Zurück Vor

Detailergebnis zu DOK-Nr. 82503

Obligatorische Geschwindigkeitsbegrenzungen und Unfallhäufigkeit auf Autobahnen – Ein kausaler Ansatz des maschinellen Lernens (Orig. engl.: Mandatory speed limits and crash frequency on motorways – A causal machine learning approach)

Autoren	M. Metz-Peeters
Sachgebiete	5.1 Autobahnen 6.3 Verkehrssicherheit (Unfälle) 0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten)

Transportation Research Part A: Policy and Practice 200 (2025) Nr. 104616, 13 S., 3 B, 4 T, zahlr. Q. - Online: https://doi.org/10.1016/j.tra.2025.104616

Nach rund 50 Jahren hat eine Wissenschaftlerin der Ruhr-Universität Bochum nun erstmals neue belastbare Daten zu Tempolimits auf deutschen Autobahnen gesammelt. Die letzte große Studie dazu wurde zwischen 1974 und 1977 durchgeführt. Also vor über 45 Jahren, wobei sich Fahrzeugtechnik und Straßenbau seitdem deutlich weiterentwickelt haben. Damals untersuchten Forschende die Auswirkungen eines Tempolimits von 130 km/h im Vergleich zur Richtgeschwindigkeit. Es war ein Experiment, das auf rund 3 000 Kilometer Autobahn durchgeführt wurde. Die Studie ergab damals, dass die Einführung eines Tempolimits von 130 km/h die Zahl der Unfälle mit Personenschaden um etwa 10 Prozent und die Zahl der Getöteten oder Schwerverletzten um rund 20 Prozent verringerte. Die aktuelle Studie zeigt: Tempo 120 würde die Unfälle mit Schwerverletzten um 26 Prozent senken, die Zahl der Verkehrstoten sogar um 35 Prozent. Die Studie analysiert die Auswirkungen verbindlicher Geschwindigkeitsbegrenzungen auf Segmentebene auf die Häufigkeit von Unfällen mit Verletzten auf deutschen Autobahnen. Verschiedene georäumliche Datenquellen werden zu einem umfangreichen neuen Datensatz zusammengeführt, der detaillierte Informationen zu 500-Meter-Segmenten großer Teile des Netzes liefert. Ein Kausalbaum wird angewendet, um die Auswirkungen unter relativ schwachen Annahmen über den zugrunde liegenden Datenerzeugungsprozess zu schätzen und Einblicke in die Heterogenität der Auswirkungen zu gewinnen. Darüber hinaus untersucht die Studie potenzielle Verzerrungen durch ein Phänomen namens räumliche Überanpassung und prüft mögliche Lösungen. Es werden erhebliche negative Auswirkungen von drei Geschwindigkeitsbegrenzungen auf die Unfallhäufigkeit festgestellt, insbesondere bei Unfällen mit schweren oder tödlichen Verletzungen, während die Auswirkungen auf Unfälle mit leichten Verletzungen vergleichsweise gering sind. Die Heterogenitätsanalyse deutet auf größere Rückgänge der Unfallrate auf Straßen mit weniger Verkehr sowie auf Straßen mit Ein- und Ausfahrten hin, während die Heterogenität hinsichtlich des Anteils des Schwerverkehrs nicht eindeutig ist. Analysiert wurde der Datensatz mit einer modernen Methode des kausalen Machine Learnings, den sogenannten Causal Forests. Diese Verfahren entwickeln klassische Machine Learning Methoden so weiter, dass sich damit unter bestimmten Annahmen kausale Effekte schätzen lassen.