goede nauwkeurigheid zouden we idealiter een dynamisch toedelingsmodel inzetten, omdat we dan rekening kunnen houden met de duur van de verstoring en ook het herstel kunnen meenemen. Maar deze modellen zijn vaak te langzaam om een groot aantal mogelijke scenario’s voor verstoringen ‘brute force’ of via samplingstechnieken door te rekenen. Daarom leunen we nog altijd zwaar op eenvoudigere analytische methoden, statische toedelingsmodellen en marginale incidentsimulatiemodellen.

Recent hebben we wel een methode ontwikkeld die gebruikmaakt van het semi-dynamische toedelingsmodel van het landelijk modelsysteem LMS.³Zhou, H., Molenwijk, E., Snelder, M. (2025). Robuustheidsindicatoren met QBLOK, bijdrage aan het Colloquium Vervoersplanologisch Speurwerk, november 2025. Daarmee konden we bepalen welke locaties in het hoofdwegennetwerk het meest kwetsbaar zijn – en dus waar maatregelen om de robuustheid te vergroten, het beste ingezet kunnen worden. Hoewel deze methode al veel inzicht biedt, is het niet mogelijk om er het herstel na verstoringen mee te modelleren. Ook kunnen veel netwerkbrede verstoringen nog niet automatisch worden gegenereerd en doorgerekend.

Hoe verder

We kunnen dus al het nodige meten en modelleren als het gaat om de weerbaarheid van ons wegennet, maar we zijn er nog niet. We hebben zoals gezegd slimme, nieuwe methoden nodig om grote aantallen netwerkbrede verstoringen door te rekenen, om ons netwerkbreed weerbaarder te maken. Het zou ook mooi zijn als we met indicatoren konden werken die specifieker op de bereikbaarheid van belangrijke voorzieningen focust. Verder is er meer kennis nodig over de gedragsreacties van reizigers en vervoerders bij verstoringen, zodat we ook die effecten kunnen meenemen in modellen.

De nieuwe Europese CER-richtlijn heeft het thema weerbaarheid gelukkig vol in de schijnwerpers gezet. Die extra aandacht zal zich ongetwijfeld vertalen in meer onderzoek.

_____

De auteurs
Dr. Maaike Snelder is Principal scientist bij TNO en Universitair hoofddocent bij de TU Delft.