Master thesis titled “Analysis of selected manoeuvres of bicyclists” in the first part deals with the history of bicycles, construction, division of bicycles and introduces–traffic accidents of cyclists and national legislation. Practical measurements with bicyclists is in the second part of this thesis. Cyclists performed deceleration on three surfaces, acceleration and a manoeuver, in which cyclist looked behind himself before changing the direction. The evaluation of all measurements and comparison with other similar works has been made in the last chapters.

Eine Auswertung der Unfallzahlen der Kommunalen Unfallversicherung Bayerns von 2007 bis 2011 zeigte, dass es innerhalb Bayerns große regionale Unterschiede im fahrradbezogenen Unfallgeschehen auf dem Schulweg gibt. Durch ein mehrstufiges multimethodisches Studiendesign wurde der Frage nachgegangen, ob es in den unfallbelasteten Landkreisen tatsächlich gefährlicher ist mit dem Rad zur Schule zu fahren und nach den Ursachen der räumlichen Diskrepanzen gesucht. Mittels regressionsanalytischer Verfahren konnte ein Großteil der räumlichen Varianz der Unfallraten auf die unterschiedlichen Voraussetzungen zum Radfahren zurückgeführt werden: Je weiter und je hügeliger der Weg zur Schule ist, umso weniger Unfälle ereignen sich, wobei vermutet werden kann, dass dieser Zusammenhang Folge der niedrigen Radnutzung ist. Doch auch bei Landkreisen mit ähnlichen Radfahrbedingungen, etwa bei den kreisfreien Mittelstädten Rosenheim und Schweinfurt, lassen sich große Unterschiede im fahrradbezogenen Unfallgeschehen feststellen. Um zu überprüfen, ob auch hierfür die variierende Radnutzung verantwortlich ist, fand im Rahmen einer Fall-Kontroll-Studie eine Messung der Schulwegmobilität in diesen beiden Städten statt, wodurch das jeweilige expositionsbereinigte Unfallrisiko berechnet werden konnte. Die Erhebung zeigte, dass die distanz- und zeitbezogenen Inzidenzraten der beiden Untersuchungsregionen nahezu identisch sind. Dies belegt, dass das Unfallgeschehen hauptsächlich von der Radnutzung abhängt, wobei die Ursachen für die abweichende Radnutzung durch eine Schüler- und Lehrerbefragung empirisch untersucht wurde. Unfallschwerpunkte im Schülerradverkehr sind also statistische Artefakte, da aus der Unfallrate ohne die Kenntnis der Radnutzung auf das Unfallrisiko geschlossen wurde. Regionsunabhängig aber ist das fahrradspezifische Unfallrisiko auf Schulwegen deutlich höher als etwa auf dem Weg zur Arbeit, was die Dringlichkeit verdeutlicht, präventiv tätig zu werden. / Analyzing the number of accidents between 2007 and 2011, registered by the Kommunale Unfallversicherung Bayern, revealed great regional differences in bicycle traffic accidents on the way to school in Bavaria. A multi-stage, multi-methodical study design was set up to find answers to the question, if it is actually more dangerous to cycle to school in districts with high accident rates. The reasons for regional discrepancies in these accident rates were identified, while a varying rate of bicycle use was detected the main cause for interregional differences in the number of accidents.Regression analysis indicated that the majority of spatial variance in accident rates is based on different cycling conditions; the further and more hilly the way to school, the less accidents occur. However, it can be assumed that this correlation is a consequence of lower bicycle use. On the other hand in regions with similar cycling conditions great differences in bicycle traffic accidents can be observed, which the study shows for the district-free, mid-sized cities Rosenheim and Schweinfurt. This case-control-study on the way-to-school mobility measured for the two cities the exposition-adjusted risk of accident and was performed to reveal if this effect is also caused by varying bicycle use rates. The study pinpointed the fact that distance- and time-related incidence rates are almost identical in both study regions,which is an evidence for bicycle use rates mainly affecting the number of accidents. The reasons for differing bicycle usage were examined empirically by questioning pupils and teachers. As a conclusion, accident black spots in pupils` bicycle traffic are statistical artefacts, as the accident risk was gathered from the accident rate without knowing bicycle use rates. However, regardless of the region, cycling to school is remarkably more dangerous than cycling to work, a fact that underlines the urgency to act preventively.

Das Radverkehrsaufkommen in Deutschland verzeichnete in den letzten Jahren einen Zuwachs, was sich im Umkehrschluss ebenfalls im Anstieg des Unfallgeschehens mit Radfahrendenbeteiligung widerspiegelt. Um den steigenden Unfallzahlen entgegenzuwirken, empfehlen Politik und Verbände v.a. Infrastrukturmaßnahmen zu ergreifen. Davon ausgehend untersucht die vorliegende Arbeit beispielhaft für die Stadt Dresden, wie sich einzelne Infrastrukturmerkmale auf das Unfallgeschehen zwischen Rad- und motorisiertem Verkehr auswirken. Die Datengrundlage der Untersuchung stellen dabei 548 Unfälle mit Radfahrendenbeteiligung aus den Jahren 2015 bis 2019 sowie die Merkmale von 484 Knotenpunktzufahrten dar. Da die Infrastruktur das Unfallgeschehen nicht allein determiniert, werden zudem Kenngrößen des Verkehrsaufkommens einbezogen. Um das Unfallgeschehen zu untersuchen, kommen das Random Forest-Verfahren sowie die Negative Binomialregression in Form von 'Accident Prediction Models' mit vorheriger Variablenselektion anhand des LASSO-Verfahrens zum Einsatz. Die Verfahren werden jeweils auf zwei spezielle Unfalltypen für Knotenpunkte angewandt, um differenzierte Ergebnisse zu erlangen. Der erste Unfalltyp 'Abbiege-Unfall' umfasst dabei Kollisionen zwischen einem rechtsabbiegenden und einem in gleicher oder entgegengesetzter Richtung geradeausfahrenden Beteiligten, während der zweite Unfalltyp 'Einbiegen-/Kreuzen-Unfall' Kollisionen zwischen einem vorfahrtsberechtigten Verkehrsteilnehmenden und einem einbiegenden oder kreuzenden Wartepflichtigen beinhaltet. Für den Unfalltyp 'Abbiege-Unfall' zeigen die Verfahren bspw., dass eine über den Knotenpunkt komplett oder teilweise rot eingefärbte Radfahrfurt sowie eine indirekte Führung des linksabbiegenden Radverkehrs anstelle dessen Führung im Mischverkehr höhere Unfallzahlen erwarten lässt, wobei letzteres für den untersuchten Sachverhalt irrelevant erscheint und damit auf eine Schwäche bei der Variableneinbeziehung hindeutet. Im Gegensatz dazu schätzen die Verfahren für den Unfalltyp 'Einbiegen-/Kreuzen-Unfall' bspw. höhere Unfallzahlen, wenn die Anzahl der Geradeausfahrstreifen einer Zufahrt zunimmt und wenn der Knotenpunkt durch das Verkehrszeichen Z205 bzw. eine Teil-Lichtsignalanlage anstelle der Vorschrift Rechts-vor-Links geregelt wird. Zudem zeigen die Verfahren bei beiden Unfalltypen zumeist, dass die Zahl der Unfälle ab einem bestimmten Verkehrsaufkommen weniger stark ansteigt. Dieses Phänomen ist in der Wissenschaft unter dem Namen 'Safety in Numbers-Effekt' bekannt. Ein Vergleich der Modellgüten zwischen den Unfalltypen zeigt zudem, dass beide Verfahren mit ihrem Modell des Unfalltyps 'Abbiege-Unfall' bessere Vorhersagen generieren als mit ihrem Modell des Unfalltyps 'Einbiegen-/Kreuzen-Unfall'. Weiterhin unterscheiden sich die Modellgüten nach Unfalltyp nur geringfügig zwischen beiden Verfahren, weshalb davon ausgegangen werden kann, dass beide Verfahren qualitativ ähnliche Modelle des entsprechenden Unfalltyps liefern.:1 Einleitung 2 Literaturüberblick 2.1 Safety in Numbers-Effekt 2.2 Einflussfaktoren von Radverkehrsunfällen 3 Grundlagen der Unfallforschung 3.1 Unfallkategorien 3.2 Unfalltypen 4 Datengrundlage 4.1 Unfalldaten 4.2 Infrastrukturmerkmale 4.3 Überblick über verwendete Variablen 5 Methodik 5.1 Korrelationsbetrachtung 5.2 Random Forest 5.2.1 Grundlagen 5.2.2 Random Forest-Verfahren 5.2.3 Modellgütekriterien 5.2.4 Variablenbedeutsamkeit 5.3 Negative Binomialregression 5.3.1 Grundlagen 5.3.2 Accident Prediction Models 5.3.3 Variablenselektion 5.3.4 Modellgütekriterien 5.3.5 Variablenbedeutsamkeit 5.3.6 Modelldiagnostik 6 Durchführung und Ergebnisse 6.1 Korrelationsbetrachtung 6.2 Random Forest 6.2.1 Modellgütekriterien 6.2.2 Variablenbedeutsamkeit 6.3 Negative Binomialregression 6.3.1 Variablenselektion 6.3.2 Modellgütekriterien 6.3.3 Variablenbedeutsamkeit 6.3.4 Modelldiagnostik 6.4 Vergleich beider Verfahren 6.4.1 Modellgütekriterien 6.4.2 Variablenbedeutsamkeit und Handlungsempfehlungen 6.5 Vergleich mit Literaturerkenntnissen 7 Kritische Würdigung 8 Zusammenfassung und Ausblick