MAGISTRSKO DELO Sočasnost sprememb hitrosti v naseljih in epidemiološke slike covida-19

(1)

UNIVERZA V LJUBLJANI

FAKULTETA ZA POMORSTVO IN PROMET

MAGISTRSKO DELO

Sočasnost sprememb hitrosti v naseljih in epidemiološke slike covida-19

Haris Ćordić

Portorož, avgust 2021

(2)

(3)

MAGISTRSKO DELO

Haris Ćordić

Sočasnost sprememb hitrosti v naseljih in epidemiološke slike covida-19

(4)

MAGISTRSKO DELO

Sočasnost sprememb hitrosti v naseljih in epidemiološke slike covida-19

Mentor: doc. dr. Franc Dimc, univ. dipl. inž. elektrotehnike Študent: Haris Ćordić

Jezikovni pregled: Mateja Piškur, univ. dipl. prof. slovenščine Vpisna številka: 9170119

Študijski program: podiplomski magistrski študijski program druge stopnje Promet Smer študija: Prometna varnost

(5)

(6)

I

Kazalo vsebine

1 Uvod ... 1

2 Metodologija ... 3

2. 1 Značilnosti podatkov ... 4

2. 2 Uporabljena statistična orodja ... 6

2. 3 Opredelitev raziskovalnega problema ... 9

2. 4 Omejitve raziskave ... 10

2. 5 Metode in raziskovalni pristop ... 11

2. 6 Vzorci podatkov ... 12

2. 7 Postopek zbiranja podatkov ... 12

2. 8 Postopki obdelave podatkov ... 13

2. 8. 1 Opazovanje korelacije dveh spremenljivk ... 14

2. 8. 2 Gručenje največjih hitrosti... 15

2. 9 Opisi območij v naseljih, kjer so postavljeni radarski merilniki hitrosti ... 16

2. 9. 1 Škofja Loka – Reteče ... 16

2. 9. 2 Maribor – Lackova cesta ... 17

2. 9. 3 Ribnica – Merharjeva cesta ... 18

2. 9. 4 Slovenj Gradec ... 19

2. 9. 5 Maribor – Spodnje Hoče... 20

2. 9. 6 Col (OŠ) ... 21

2. 9. 7 Portorož (FPP) ... 22

2. 9. 8 Dragonja – center... 23

3 Preproste analize pridobljenih rezultatov ... 24

3. 1 Škofja Loka – Reteče ... 25

3. 2 Maribor – Lackova cesta ... 27

3. 3 Ribnica – Merharjeva cesta ... 29

3. 4 Slovenj Gradec ... 31

3. 5 Maribor – Spodnje Hoče ... 33

(7)

II

3. 6 Col (OŠ) ... 35

3. 7 Piran – Obala (FPP) ... 37

3. 8 Dragonja – center... 39

3. 9 Povzetek korelacij in gručenj ... 41

3. 10 Povzetek postavitve radarja, povprečja v85 in ocene števila prevozov ... 42

3. 11 Koeficient korelacije med normirano povprečno hitrostjo in normirano oceno števila aktivnih primerov ... 43

3. 12 Koeficient korelacije med normiranim številom prevozov in normirano oceno števila aktivnih primerov ... 46

4 Komentarji ... 49

4. 1 Škofja Loka – Reteče ... 49

4. 2 Maribor – Lackova cesta ... 50

4. 3 Ribnica – Merharjeva cesta ... 51

4. 4 Slovenj Gradec ... 52

4. 5 Maribor – Spodnje Hoče ... 53

4. 6 Col (OŠ) ... 54

4. 7 Piran – Obala ... 55

4. 8 Dragonja – center... 56

4. 9 Gručenje, korelacija in hitrostni razredi ... 57

4. 10 Koeficient korelacije med normirano povprečno hitrostjo in normirano oceno števila aktivnih primerov ... 58

4. 11 Koeficient korelacije med normiranim številom prevozov in normirano oceno števila aktivnih primerov ... 59

5 Sklepi ... 60

6 Priloge ... 63

6. 1 Korelacije brez koncev tedna ... 63

6. 2 Korelacijski odnos med številom okuženih in državnim semaforjem ukrepov ... 65

6. 3 Ilustracija dogajanja med 200. in 250. dnevom ... 65

VIRI ... 66

(8)

III

Kazalo tabel

Tabela 1: Moč odnosa korelacijskega koeficienta, vir: lasten, prir. po Evans (1996)... 7

Tabela 2: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021 (vir: Sipronika) ... 25

Tabela 3: Korelacije s številom novookuženih, občina Škofja Loka – Reteče, vsi podatki (vir: lasten) ... 26

Tabela 4: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Lackova cesta (vir: Sipronika)27 Tabela 5: Korelacije s številom novookuženih, Lackova cesta, občina Maribor, vsi podatki (vir: lasten) ... 28

Tabela 6: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Ribnica (vir: Sipronika)... 29

Tabela 7: Korelacije s številom novookuženih, Ribnica, vsi podatki (vir: lasten) ... 30

Tabela 8: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Slovenj Gradec (vir: Sipronika) ... 31

Tabela 9: Korelacije s številom novookuženih, Slovenj Gradec, vsi podatki (vir: lasten)... 32

Tabela 10: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Spodnje Hoče (vir: Sipronika) ... 33

Tabela 11: Korelacije s številom novookuženih, Spodnje Hoče, vsi podatki (vir: lasten) ... 34

Tabela 12: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Col (vir: Sipronika) ... 35

Tabela 13: Korelacije s številom novookuženih, Col, vsi podatki (vir: lasten)... 36

Tabela 14: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Piran – Obala (vir: Sipronika) ... 37

Tabela 15: Korelacije s številom novookuženih, Piran – Obala, vsi podatki (vir: lasten) ... 38

Tabela 16: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Dragonja (vir: Sipronika) ... 39

Tabela 17: Korelacije s številom novookuženih, Dragonja, vsi podatki (vir: lasten) ... 40

Tabela 18: Korelacija in gručenje po krajih, (vir: lasten) ... 41

Tabela 19: Povzetek postavitve radarja, povprečja v85 in ocene števila prevozov, (vir: lasten) ... 42

Kazalo slik

Slika 1: Prikaz snopa radarske in lidarske tehnologije ... 4

Slika 2: Gručenje K-means ... 9

Slika 3: Primer postavitve radarja MHP 50 ... 10

Slika 4: Shema podatkov Sledilnika covid-19 ... 13

(9)

IV

Slika 5: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Reteče ... 16

Slika 6: Ureditev v naselju Reteče ... 16

Slika 7: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Maribor – Lackova cesta ... 17

Slika 8: Ureditev na Lackovi cesti ... 17

Slika 9: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Ribnica ... 18

Slika 10: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Slovenj Gradec ... 19

Slika 11: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Spodnje Hoče ... 20

Slika 12: Ureditev v Spodnjih Hočah ... 20

Slika 13: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Col ... 21

Slika 14: Ureditev na Colu ... 21

Slika 15: Postavitev prikazovalnika hitrost na mestu zelene oznake, Piran – Obala ... 22

Slika 16: Ureditev v Piranu – Obala ... 22

Slika 17: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Dragonja ... 23

Slika 18: Ureditev v Dragonji ... 23

Slika 19: Splošni graf, Škofja Loka ... 25

Slika 20: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Škofja Loka ... 26

Slika 21: Splošni graf, Maribor ... 27

Slika 22: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Maribor ... 28

Slika 23: Splošni graf, Ribnica ... 29

Slika 24: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Ribnica ... 30

Slika 25: Splošni graf, Slovenj Gradec ... 31

Slika 26: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Slovenj Gradec ... 32

Slika 27: Splošni graf, Spodnje Hoče ... 33

Slika 28: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Spodnje Hoče ... 34

Slika 29: Splošni graf, Col ... 35

Slika 30: Gručenje največje dnevne hitrosti v odvisnosti od v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Col ... 36

Slika 31: Splošni graf, Piran – Obala ... 37

(10)

V

Slika 32: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Piran – Obala ... 38 Slika 33: Splošni graf, Dragonja ... 39 Slika 34: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Dragonja ... 40 Slika 35: Koeficient korelacije med normirano povprečno hitrostjo in normirano oceno števila aktivnih primerov, 1. val ... 43 Slika 36: Koeficient korelacije med normirano povprečno hitrostjo in normirano oceno števila aktivnih primerov, 2. val ... 44 Slika 37: Koeficient korelacije med normirano povprečno hitrostjo in normirano oceno števila aktivnih primerov, 3. val ... 44 Slika 38: Koeficient korelacije med normiranim številom prevozov in normirano oceno števila aktivnih primerov, 1. val ... 46 Slika 39: Koeficient korelacije med normiranim številom prevozov in normirano oceno števila aktivnih primerov, 2. val ... 47 Slika 40: Koeficient korelacije med normiranim številom prevozov in normirano oceno števila aktivnih primerov, 3. val ... 47 Slika 41: Hitrostni razredi po krajih ... 58

(11)

VI

POVZETEK/SUMMARY

V uvodu v tematiko prikazovalnikov hitrosti je predstavljena njihova vloga pri načrtovanju in spremljanju hitrosti v naseljih. Uvodu sledi predstavitev metodologije naloge z osnovnimi pojmi, kratek opis delovanja radarjev, načina pridobivanja podatkov in njihove obdelave.

Dodana so izbrana statistična orodja, ki smo jih uporabili za analizo podatkov cestnih merilnikov hitrosti. Predstavljeni so viri podatkov, zajeti podatki, predpostavke in omejitve, s katerimi smo se srečali pri raziskavi. Drugo poglavja zaključujejo opisi mest zajemanja vzorcev, kjer so postavljeni prikazovalniki hitrosti. V tretjem poglavju so predstavljene preproste analize povezanosti podatkov prikazovalnikov hitrosti in ocene števila na novo okuženih, iz katere smo po dogovorjeni metodi ocenili število aktivnih primerov. Analize so predstavljene po krajih. Tabelarično in grafično so prikazani hitrostni razredi, korelacijski koeficienti, dobljeni iz primerjav dnevnih kazalcev podatkov prikazovalnikov in aktivnih primerov, ter gručenja, opažena v grafih največjih dnevnih hitrosti in ocenah števila aktivnih primerov. Tretje poglavje zaključujejo opisi rezultatov in lokacij posameznih prikazovalnikov hitrosti v naseljih. V četrtem poglavju smo podali komentarje na analize iz tretjega poglavja. V zadnjem poglavju pa smo podali sklepe po tematikah.

Ključne besede:

prikazovalniki hitrosti, epidemija Sars-Cov-2, prometni tokovi, covid-19

Introduction to speed displays introduces their role in planning and monitoring speeds in urban areas. Introduction is followed by a presentation of task methodology with basic terms, a brief description of radar equipment operation and data collection and processing. Selected statistical tools used to analyze speed measurement data are added. Data sources, data collected, assumptions and limitations encountered in the study are presented. Second chapter concludes with descriptions of where samples were taken and where speed measurement devices were placed. Third chapter presents simple analyses of relationship between speed measurement data and estimated number of newly infected individuals, from which estimated active cases number using the agreed method was derived. The analyses are presented by places. Speed classes, correlation coefficients obtained from comparison of daily indicators of speed display data and active cases, clustering observed in plots of maximum daily speeds and estimated number of active cases are presented in tables and graphs. Third chapter concludes with descriptions of results and locations of individual speed displays in urban areas. Fourth chapter comments on third chapter analyses. Final chapter draws conclusions organized by aspects.

(12)

VII Keywords:

Speed displays, epidemiology of Sars-Cov-2, traffic flows, covid-19

(13)

1

1 Uvod

Prikazovalniki hitrosti so naprave, ki prikazujejo podatek o hitrosti vozila, ko se približuje napravi. Namen naprav je ozavestiti voznika o njegovi hitrosti in tako vplivati nanjo. Nekateri prikazovalniki poleg hitrosti prikazujejo še besedilo (npr. Prehitro!) ali znak (npr. t. i. »palec navzgor«) (Gehlert, 2012). Prikazovalniki hitrosti v prometu informirajo voznike o hitrosti, posledično umirjajo promet ter povečujejo varnost. O učinkovitosti uvedbe omenjenih naprav govori kar nekaj študij, npr. Stern in ostali (2010), pri katerih so opazili upad 85. percentila hitrosti za od 2 do 6 km/h v 6 mesecih po namestitvi naprave.

Najbolj pogosto se postavljajo na občutljivih območjih, kot so šolsko območje, območje pešcev, območje dela (Ullman in Rose, 2005), oz. na območjih, kjer vozila pogosto ne znižajo hitrosti toliko, kot bi morala (Cruzado in Donnell, 2009).

Sodobni prometno informacijski sistemi lahko pridobljene podatke s prikazovalnika hitrosti obdelujejo za boljši pregled spoštovanja vpeljanih prometnih ureditev v konkretnem okolju in urejanje prometnih tokov. Obdelane podatke lahko prikažemo v grafični ali tabelarični obliki, npr. razporeditev vozil po hitrostnih razredih v določenem časovnem obdobju. Ti podatki so na strežniku (https://portal.vi-vozite.si) vedno dostopni vsem, ki jih podjetje, ki podatke obdeluje, pooblasti za dostop do njih.

Medtem ko prikazovalnik hitrosti na mestu zajema služi informiranju voznikov, pa je zbiranje podatkov namenjeno predvsem informiranju upravljalcev cest o opaženih prometnih tokovih.

Podatke lahko obdelujemo in opazujemo trende rasti/upadanja gostote v določenih časovnih intervalih, kot je npr. povečanje gostote prometa v dnevnih konicah ali pa v času turistične sezone. Posledično lahko lastnik ceste predvidi prometne konice in ustrezno prilagodi interval zelenih luči na določenem odseku.

V času epidemije covida-19 pa nam vpogled v podatke in njihova analiza lahko ponudita osnovo za upoštevanje prometnih ureditev in tudi uvid v pojave, ki niso opazni na prvi pogled.

V Sloveniji je bila epidemija razglašena 12. marca 2020 ob 18. uri. Po tem sta gospodarstvo in javno življenje praktično obstala. Iz podatkov o številu na novo okuženih lahko po metodologiji ECDC ocenjujemo število aktivnih primerov. Kot smo podrobneje opisali v Sklepih, smo opazili močno korelacijo med številom aktivnih primerov in razglašenimi ukrepi. Močna korelacija v tem primeru pomeni, da je bila stopnja ukrepov v sorazmerju s številom aktivnih primerov (glej poglavje 4.9). Ukrepi so na prometne tokove delovali kot nekakšen šok, saj je

(14)

2

bila v času prve razglasitve pandemije manjša gostota prometa na cesti opazna že na prvi pogled. Ko je bila epidemija razglašena drugič, pa je gospodarstvo delovalo skoraj nemoteno, z izjemo gostinstva in turizma, medtem ko je javno življenje spet popolnoma obstalo. Kakšen vpliv pa so število okuženih in razglašeni ukrepi imeli na prometne tokove, je vprašanje, ki sem si ga s pomočjo mentorja zastavil v novembru 2020.

Simunek in ostali (2021) menijo, da so imeli ukrepi omejevanja gibanja na Češkem v času epidemije covida-19 znaten vpliv na promet. Navajajo, da se je gostota prometa v prvih treh tednih zaprtja javnega življenja na Češkem znižala in da se je na vseh cestah tudi povprečna hitrost povečala za 21 %. Avtorji tudi navajajo, da se je po prvih treh tednih zaprtja (16. 3. 2020–6. 4. 2020) stanje umirilo in vrnilo na raven pred pandemijo 27. 4. 2020, tri tedne, preden je češka vlada razglasila konec epidemije.

Z analizo podatkov prikazovalnikov hitrosti podjetja Sipronika, d. o. o., in podatkov o številu okužb smo želeli preveriti, ali obstaja povezanost med številom okuženih oseb v določenih regijah in zabeleženo hitrostjo vozil na cestah v teh regijah. Podatke o covidu-19 zbira Sledilnik za covid-19, skupina prostovoljnih raziskovalcev, ki kombinira uradno dostopne podatke in jih zbira v enotno zbirko. Podatke o hitrosti vozil na določenih cestah pa nam je preko spletnega portala https://portal.vi-vozite.si posredovalo podjetje Sipronika, d. o. o., ki je osredotočeno na izdelavo visokotehnoloških rešitev na področju elektrotehnike.

Svoja pričakovanja po obdelavi podatkov smo strnili v tri hipoteze.

Hipoteza 1: Kraji, v katerih se je v času najbolj omejenega javnega življenja močno zmanjšalo število voženj, so imeli bistveno manj okužb kot kraji, v katerih se število voženj ni bistveno spremenilo.

Hipoteza 2: Števila na novo okuženih in števila elementov v posameznih razredih hitrosti v določenem kraju ne korelirajo zmerno.

Hipoteza 3: Število aktivno okuženih pozitivno korelira z vrednostmi dnevno zabeleženih povprečnih hitrosti.

(15)

3

2 Metodologija

Za preverjanje hipotez smo primerjali dve skupini podatkov: v indikatorje predelane dnevne podatke obcestnih merilnikov za spremljanje hitrosti podjetja Sipronika, d. o. o., in javno dostopne podatke o epidemični sliki v Republiki Sloveniji. Podatki v obliki časovnih vrst so bili izbrani v območjih krajev, kjer so merilniki postavljeni ob daljšem ravnem odseku ceste, in hkrati za obdobje 423 dni, ki zajema časovno obdobje prvih treh valov epidemije covida-19.

Izbirali smo primerne pare podatkov iz prve in druge skupine ter pri vsakem paru ocenjevali povezanost oz. sočasnost sprememb obeh časovnih vrst. Z vrednostjo korelacijskega koeficienta smo ocenjevali, ali je povezanost med skupinama podatkov statistično pomembna ali ne.

Vir podatkov: merilnik in prikazovalnik hitrosti

Merilniki hitrosti so naprave, ki merijo hitrost premikajočih se teles z različnimi tehnologijami.

Glede na vrsto oddajanih valov jih delimo na »radarje in »lidarje«.

Beseda radar izhaja iz angleške kratice za zaznavanje in razdaljemerstvo z radijskimi valovi (angl. RAdio Detection And Ranging) (Skolnik, 1980).

Vsak radar ima anteno, ki služi kot oddajnik in sprejemnik. Antena odda signal, ki se nato odbije od premikajočega se objekta, kar antena zazna kot odmev. Razdalja med objektom in merilnikom hitrosti se izmeri tako, da izračunamo čas, ki ga oddani signal potrebuje za pot do objekta in nazaj. Smer, v kateri radar vidi objekt, določa odčitek trenutne usmerjenosti antene.

Ob enem obratu antene klasičnega radarja objekt prepotuje neko razdaljo. Prepotovana razdalja v času enega obrata antene pomeni hitrost. Merilniki hitrosti v prikazovalnikih hitrosti podjetja Sipronika sevajo mikrovalove, toda hitrost objekta določajo po Dopplerjevem principu.

V prometu hitrost radarsko ali lidarsko določimo s pomočjo Dopplerjevega pojava (Giordano, 2009). Dopplerjev pojav je pojav, pri katerem se frekvenca signalom iz merilnika spremeni ob odboju od izvora relativno premikajočega se objekta. Sprememba frekvence mikrovalov je sorazmerna relativni hitrosti opazovalca glede na izvor.

Radarska tehnologija se pogosto uporablja za nepremične merilnike hitrosti, medtem ko policisti v mobilnih merilnikih hitrosti danes uporabljajo lasersko tehnologijo oz. lidar. Beseda lidar izhaja iz angleške kratice za zaznavanje in merjenje s svetlobo (angl. LIght Detection And Ranging). Laserska tehnologija, kot že ime pove, uporablja snope laserskih žarkov v infrardečem spektru, po navadi frekvenčno moduliranih, ki jih merilnik pošlje proti relativno premikajočemu se objektu in s pomočjo procesorja izračuna relativno hitrost objekta

(16)

4

(LaPedis, 2019). Laserski izvor oddaja ozek snop in mora biti usmerjen proti objektu, katerega hitrost želimo izmeriti. Novejša, cenejša tehnologija hitrost izmeri zelo hitro, z večjo natančnostjo in na večji razdalji, vendar ima tudi nekaj pomanjkljivosti glede na radarsko tehnologijo, ker je občutljivejša na povečanje zračne vlage oz. vremenske pogoje (npr. dež).

(vir: lasten)

Slika 1: Prikaz snopa radarske in lidarske tehnologije

Vir podatkov: število dnevno okuženih

Na javnem spletnem portalu (Sledilnik, 2021), zasnovanem kot projekt ob prvem valu epidemije, se zbirajo in preverjajo podatki iz uradnih virov, iz administrativnih virov zdravstvenega sistema, virov Civilne zaščite ter iz nacionalnih in lokalnih medijev. Podatke o številu dnevno na novo okuženih smo lahko dobili za posamezne občine, ne za posamezne kraje.

2. 1 Značilnosti podatkov

Podatke merilnikov nam je podjetje Sipronika, d. o. o., posredovalo v obliki vsak dan posebej obdelanih statističnih izvlečkov: povprečna hitrost, percentili hitrosti (30, 50, 85), največja hitrost, število meritev (merilnikovih zaznav vozil) in število prevozov (ocen števila mimo merilnika vozečih vozil). Od javno dostopnih epidemičnih podatkov smo od vsakega dneva uporabili število na novo okuženih in število umrlih oseb s covidom-19, iz česar smo ocenjevali število aktivnih primerov.

(17)

5 Odstotni deleži (percentili) hitrosti

Verjetno najbolj pomembni podatki, ki jih lahko dobimo iz obcestnih prikazovalnikov hitrosti, so trenutne hitrosti vozil, ki vozijo po tej cesti. Kot primer lahko izpostavimo 85. percentil hitrosti.

Po t. i. vključujoči definiciji v statistiki je percentil (ali centil) rezultat, ki pomeni opazovano vrednost, do katere največ sega določen delež podatkov iz neke množice. Na primer 85.

percentil hitrosti nam pove, da 85 % vozil vozi s to ali nižjo hitrostjo.

V določenih državah po svetu (npr. v ZDA) s pomočjo 85. percentila določajo izhodišče za omejitve hitrosti na določenem odseku, kar je ena izmed metod določitev omejitve hitrosti.

Večina ljudi ne vozi po omejitvah, ampak po občutku, ki je odvisen od dejavnikov, kot so:

širina pasu, vidno polje, v katero so vključeni tudi osvetljenost vozišča in ovire, pogostnost zavojev ipd. Če upravljalec ceste (npr. občina) določi omejitev hitrosti, ki ustreza 85. percentilu hitrosti, bodo s takšno omejitvijo zagotovili znatno boljšo varnost, kot če omejitev določijo na drugačen način. Prometne nesreče se pogosto zgodijo, kadar hitrosti vozil močno odstopajo od 85. percentila hitrosti, bodisi navzgor bodisi navzdol (Spack, 2016). Sipronika ponuja podatke tudi o 30. in 50. percentilu (mediana) hitrosti.

Največja dnevna zabeležena hitrost

Največja dnevna zabeležena hitrost je podatek o največji hitrosti, izmerjeni v enem posameznem dnevu, v času od 00.00 do 23.59. Iz podatkov po navadi ugotavljamo, da so največje hitrosti pogosto izmerjene v času praznih cest oz. nočnih ur, ko je gostota prometa majhna, vendar dnevnih porazdelitev zabeleženih hitrosti nismo analizirali.

Ocena števila prevozov

Ocena števila prevozov izvira iz števila meritev, ki se glede na hitrostni razred deli z določenim faktorjem in predstavlja približek števila vozil v določeni časovni enoti. Za natančno štetje in klasificiranje prometa Sipronika uporablja drugo tehnično napravo.

Ocena števila aktivnih primerov

Za izračun ocene aktivnih primerov smo upoštevali metodologijo ECDC (ECDC, 2020). V oceni upoštevamo skupno število potrjenih primerov v zadnjih 14 dneh in število umrlih s covidom-19. Iz ocene smo izključili prebolele, in sicer po predpostavki, da vsak potrjeni primer okužbo preboli po 14 dneh, in umrle.

(18)

6

2. 2 Uporabljena statistična orodja

Izbiro orodij za analizo je določalo zanimanje za povezanost med podatki; za spremljanje ali ob spremembi vrednosti ene opazovane veličine, ki tvori časovno vrsto, opazimo neke značilne spremembe tudi pri drugi opazovani veličini. Najprej smo se seveda odločili za regresijsko analizo s korelacijo. Premislek, ali poskusiti tudi s konvolucijo parov časovnih vrst, nas je odvrnil od resnih analiz, saj kraji, v katerih opazujemo hitrosti, niso linearni in časovno nespremenljivi sistemi, zato smo to analizo opustili. Zanimive rezultate je pokazalo tudi gručenje v izrisanih grafih parov časovnih vrst iz obeh virov.

Korelacija (Rumsey, 2005) nakazuje, v kolikšni meri je odnos med dvema funkcijama linearen oz. koliko je sprememba vrednosti ene funkcije (na primer časovne) povezana s spremembo vrednosti druge funkcije.

V statistiki s korelacijo opazujemo odnos med dvema spremenljivkama. Graf odvisnosti spreminjanja vrednosti ene opazovane spremenljivke glede na drugo je sploh najbolj osnovni način, da povezanost opazimo.

Korelacijski koeficient nam prikazuje t. i. moč (od 0 do 1) in smer (predznak) odnosa med dvema spremenljivkama (npr. x in y).

Formula za izračun (Pearsonovega) koeficienta korelacije je 𝑟 = ¹

𝑛−1(^{∑ (𝑥}^𝑖 ^𝑖^{−𝑥̅)(𝑦}^𝑖^{− 𝑦̅)}

𝑠_𝑥𝑠_𝑦 ),

kjer n predstavlja število parov podatkov (dnevnih), 𝑥̅ in 𝑦̅ predstavljata aritmetično sredino vrste x (npr. števila okuženih) in vrste y (npr. hitrost v85). Spremenljivki sx in sy predstavljata standardna odklona vrednosti x in y.

Postopek računanja korelacije diskretnih časovnih vrst oz. zaporedij x in y:

1. Določimo aritmetično sredino za vrednosti v posameznem zaporedju. Za zaporedje x dobimo 𝑥̅, za vrsto y pa 𝑦̅.

2. Izračunamo standardni odklon zaporedja x s pomočjo vsot kvadratov 𝑠_𝑥= √^{∑ (𝑥}^𝑖 ^𝑖^−𝑥^{̅ )}²

𝑛−1 , podobno tudi za y.

3. Vsak podatek vrste x odštejemo od vrednosti 𝑥̅, enako tudi za zaporedje y, po vrsti od prvega do zadnjega podatka množimo razlike obeh zaporedij (𝑥 − 𝑥̅)(𝑦 − 𝑦̅).

4. Vse posamezne zmnožke seštejemo in delimo z zmnožkom 𝑠_𝑥𝑠_𝑦. 5. Rezultat delimo z n-1 in dobimo r.

(19)

7

Rezultat je vrednost, ki prikazuje moč in odnos med zaporedjema x in y. Bliže, ko je vrednost r številu 1 ali -1, večja je povezanost (moč odnosa) med njima. Predznak kaže na smer odnosa.

Pozitiven predznak označuje premo sorazmeren odnos, negativen predznak pa obratno sorazmeren odnos.

Splošnih pravil za interpretacijo moči korelacije ni. Za svoje potrebe bomo uporabili smernice, ki jih je postavil Evans (1996) in korelacijski odnos razvrščajo v razrede po naslednjem vzorcu:

Tabela 1: Moč odnosa korelacijskega koeficienta, vir: lasten, prir. po Evans (1996)

Korelacijski koeficient (r) Moč odnosa

0,00–0,19 Zelo šibka

0,20–0,39 Šibka

0,40–0,59 Zmerna

0,60–0,79 Močna

0,80–1 Zelo močna

Ta korelacija je v bistvu križna korelacija, saj uporabljamo dve zaporedji v odvisnosti od časa.

Kadar uporabimo eno vrednost v odvisnosti od časa, pa jo imenujemo avtokorelacija. Ker iščemo linearno povezanost, želimo s korelacijo potegniti ravno črto skozi podatke, od katere naj bi po metodi najmanjših kvadratov posamezni pari podatkov (x, y) najmanj odstopali.

Podatki ali x(y) ali y(x) naj bi se čim bolj prilegali tej črti in tako nakazovali moč (podatki v povprečju bližje črti) in smer (predznak povezanosti podatkov).

Korelacija ocenjuje samo povezanost med spremenljivkama, ne prikazuje pa vzročne povezanosti. Vse spremenljivke (vrednosti) so obravnavane enakovredno in so simetrične, torej mora sklep veljati za x(y) in za y(x). V našem primeru to pomeni: če bi opazili, da ima odnos med spremembo števila okužb in spremembo največje hitrosti negativen predznak, bi to nakazovalo, da ljudje vozijo počasneje, ko se povečuje število okuženih oz. aktivnih primerov.

Opažamo torej hkratnost sprememb v x in v y in ne da ene povzročajo druge, saj bi potem zaradi simetričnosti obravnave x in y moralo veljati, da če ljudje vozijo počasneje, se več ljudi okuži z virusom, saj bi pri x(y) in y(x) dobili enaka koeficienta (r = 0,5). Razlog za to je, da je korelacija zmnožek dveh odstopanj funkcij/spremenljivk od srednjih vrednosti, zato obrnjeni vrstni red prikaže enak rezultat, npr. 3-krat 2 je enako 2-krat 3.

Korelacijski koeficient prikazuje linearni odnos (moč in smer) med dvema spremenljivkama, vendar rezultat generalno ne opisuje odnosa med njima. Ugotavljanje odnosa začenjamo z vizualno analizo podatkov, saj imata lahko dve časovni vrsti popolnoma drugačno porazdelitev in nam ta ne zadostuje za preučevanje pojavov, ki ju spremenljivki opisujeta (Anscombov kvartet) (Anscombe, 1973).

(20)

8

Zakaj smo v naslovu naloge napisali, da nas zanima sočasnost sprememb? V njej s korelacijo primerjamo povezanost med pari časovnih vrst, torej v parih primerjamo vrednosti podatkov, ki jih pripisujemo istemu časovnemu intervalu, v našem primeru istemu dnevu. Torej rezultati korelacije časovno nezamaknjenih vrst kažejo, koliko spreminjanje ene vrednosti časovno sovpada s spreminjanjem druge vrednosti. Kot vemo, pa se lahko določen čas po nekem dogodku pojavi drug dogodek. V obravnavanem primeru lahko predpostavljamo, da naj bi nekaj časa po spremembi števila aktivno okuženih nastale spremembe v parametrih prometnega toka. Smiselno bi bilo podatke vrste parametrov prometnih tokov postopoma zakasnjevati in opazovati spreminjanje korelacijskega koeficienta. Analiza rezultatov bi lahko pokazala, ali z zakasnitvijo časovnih vrst parametrov prometnega toka za določeno število dni korelacijski koeficient doseže največjo vrednost in kakšni so ti časi. Vzročno-posledične povezave nismo ugotavljali, zanjo bi potrebovali bolj nadzorovane pogoje in večjo količino podatkov.

Korelacija nam na vprašanje vzročno-posledičnosti dveh časovnih vrst ne daje odgovora.

Gručenje (ang. clustering) (Harmouch, 2021) lahko definiramo kot pojav, ki ga lahko obravnavamo ali ročno po občutku ali bolj objektivno s tehniko strojnega učenja, katerega cilj je iskanje določenih vzorcev (npr. podskupin, podobnih lastnosti ...) z zbiranjem in združevanjem podatkov glede na vnaprej določene razdalje, kot je npr. srednja evklidska razdalja med podatki v nekem polju (means). Podatki, ki imajo podobne lastnosti, so bolj skupaj in so združeni v eno skupino, opisano z razdaljo, ki vsebuje vzorce podatkov.

K-means oz. Lloydov algoritem je eden izmed najbolj priljubljenih algoritmov za gručenje. Z uporabo te metode gručenja na k gruč se n podatkovne objekte deli v k particij (k << n), kjer vsaka particija predstavlja eno skupino oz. gručo. Vsaka skupina mora vsebovati vsaj en podatek.

Cilj algoritma K-means je maksimirati razdaljo med vsako skupino in minimizirati evklidsko razdaljo med posameznimi podatki v vsaki skupini. V nalogi smo zaradi preglednosti število gruč fiksirali.

(21)

9

(vir: Harmouch, 2021) Slika 2: Gručenje K-means

2. 3 Opredelitev raziskovalnega problema

V času epidemije covida-19 so tudi prometni tokovi doživeli marsikatero spremembo, ki je opazna in merljiva, saj so prikazovalniki hitrosti delovali nemoteno in v času razglašene epidemije zabeležili npr. velik padec števila opravljenih meritev ter posledično večje povprečne hitrosti in višje hitrosti 85. percentila.

Prikazovalnik na cesti Škofja Loka–Reteče je v prvem tednu prvega vala zaznal porast 85.

percentila s 66 km/h (povprečje tedna pred razglasitvijo epidemije) na 70 km/h (povprečje prvega tedna po razglasitvi epidemije). Pojav je preučeval Greenshields (Greenshields, 1934), ki je tudi razvil matematični model, ki sorazmerno preprosto predvidi in pojasni takšne trende prometnih tokov. Njegov model temelji na dejstvu, da sta hitrost in gostota (št. opravljenih meritev) prometa obratno linearno povezani. Ob manjši gostoti prometa bo izmerjena hitrost večja. Greenshieldov model je bil razvit že leta 1934. Gre za znan prometni model, ki ga lahko verificiramo na prometno razbremenjenih cestah ob koncih tedna. V času epidemije smo tak pojav pričakovali.

V nalogi se bomo osredotočili na iskanje statistične povezanosti (korelacije) med številom okužb v posameznih občinah iz podatkov sledilnika covida-19 ter izvedenimi statističnimi kazalci, dobljenimi iz podatkov na mestih v teh občinah, kjer podjetje Sipronika, d. o. o., ocenjuje hitrost s pomočjo prikazovalnikov.

Raziskovalni problem: najti analitični pomen zbranih podatkov prikazovalnikov hitrosti podjetja Sipronika, d. o. o., o hitrostih v naseljih v Sloveniji v času epidemije covida-19 (15. 3. 2020–30. 4. 2021).

(22)

10

2. 4 Omejitve raziskave

V nalogi z zabeleženimi zaporedji beležimo vzorce, ne populacije. To je izhodišče. V času spremljanja pa ni mogel nihče niti beležiti števila vseh aktivnih primerov v posameznem kraju niti parametrov vseh prometnih tokov v tem kraju. Celo še bolj se razpirata območji spremljanja: eno se osredotoča na zbrane podatke v celotni občini, drugo na zgolj enem odseku ceste v tej občini. Opazujemo in primerjamo časovno spremenljivost podatkov o prometnih tokovih, zbranih na eni lokaciji v določenem kraju, in podatke o epidemični sliki v občini.

Prvenstvena omejitev raziskave je torej neenakost območij vzorcev; območje, na katero se nanaša en vzorec, je drugačno kot območje, na katero se nanaša drug vzorec. Nimamo vpogleda ali modela, koliko je vzorec prometnih tokov, zbran na enem mestu, reprezentativen za celotno občino. Zavedamo se omejitve, da so v podatkih o hitrostih lahko zajete vožnje voznikov iz drugih občin in voznikov iz iste občine, ki stalno vozijo po tem cestnem odseku, ter voznikov, ki vozijo tu le občasno.

Omejitev našega pristopa s korelacijo je tudi časovni zamik podatkov: da lahko povečana vrednost x (št. okužb) pusti »posledice« na prometu kasneje, npr. naslednji dan, ker so ljudje šele zvečer izvedeli število okužb za aktualni dan in bo to védenje šele naslednji dan vplivalo na njihovo vožnjo.

Dodatne predpostavke in omejitve so še a) način določanje hitrosti, b) določanje okužbe in c) verodostojnost podatkov.

a) Prikazovalniki hitrosti merijo podatke o hitrosti s pomočjo radarja. »Ta hitrost je izmerjena zelo natančno in skladno z merilnimi metodami. Matematično najbolj točna meritev hitrosti s prikazovalnikom hitrosti MHP 50 bi bila narejena v primeru, ko je kot med približevanjem vozila in radarjem nič (0) stopinj. Kot, pod katerim merimo hitrost s temi napravami, pa je med 2 in 5 stopinj glede na smer vožnje, kar vnaša v meritev hitrosti določen pogrešek, ki pa je zelo majhen.« – Slika 2 (Oblak, 2020).

(vir: Sipronika, d. o. o.)

Slika 3: Primer postavitve radarja MHP 50

(23)

11

Ocena števila prevozov je bolj približna, saj je izračunana glede na število meritev, ki ga delijo z določenim faktorjem glede na hitrostni razred. Pogrešek je težko oceniti glede na realno število vozil, je pa vedno enak, kar pomeni, da lahko podatek uporabimo za opazovanje trendov rasti ali upadanja števila vozil na določenem odseku. Za natančno štetje števila vozil bi potrebovali radar pod kotom 45 stopinj glede na smer vožnje (Oblak, 2020).

b) Podatke o potrjenem številu okužb smo črpali s Sledilnika covid-19. Gre za projekt, pri katerem sodeluje od 20 do 45 prostovoljcev, ki zbirajo, obdelujejo in vnašajo podatke v enotno zbirko. Da bi zagotovili maksimalno natančnost in zanesljivost podatkov v zbirki, skupnost Sledilnik za vnos in obdelavo uporablja (navzkrižno preverjane) javno dostopne podatke iz uradnih virov, kot so NIJZ, Vlada RS, Ministrstvo za zdravje itn., iz administrativnih virov zdravstvenega sistema, kot so UKC Ljubljana, UKC Maribor, UK Golnik, in drugih virov, npr. Civilne zaščite ter iz nacionalnih in lokalnih medijev (Sledilnik, 2021).

c) Treba je dodati, da se je kar nekaj časa v uradno evidenco potrjenih okužb (do 13. 2. 2021) beležilo tudi osebe, ki so bile pozitivne na hitrem antigenskem testu (HAT), kasneje na testu genetskega materiala izbranega organizma, torej virusa SARS-COV-2 (PCR, polymerase chain reaction), pa negativne.

Osebe, ki so bolezen že prebolele in so se ponovno testirale, so lahko dobile pozitiven rezultat, saj PCR-test zazna tudi majhno količino prisotne virusne nukleinske kisline, ki očitno ostane v telesu še nekaj časa po preboleli bolezni. Tak bris imenujemo lažno pozitiven. Za naše podatke pa to vseeno pomeni, da se šteje za (ponovno) potrjeno okužbo. PCR-test je lahko tudi lažno negativen, kar pomeni, da bris ni zaznal prisotne virusne nukleinske kisline. Razlog za tak rezultat je morda v napačnem odvzemu brisa.

Omejitev je tudi možna človeška napaka, ki lahko nastane v vseh fazah testiranja pri obeh vrstah testov (HAT in PCR).

Uradnega podatka o tem, koliko testov je lažno pozitivnih ali negativnih, ni.

2. 5 Metode in raziskovalni pristop

Raziskovalni pristop naloge je analitični. Uporabili bomo metodo opazovanja brez udeležbe in metodo analize podatkov.

(24)

12

2. 6 Vzorci podatkov

Vzorec je namenski, tj. izbran na osnovi različnih dejavnikov, kot sta podobna lokacija prikazovalnika in enaka omejitev hitrosti. Zajema meritve v osmih različno velikih krajih:

1. Škofja Loka – Reteče (omejitev 50 km/h), 2. Maribor – Lackova ul. (OŠ) (omejitev 40 km/h), 3. Ribnica – Merharjeva (omejitev 50 km/h), 4. Slovenj Gradec (omejitev 50 km/h),

5. Maribor – Spodnje Hoče (omejitev 50 km/h), 6. Col (OŠ) (omejitev 50 km/h),

7. Portorož (FPP) (omejitev 50 km/h), 8. Dragonja – center (omejitev 30 km/h).

Ti kraji so primerni predvsem zato:

- ker so na različnih krajih Slovenije (regije Kranj, Novo mesto, Maribor, Slovenj Gradec, Nova Gorica in Koper),

- imajo enako hitrostno omejitev 50 km/h, z izjemo Dragonje (30 km/h) in Maribora (40 km/h).

Vzorčenje je dnevno. Podatki obsegajo interval od 4. 3. 2020 do 30. 4. 2021.

Valove epidemije smo obravnavali kot:

1. val: 15. 3. 2020–31. 5. 2021 (začetek in konec razglasila Vlada RS)

2. val: 18. 10. 2020–14. 3. 2021 (začetek razglasila Vlada RS, konec pa NIJZ v izjavi za medije)

3. val: 15. 3. 2021–30. 4. 2021 (začetek razglasil NIJZ v izjavi za medije, konec epidemije pa je izvzet iz naših podatkov)

2. 7 Postopek zbiranja podatkov

Podatke o številu na novo okuženih in umrlih v posameznih občinah, v katerih so postavljeni prikazovalniki, smo pridobili s pomočjo Sledilnika za covid-19, prostovoljne organizacije, ki kombinira vse javno dostopne podatke, ki jih objavijo vladne institucije (NIJZ, Vlada RS, Ministrstvo za zdravje), iz administrativnih virov zdravstvenega sistema, kot so UKC Ljubljana, UKC Maribor, UK Golnik, ter drugih virov, kot so Civilna zaščita in nacionalni

(25)

13

mediji) in jih zbira v eno zbirko podatkov, ki so na voljo v obliki datotek CSV, REST API-ja in preglednic Google Dokumentov.

(vir: https://majazaloznik.github.io/sledilnik-data_pipelines/) Slika 4: Shema podatkov Sledilnika covid-19

Prometne podatke v izbranih naseljih smo pridobili od podjetja Sipronika, d. o. o. Podjetje se ukvarja z visokotehnološkimi rešitvami v prometu in med ostalimi dejavnostmi razvija, sestavlja in postavlja prikazovalnike hitrosti vozil ter ponuja storitev dostopa do podatkov na portalu https://portal.vi-vozite.si. Pridobljeni podatki so preko spletnega portala na voljo vsem, ki imajo pravico dostopati do njih (Sipronika, 2021).

S spletnega portala se podatki za izbrano časovno obdobje lahko izvozijo. Dokument vsebuje v grafih prikazano število vozil oz. prometno obremenitev, povprečno in maksimalno hitrost, percentilne vrednosti hitrosti ter izračun frekvence glede na hitrostne razrede (1–10 km/h, 11–20 km/h, 21–30 km/h, 31–40 km/h, 41–50 km/h, 51–60 km/h, 61–70 km/h, 71–80 km/h, 81–90 km/h).

2. 8 Postopki obdelave podatkov

Za vsako posamezno naselje smo pripravili datoteko, v katero smo vstavili vse prometne podatke, ki jih omogoča podjetje Sipronika, d. o. o.:

(26)

14 - percentile hitrosti (v30, v50, v85), - povprečno in maksimalno hitrost,

- število meritev in oceno števila prevozov,

- število na novo okuženih oseb oz. število aktivnih primerov.

Za obdelavo podatkov smo glede na postavljene hipoteze uporabili naslednje metode:

- povezanost med nominalnimi spremenljivkami (Pearsonov korelacijski koeficient), - gručenje najvišjih hitrosti s pomočjo strojnega učenja (K-means),

2. 8. 1 Opazovanje korelacije dveh spremenljivk

Pearsonov korelacijski koeficient smo uporabili za iskanje korelacije/povezanosti med dvema časovnima vrstama, med številom novookuženih s Sars-Cov-2 v izbrani občini (prva spremenljivka) z vsemi ostalimi zgoraj navedenimi prometnimi podatki v kraju, ki pripada izbrani občini (druga spremenljivka).

Korelacijo smo iskali tudi v vsakem posameznem valu posamezno ter skupno korelacijo za čas trajanja epidemije.

Prilagamo tudi rezultate korelacije med izbranimi spremenljivkami s prilagojenimi podatki (brez konca tedna).

Vsaka tabela vsebuje prometne podatke, kot so:

 v30: 30. percentil hitrosti,

 v-ave: povprečna dnevna hitrost,

 v-max: največja dnevna hitrost,

 število meritev: število vseh meritev, ki jih je opravil prikazovalnik,

 ocena št. prevozov: ocena števila prevozov, ki jo podjetje Sipronika izračuna tako, da število meritev deli z določenim faktorjem glede na hitrostni razred.

Korelacije so opravljene s pomočjo Excelove formule »PEARSON«, ki samodejno izračuna Pearsonov koeficient korelacije za izbrano število podatkov.

(27)

15 2. 8. 2 Gručenje največjih hitrosti

Za gručenje podatkov smo uporabili metodo strojnega učenja K-means v programu Matlab, ki omogoča grafični prikaz gručenja.

Po pregledu in primerjavi različnih kombinacij podatkov iz skupine parametrov prometnih tokov in epidemične slike občin se je za gručenje kot najbolj zanimiva pokazala uporaba podatkov o najvišjih dnevnih hitrostih in podatkov o oceni števila aktivnih primerov.

V tabeli rezultatov smo uporabili 4-stopenjsko lestvico za gručenje:

 Izrazito gručenje – kraji, ki imajo 3 gruče z malo osamelimi podatki in kjer so podatki znotraj gruč zgoščeni.

 Opazno gručenje – kraji, ki imajo 3 gruče z malo osamelimi podatki in kjer so podatki znotraj gruč manj zgoščeni.

 Komaj opazno gručenje – kraji, ki imajo 3 gruče z več osamelimi podatki in kjer so podatki znotraj gruč razpršeni.

 Neopazno gručenje – kraji, ki imajo 3 gruče z veliko osamelimi podatki in kjer so podatki znotraj gruč zelo razpršeni.

(28)

16

2. 9 Opisi območij v naseljih, kjer so postavljeni radarski merilniki hitrosti

V nadaljevanju bomo opisali postavitev in ureditvene položaje radarjev za vsak posamezni kraj.

2. 9. 1 Škofja Loka – Reteče

Prikazovalnik hitrosti je postavljen ob regionalni cesti št. 210, ki povezuje Škofjo Loko z Ljubljano preko Godešiča in Medvod.

(vir: Google Maps)

Slika 5: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Reteče

Cesta vodi skozi naselje Reteče, zato je omejitev postavljena na 50 km/h in se uveljavi s prometnim znakom za naselje. Nekaj metrov za znakom je postavljen prikazovalnik hitrosti z namenom umiritve prometa, saj omejitev izven naselja 90 km/h preide v 50 km/h. Za umiritev prometa je tam polna črta (prepovedano prehitevanje) ter razširitev ceste z otokom. Ob razširitvi ceste se na vozišču pojavi tudi kolesarska steza, zato je umiritev prometa še toliko pomembnejša.

(vir: Google Maps) Slika 6: Ureditev v naselju Reteče

(29)

17 2. 9. 2 Maribor – Lackova cesta

Prikazovalnik je postavljen na občinski cesti, imenovani Lackova cesta, ki povezuje Pekre in Razvanje preko Streliške ceste. Čeprav gre za občinsko cesto, je Lackova zelo prometna, saj je ena izmed cest, ki vodi do mariborskega smučišča na Pohorju oz. pohodniških izhodišč za pohod na Pohorje. Omejitev je postavljena na 40 km/h.

Slika 7: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Maribor – Lackova cesta

Cesta je dvopasovna in vodi mimo krožišč, ki umirjajo promet na tem odseku. Prikazovalnik hitrosti je postavljen ob robu cestišča Lackove ceste in meri v smeri od velikega krožišča proti OŠ Ludvika Pliberška. Na cesti je dovoljeno prehitevanje (prekinjena črta) in ima pločnik, ločen z robnikom.

(vir: Sašo Zajec) Slika 8: Ureditev na Lackovi cesti

(30)

18 2. 9. 3 Ribnica – Merharjeva cesta

Prikazovalnik hitrosti je postavljen na glavni cesti kategorije 2, št. 106. Cesta povezuje Kočevje z Ljubljano, zato je gostota prometa relativno velika glede na ostale izbrane kraje. Cesta vodi skozi naselje Ribnica, zato je omejitev postavljena na 50 km/h.

Slika 9: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Ribnica

Cesta je dvopasovna in ima na obeh straneh z robnikom ločen pločnik. Posebnost te lokacije je, da je v relativni bližini meritev kar nekaj križišč, ki služijo uvozu na glavno cesto.

Najpomembnejši uvoz je verjetno podaljšek Merharjeve ulice v industrijski predel, kjer je tudi sedež transportnega podjetja Petek Transport, d. o. o. Pričakujemo, da je prikazovalnik hitrosti izmeril večji delež nižjih hitrostnih razredov, ki jih lahko pripišemo izvozu tovornih vozil na glavno cesto v smeri Ljubljane.

(31)

19 2. 9. 4 Slovenj Gradec

Prikazovalnik hitrosti je postavljen na regionalni cesti št. 227. Cesta povezuje Ravne na Koroškem s hitro cesto št. 4 preko Slovenj Gradca. Omejitev je postavljena na 50 km/h, saj cesta poteka skozi naselje.

Slika 10: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Slovenj Gradec

Prikazovalnik meri v smeri iz središča Slovenj Gradca proti hitri cesti št. 4. Postavljen je ob cesti, ki je dvopasovna. Pločniki so popolnoma ločeni od vozišča, kar pomeni, da radar ne zazna kolesarjev, voznikov električnih skirojev in podobnih transportnih sredstev, ki vozijo po pločniku.

(32)

20 2. 9. 5 Maribor – Spodnje Hoče

Prikazovalnik je postavljen ob regionalni cesti št. 929, ki vodi skozi naselje Spodnje Hoče, kjer je omejitev hitrosti postavljena na 50 km/h. Cesta povezuje Spodnje Hoče in Zgornje Hoče.

Slika 11: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Spodnje Hoče

Prikazovalnik je postavljen ob robu cestišča in meri iz smeri Spodnjih Hoč proti Zgornjim Hočam. Pločnika na tem odseku v tej smeri ni. Cesta je dokaj ravna in pregledna. V neposredni bližini je avtobusno postajališče in manjše križišče z uvozom na glavno cesto.

(vir: Google Maps) Slika 12: Ureditev v Spodnjih Hočah

(33)

21 2. 9. 6 Col (OŠ)

Prikazovalnik hitrosti je na regionalni cesti tretjega reda, št. 621. Cesta povezuje Kalce in Col.

Omejitev preide z 90 km/h na 50 km/h, kar uveljavi znak za naselje Col.

Slika 13: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Col

Prikazovalnik meri v smeri proti naselju Col, ko se vozimo iz smeri Kalc. Gre za ozko cesto z varnostno ograjo, ki nima pločnikov. Pred znakom za naselje so tudi hrupne talne označbe, ki dodatno opozorijo voznike. Gre za debeloslojne črte, ki so prečno zarisane na cestišče (glej fotografijo 12).

(vir: Google Maps) Slika 14: Ureditev na Colu

(34)

22 2. 9. 7 Portorož (FPP)

Prikazovalnik hitrosti je nameščen ob občinski cesti, ki povezuje Portorož s Piranom. Cesta se imenuje Obala, prikazovalnik hitrosti pa je nameščen ob Fakulteti za pomorstvo in promet.

Omejitev hitrosti je postavljena na 50 km/h.

Slika 15: Postavitev prikazovalnika hitrost na mestu zelene oznake, Piran – Obala

Prikazovalnik meri iz smeri Portorož–Piran in je nameščen na pločniku. Ob prikazovalniku so tudi talne označbe za šolo. Posebnost tega kraja je tudi dvosmerna kolesarska steza, ki poteka na nasprotni strani prikazovalnika.

(vir: Google Maps) Slika 16: Ureditev v Piranu – Obala

(35)

23 2. 9. 8 Dragonja – center

Prikazovalnik hitrosti je postavljen ob občinski cesti v naselju Dragonja, kjer je omejitev hitrosti 30 km/h.

Slika 17: Postavitev prikazovalnika hitrosti na mestu zelene oznake, Dragonja

Gre za dvopasovno cesto, pasova ločuje polna črta. Pločnik je na nasprotni strani prikazovalnika, radar meri hitrost v smeri proti mejnemu prehodu. V bližini je tudi avtobusno postajališče. Ker pa gre za edini izbrani kraj z omejitvijo hitrosti 30 km/h, ne pričakujemo večjih anomalij. V bližini so tudi uvozi na cesto, ki so zasebni in verjetno nimajo bistvenega vpliva na meritve v tem kraju.

(vir: Franc Dimc) Slika 18: Ureditev v Dragonji

(36)

24

3 Preproste analize pridobljenih rezultatov

V poglavju so predstavljene preproste analize podatkov, in sicer:

 tabelarično prikazani hitrostni razredi za izbrano časovno obdobje,

 tabelarično prikazane korelacije med številom novih okužb v izbrani občini in različnimi prometnimi podatki, ki jih beležijo prikazovalniki hitrosti,

 grafično prikazano gručenje največjih dnevnih hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov,

 grafično so prikazani podatki po datumih zajema.

Časovne vrste dnevnega spreminjanja posameznih parametrov in ocene števila aktivnih primerov so podane grafično v prilogah.

(37)

25

3. 1 Škofja Loka – Reteče

Primerjava zbranih podatkov na časovni osi.

(vir: lasten)

Slika 19: Splošni graf, Škofja Loka

Razporeditev podatkov, zajetih z merilniki hitrostnih razredov, prikazuje naslednja tabela.

Tabela 2: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021 (vir: Sipronika)

Hitrost km/h Št. meritev Ocena št. prevozov %

1–10 0 0 0

11–20 14.181 4.554 0

21–30 25.172 11.678 0

31–40 177.022 81.273 3

41–50 1.506.126 612.593 20

51–60 2.948.386 1.194.781 39

61–70 2.003.922 827.811 27

71–80 539.400 239.521 8

81–90 99.271 55.294 2

91–100 18.596 12.755 0

101–110 4.013 3.147 0

(38)

26

111–120 897 757 0

121–130 221 204 0

131–140 58 55 0

141–150 16 15 0

151–160 4 4 0

161–170 5 5 0

Skupaj 7.337.290 3.044.447 100

Korelacije

V tabeli 3 so prikazane korelacije med številom novih okužb v izbrani občini ter različnimi prometnimi podatki, ki jih beležijo prikazovalniki hitrosti.

Tabela 3: Korelacije s številom novookuženih, občina Škofja Loka – Reteče, vsi podatki (vir: lasten)

KORELACIJE Z OKUŽBAMI v30 v50 v85 v-max v-ave št. meritev ocena št. pr.

P-KORELACIJA (vsi pod.) ‒0,14 -0,14 ‒0,18 ‒0,12 ‒0,15 0,07 0,06

P‒KORELACIJA (1. val) 0,22 0,22 0,26 0,16 0,24 ‒0,13 ‒0,12 P‒KORELACIJA (2. val) ‒0,26 ‒0,26 ‒0,31 0,08 ‒0,28 0,27 0,26 P‒KORELACIJA (3. val) ‒0,27 ‒0,37 ‒0,51 ‒0,19 ‒0,39 0,46 0,45

Gručenje

(vir: lasten)

Slika 20: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Škofja Loka

(39)

27

3. 2 Maribor – Lackova cesta

(vir: lasten)

Slika 21: Splošni graf, Maribor

Naslednja tabela prikazuje hitrostne razrede na tem odseku.

Tabela 4: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Lackova cesta (vir: Sipronika)

1–10 0 0 0

11–20 204.435 62.253 2

21–30 450.089 142.706 5

31–40 2.730.985 848.326 27

41–50 3.911.361 1.231.939 39

51–60 2.055.147 667.313 21

61–70 407.492 148.152 5

71–80 46.400 23.800 1

81–90 5.304 3.551 0

91–100 873 654 0

101–110 169 137 0

Skupaj 9.812.255 3.128.831 100

(40)

28 Korelacije

Tabela 5: Korelacije s številom novookuženih, Lackova cesta, občina Maribor, vsi podatki (vir: lasten)

KORELACIJE Z OKUŽBAMI v30 v50 v85 v-max v-ave št. meritev ocena št. pr.

P-KORELACIJA (vsi pod.) 0,07 0,01 ‒0,05 ‒0,04 0,05 0,02 0,02

P-KORELACIJA (1. val) 0,04 0,07 0,17 0,14 0,07 ‒0,40 ‒0,40 P-KORELACIJA (2. val) ‒0,10 ‒0,13 ‒0,17 ‒0,11 ‒0,14 0,14 0,15 P-KORELACIJA (3. val) ‒0,16 ‒0,20 ‒0,21 ‒0,17 ‒0,17 0,39 0,45

Gručenje

(vir: lasten)

Slika 22: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Maribor

(41)

29

3. 3 Ribnica – Merharjeva cesta

(vir: lasten)

Slika 23: Splošni graf, Ribnica

Spodnja tabela prikazuje izmerjene hitrostne razrede na tej cesti v izbranem obdobju.

Tabela 6: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Ribnica (vir: Sipronika)

1–10 0 0 0

11–20 117.322 42.747 2

21–30 366.401 124.276 6

31–40 1.363.440 428.371 20

41–50 3.367.898 1.049.635 50

51–60 1.170.070 386.060 18

61–70 113.855 49.010 2

71–80 14.201 7.735 0

81–90 2.728 1.665 0

91–100 787 494 0

101–110 290 187 0

(42)

30

111–120 76 57 0

121–130 19 13 0

131–140 2 2 0

141–150 2 1 0

151–160 3 1 0

Skupaj 6.517.094 2.090.254 100

Korelacije

Tabela 7: Korelacije s številom novookuženih, Ribnica, vsi podatki (vir: lasten)

P-KORELACIJA (vsi pod.) ‒0,23 ‒0,23 ‒0,18 ‒0,18 ‒0,22 ‒0,07 ‒0,09

P-KORELACIJA (1. val) 0,20 0,18 0,16 ‒0,09 0,12 ‒0,08 ‒0,08 P-KORELACIJA (2. val) ‒0,03 ‒0,05 ‒0,05 ‒0,21 ‒0,05 0,14 0,15 P-KORELACIJA (3. val) ‒0,22 ‒0,20 ‒0,19 ‒0,22 ‒0,22 0,03 0,00

Gručenje

(vir: lasten)

Slika 24: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Ribnica

(43)

31

3. 4 Slovenj Gradec

(vir: lasten)

Slika 25: Splošni graf, Slovenj Gradec

Tabela 8: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Slovenj Gradec (vir: Sipronika)

1–10 0 0 0

11–20 395.065 121.992 6

21–30 659.848 200.844 10

31–40 1.358.112 401.971 21

41–50 2.909.099 861.340 44

51–60 1.009.060 318.019 16

61–70 96.692 41.670 2

71–80 8.628 5.001 0

81–90 1.103 711 0

91–100 160 108 0

101–110 44 33 0

(44)

32

111–120 4 4 0

121–130 4 3 0

Skupaj 6.437.819 1.951.696 100

Korelacije

Tabela 9: Korelacije s številom novookuženih, Slovenj Gradec, vsi podatki (vir: lasten)

P-KORELACIJA (1. val) 0,12 0,12 0,20 0,09 0,13 ‒0,25 ‒0,25 P-KORELACIJA (2. val) ‒0,15 ‒0,12 ‒0,08 ‒0,05 ‒0,15 ‒0,08 ‒0,09 P-KORELACIJA (3. val) ‒0,32 ‒0,26 ‒0,32 ‒0,27 ‒0,28 0,09 ‒0,02

Gručenje

(vir: lasten)

Slika 26: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Slovenj Gradec

(45)

33

3. 5 Maribor – Spodnje Hoče

(vir: lasten)

Slika 27: Splošni graf, Spodnje Hoče

Tabela 10: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Spodnje Hoče (vir: Sipronika)

1–10 0 0 0

11–20 22.399 10.016 1

21–30 180.161 70.739 4

31–40 673.943 233.401 15

41–50 2.281.657 759.993 47

51–60 1.304.456 446.603 28

61–70 175.104 71.583 4

71–80 23.609 12.694 1

81–90 3.791 2.392 0

91–100 734 506 0

101–110 145 109 0

(46)

34

111–120 36 26 0

Skupaj 4.666.035 1.608.062 100

Korelacije

Tabela 11: Korelacije s številom novookuženih, Spodnje Hoče, vsi podatki (vir: lasten)

P-KORELACIJA (vsi pod.) ‒0,02 ‒0,07 ‒0,13 ‒0,08 ‒0,07 0,01 0,00

P-KORELACIJA (1. val) 0,11 0,12 0,04 0,20 0,05 0,01 0,02 P-KORELACIJA (2. val) ‒0,17 ‒0,19 ‒0,15 ‒0,06 ‒0,20 0,15 0,15 P-KORELACIJA (3. val) ‒0,11 ‒0,30 ‒0,36 0,13 ‒0,29 0,28 0,27

Gručenje

(vir: lasten)

Slika 28: Gručenje največje dnevne hitrosti v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Spodnje Hoče

(47)

35

3. 6 Col (OŠ)

(vir: lasten) Slika 29: Splošni graf, Col

Spodnja tabela prikazuje razporeditev hitrostnih razredov v izbranem obdobju.

Tabela 12: Hitrostni razredi v obdobju 4. 3. 2020–31. 4. 2021, Col (vir: Sipronika)

1–10 0 0 0

11–20 24.471 5.885 1

21–30 13.384 7.477 2

31–40 77.382 39.951 8

41–50 218.125 99.106 20

51–60 263.324 120.782 24

61–70 224.510 107.474 22

71–80 130.317 68.248 14

81–90 52.817 32.489 7

91–100 14.949 11.152 2

101–110 3.052 2.747 1

(48)

36

111–120 558 538 0

121–130 112 110 0

131–140 10 10 0

141–150 1 1 0

Skupaj 1.023.012 495.970 100

Korelacije

Tabela 13: Korelacije s številom novookuženih, Col, vsi podatki (vir: lasten)

P-KORELACIJA (1. val) 0,16 0,14 0,13 ‒0,09 0,18 ‒0,22 ‒0,23 P-KORELACIJA (2. val) ‒0,09 ‒0,10 ‒0,12 ‒0,11 ‒0,10 0,06 0,05 P-KORELACIJA (3. val) 0,10 0,07 0,00 0,15 0,06 0,20 0,24

Gručenje

(vir: lasten)

Slika 30: Gručenje največje dnevne hitrosti v odvisnosti od v odvisnosti od dnevne ocene števila aktivnih primerov covida-19, Col