salonanarchist | leunstoelactivist

Qgis

Zijn er genoeg stemlocaties

Open State heeft de locaties van stembureaus verzameld en ze als open data beschikbaar gesteld. Daaruit blijkt dat er woensdag op een kleine negenduizend plekken gestemd kan worden.

Is dat genoeg? Over ongeveer die vraag is vorig jaar een rechtzaak gevoerd. De Brabantse gemeente Son en Breugel had besloten om bij het Oekraïnereferendum drie stembureaus in te richten, in plaats van de gebruikelijke tien. Forum voor Democratie is toen samen met twee inwoners naar de rechter gestapt.

Uit onderzoek zou zijn gebleken «dat er causaal verband bestaat tussen, kort gezegd, de stemfaciliteiten die aan een kiezer worden geboden (aantal, afstand, locatie) en de mate waarin die kiezer gebruik zal maken van zijn stemrecht». Helaas ontbreekt een bronvermelding.

Uit het verslag van de rechtzaak blijkt dat er niet zoveel geregeld is. In de wet staat alleen dat een gemeente tenminste één stembureau moet inrichten. In de praktijk hanteren gemeenten een informele norm van 1.200 kiesgerechtigden per stembureau. De rechter neemt die informele norm niet zonder meer over, maar kwam wel met een nieuwe regel: je mag niet zomaar het aantal stembureaus drastisch verlagen. Met als argument dat gemeenten zich ‘servicegericht’ op moeten stellen.

Zoals gezegd deden twee inwoners uit Son en Breugel mee aan de rechtzaak. Ze kampen met gezondheidsklachten en wilden daarom graag dat hun ‘vaste’ stembureau om de hoek weer open zou gaan. Daar ging de rechter niet in mee: er is «geen recht voor de individuele burger op het instellen van een stembureau op een afstand op 50 meter van zijn woning, ook niet als die burger slecht ter been is».

Stemlocaties per gemeente

Een analyse van de stemlocaties in Nederland laat zien dat het aantal stemlocaties sterk samenhangt met het aantal kiesgerechtigden in een gemeente. Gezien de informele norm die gemeenten hanteren was dat ook wel te verwachten.

In een doorsnee gemeente is er een stemlocatie per ruim 1.400 kiesgerechtigden. Dat is meer dan de informele norm van 1.200, maar dat heeft wellicht te maken met het verschil tussen stemlocaties en stembureaus (zie Methode).

Er zijn relatief weinig stemlocaties in gemeenten als Haaren, Capelle a/d IJssel (allebei ongeveer 2.800 kiesgerechtigden per locatie) en Heerenveen (3.550). In Son en Breugel kan woensdag op 9 locaties worden gestemd; dat betekent gemiddeld 1.410 kiesgerechtigden per locatie. Een doorsnee gemeente, wat dat betreft. Maar het favoriete stembureau van de twee inwoners die naar de rechter waren gestapt, zit er niet meer bij.

Stemlocaties per wijk

Uit de referendumzaak blijkt dat er wel een informele norm bestaat over het aantal stembureaus in relatie tot het aantal kiesgerechtigden, maar niet over de afstand tot een stembureau. De meeste Amsterdammers zullen geen moeite hebben om een stembureau op loopafstand te vinden, maar hoe zit dat op het platteland? Daar valt wel iets over te zeggen met een analyse op wijkniveau.

Het aantal kiesgerechtigden per wijk is denk ik niet formeel bekend, maar het aantal inwoners natuurlijk wel. Ook dat hangt duidelijk samen met het aantal stemlocaties: hoe meer inwoners in een wijk, hoe meer stemlocaties. Maar de vraag is of er relatief meer stemlocaties zijn in dunbevolkte gebieden. De grafiek hierboven laat het antwoord zien: ja, hoe lager de bevolkingsdichtheid, hoe hoger het aantal stemlocaties per 10.000 inwoners.

Hoe dat in de praktijk ongeveer werkt, is te zien op de kaart hieronder.

kaart

Dunbevolkte gebieden van ons land hebben vaak relatief veel stemlocaties. Dit geldt bijvoorbeeld voor delen van Zeeland, Limburg, Oost-Nederland en vooral Noord-Nederland. Deels geldt dat ook voor de Waddeneilanden, maar daar zijn altijd extra stemmers vanwege het toerisme. De donkergroene wijken zijn vaak (maar zeker niet altijd) wijken met hoogstens een paar honderd inwoners, die toch een stembureau hebben gekregen.

Al met al lijkt het erop dat gemeenten bij de inrichting van stembureaus niet alleen kijken naar het aantal kiesgerechtigden, maar ook naar de afstand die ze moeten afleggen. Klinkt redelijk. Als je echt wil weten hoe het zit, dan zou je eigenlijk voor alle woonadressen in Nederland moeten uitrekenen hoe ver de dichtstbijzijnde stemlocatie is. Die klus laat ik graag aan iemand anders over.

UPDATE - DUIC heeft ondertussen voor de stad Utrecht de afstand van woonadressen tot stemlocaties laten berekenen. De maximale afstand is 3,5 kilometer; de mediaan 332 meter.

Methode

De gegevens over stemlocaties zijn verzameld en beschikbaar gesteld door Open State. Soms zijn er op een locatie meerdere stembureaus, althans in Amsterdam is dat vrij gebruikelijk. Open State lijkt in principe meerdere stembureaus op dezelfde locatie als één locatie te hebben opgevat. Toch komt het een enkele keer voor dat dezelfde locatie (identieke coördinaten) meer dan één keer in het bestand zit; ik denk dat die erdoor zijn geslipt. In het Open State-bestand zitten 9018 locaties; nadat ik de duplicaten had verwijderd waren dat er 8744.

Gegevens over kiesgerechtigden per gemeente zijn te vinden bij het CBS (in dit bestand zijn gemeenten Gennep, Schijndel en Sint Oedenrode nog opgenomen als aparte gemeenten).

Bij het samenvoegen van dit soort bestanden ontstaan altijd problemen doordat gemeentenamen niet consistent worden gespeld of omdat er problemen zijn met de weergave van namen met speciale tekens, zoals S√∫dwest-Frysl√¢n. Open State heeft dit ondervangen door netjes de gemeentecode in het bestand op te nemen. In de CBS-cijfers over kiesgerechtigden is dat helaas niet het geval.

Ik dacht dit op te lossen door elders bij CBS een bestand te downloaden met de gemeentecodes. Maar toen ik de twee CBS-bestanden aan elkaar wilde koppelen bleek dat het CBS zelf geen consistente schrijfwijze hanteert. Kortom, het zou fantastisch zijn als het CBS voortaan standaard in alle datasets met regionale gegevens de bijbehorende regiocodes zou opnemen…

Voor de analyse op wijkniveau heb ik de wijk- en buurtkaart van het CBS (editite 2015) gebruikt. Deze heb ik samen met de Open State-gegevens geopend in Qgis en bepaald hoeveel stemlocaties er zijn per wijk door middel van een points in polygon-analyse.

Hier is de code voor het verwerken van de gegevens.

How much delay for cyclists is caused by traffic lights

Road segments near traffic lights

The other day I posted an article on how much time cyclists lose at traffic lights in Amsterdam. Someone asked if I can calculate what percentage of total time lost by cyclists is caused by traffic lights. Keep in mind that delays can be caused by traffic lights, but also by crossings without traffic lights, crowded routes and road surface.

Here’s an attempt to answer the question, although I must say it’s a bit tricky. Again, I’m using data from the Fietstelweek (Bicycle Counting Week), during which over 40,000 cyclists shared their location data. This time I’m using the data about links (road segments). For each link, they provide the number of observations, average speed and relative speed.

With this data, it should be possible to estimate what share of total delays occurs near traffic lights. But what is near? It’s to be expected that the effect of traffic lights is observable at some distance: people slow down while approaching a traffic light and it takes a while to pick up speed again after. But what threshold should you use to decide which segments are near a traffic light?

One way to address this is to look at the data. I created a large number of subsets of road segments that are within increasing distances from traffic lights, and calculated their average speed. For example, segments that are within 50m from a traffic light have an average speed of about 16 km/h. The larger group of segments that are within 150m have an average speed of about 17 km/h.

Judging by the chart, it appears that the effect of traffic lights is diminishing beyond, let’s say, 150m. You could use this as a threshold and then calculate that delays near traffic lights constitute nearly 60% of all delays.

However, there’s a problem. Even if a delay occurs within 150m of a traffic light, the traffic light will not always be the cause of that delay. I tried to deal with this by estimating a net delay, which takes into account how much delay normally occurs when cyclists are not near a traffic light (in fact, I used two methods, that have quite similar outcomes). Using this method, it would appear that over 20% of delays are caused by traffic lights.

Now, I wouldn’t want to make any bold claims based on this: these are estimates based on assumptions and simplifications (in fact, if you think there’s a better way to do this I’d be interested). That said, I think it’s fair to say that average bicycle speeds appear to be considerably lower near traffic lights and that it’s plausible that this may be the cause of a substantial share of delays for cyclists.

UPDATE - I realise that the way I wrote this down sort of implies that you could reduce delay for cyclists by perhaps 20% just by removing traffic lights, but that would of course be a simplification.

Method

I used Qgis to process the Fietstelweek data. I used the clip tool to select only road segments in Amsterdam. I had Qgis calculate the distance of each segment and extract the nodes, which I needed to get the coordinates of the start and end points. Further processing was done with Python.

The dataset contains a relative speed variable (it is capped at 1, which means that it only reflects people cycling slower than normal, not faster). A relative speed of 0.8 would mean that people cycle at 80% of their normal speed. I calculated total delay at segments this way:

number of observations * (1 - relative speed) * distance / speed

You can then calculate delay at segments near traffic lights, as a percentage of the sum of all delays.

I tried to get an idea of how much of delay is actually caused by traffic lights, by estimating net delay. For this, I needed net relative speed. I used two methods to estimate this: 1. divide the relative speed of a segment by the median relative speed of all segments that are not near a traffic light; and 2. divide the speed of a segment by the median speed of all segments that are not near a traffic light.

Python code here.

Amsterdam heeft ruimte voor nog eens 2,1 miljoen fietsenrekken

kaart

Amsterdam kampt met een hardnekkig tekort aan fietsenrekken. Fietsprofessor Marco te Brömmelstroet voert echter aan dat dit een kwestie is van keuzes maken: op de plek van vier geparkeerde auto’s kan je makkelijk 30 fietsenrekken kwijt.

Amsterdam is een compacte stad waar ruimte schaars is. Een belangrijk doel van het gemeentebestuur is om meer ruimte te creëren voor voetgangers en fietsers, maar ook voor openbaar groen.

Toevallig heeft Amsterdam onlangs open data gepubliceerd over parkeervakken voor straatparkeren. De gegevens bevestigen wat we eigenlijk al wisten: parkeerplaatsen nemen enorm veel publieke ruimte in beslag. De straten van Amsterdam zijn bezaaid met maar liefst 265.225 parkeervakken. Als je de parkeerplaatsen met een bord (oplaadplekken, autodaten, etcetera) buiten beschouwing laat, dan zijn het er nog altijd 260.834.

Als je aanneemt dat elke parkeerplek ruimte zou kunnen bieden aan zeker 8 fietsen, dan is er ruimte voor 2,1 miljoen extra fietsenrekken. Natuurlijk ga je niet alle parkeervakken verwijderen en volbouwen met fietsenrekken, maar het illustreert de keuzeruimte die er is bij de inrichting van de openbare ruimte.

Detailkaart | Verantwoording

Amsterdam has room for another 2.1 million bicycle racks

kaart

Amsterdam has a persistent shortage of bicycle racks. Bicycle professor Marco te Brömmelstroet argues that this is really a matter of making choices: the space occupied by four parked cars could easily accomodate 30 bicycle racks.

Amsterdam is a compact city where space is limited. An important goal of the city administration is to create more room for pedestrians and cyclists, but also for green areas.

It so happens that the city of Amsterdam has recently published open data on on-street parking spaces. The data confirms what we already knew: parking spaces for cars occupy a huge amount of public space. The streets of Amsterdam are littered with as many as 265,225 parking spaces. If you exclude the ones with signs (spaces for charging car batteries; car sharing; etcetera), there are still 260,834 of them.

Assuming that each of them could accomodate at least 8 bicycle racks, there’s room for another 2.1 million bicycle racks. Now you probably wouldn’t want to remove all parking spaces and replace them with bicycle racks, but it does illustrate some of the choices that are available regarding the use of public space.

Map detail here.

Method

The open data on on-street parking spaces is available in WFS format which is meant for creating maps but can also be used for downloading data - here’s a Python script that will do the job. I set the location of the parking spaces to the centre of the surrounding envelope.

I would have liked to display the data on an interactive map using Leaflet and D3js, but I’m afraid the quarter million data points would crash the browser. Instead I used OSM map data in combination with Qgis to display the parking spaces. Unfortunately, this means you can’t zoom in.

As for the parking space to bicycle rack ratio: I’m assuming a typical parking space takes up 12 to 14 m2. Cyclists’ organisation Fietsersbond has calculated that regular bicycle racks take up between 0.84 and 1.18 m2 per bicycle. The city of Amsterdam is a bit more conservative and estimates that a bicycle rack takes up about 1.5 m2, including the room needed to remove the bicycle. This suggests that the number of bicycle racks that could be created per parking space lies somewhere between 8 and 9.3.

Update 3 July 2016 - The city of Nijmegen reckons it can fit as many as 10 bicycle racks on a parking space.
Update 31 January 2017 - And the city of New York needs about nine parking spaces to accomodate 69 city bikes.

Scooters vaak sneller dan auto’s

Minister Schultz wil Amsterdam de mogelijkheid geven om scooters te verbannen van het fietspad en gebruik te laten maken van de weg, met een helm op. Dit moet het fietspad veiliger maken voor fietsers en zorgen dat ze minder fijnstof inademen. Auto- en scooterlobbyisten vinden echter dat het snelheidsverschil tussen auto’s en scooters te groot is. Met auto’s die 50 km/u rijden, is het voor scooters niet veilig om op de weg te rijden.

Maar halen automobilisten inderdaad 50 km/u in Amsterdam? «Fietsprofessor» Marco te Brömmelstroet heeft een kaart getweet die laat zien dat snelheden tijdens de avondspits vaak ver onder de 50 km/u liggen.

Als onderdeel van een open-datainitiatief heeft Amsterdam ongeveer 5 miljoen snelheidsmetingen op het Hoofdnet Auto tijdens de maand januari 2014 vrijgegeven. De grafiek hierboven laat zien dat, zelfs op het hoofdnet, de snelheid bij de meeste metingen lager dan 50 km/u was, met een mediaan van 31 km/u. Tijdens de avondspits ligt de snelheid nog gemiddeld 5 km/u lager dan ’s nachts.

Uit een onderzoek van de Fietsersbond uit 2011 bleek dat scooters gemiddeld 36,9 km/u rijden op fietspaden in Amsterdam. De kaart laat zien op welke wegen auto’s gemiddeld minstens 36,9 km/u (dunne rode lijnen) of 50 km/u (dikke rode lijnen) rijden. Overigens zou het kunnen dat de Fietsersbond de snelheid van scooters op een andere manier heeft gemeten dan de methode waarmee de snelheid van auto’s is gemeten.

Er zijn grappen gemaakt dat scooterrijders niet op de weg willen rijden omdat ze dan gedwongen zouden zijn om hun snelheid te minderen. De cijfers van de gemeente laten zien dat daar een kern van waarheid in zit.

Scripts voor de gegevensanalyse zijn hier te vinden.

Pages