Traditioneel verkeersveiligheidsbeleid is sterk afhankelijk van geregistreerde ongevallen. Maar het kost tijd voordat die ongevallen statistisch bruikbare patronen opleveren – en er kunnen daarom jaren overheen gaan voor er ingegrepen wordt. Kan dat anders? Dr. Yiru Jiao promoveerde in januari 2026 op een nieuwe aanpak om botsingsrisico’s in te schatten voordat het misgaat.
Als het gaat om verkeersveiligheid zijn niet autosnelwegen het probleem, maar vooral wegen in stedelijke gebieden. Ter illustratie: in de Europese en aangrenzende landen die onder de UNECE vallen, vindt een kleine 6 procent van de verkeersongevallen plaats op autosnelwegen, tegenover 67 procent in stedelijke gebieden. Zoomen we verder in dan vallen vooral kruispunten op. In Nederland bijvoorbeeld vindt meer dan de helft van de ongevallen tussen verkeersdeelnemers plaats op kruispunten.
Heel vreemd is dat natuurlijk niet. Op kruispunten rijden verschillende vervoersvormen – voertuigen, fietsers en voetgangers – in verschillende richtingen. Dat juist daar de kans op ongevallen groot is, spreekt dus voor zich. Toch is het ene kruispunt veel veiliger dan het andere. Hoe komt dat? En hoe kun je dat al vóór een ongeval vaststellen?
In haar promotieonderzoek Proactive Collision Risk Quantification in Multi-directional Traffic Interactions heeft Jiao een contextbewuste, generaliseerbare en schaalbare methode ontwikkeld om ongevalsrisico’s op kruispunten te kwantificeren. Ze zet daarbij kunstmatige intelligentie, AI, in om botsingsrisico’s te leren uit alledaagse verkeersdata. Het resultaat is een systeem dat eerder en betrouwbaarder kan waarschuwen, met minder valse meldingen.
Hieronder bespreken we kort de belangrijkste bevindingen van haar onderzoek.
Stedelijk verkeer vraagt om een andere meetlat
Veel veiligheidsindicatoren zijn ontwikkeld voor snelwegsituaties. Denk aan indicatoren als volgtijd en time to collision: ideaal voor de snelwegsituatie waarin één voertuig een ander volgt binnen dezelfde rijstrook. Stedelijke kruispunten zijn echter fundamenteel anders. Verkeersdeelnemers naderen elkaar zijwaarts, slaan af, voegen in op openingen en kruisen elkaar onder uiteenlopende hoeken.
De eerste belangrijke bijdrage van Jiao’s onderzoek is daarom een methode om verkeersinteracties in twee dimensies te meten. Dit leidde tot het zogenoemde interaction Fundamental Diagram (iFD), dat de relatie beschrijft tussen benodigde ruimte, relatieve snelheid en efficiëntie van interacties. Het onderzoek laat zien dat verkeersdeelnemers op kruispunten vaak met minder onderlinge ruimte kunnen functioneren dan in klassieke volgverkeerssituaties. Daardoor wordt de beschikbare ruimte op kruispunten relatief efficiënt benut.
Belangrijker nog is dat Jiao’s onderzoek duidelijk maakt dat de ogenschijnlijke chaos van stedelijk verkeer niet simpelweg wanorde is. De interacties kunnen worden gemeten, vergeleken en beter begrepen – niet alleen door ongevallen of vertragingen te tellen, maar door de kwaliteit van dagelijkse verkeersinteracties te analyseren.
Risico laat zich niet vangen in één vaste grenswaarde
Het proefschrift plaatst ook vraagtekens bij vaste veiligheidsdrempels. Dezelfde indicatorwaarde kan in verschillende situaties iets totaal anders betekenen. Een voorbeeld: een korte time to collision kan bij hoge snelheid zeer riskant zijn, maar minder problematisch in een langzame en voorspelbare interactie. Een kleine tussenruimte is ook normaal tussen fietsers onderling, maar gevaarlijk tussen bijvoorbeeld een auto en een kwetsbare verkeersdeelnemer.
Het raamwerk dat Jiao voorstelt, behandelt risico daarom als contextafhankelijk. Factoren zoals snelheid, richting, type verkeersdeelnemer, infrastructuur en omgevingsomstandigheden worden expliciet meegenomen. In haar proefschrift verwoordt ze het aldus: “Er bestaat geen universele grens tussen veilige en onveilige verkeersinteracties; botsingsrisico bevindt zich op een continuüm.”
Dat inzicht is belangrijk, omdat vaste drempelwaarden mogelijk gevaarlijke situaties missen in complexe contexten, of juist onnodige waarschuwingen geven in beheersbare situaties. Een contextbewuste aanpak maakt risicodetectie adaptiever en betrouwbaarder.
Leren vóórdat het misgaat
Het meest veelbelovende onderdeel van het onderzoek is de ontwikkeling van de Generalised Surrogate Safety Measure (GSSM). Daarmee wordt een praktisch probleem aangepakt: ongevallen en bijna-ongevallen zijn relatief zeldzaam, waardoor ze beperkt bruikbaar zijn als trainingsdata voor veiligheidssystemen.
GSSM leert daarom van gewone verkeersinteracties – zoals vastgelegd door verbonden voertuigen, sensoren of trajectdatabases – en gebruikt deze om te schatten hoe risico zich ontwikkelt richting gevaarlijke situaties. Anders gezegd: het systeem leert van normaal verkeersgedrag en hoeft dus niet te wachten op echte ongevallen. Hoe meer data beschikbaar zijn en hoe gevarieerder die zijn, hoe beter het model kan presteren.
Dat maakt de aanpak schaalbaar. Veiligheidssystemen kunnen met deze aanpak continu leren van dagelijkse verkeersstromen.
Praktische toepassingen
De mogelijke toepassingen zijn breed. Wegbeheerders kunnen het iFD gebruiken om kruispunten te vergelijken en te analyseren waar infrastructuur of verkeersregeling leidt tot inefficiënte of risicovolle interacties. Ontwikkelaars van ADAS-systemen kunnen contextbewuste risico-inschatting inzetten om waarschuwingen voor conflicten vanuit meerdere richtingen te verbeteren. En ontwikkelaars van geautomatiseerde voertuigen kunnen GSSM gebruiken om kritieke veiligheidsscenario’s te identificeren voor training en validatie.
Ook beleidsmatig is de relevantie groot. Overheden hebben nu vaak jaren aan ongevalsdata nodig om te beoordelen of een maatregel effect heeft gehad. Het onderzoek van Jiao daarentegen wijst de weg naar een snellere cyclus: dagelijkse interacties analyseren, risicopatronen vroegtijdig detecteren en ingrijpen voordat ongevallen zich opstapelen. Niet langer ‘de put dempen als het kalf verdronken is’, maar sneller – en in veel opzichten goedkoper trouwens – verbeteringen doorvoeren.
Tot slot
Wat het onderzoek bijzonder maakt, is de verschuiving in perspectief. Ongevallen worden niet langer uitsluitend gezien als gebeurtenissen die achteraf moeten worden geteld. Ze worden beschouwd als mogelijke uitkomsten van interactiepatronen die al veel eerder zichtbaar kunnen zijn.
Voor Nederlandse mobiliteitsprofessionals roept dat een actuele vraag op: beoordelen we verkeersveiligheid vooral op basis van de ongevallen van gisteren, of op basis van de risico’s die we vandaag al kunnen herkennen?
____
Meer info:
Jiao, Y. (2026). Proactive Collision Risk Quantification in Multi-directional Traffic Interactions. Proefschrift TU Delft.
