3  Ausführliche Erläuterungen zur Musterlösung

Daten der Bundesinformationssystem Straße (BISStra) für Straßennetz: https://www.bast.de/DE/Verkehrstechnik/Fachthemen/v2-bisstra.html

Daten für Unfälle vom Unfallatlas: https://unfallatlas.statistikportal.de/

3.1 Unfälle zählen

unfall_csv = read_csv2("data/Unfallorte2022_LinRef.csv") 
unfaelle <- st_as_sf(unfall_csv, coords = c("LINREFX", "LINREFY"), 
                  crs = 25832)

3.1.1 A43

Daten einlesen:

strecke <- read_sf("data/geo/BFStr_Netz_SK.geojson")
a43 <- strecke |>
  filter(Str_Kennung == "A43" & Sk_Achse == "Hauptachse") |>
  mutate(rownumber = row_number())

Unfälle filtern:

unfaelle_43 = unfaelle %>%
    # find out which autobahn is closest by
    mutate(nearest_autobahn_id = st_nearest_feature(st_zm(.), a43)) %>% 
    # calculate distance to closest autobahn
    mutate(nearest_autobahn_distance = st_distance(st_zm(.), a43[nearest_autobahn_id, ], by_element = TRUE))

Alles nicht in der Nähe von BAB raus:

unfaelle_autobahn = unfaelle_43 |> 
    filter(as.double(nearest_autobahn_distance) <= 15) |>
  st_zm()

Unfälle zählen:

autobahnen_accident_count = unfaelle_autobahn %>% 
    as_tibble() %>% 
    select(-geometry) %>%
    count(nearest_autobahn_id, UKATEGORIE) %>% 
  spread(UKATEGORIE, n) %>%
  rename(Anzahl_UK2 = `2`, Anzahl_UK3 = `3`) %>%
  replace(is.na(.), 0) %>%
  mutate(Anzahl_U_G = Anzahl_UK2 + Anzahl_UK3)
# Hier gehören eigentlich noch Unfaelle nach Kategorie 1 dazu. Gibt es aber in diesem Jahr auf der A43 nicht, also kann die Variable nicht erzeugt werden.

Verbinden mit Daten der A43:

a43 = a43 |> 
    left_join(autobahnen_accident_count, by = c("rownumber" = "nearest_autobahn_id"))

#a43 <- replace(a43, is.na(a43), 0)

Reine deskriptive Darstellung aller Unfälle Plotten:

ggplot () +
  geom_sf(data = a43, size = 2, mapping = aes(color = Anzahl_U_G)) +
  scale_color_distiller(palette = 8 , direction = 1, breaks = seq(2,14,2)) +
  labs(title = "Anzahl der Verkehrsunfälle nach Abschnitten der A43 im Jahr 2022",
       color = "Anzahl Verkehrsunfälle") +
 theme(plot.title = element_text(size=10))

Barrierefreiheit Plot-Test

ggplot () +
  geom_sf(data = a43, size = 2, mapping = aes(color = Anzahl_U_G)) +
  scale_color_viridis_b(direction = -1, breaks = seq(2,14,2)) +
  labs(title = "Anzahl der Verkehrsunfälle nach Abschnitten der A43 im Jahr 2022",
       color = "Anzahl Verkehrsunfälle") +
 theme(plot.title = element_text(size=10))

3.1.2 Gesamtdeutschland

strecke_de <- strecke |>
  filter(Str_Klasse_kurz == "A" & Sk_Achse == "Hauptachse") |>
  mutate(rownumber = row_number())

Unfälle filtern:

unfaelle_de = unfaelle %>%
    # find out which autobahn is closest by
    mutate(nearest_autobahn_id = st_nearest_feature(st_zm(.), strecke_de)) %>% 
    # calculate distance to closest autobahn
    mutate(nearest_autobahn_distance = st_distance(st_zm(.), strecke_de[nearest_autobahn_id, ], by_element = TRUE))

Alles nicht in der Nähe von BAB raus:

unfaelle_de_autobahn = unfaelle_de |> 
    filter(as.double(nearest_autobahn_distance) <= 15) |>
  st_zm()

Unfälle zählen:

de_unfall_anzahl = unfaelle_de_autobahn %>% 
    as_tibble() %>% 
    select(-geometry) %>%
    count(nearest_autobahn_id, UKATEGORIE) %>% 
  spread(UKATEGORIE, n) %>%
  rename(Anzahl_UK1 = `1`,Anzahl_UK2 = `2`, Anzahl_UK3 = `3`) %>%
  replace(is.na(.), 0) %>%
  mutate(Anzahl_U_G = Anzahl_UK1 + Anzahl_UK2 + Anzahl_UK3)

Verbinden mit Daten:

strecke_de = strecke_de |> 
    left_join(de_unfall_anzahl, by = c("rownumber" = "nearest_autobahn_id"))

strecke_de = strecke_de |>
  mutate(UD = (Anzahl_U_G)/(Sk_Laenge_km))

strecke_de <- replace(strecke_de, is.na(strecke_de), 0)

Plotten:

d_de <- gisco_get_nuts(country = "Germany", nuts_level = 0, resolution = 03)

ggplot () +
  geom_sf(data = d_de, fill = NA, size = 0.5) +
  geom_sf(data = strecke_de, size = 2, mapping = aes(color = Anzahl_U_G)) +
  scale_color_distiller(palette = 8 , direction = 1) +
  labs(title = "Anzahl der Verkehrsunfälle nach Abschnitten der BAB im Jahr 2022",
       color = "Anzahl Verkehrsunfälle") +
 theme(plot.title = element_text(size=10))

3.2 Unfallrate und Unfalldichten:

3.2.1 A43

Zählstelle als sf

d_Jawe <- read_csv2("data/zs/Jawe2022.csv", locale = locale(encoding = 'iso-8859-1'))

Überprüfen wieviele Zählstellen Daten haben:

d_Jawe_BAB <- d_Jawe |>
  filter(Str_Kl == "A")
Anzahl_BAB_ZST = nrow(d_Jawe_BAB)

d_Jawe_BAB_NA <- d_Jawe_BAB |>
  drop_na(DTV_Kfz_MobisSo_Q)
Anzahl_BAB_ZST_Daten = nrow(d_Jawe_BAB_NA)

Wir haben also Anzahl_BAB_ZST = 1228 Zählstellen auf Autobahnen und davon besitzen Anzahl_BAB_ZST_Daten = 868 Daten im Jahr 2022.

Koordinaten der Zählstelle als simple feature anlegen, da nur so weitere sf-Funktionen verwendet werden können.

d_Jawe_sf = st_as_sf(d_Jawe, coords =  c("Koor_UTM32_E", "Koor_UTM32_N"),  crs = 25832)

Exemplarisch nur Werte der A43, die auch vorhanden sind. Blöderweise nur noch 1 Wert über.

d_Jawe_sf <- d_Jawe_sf |>
  filter(Str_Kl == "A" & Str_Nr == "43") |>
  drop_na(DTV_Kfz_MobisSo_Q)

d_Jawe_sf = d_Jawe_sf %>%
    # find out which autobahn is closest by
    mutate(nearest_autobahn_id = st_nearest_feature(st_zm(.), a43))%>% 
    # calculate distance to closest autobahn
    mutate(nearest_autobahn_distance = st_distance(st_zm(.), a43[nearest_autobahn_id, ], by_element = TRUE))

d_Jawe_sf2 = d_Jawe_sf |>
  as_tibble() |>
    select(DZ_Nr, nearest_autobahn_id, DTV_Kfz_MobisSo_Q, !geometry)

TO-DO / Frage an Sebastian: Sind die Werte realistisch?

Variable für Anzahl der Jahre festlegen

t = 1

a43_2 = a43 |> 
    left_join(d_Jawe_sf2, by = c("rownumber" = "nearest_autobahn_id")) |>
  mutate(UR = (10^6*Anzahl_U_G)/ (365*DTV_Kfz_MobisSo_Q * Sk_Laenge_km* t), UD = (Anzahl_U_G)/(Sk_Laenge_km))

Unfalldichte Plot A43

ggplot () +
  geom_sf(data = a43_2, size = 2, mapping = aes(color = UD)) +
  scale_color_viridis_b(direction = -1) +
  labs(title = "Unfalldichten nach Abschnitten der A43 im Jahr 2022",
       color = "Unfalldichte") +
 theme(plot.title = element_text(size=10))

Unfallrate Plot A43

ggplot () +
  geom_sf(data = a43_2, size = 2, mapping = aes(color = UR)) +
  scale_color_distiller(palette = 8 , direction = 1) +
  labs(title = "Unfallraten nach Abschnitten der A43 im Jahr 2022",
       color = "Unfallrate") +
 theme(plot.title = element_text(size=10))

3.2.2 Vergleich mit mehr Daten/anderer Autobahn

Unfalldaten einlesen und bearbeiten

a3 <- strecke |>
  filter(Str_Kennung == "A3" & Sk_Achse == "Hauptachse") |>
  mutate(rownumber = row_number())

Unfälle filtern:

unfaelle_3 = unfaelle %>%
    # find out which autobahn is closest by
    mutate(nearest_autobahn_id = st_nearest_feature(st_zm(.), a3)) %>% 
    # calculate distance to closest autobahn
    mutate(nearest_autobahn_distance = st_distance(st_zm(.), a3[nearest_autobahn_id, ], by_element = TRUE))

unfaelle_autobahn_a3 = unfaelle_3 |> 
    filter(as.double(nearest_autobahn_distance) <= 15) |>
  st_zm()

Unfälle zählen:

autobahnen_accident_count_a3 = unfaelle_autobahn_a3 %>% 
    as_tibble() %>% 
    select(-geometry) %>%
    count(nearest_autobahn_id, UKATEGORIE) %>% 
  spread(UKATEGORIE, n) %>%
  rename(Anzahl_UK1 = `1`,Anzahl_UK2 = `2`, Anzahl_UK3 = `3`) %>%
  replace(is.na(.), 0) %>%
  mutate(Anzahl_U_G = Anzahl_UK1 +Anzahl_UK2 + Anzahl_UK3)

Verbinden mit Daten der A3:

a3 = a3 |> 
    left_join(autobahnen_accident_count_a3, by = c("rownumber" = "nearest_autobahn_id"))

#a3 <- replace(a3, is.na(a3), 0)

Zählstellendaten einlesen und verarbeiten

d_Jawe_a3 = st_as_sf(d_Jawe, coords =  c("Koor_UTM32_E", "Koor_UTM32_N"),  crs = 25832)

Exemplarisch nur Werte der A43, die auch vorhanden sind. Blöderweise nur noch 1 Wert über.

d_Jawe_a3 <- d_Jawe_a3 |>
  filter(Str_Kl == "A" & Str_Nr == "3") |>
  drop_na(DTV_Kfz_MobisSo_Q)

d_Jawe_a3 = d_Jawe_a3 %>%
    # find out which autobahn is closest by
    mutate(nearest_autobahn_id = st_nearest_feature(st_zm(.), a3))%>% 
    # calculate distance to closest autobahn
    mutate(nearest_autobahn_distance = st_distance(st_zm(.), a3[nearest_autobahn_id, ], by_element = TRUE))

d_Jawe_a3_2 = d_Jawe_a3 |>
  as_tibble() |>
    select(DZ_Nr, nearest_autobahn_id, DTV_Kfz_MobisSo_Q, !geometry)

a3_2 = a3 |> 
    left_join(d_Jawe_a3_2, by = c("rownumber" = "nearest_autobahn_id")) |>
  mutate(UR = (10^6*Anzahl_U_G)/ (365*DTV_Kfz_MobisSo_Q * Sk_Laenge_km* t), UD = (Anzahl_U_G)/(Sk_Laenge_km))

Unfalldichte Plot A3

ggplot () +
  geom_sf(data = a3_2, size = 2, mapping = aes(color = UD)) +
  scale_color_viridis_b(direction = -1) +
  labs(title = "Unfalldichten nach Abschnitten der A3 im Jahr 2022",
       color = "Unfalldichte") +
 theme(plot.title = element_text(size=10))

Unfallrate Plot A3

ggplot () +
  geom_sf(data = a3_2, size = 2, mapping = aes(color = UR)) +
  scale_color_distiller(palette = 8 , direction = 1) +
  labs(title = "Unfallraten nach Abschnitten der A3 im Jahr 2022",
       color = "Unfallrate") +
 theme(plot.title = element_text(size=10))