Met deze rapportage wordt de deelscore op het kenmerk ‘Afwezigheid erfaansluitingen’ van de SPI Veilige Infrastructuur beschikbaar gesteld. De rapportage bevat tevens de programmacode en biedt daarmee een verantwoording voor het bepalen van de deelscore vanuit de beschikbare data.
De lezer die op zoek is naar de deelscore vindt deze onder hoofdstuk 6, ‘Scores en Benchmark SPI Veilige Infrastructuur - kenmerk afwezigheid van erfaansluitingen’. De hoofdstukken daarvoor vormen de meer inhoudelijke en technische verantwoording om tot die score te komen. Deze verantwoording omvat tevens alle programmeercode voor het gepresenteerde resultaat.
Deze rapportage is opgemaakt als Rmarkdown document (.rmd) met behulp van R in Rstudio. Het html bestand is zelfstandig leesbaar. Het voorwoord is bedoeld voor personen die het script (het .rmd) bestand willen draaien en/of geinteresseerd zijn in de technische verantwoording van de bepaling van de kenmerkscore 'Afwezigheid erfaansluitingen' van de SPI. Lezers van de rapportage (het html bestand) kunnen dit voorwoord verder overslaan.
Het voorwoord bevat de programma code voor het controleren van de mappenstructuur, het installeren/inladen van de benodigde packages en het aanmaken van een aantal hulpvariabelen.
Let in de volgende stappen op dat bij het installeren van ‘source’, een juiste installatie van rtools op de default installatie locatie nodig is.
# list required libraries
libraries_to_load <- c("here", "tidyverse", "data.table", "dtplyr", "sf", "mapview", "stringr",
"this.path", "units", "kableExtra", "curl", "openxlsx2", "readr", "gt", "plotly")
# Install and load libraries if they are missing
for (library_name in libraries_to_load) {
if (!requireNamespace(library_name, quietly = TRUE)) {
install.packages(library_name, dependencies = TRUE, repos = "https://cloud.r-project.org/")
}
library(library_name, character.only = TRUE)
}
# unload here to reload it later after defining the location of the script and the relative path
# for the data downloads and outputs.
detach("package:here", unload = TRUE)# set locale naar nl in utf8
Sys.setlocale("LC_ALL", "Dutch_Netherlands.utf8") Bij het runnen van het script (.rmd bestand) worden de benodigde data en resulterende outputs in mappen geplaatst in de map waar het script zich bevindt.
# Define a function for getting the relative path of the script based on the level of the subfolder
# relative to the folder where the script resides. With the script folder level = 0
relative_path_script <- function(level = 0) {
# Split the string by "/"
split_string <- stringr::str_split(this.path::this.path(), "/")[[1]]
# Calculate the starting index for the nth part from the right
start_index <- length(split_string) - level
# Check if the start_index is valid
if (start_index == 1 || start_index > length(split_string)) {
print("The value of level is absolute and not relative, thus not applicable for use with i_am")
}
# Check if the start_index is valid
if (start_index < 1 || start_index > length(split_string)) {
stop("The value of level is out of bounds for the given string.")
}
# Reconstruct the substring from the specified index
subset_string <- paste(split_string[start_index:length(split_string)], collapse = "/")
return(subset_string)
}# Verwijs here naar de map waarin het script zelf staat met level = 0
here_locatie <- relative_path_script()
#
here::i_am(here_locatie)
library(here)# controleer de aanwezigheid van '.here'
if (!file.exists(here(".here"))) { # If not, create the folder
file.create(".here")
cat(paste("Bestand '", ".here", "' aangemaakt.\n", sep = ""))
} else {
cat(paste("Bestand '", ".here", "' bestaat al.\n", sep = ""))
}De code gaat uit van een vaste mappen structuur. Deze wordt gecontroleerd en aangemaakt als deze ontbreekt.
# folder structure
# Check list of folders
folder_list <- c("Data", "Output", "RDS")
# Check for folders and create missing folders
for (folder_name in folder_list) {
if (!file.exists(here(folder_name))) {
# If not, create the folder
dir.create(here(folder_name))
cat(paste("Folder '", folder_name, "' created.\n", sep = ""))
} else {
cat(paste("Folder '", folder_name, "' already exists.\n", sep = ""))
}
}Ten slotte worden een aantal helper functies aangemaakt die in het script worden gebruikt.
# helper function to deal with missing values. Missing values as indexer are
# considered to be false.
na.as.false <- function(x){
x[is.na(x)] <- FALSE
x
}
na.as.true <- function(x){
x[is.na(x)] <- TRUE
x
}
# helper function for negate
`%nin%` = Negate(`%in%`)blue_rgb <- c("39 42 102", "99 94 138",
"136 130 164", "168 163 189",
"206 203 217", "219 216 226")
blue_vals <- sapply(strsplit(blue_rgb, " "), function(x)
rgb(x[1], x[2], x[3], maxColorValue=255))
orange_rgb <- c("216 87 44", "224 126 85",
"233 164 130", "241 197 173",
"247 224 210", "249 233 222")
orange_vals <- sapply(strsplit(orange_rgb, " "), function(x)
rgb(x[1], x[2], x[3], maxColorValue=255))
green_rgb <- c("184 203 51", "204 215 115",
"217 224 152", # 35% komt enkel bij groen voor
"227 232 182", "231 235 191",
"238 241 211", "245 247 231")
green_vals <- sapply(strsplit(green_rgb, " "), function(x)
rgb(x[1], x[2], x[3], maxColorValue=255))
col_comb <- c(blue_vals[1], green_vals[2], orange_vals[3],
blue_vals[4], green_vals[5], orange_vals[6],
blue_vals[2], green_vals[3], orange_vals[4])
long_list <- c(blue_vals[1:3], green_vals[1:3], orange_vals[1:3])
long_list_full <- c(blue_vals[1:6], orange_vals[1:6], green_vals[1:7] )tabel_preview <- function(data, title = NULL, rows = 9, top_n = 7, bottom_n = 1, incl_rownums = TRUE) {
gt_preview(data, top_n = top_n, bottom_n = bottom_n, incl_rownums = TRUE) %>%
tab_header(title = title) %>%
# Table background color and other style options
tab_options(
#table.background.color = blue_vals[6],
column_labels.background.color = blue_vals[1],
column_labels.font.size = px(16),
table.font.size = px(12),
data_row.padding = px(4)
# Uncomment and set table.width if needed
# table.width = px(250)
) %>%
tab_style(
style = cell_borders(sides = "bottom", color = blue_vals[1], weight = px(3)),
locations = cells_body(rows = rows)
)
}scroltabel_gt <- function (data, title = NULL, table.height = px(350)) {
gt(data) %>%
# tabel titel
tab_header(title = title) %>%
# tabel opmaak opties
tab_options(
#table.background.color = blue_vals[6],
column_labels.background.color = blue_vals[1],
column_labels.font.size = px(16),
table.font.size = px(12),
data_row.padding = px(4),
table.width = pct(100), # px(250)
container.height = table.height,
container.overflow.y = TRUE # px(250)
) %>%
# tabel opmaak optie onderkant
tab_style(
style = cell_borders(sides = "bottom", color = blue_vals[1], weight = px(3)),
locations = cells_body(rows = nrow(data))
)
}De SPI Veilige Infrastructuur bevat het kenmerk “Afwezigheid erfaansluitingen”. Op wegen met een limiet van 70 km/uur en hoger zijn erfaansluitingen ongewenst. Erfaansluitingen zijn aansluitingen van erven en terreinen, eventueel verbonden door een toegangsweg of oprijlaan. Erfaansluitingen leiden tot conflicten tussen doorgaand verkeer en verkeer dat de weg op- of afdraait. Deze conflicten als gevolg van bestemmingsverkeer zijn ongewenst op gebiedsontsluitingswegen en stroomwegen met een limiet van 70 km/uur of hoger, waar de functie van wegvakken stromen betreft. Als gevolg van de mogelijk hoge conflictsnelheden bestaat tevens een hoog risico op een ernstige of fatale afloop in geval van een botsing.
Deze rapportage beschrijft de bepaling van scores van de SPI Veilige Infrastructuur op dit kenmerk en de resultaten daarvan. Een wegdeel scoort positief op dit kenmerk wanneer erfaansluitingen ontbreken. Per wegbeheerder wordt bepaald welk deel van het wegennet positief scoort. Dit vormt de score van de wegbeheerder op dit kenmerk. Deze score wordt bepaald over het voor dit kenmerk relevante deel van het wegennet.
Een verantwoording van de bepaling van scores wordt mede gegeven door het meeleveren van de programmacode waarmee deze scores zijn bepaald.
In de analyse wordt gebruik gemaakt van het NWB (Nationaal Wegenbestand) en de WKD (Wegkenmerkendatabase). De WKD wordt gebruikt om de snelheidslimiet van een wegvak te bepalen. De WKD bevat ook het kenmerk ‘inritten’ dat aangeeft of er erfaansluitingen zijn op een wegvak. Het bestand inritten is gericht op wegen met een limiet van 70 km/uur en hoger. De belangrijkste bron voor de bepaling van het WKD bestand van inritten betreft de BGT (Basisregistratie Grootschalige Topografie), zie daarvoor de documentatie over de WKD.
Voor het bepalen van de kenmerkscore ‘Afwezigheid erfaansluitingen’ wordt gebruik gemaakt van het WKD product ‘Inritten’. Daarbij wordt gebruik gemaakt van het Januari-bestand. Het betreft een CSV bestand dat direct of via een zip bestand kan worden gedownload vanaf: https://downloads.rijkswaterstaatdata.nl/wkd/Inritten/
Uit de WKD worden de volgende onderdelen gebruikt.
Documentatie over het NWB is te vinden bij het NDW: https://docs.ndw.nu/handleidingen/nwb/ Documentatie over de WKD is te vinden onder de download pagina van rijkswaterstaatdata: https://downloads.rijkswaterstaatdata.nl/wkd/Documentatie/
Het update beleid kan verschillen tussen de WKD onderdelen. In ieder geval krijgt elk onderdeel een ‘grote’ jaarlijkse update gekoppeld aan het januari bestand van het NWB. Daarom worden bij het gebruik van de WKD de januari bestanden gebruikt. Deze updates komen in de loop van elk jaar binnen. Een planning daarvoor is nog niet beschikbaar. De laatste updates zijn te vinden op de WKD download-pagina en het NDW Verkeersveiligheid Dataportaal. Berichten hierover worden tevens geplaatst op het Nationaal Toegangspunt Mobiliteitsdata.
# -------------KIES JAAR------------------------
# indien gewenst, kies een ander jaar, bijv 2025
# Jaar versie nwb
nwbjaar <- "2024"
# ----------------------------------------------
#' Deze code chunk bevat het jaar waarvan de data wordt gedownload en waarvoor de analyse wordt gedraaid.
#' Het is niet mogelijk om de analyse op jaren voor 2024 te draaien vanwege beperkingen aan de datakwaliteit.
#' Nieuwe januari bestanden komen in de loop van 2025 beschikbaar. Wanneer deze beschikbaar komt,
#' kan het jaar worden aangepast.De analyse is uitgevoerd op het NWB van Januari 2024. Door het NWB-jaar (variabele ‘nwbjaar’) aan te passen in het script kan de volledige analyse op een ander jaar worden gedraaid, mits de data voor dat jaar (reeds) beschikbaar is.
Het NWB is gedownload van: https://downloads.rijkswaterstaatdata.nl/nwb-wegen/geogegevens/shapefile/Nederland_totaal/
# Deze code chunk verzorgt de download en het inladen in R van het NWB.
#' Wanneer het script eerder lokaal is gedraaid en het NWB al is gedownload en verwerkt wordt de .RDS
#' versie van het NWB geladen. Wanneer de RDS niet beschikbaar is, wordt het bestand gedownload en
#' verwerkt.
# rds bestandsnaam op basis van jaar
nwb_rds_naam <- paste0("nwb", nwbjaar, "jan.sf.RDS")
# nwb datum op basis van jaar
nwb_datum <- paste0("01-01-", nwbjaar)
# zip bestandsnaam op basis van jaar
nwb_zip <- paste0("nwb", nwbjaar, "jan.zip")
# conditioneel laden of downloaden en verwerken van het NWB
if (file.exists(here("RDS", nwb_rds_naam))) {
# if file exist load RDS
NWB <- readRDS(here("RDS", nwb_rds_naam))
cat(paste("Bestand geladen uit .RDS"))
} else {
# url for dutch open data
nwbjaarjan_url <- paste0("https://downloads.rijkswaterstaatdata.nl/nwb-wegen/geogegevens/shapefile/Nederland_totaal/01-01-", nwbjaar, ".zip")
# destination file + folder
dest_file_nwbjaarjan <- here("Data", nwb_zip)
dest_folder <- here("Data", paste0("nwb", nwbjaar, "jan"))
# download file
curl_download(nwbjaarjan_url, destfile = dest_file_nwbjaarjan, mode = "wb")
# unzip
unzip(dest_file_nwbjaarjan, exdir = dest_folder)
# load the shapefile
NWB <- st_read(here(dest_folder, nwb_datum, "Wegvakken", "Wegvakken.shp"))
# Save as RDS
saveRDS(NWB, here("RDS", nwb_rds_naam))
# clear zip
file.remove(dest_file_nwbjaarjan)
# code resultaat bericht
cat(paste("Bestand opgehaald van internet van https://downloads.rijkswaterstaatdata.nl/wkd/"))
}De analyse maakt gebruik van snelheidslimieten, gekoppeld aan het NWB, uit de WKD van januari 2024. Ook hier geldt dat door het NWB-jaar aan te passen in het script, de volledige analyse op een ander jaar kan worden gedraaid. De snelheidslimieten data is gedownload van: https://downloads.rijkswaterstaatdata.nl/wkd/Maximum%20Snelheden/
# Deze code chunk verzorgt de download en het inladen in R van de wkd snelheidslimieten
#' Wanneer het script eerder lokaal is gedraaid en het NWB al is gedownload en verwerkt wordt de .RDS
#' versie van het bestand geladen. Wanneer de RDS niet beschikbaar is, wordt het bestand gedownload en
#' verwerkt.
# rds bestandsnaam op basis van jaar
maxsnelheden_rds_naam <- paste0("maxsnelheden", nwbjaar, "jan.sf.RDS")
# nwb datum op basis van jaar
maxsnelheden_datum <- paste0("01-01-", nwbjaar)
# zip bestandsnaam op basis van jaar
maxsnelheden_zip <- paste0("maxsnelheden", nwbjaar, "jan.zip")
# conditioneel laden of downloaden en verwerken van de data
if (file.exists(here("RDS", maxsnelheden_rds_naam))) {
# if file exist load RDS
maxsnelheden <- readRDS(here("RDS", maxsnelheden_rds_naam))
cat(paste("Bestand geladen uit .RDS"))
} else {
# url for dutch open data
maxsnelhedenjaarjan_url <- paste0("https://downloads.rijkswaterstaatdata.nl/wkd/Maximum%20Snelheden/01-01-", nwbjaar, ".zip")
# destination file + folder
dest_file_maxsnelhedenjaarjan <- here("Data", maxsnelheden_zip)
dest_folder <- here("Data", paste0("maxsnelheden", nwbjaar,"jan"))
# download file
curl_download(maxsnelhedenjaarjan_url, destfile = dest_file_maxsnelhedenjaarjan, mode = "wb")
# unzip
unzip(dest_file_maxsnelhedenjaarjan, exdir = dest_folder)
# load the shapefile
maxsnelheden <- st_read(here(dest_folder, maxsnelheden_datum, "Snelheden.shp"))
# Save as RDS
saveRDS(maxsnelheden, here("RDS", maxsnelheden_rds_naam))
# clear zip
file.remove(dest_file_maxsnelhedenjaarjan)
# code resultaat bericht
cat(paste("Bestand opgehaald van internet van https://downloads.rijkswaterstaatdata.nl/wkd/"))
}De analyse maakt gebruik van het wkd product inritten gekoppeld aan het NWB, uit de WKD van januari 2024. Ook hier geldt dat door nwbjaar aan te passen in het script, de volledige analyse op een ander jaar kan worden gedraaid. De inritten-data is gedownload van: https://downloads.rijkswaterstaatdata.nl/wkd/inritten/
# Deze code chunk verzorgt de download en het inladen in R van de wkd inritten
#' Wanneer het script eerder lokaal is gedraaid en het NWB al is gedownload en verwerkt wordt de .RDS
#' versie van het bestand geladen. Wanneer de RDS niet beschikbaar is, wordt het bestand gedownload en
#' verwerkt.
# rds bestandsnaam op basis van jaar
Inritten_rds_naam <- paste0("Inritten", nwbjaar, "jan.RDS")
# nwb datum op basis van jaar. In 2024 is de onderliggende map gedateerd op 01-02-2024 ipv 01-01-2024
Inritten_datum <-
if (nwbjaar == 2024) {
paste0("01-02-", nwbjaar)
} else {
paste0("01-01-", nwbjaar)
}
# zip bestandsnaam op basis van jaar
Inritten_zip <- paste0("Inritten", nwbjaar, "jan.zip")
# conditioneel laden of downloaden en verwerken van de data
if (file.exists(here("RDS", Inritten_rds_naam))) {
# if file exist load RDS
Inritten <- readRDS(here("RDS", Inritten_rds_naam))
cat(paste("Bestand geladen uit .RDS"))
} else {
# url for dutch open data
Inrittenjaarjan_url <- paste0("https://downloads.rijkswaterstaatdata.nl/wkd/Inritten/01-01-", nwbjaar, ".zip")
# destination file + folder
dest_file_Inrittenjaarjan <- here("Data", Inritten_zip)
dest_folder <- here("Data", paste0("Inritten", nwbjaar,"jan"))
# download file
curl_download(Inrittenjaarjan_url, destfile = dest_file_Inrittenjaarjan, mode = "wb")
# unzip
unzip(dest_file_Inrittenjaarjan, exdir = dest_folder)
# load the csv
Inritten <- read.csv2(here(dest_folder, Inritten_datum, "wkd_010-Inritten.csv"), stringsAsFactors = FALSE)
# Save as RDS
saveRDS(Inritten, here("RDS", Inritten_rds_naam))
# clear zip
file.remove(dest_file_Inrittenjaarjan)
# code resultaat bericht
cat(paste("Bestand opgehaald van internet van https://downloads.rijkswaterstaatdata.nl/wkd/"))
}De data dient te worden voorbereid voorafgaand aan de analyses en bepaling van het kenmerk “Erfaansluiting afwezig” van de SPI Veilige Infrastructuur. De voorbereiding bevat onder meer de koppeling van de verschillende bestanden, selecties van wegvakken en variabelen en het aanmaken van enkele nieuwe variabelen. De data-voorbereiding wordt beschreven in de volgende subparagrafen.
In de analyse worden wegen met een limiet van 60 km/uur en lager buiten beschouwing gehouden omdat erfaansluitingen daar noodzakelijkerwijs aanwezig zijn en de risico’s daarvan lager zijn. Daarnaast kijken we voor het kenmerk “Erfaansluiting afwezig” enkel naar rijbanen. Daarom wordt het NWB gefilterd op wegbeheerder en de zogeheten variabele Baan Subsoort Code (BST_CODE).
Afkortingen zijn te vinden in de NWB handleiding en https://www.nationaalwegenbestand.nl/nieuws/aankomende-aanpassingen-baansubsoorten
In deze analyse laten we wegvakken met de volgende BST_CODEs buiten beschouwing: “FP”, “VP”, “CADO”, “VZ”, “VD”, “VDA”, “VDF”, “VDV”, “RP”, “VV”
nwb_rijbaan <- NWB %>%
# filter op bst codes
filter(BST_CODE %nin% c("FP", "VP", "CADO", "VZ", "VD", "VDA", "VDF", "VDV", "RP", "VV")) %>%
select(WVK_ID, WEGBEHSRT, WEGNUMMER, STT_NAAM, WPSNAAM, GME_NAAM, WEGBEHNAAM, BST_CODE) %>%
# bepaal de wegvaklengte
mutate(wegvaklengte = as.numeric(st_length(.)))Het maximum snelheden bestand uit de WKD bevat dubbelingen van wegvakken wanneer er op een wegvak verschillende snelheidslimieten gelden. Deze ontdubbelen we op basis van een aggregatie waarbij we de limiet aan het wegvak toekennen die het meeste voorkomt (grootste aandeel van de lengte van het wegvak). Daarbij leggen we tevens de lengte vast waarover deze limiet geldt. Deze lengte is dus korter dan de volledige wegvaklengte wanneer er meerdere limieten gelden op het wegvak. In de verschillende SPI score rapportages in deze serie komt deze zelfde bewerking terug. Hieronder wordt een uitsnede getoond van de tabel waarbij één limiet per wegvak is bepaald.
# aggregatie naar limiet
aggregatie_limiet <- maxsnelheden %>%
# drop geometry kolom
st_drop_geometry(.) %>%
# init dtplyr voor performance
lazy_dt() %>%
# filter op bst codes
filter(BST_CODE %nin% c("FP", "VP", "CADO", "VZ", "VD", "VDA", "VDF", "VDV", "RP", "VV")) %>%
# bepaal de wegvaklengte
mutate(lengte_limiet = NAAR-VAN) %>%
# groepeer naar wvk id en snelheidslimiet
group_by(WVK_ID, MAXSHD) %>%
# bepaal per groep de totale wegvaklengte
summarise(lengte_snelheidslimiet = sum(lengte_limiet)) %>%
# groepeer opnieuw naar wvk id
group_by(WVK_ID) %>%
# sorteer op weglengte per wvk id van groot naar klein
arrange(desc(lengte_snelheidslimiet)) %>%
# bewaar de 1e per groep en verwijder de rest
slice_head() %>%
# groep opheffen
ungroup() %>%
# beeindig dtplyr
as.data.frame()# tabel uitsnede geaggregeerde limieten
tabel_preview(aggregatie_limiet, title = "Uitsnede geaggregeerde limieten data")| Uitsnede geaggregeerde limieten data | |||
| WVK_ID | MAXSHD | lengte_snelheidslimiet | |
|---|---|---|---|
| 1 | 313432002 | 100 | 13922 |
| 2 | 292388006 | 80 | 11690 |
| 3 | 159225004 | 100 | 11385 |
| 4 | 223439024 | 80 | 10305 |
| 5 | 231494012 | 100 | 10260 |
| 6 | 299445001 | 100 | 9694 |
| 7 | 103247004 | 80 | 9448 |
| 8..1228351 | |||
| 1228352 | 601160876 | 60 | 2 |
De snelheidslimiet per wegvak wordt vervolgens gekoppeld aan het NWB.
# koppel geaggregeerde limieten per wegvak aan het nwb
nwb_rijbaan_limiet <- nwb_rijbaan %>%
# koppeling op basis van left join
left_join(aggregatie_limiet) %>%
# bepaal aandeel lengte limiet
mutate(lengte_limiet_aandeel = ifelse(lengte_snelheidslimiet/wegvaklengte > 1, 1.0, # door afronding van VAN en TOT in de wkd limieten data kan de limiet lengte groter zijn dan de wegvaklengte die exact is bepaald
round(lengte_snelheidslimiet/wegvaklengte, 1)), .after = lengte_snelheidslimiet) %>%
# plaats variabele geometry achteraan
relocate(geometry, .after = last_col())
# herschikken kolommen
nwb_rijbaan2 <- nwb_rijbaan_limiet %>%
relocate(geometry, .after = last_col()) Dit levert de volgende tabel op (dit betreft een uitsnede).
# tabel uitsnede dataset voor analyse
tabel_preview(st_drop_geometry(nwb_rijbaan2), title = "Dataset voor analyse")| Dataset voor analyse | ||||||||||||
| WVK_ID | WEGBEHSRT | WEGNUMMER | STT_NAAM | WPSNAAM | GME_NAAM | WEGBEHNAAM | BST_CODE | wegvaklengte | MAXSHD | lengte_snelheidslimiet | lengte_limiet_aandeel | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 60175072 | G | NA | Van Doornlaan | Vlissingen | Vlissingen | Vlissingen | NA | 11.000000 | 30 | 11 | 1.0 |
| 2 | 64178048 | G | NA | Rondeel | Middelburg | Middelburg | Middelburg | NA | 21.633308 | 30 | 22 | 1.0 |
| 3 | 141163037 | G | NA | Stellestraat | Rilland | Reimerswaal | Reimerswaal | NA | 37.465051 | 30 | 37 | 1.0 |
| 4 | 111179068 | G | NA | Coxstraat | Kapelle | Kapelle | Kapelle | NA | 26.400758 | 30 | 26 | 1.0 |
| 5 | 122182003 | G | NA | Dam | Yerseke | Reimerswaal | Reimerswaal | NA | 63.198101 | 80 | 42 | 0.7 |
| 6 | 170150003 | G | NA | Sparrenlaan | Putte | Woensdrecht | Woensdrecht | NA | 20.880613 | 30 | 21 | 1.0 |
| 7 | 182274140 | G | NA | Beukelsdijk | Rotterdam | Rotterdam | Rotterdam | NA | 128.587069 | 50 | 129 | 1.0 |
| 8..1228351 | ||||||||||||
| 1228352 | 600947010 | P | N620 | Sint-Oedenrodeseweg | Best | Best | Noord-Brabant | HR | 2.850547 | 80 | 3 | 1.0 |
Het bestand Inritten betreft een CSV waarbij elk record het beginpunt van een inrit aan een van beide zijden van het wegvak representeert. Per wegvak kunnen meerder inritten links en rechts zijn opgenomen. Wegvakken (met dezelfde WVK_ID’s) komen dan ook veelal meerdere keren voor. Onderstaand de attributentabel van dit product.
tabel_inritten_beschr <- "Attribuut;Omschrijving
BEGINDAT;De eerste datum waarop het wegkenmerk geldig is. Dit is de datum waarop het wegkenmerk voor het eerst voorkomt of voor het laatst gemuteerd is.
WEGVAK_ID;Het unieke nummer voor een Wegvak.
WVK_BEGDAT;De eerste datum waarop deze vorm en inhoud van betreffende Wegvak geldig is
NWB_VERSIE;Dit is de datum waarop de waarde in het WKD bestand voor het laatst is ge-updated. Het gaat hier om de brondata waarop het WKD-bestand is gebaseerd.
VAN;Beginpunt van het wegvakdeel binnen het betreffende wegvak, vanwaar de inrit begint (meter)
WEGNUMMER;Het wegnummer van het wegvak waar de inrit in valt, indien aanwezig
KILOMTRRNG;Het dichtstbijzijnde hectometerpunt behorende bij de inrit,indien van toepassing
ZIJDE;Dit geeft weer aan welke kant van de weg er inritten aanwezig zijn ten opzichte van de administratieve richting van het wegvak. Dit kan zijn: links of rechts"
df_tabel_inritten_beschr <- read_delim(tabel_inritten_beschr, delim = ";", col_names = TRUE, trim_ws = TRUE,show_col_types = FALSE)
# Create the gt table a
gt_table_beschr_inrit <- gt(df_tabel_inritten_beschr) %>%
tab_header(title = "Variabelen WKD inritten data") %>%
tab_options(
#table.background.color = blue_vals[6],
column_labels.background.color = blue_vals[1],
column_labels.font.size = px(16),
table.font.size = px(12),
data_row.padding = px(4),
#table.width = px(250)
) %>%
tab_style(
style = cell_borders(sides = "bottom", color = blue_vals[1], weight = px(3)),
locations = cells_body(rows = nrow(df_tabel_inritten_beschr))
)
# Print the table
gt_table_beschr_inrit| Variabelen WKD inritten data | |
| Attribuut | Omschrijving |
|---|---|
| BEGINDAT | De eerste datum waarop het wegkenmerk geldig is. Dit is de datum waarop het wegkenmerk voor het eerst voorkomt of voor het laatst gemuteerd is. |
| WEGVAK_ID | Het unieke nummer voor een Wegvak. |
| WVK_BEGDAT | De eerste datum waarop deze vorm en inhoud van betreffende Wegvak geldig is |
| NWB_VERSIE | Dit is de datum waarop de waarde in het WKD bestand voor het laatst is ge-updated. Het gaat hier om de brondata waarop het WKD-bestand is gebaseerd. |
| VAN | Beginpunt van het wegvakdeel binnen het betreffende wegvak, vanwaar de inrit begint (meter) |
| WEGNUMMER | Het wegnummer van het wegvak waar de inrit in valt, indien aanwezig |
| KILOMTRRNG | Het dichtstbijzijnde hectometerpunt behorende bij de inrit,indien van toepassing |
| ZIJDE | Dit geeft weer aan welke kant van de weg er inritten aanwezig zijn ten opzichte van de administratieve richting van het wegvak. Dit kan zijn: links of rechts |
Alleen voor Wegen met een limiet van 70 km/uur en hoger is informatie over inritten beschikbaar. Per wegvak ID wordt vastgelegd:
Het bestand met Inritten ziet er als volgt uit:
scroltabel_gt(filter(Inritten, WEGVAK_ID == 53198005))| BEGINDAT | WEGVAK_ID | WVK_BEGDAT | NWB_VERSIE | VAN | WEGNUMMER | KILOMTRRNG | ZIJDE |
|---|---|---|---|---|---|---|---|
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 388.0 | N287 | 9.822 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 141.5 | N287 | 9.576 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 796.7 | N287 | 10.231 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 42.0 | N287 | 9.476 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 307.3 | N287 | 9.741 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 339.2 | N287 | 9.773 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 141.4 | N287 | 9.575 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 228.6 | N287 | 9.663 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 608.3 | N287 | 10.042 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 339.7 | N287 | 9.774 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 424.5 | N287 | 9.859 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 607.2 | N287 | 10.041 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 42.3 | N287 | 9.476 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 796.6 | N287 | 10.231 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 611.3 | N287 | 10.045 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 340.6 | N287 | 9.775 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 229.4 | N287 | 9.663 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 465.0 | N287 | 9.899 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 419.4 | N287 | 9.853 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 490.8 | N287 | 9.925 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 465.0 | N287 | 9.899 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 421.3 | N287 | 9.855 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 339.4 | N287 | 9.773 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 202.6 | N287 | 9.637 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 609.8 | N287 | 10.044 | links |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 391.2 | N287 | 9.825 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 203.7 | N287 | 9.638 | rechts |
| 28-01-2024 | 53198005 | 01-11-2021 | 01-01-2024 | 305.9 | N287 | 9.740 | rechts |
We bepalen daaruit het aantal inritten links en rechts per wegvak id.
inritten_aggregatie <- Inritten %>%
#slice_head(n=10) %>%
dplyr::rename(WVK_ID = WEGVAK_ID) %>%
group_by(WVK_ID,ZIJDE) %>%
summarise(aantal_inritten = n()) %>%
ungroup()
inritten_aggregatie <- inritten_aggregatie %>%
pivot_wider(names_from=ZIJDE,values_from = aantal_inritten,values_fill = 0) %>%
rowwise() %>%
mutate(aantal_inritten_tot = links + rechts) %>%
rename('aantal_inritten_L'='links','aantal_inritten_R'='rechts')
tabel_preview(inritten_aggregatie)| WVK_ID | aantal_inritten_R | aantal_inritten_L | aantal_inritten_tot | |
|---|---|---|---|---|
| 1 | 31139018 | 9 | 0 | 9 |
| 2 | 36138009 | 2 | 0 | 2 |
| 3 | 37151001 | 7 | 5 | 12 |
| 4 | 38149004 | 5 | 9 | 14 |
| 5 | 38151006 | 5 | 0 | 5 |
| 6 | 39128006 | 0 | 3 | 3 |
| 7 | 41147004 | 1 | 2 | 3 |
| 8..12852 | ||||
| 12853 | 601166846 | 3 | 0 | 3 |
Deze data voegen we samen met de NWB wegvakken selectie.
nwb_erfaansluitingen <- nwb_rijbaan2 %>%
# selecteer te gebruiken NWB variabelen
select(WVK_ID,WEGBEHSRT,WEGBEHNAAM, MAXSHD, wegvaklengte) %>% # nog een aantal toevoegen!!!!
left_join(inritten_aggregatie) %>%
# filter op wegen met een maximum snelheid van 70 of meer
filter(MAXSHD %nin% c('NVT','NOA','Onbekend')) %>%
filter(as.integer(MAXSHD)%in% c(70,80,100)) %>%
# filter rijkswegen weg
filter(WEGBEHSRT!='R') %>%
# vul lengte 0 in voor wegvakken waarvan geen parkeevlak in de wkd is vastgelegd
mutate(aantal_erfaansluit_R = ifelse(na.as.false(aantal_inritten_R>0), aantal_inritten_R, 0),
aantal_erfaansluit_L = ifelse(na.as.false(aantal_inritten_L>0), aantal_inritten_L, 0),
aantal_erfaansluit_TOT = ifelse(na.as.false(aantal_inritten_tot>0), aantal_inritten_tot, 0),
erfaansluiting_dichtheid = ifelse(na.as.false(aantal_inritten_tot>0), aantal_inritten_tot*1000/wegvaklengte, 0)) %>%
# weglaten variabelen omdat deze verder niet meer gebruikt worden
select(-aantal_inritten_R, -aantal_inritten_L, -aantal_inritten_tot) %>%
# wegvakscore erfaansluitingen, als de som van de parkeerlengte 0 is, dan voldoet deze (1), anders niet (0)
mutate(erfaansluiting_aanwezig = ifelse(aantal_erfaansluit_TOT> 0, "Erfaansluiting aanwezig", "Erfaansluiting Afwezig"),
erfaansluiting_voldoet = ifelse(aantal_erfaansluit_TOT == 0, 1, 0)) %>%
relocate(geometry, .after = last_col()) %>%
rename('Snelheidslimiet'='MAXSHD')
#head(nwb_erfaansluitingen) Dit levert een dataset op met per wegvak per zijde het aantal erfaansluitingen dat aanwezig is plus de dichtheid van erfaansluitingen. Tevens is daarmee per wegvak vastgelegd of het wegvak vrij is van erfaansluitingen.
# preview met een selectie van kenmerken
tabel_preview(select(st_drop_geometry(nwb_erfaansluitingen), WVK_ID, Snelheidslimiet, erfaansluiting_voldoet,
wegvaklengte, erfaansluiting_dichtheid,aantal_erfaansluit_L, aantal_erfaansluit_R,
aantal_erfaansluit_TOT)) | WVK_ID | Snelheidslimiet | erfaansluiting_voldoet | wegvaklengte | erfaansluiting_dichtheid | aantal_erfaansluit_L | aantal_erfaansluit_R | aantal_erfaansluit_TOT | |
|---|---|---|---|---|---|---|---|---|
| 1 | 122182003 | 80 | 0 | 63.198101 | 15.823260 | 1 | 0 | 1 |
| 2 | 225346008 | 80 | 1 | 9.219544 | 0.000000 | 0 | 0 | 0 |
| 3 | 311129004 | 80 | 1 | 7.046706 | 0.000000 | 0 | 0 | 0 |
| 4 | 311128001 | 80 | 0 | 359.840539 | 41.685131 | 13 | 2 | 15 |
| 5 | 390025014 | 80 | 1 | 17.908509 | 0.000000 | 0 | 0 | 0 |
| 6 | 366391002 | 80 | 0 | 728.233683 | 6.865928 | 3 | 2 | 5 |
| 7 | 288344064 | 80 | 1 | 37.521689 | 0.000000 | 0 | 0 | 0 |
| 8..57080 | ||||||||
| 57081 | 600947010 | 80 | 1 | 2.850547 | 0.000000 | 0 | 0 | 0 |
De SPI Veilige Infrastructuur bevat het kenmerk “Afwezigheid erfaansluitingen”. Op wegen van een limiet van 70 km/uur en hoger zijn erfaansluitingen aan de rijbaan ongewenst. Omdat wegen met een limiet van 60 km/uur en lager binnen de SPI Veilige Infrastructuur niet worden beoordeeld op dit kenmerk, zijn die wegen buiten beschouwing gelaten. Verder is gekozen om ook rijkswegen buiten beschouwing te laten. Tenslotte is het aantal wegen met een limiet van 90 km/uur verwaarloosbaar klein en worden deze daarom ook niet meegenomen. De scores en benchmark beperken zich daarom tot niet-rijkswegen wegen met een limiet van 70, 80 en 100 km/uur.
In het vorige hoofdstuk zijn wegvakken beoordeeld ten aanzien van het SPI kenmerk Afwezigheid van erfaansluitingen. Een wegvak is als voldoende beoordeeld wanneer er geen erfaansluitingen op het wegvak aanwezig zijn. Deze beoordeling op wegvakniveau wordt vertaald naar een score op netwerkniveau per wegbeheerder. Daarbij wordt gekeken naar het aandeel van de relevante wegvakken dat als voldoende wordt beoordeeld. Daarbij wordt enkel gekeken naar de wegvakken waar het kenmerk op van toepassing is. Per wegbeheerder wordt het volgende gescoord.
De eerste score is de hoofdscore, omdat deze ook gebruikt kan worden bij de bepaling van een totaal score van de infrastructuur. Daarnaast kan de score worden onderscheiden op het totale areaal en per limiet.
In het vorige hoofdstuk is ook de dichtheid van erfaansluitingen per wegvak bepaald. Deze is niet gevat in een score op netwerkniveau. Wel is deze meegegeven in de data export op wegvakniveau, naar een tekst en gis bestand, beschreven in het laatste hoofdstuk.
#### landelijke ####
scores_landelijk_totaal <- nwb_erfaansluitingen %>%
st_drop_geometry(.) %>%
# bepaal scores
summarise(`Wegbeheerder soort` = "Landelijk" ,
Wegbeheerder = "Totaal",
Snelheidslimiet = "Totaal",
`Score kenmerk Afwezigheid erfaansluitingen` = sum(erfaansluiting_voldoet) / n(),
`Score kenmerk naar weglengte` = sum(ifelse(erfaansluiting_voldoet == 1, wegvaklengte, 0)) / sum(wegvaklengte),
`Totale weglengte [km]` = round(sum(wegvaklengte) / 1000, 1)) %>%
mutate(across(c( `Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ set_units(. * 100, "%"))) %>%
mutate(across(c(`Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ round(., 1))) %>%
ungroup()
# head(scores_landelijk)
# scores per limiet bepalen
scores_landelijk_limiet <- nwb_erfaansluitingen %>%
st_drop_geometry(.) %>%
# groepeer naar limiet
group_by(Snelheidslimiet) %>%
# bepaal scores
summarise(`Wegbeheerder soort` = "Landelijk" ,
Wegbeheerder = "Totaal",
`Score kenmerk Afwezigheid erfaansluitingen` = sum(erfaansluiting_voldoet) / n(),
`Score kenmerk naar weglengte` = sum(ifelse(erfaansluiting_voldoet == 1, wegvaklengte, 0)) / sum(wegvaklengte),
`Totale weglengte [km]` = round(sum(wegvaklengte) / 1000, 1)) %>%
mutate(across(c( `Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ set_units(. * 100, "%"))) %>%
mutate(across(c(`Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ round(., 1))) %>%
relocate(Snelheidslimiet, .after = Wegbeheerder) %>%
arrange(as.integer(Snelheidslimiet)) %>%
ungroup()
# head(scores_landelijk_limiet)
scores_landelijk <- rbind(scores_landelijk_limiet, scores_landelijk_totaal)
# head(scores_landelijk)
#### provincies ####
# scores voor het totaal bepalen
scores_provincies_totaal <- nwb_erfaansluitingen %>%
st_drop_geometry(.) %>%
# selecteer op basis van wegbeheersoort
filter(WEGBEHSRT == "P") %>%
# groepeer naar webeheerder
group_by(WEGBEHNAAM) %>%
# bepaal scores
summarise(`Wegbeheerder soort` = "Provincie" ,
Snelheidslimiet = "Totaal",
`Score kenmerk Afwezigheid erfaansluitingen` = sum(erfaansluiting_voldoet) / n(),
`Score kenmerk naar weglengte` = sum(ifelse(erfaansluiting_voldoet == 1, wegvaklengte, 0)) / sum(wegvaklengte),
`Totale weglengte [km]` = round(sum(wegvaklengte) / 1000, 1)) %>%
mutate(across(c( `Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ set_units(. * 100, "%"))) %>%
mutate(across(c(`Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ round(., 1))) %>%
dplyr::rename(Wegbeheerder = WEGBEHNAAM) %>%
relocate(`Wegbeheerder soort`) %>%
ungroup()
# head(scores_provincies_totaal)
# scores per limiet bepalen
scores_provincies_limiet <- nwb_erfaansluitingen %>%
st_drop_geometry(.) %>%
# selecteer op basis van wegbeheersoort
filter(WEGBEHSRT == "P") %>%
# groepeer naar webeheerder
group_by(WEGBEHNAAM, Snelheidslimiet) %>%
# bepaal scores
summarise(`Wegbeheerder soort` = "Provincie" ,
`Score kenmerk Afwezigheid erfaansluitingen` = sum(erfaansluiting_voldoet) / n(),
`Score kenmerk naar weglengte` = sum(ifelse(erfaansluiting_voldoet == 1, wegvaklengte, 0)) / sum(wegvaklengte),
`Totale weglengte [km]` = round(sum(wegvaklengte) / 1000, 1)) %>%
mutate(across(c( `Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ set_units(. * 100, "%"))) %>%
mutate(across(c(`Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ round(., 1))) %>%
relocate(Snelheidslimiet, .after = `Wegbeheerder soort` ) %>%
arrange(as.integer(Snelheidslimiet)) %>%
dplyr::rename(Wegbeheerder = WEGBEHNAAM) %>%
relocate(`Wegbeheerder soort`) %>%
ungroup()
# head(scores_provincies_limiet)
scores_provincies <- rbind(scores_provincies_limiet, scores_provincies_totaal) %>%
arrange(Wegbeheerder)
# head(scores_provincies)
#### gemeenten ####
# scores voor het totaal bepalen
scores_gemeenten_totaal <- nwb_erfaansluitingen %>%
st_drop_geometry(.) %>%
# selecteer op basis van wegbeheersoort
filter(WEGBEHSRT == "G") %>%
# groepeer naar gemeente
group_by(WEGBEHNAAM) %>%
# bepaal scores
summarise(`Wegbeheerder soort` = "Gemeente" ,
Snelheidslimiet = "Totaal",
`Score kenmerk Afwezigheid erfaansluitingen` = sum(erfaansluiting_voldoet) / n(),
`Score kenmerk naar weglengte` = sum(ifelse(erfaansluiting_voldoet == 1, wegvaklengte, 0)) / sum(wegvaklengte),
`Totale weglengte [km]` = round(sum(wegvaklengte) / 1000, 1)) %>%
mutate(across(c( `Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ set_units(. * 100, "%"))) %>%
mutate(across(c(`Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ round(., 1))) %>%
dplyr::rename(Wegbeheerder = WEGBEHNAAM) %>%
relocate(`Wegbeheerder soort`) %>%
ungroup()
# head(scores_gemeenten_totaal)
# scores per limiet bepalen
scores_gemeenten_limiet <- nwb_erfaansluitingen %>%
st_drop_geometry(.) %>%
# selecteer op basis van wegbeheersoort
filter(WEGBEHSRT == "G") %>%
# groepeer naar gemeente
group_by(WEGBEHNAAM, Snelheidslimiet) %>%
# bepaal scores
summarise(`Wegbeheerder soort` = "Gemeente" ,
`Score kenmerk Afwezigheid erfaansluitingen` = sum(erfaansluiting_voldoet) / n(),
`Score kenmerk naar weglengte` = sum(ifelse(erfaansluiting_voldoet == 1, wegvaklengte, 0)) / sum(wegvaklengte),
`Totale weglengte [km]` = round(sum(wegvaklengte) / 1000, 1)) %>%
mutate(across(c( `Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ set_units(. * 100, "%"))) %>%
mutate(across(c(`Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ round(., 1))) %>%
relocate(Snelheidslimiet, .after = `Wegbeheerder soort` ) %>%
arrange(as.integer(Snelheidslimiet)) %>%
dplyr::rename(Wegbeheerder = WEGBEHNAAM) %>%
relocate(`Wegbeheerder soort`) %>%
ungroup()
# head(scores_gemeenten_limiet)
scores_gemeenten <- rbind(scores_gemeenten_limiet, scores_gemeenten_totaal) %>%
arrange(Wegbeheerder)
# head(scores_gemeenten)
#### waterschappen ####
# scores voor het totaal bepalen
scores_waterschappen_totaal <- nwb_erfaansluitingen %>%
st_drop_geometry(.) %>%
# selecteer op basis van wegbeheersoort
filter(WEGBEHSRT == "W") %>%
# groepeer naar webeheerder
group_by(WEGBEHNAAM) %>%
# bepaal scores
summarise(`Wegbeheerder soort` = "Waterschap" ,
Snelheidslimiet = "Totaal",
`Score kenmerk Afwezigheid erfaansluitingen` = sum(erfaansluiting_voldoet) / n(),
`Score kenmerk naar weglengte` = sum(ifelse(erfaansluiting_voldoet == 1, wegvaklengte, 0)) / sum(wegvaklengte),
`Totale weglengte [km]` = round(sum(wegvaklengte) / 1000, 1)) %>%
mutate(across(c( `Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ set_units(. * 100, "%"))) %>%
mutate(across(c(`Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ round(., 1))) %>%
dplyr::rename(Wegbeheerder = WEGBEHNAAM) %>%
relocate(`Wegbeheerder soort`) %>%
ungroup()
# head(scores_waterschappen_totaal)
# scores per limiet bepalen
scores_waterschappen_limiet <- nwb_erfaansluitingen %>%
st_drop_geometry(.) %>%
# selecteer op basis van wegbeheersoort
filter(WEGBEHSRT == "W") %>%
# groepeer naar webeheerder
group_by(WEGBEHNAAM, Snelheidslimiet) %>%
# bepaal scores
summarise(`Wegbeheerder soort` = "Waterschap" ,
`Score kenmerk Afwezigheid erfaansluitingen` = sum(erfaansluiting_voldoet) / n(),
`Score kenmerk naar weglengte` = sum(ifelse(erfaansluiting_voldoet == 1, wegvaklengte, 0)) / sum(wegvaklengte),
`Totale weglengte [km]` = round(sum(wegvaklengte) / 1000, 1)) %>%
mutate(across(c( `Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ set_units(. * 100, "%"))) %>%
mutate(across(c(`Score kenmerk Afwezigheid erfaansluitingen`, `Score kenmerk naar weglengte`), ~ round(., 1))) %>%
relocate(Snelheidslimiet, .after = `Wegbeheerder soort` ) %>%
arrange(as.integer(Snelheidslimiet)) %>%
dplyr::rename(Wegbeheerder = WEGBEHNAAM) %>%
relocate(`Wegbeheerder soort`) %>%
ungroup()
# head(scores_waterschappen_limiet)
scores_waterschappen <- rbind(scores_waterschappen_limiet, scores_waterschappen_totaal) %>%
arrange(Wegbeheerder)
# head(scores_waterschappen)Scores zijn bepaald per wegbeheerder. Dat betekent dat een weg onder beheer van een waterschap niet is meegenomen bij de score van een gemeente, ook al ligt de weg binnen de gebiedsgrenzen van een betreffende gemeente.
In deze paragraaf worden de deelscores van het kenmerk SPI Veilige Infrastructuur- Afwezigheid van erfaansluitingen getoond. De resultaten worden apart getoond in subparagrafen op landelijk niveau en voor provinciale, gemeentelijke en waterschaps-wegbeheerders.
Hieronder worden de scores voor heel Nederland getoond.
scroltabel_gt(scores_landelijk, title = "SPI Veilige Infrastructuur - Afwezigheid van erfaansluitingen, van alle wegbeheerders samen")| SPI Veilige Infrastructuur - Afwezigheid van erfaansluitingen, van alle wegbeheerders samen | |||||
| Wegbeheerder soort | Wegbeheerder | Snelheidslimiet | Score kenmerk Afwezigheid erfaansluitingen | Score kenmerk naar weglengte | Totale weglengte [km] |
|---|---|---|---|---|---|
| Landelijk | Totaal | 70 | 96.4 [%] | 92.7 [%] | 928.7 |
| Landelijk | Totaal | 80 | 76.4 [%] | 49.0 [%] | 12245.6 |
| Landelijk | Totaal | 100 | 98.1 [%] | 95.4 [%] | 1265.2 |
| Landelijk | Totaal | Totaal | 79.1 [%] | 55.9 [%] | 14439.5 |
Hieronder worden de scores van wegbeherende waterschappen getoond. Waterschappen die geen wegen onder beheer hebben van de beschouwde wegtypen zijn hierbij buiten beschouwing gelaten. De tabel heeft een scrolfunctie. De verschillende wegbeheerders en bijbehorende scores kunnen worden gevonden door gebruik te maken van deze scrolfunctie.
scroltabel_gt(scores_waterschappen, title = "SPI Veilige Infrastructuur - Afwezigheid van erfaansluitingen, van wegbeherende waterschappen")| SPI Veilige Infrastructuur - Afwezigheid van erfaansluitingen, van wegbeherende waterschappen | |||||
| Wegbeheerder soort | Wegbeheerder | Snelheidslimiet | Score kenmerk Afwezigheid erfaansluitingen | Score kenmerk naar weglengte | Totale weglengte [km] |
|---|---|---|---|---|---|
| Waterschap | HHS Hollands Noorderkwartier | 80 | 69.2 [%] | 41.2 [%] | 5.3 |
| Waterschap | HHS Hollands Noorderkwartier | Totaal | 69.2 [%] | 41.2 [%] | 5.3 |
| Waterschap | HHS Schieland en de Krimpenerwaard | 80 | 82.4 [%] | 17.5 [%] | 4.8 |
| Waterschap | HHS Schieland en de Krimpenerwaard | Totaal | 82.4 [%] | 17.5 [%] | 4.8 |
| Waterschap | Waterschap De Hollandse Delta | 70 | 100.0 [%] | 100.0 [%] | 0.4 |
| Waterschap | Waterschap De Hollandse Delta | 80 | 78.4 [%] | 53.0 [%] | 113.1 |
| Waterschap | Waterschap De Hollandse Delta | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Waterschap | Waterschap De Hollandse Delta | Totaal | 78.5 [%] | 53.1 [%] | 113.6 |
| Waterschap | Waterschap Rivierenland | 80 | 79.8 [%] | 53.4 [%] | 26.3 |
| Waterschap | Waterschap Rivierenland | 100 | 100.0 [%] | 100.0 [%] | 0.2 |
| Waterschap | Waterschap Rivierenland | Totaal | 80.2 [%] | 53.7 [%] | 26.5 |
| Waterschap | Waterschap Scheldestromen | 70 | 100.0 [%] | 100.0 [%] | 0.2 |
| Waterschap | Waterschap Scheldestromen | 80 | 95.1 [%] | 93.3 [%] | 189.1 |
| Waterschap | Waterschap Scheldestromen | 100 | 100.0 [%] | 100.0 [%] | 0.4 |
| Waterschap | Waterschap Scheldestromen | Totaal | 95.2 [%] | 93.3 [%] | 189.7 |
Hieronder worden de scores van provincies getoond. De getoonde cijfers hebben enkel betrekking op wegen onder beheer van de betreffende wegbeheerder. De tabel heeft een scrolfunctie. De verschillende wegbeheerders en bijbehorende scores kunnen worden gevonden door gebruik te maken van deze scrolfunctie.
scroltabel_gt(scores_provincies, title = "SPI Veilige Infrastructuur - Afwezigheid van erfaansluitingen, van provinciale wegbeheerders")| SPI Veilige Infrastructuur - Afwezigheid van erfaansluitingen, van provinciale wegbeheerders | |||||
| Wegbeheerder soort | Wegbeheerder | Snelheidslimiet | Score kenmerk Afwezigheid erfaansluitingen | Score kenmerk naar weglengte | Totale weglengte [km] |
|---|---|---|---|---|---|
| Provincie | Drenthe | 70 | 97.0 [%] | 91.2 [%] | 21.6 |
| Provincie | Drenthe | 80 | 72.7 [%] | 34.6 [%] | 322.5 |
| Provincie | Drenthe | 100 | 100.0 [%] | 100.0 [%] | 157.4 |
| Provincie | Drenthe | Totaal | 78.3 [%] | 57.6 [%] | 501.5 |
| Provincie | Flevoland | 70 | 70.6 [%] | 39.1 [%] | 5.2 |
| Provincie | Flevoland | 80 | 87.0 [%] | 62.6 [%] | 461.6 |
| Provincie | Flevoland | 100 | 93.4 [%] | 87.2 [%] | 139.7 |
| Provincie | Flevoland | Totaal | 87.2 [%] | 68.1 [%] | 606.5 |
| Provincie | Friesland | 70 | 97.6 [%] | 95.8 [%] | 27.2 |
| Provincie | Friesland | 80 | 66.9 [%] | 27.9 [%] | 341.5 |
| Provincie | Friesland | 100 | 96.0 [%] | 90.5 [%] | 208.5 |
| Provincie | Friesland | Totaal | 74.6 [%] | 53.7 [%] | 577.2 |
| Provincie | Gelderland | 70 | 91.2 [%] | 77.5 [%] | 12.7 |
| Provincie | Gelderland | 80 | 74.1 [%] | 44.6 [%] | 1087.9 |
| Provincie | Gelderland | 100 | 98.8 [%] | 97.8 [%] | 108.2 |
| Provincie | Gelderland | Totaal | 75.2 [%] | 49.7 [%] | 1208.9 |
| Provincie | Groningen | 70 | 97.6 [%] | 95.6 [%] | 46.0 |
| Provincie | Groningen | 80 | 77.3 [%] | 41.0 [%] | 280.2 |
| Provincie | Groningen | 100 | 99.6 [%] | 98.0 [%] | 122.4 |
| Provincie | Groningen | Totaal | 83.4 [%] | 62.2 [%] | 448.7 |
| Provincie | Limburg | 70 | 92.3 [%] | 89.0 [%] | 3.5 |
| Provincie | Limburg | 80 | 80.7 [%] | 58.9 [%] | 451.3 |
| Provincie | Limburg | 100 | 98.6 [%] | 96.7 [%] | 103.4 |
| Provincie | Limburg | Totaal | 82.3 [%] | 66.1 [%] | 558.2 |
| Provincie | Noord-Brabant | 70 | 98.0 [%] | 96.1 [%] | 8.0 |
| Provincie | Noord-Brabant | 80 | 84.0 [%] | 70.1 [%] | 614.9 |
| Provincie | Noord-Brabant | 100 | 98.8 [%] | 92.6 [%] | 44.5 |
| Provincie | Noord-Brabant | Totaal | 84.6 [%] | 72.0 [%] | 667.3 |
| Provincie | Noord-Holland | 70 | 98.4 [%] | 94.6 [%] | 53.9 |
| Provincie | Noord-Holland | 80 | 90.6 [%] | 71.3 [%] | 586.7 |
| Provincie | Noord-Holland | 100 | 98.6 [%] | 98.7 [%] | 89.6 |
| Provincie | Noord-Holland | Totaal | 91.7 [%] | 76.4 [%] | 730.2 |
| Provincie | Overijssel | 70 | 85.1 [%] | 84.7 [%] | 10.7 |
| Provincie | Overijssel | 80 | 70.2 [%] | 48.2 [%] | 613.0 |
| Provincie | Overijssel | 100 | 98.1 [%] | 97.8 [%] | 38.7 |
| Provincie | Overijssel | Totaal | 71.8 [%] | 51.6 [%] | 662.4 |
| Provincie | Utrecht | 70 | 100.0 [%] | 100.0 [%] | 2.5 |
| Provincie | Utrecht | 80 | 85.1 [%] | 62.5 [%] | 311.5 |
| Provincie | Utrecht | 100 | 100.0 [%] | 100.0 [%] | 12.7 |
| Provincie | Utrecht | Totaal | 85.5 [%] | 64.3 [%] | 326.7 |
| Provincie | Zeeland | 70 | 94.8 [%] | 93.2 [%] | 6.6 |
| Provincie | Zeeland | 80 | 84.3 [%] | 64.4 [%] | 340.0 |
| Provincie | Zeeland | 100 | 99.1 [%] | 99.1 [%] | 134.5 |
| Provincie | Zeeland | Totaal | 86.4 [%] | 74.5 [%] | 481.1 |
| Provincie | Zuid-Holland | 70 | 96.6 [%] | 99.8 [%] | 7.9 |
| Provincie | Zuid-Holland | 80 | 92.1 [%] | 74.2 [%] | 556.8 |
| Provincie | Zuid-Holland | 100 | 100.0 [%] | 100.0 [%] | 13.2 |
| Provincie | Zuid-Holland | Totaal | 92.3 [%] | 75.2 [%] | 578.0 |
Hieronder worden de scores van gemeenten getoond. De getoonde cijfers hebben enkel betrekking op wegen onder beheer van de betreffende wegbeheerder. De tabel heeft een scrolfunctie. De verschillende wegbeheerders en bijbehorende scores kunnen worden gevonden door gebruik te maken van deze scrolfunctie.
scroltabel_gt(scores_gemeenten, title = "SPI Veilige Infrastructuur - Afwezigheid van erfaansluitingen, van gemeentelijke wegbeheerders")| SPI Veilige Infrastructuur - Afwezigheid van erfaansluitingen, van gemeentelijke wegbeheerders | |||||
| Wegbeheerder soort | Wegbeheerder | Snelheidslimiet | Score kenmerk Afwezigheid erfaansluitingen | Score kenmerk naar weglengte | Totale weglengte [km] |
|---|---|---|---|---|---|
| Gemeente | 's-Gravenhage | 70 | 97.2 [%] | 99.1 [%] | 14.4 |
| Gemeente | 's-Gravenhage | 80 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | 's-Gravenhage | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | 's-Gravenhage | Totaal | 97.7 [%] | 99.1 [%] | 14.5 |
| Gemeente | 's-Hertogenbosch | 70 | 100.0 [%] | 100.0 [%] | 3.4 |
| Gemeente | 's-Hertogenbosch | 80 | 80.7 [%] | 69.4 [%] | 23.8 |
| Gemeente | 's-Hertogenbosch | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | 's-Hertogenbosch | Totaal | 83.3 [%] | 73.2 [%] | 27.3 |
| Gemeente | Aa en Hunze | 70 | 100.0 [%] | 100.0 [%] | 0.8 |
| Gemeente | Aa en Hunze | 80 | 59.8 [%] | 38.9 [%] | 93.3 |
| Gemeente | Aa en Hunze | Totaal | 60.9 [%] | 39.4 [%] | 94.1 |
| Gemeente | Aalsmeer | 80 | 92.3 [%] | 27.7 [%] | 0.7 |
| Gemeente | Aalsmeer | Totaal | 92.3 [%] | 27.7 [%] | 0.7 |
| Gemeente | Aalten | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Aalten | 80 | 72.7 [%] | 38.7 [%] | 1.6 |
| Gemeente | Aalten | Totaal | 76.9 [%] | 39.4 [%] | 1.7 |
| Gemeente | Achtkarspelen | 70 | 0.0 [%] | 0.0 [%] | 0.6 |
| Gemeente | Achtkarspelen | 80 | 48.6 [%] | 6.8 [%] | 16.4 |
| Gemeente | Achtkarspelen | Totaal | 47.9 [%] | 6.6 [%] | 17.0 |
| Gemeente | Alblasserdam | 80 | 97.5 [%] | 95.5 [%] | 2.4 |
| Gemeente | Alblasserdam | Totaal | 97.5 [%] | 95.5 [%] | 2.4 |
| Gemeente | Albrandswaard | 80 | 100.0 [%] | 100.0 [%] | 2.3 |
| Gemeente | Albrandswaard | Totaal | 100.0 [%] | 100.0 [%] | 2.3 |
| Gemeente | Alkmaar | 70 | 100.0 [%] | 100.0 [%] | 5.1 |
| Gemeente | Alkmaar | 80 | 90.3 [%] | 45.7 [%] | 3.2 |
| Gemeente | Alkmaar | Totaal | 95.2 [%] | 78.8 [%] | 8.3 |
| Gemeente | Almelo | 70 | 100.0 [%] | 100.0 [%] | 17.5 |
| Gemeente | Almelo | 80 | 99.6 [%] | 97.9 [%] | 51.6 |
| Gemeente | Almelo | 100 | 100.0 [%] | 100.0 [%] | 2.7 |
| Gemeente | Almelo | Totaal | 99.7 [%] | 98.5 [%] | 71.8 |
| Gemeente | Almere | 80 | 97.6 [%] | 96.6 [%] | 8.8 |
| Gemeente | Almere | Totaal | 97.6 [%] | 96.6 [%] | 8.8 |
| Gemeente | Alphen aan den Rijn | 70 | 88.7 [%] | 76.7 [%] | 7.8 |
| Gemeente | Alphen aan den Rijn | 80 | 83.3 [%] | 54.4 [%] | 0.8 |
| Gemeente | Alphen aan den Rijn | Totaal | 88.1 [%] | 74.7 [%] | 8.6 |
| Gemeente | Alphen-Chaam | 80 | 73.7 [%] | 33.3 [%] | 2.7 |
| Gemeente | Alphen-Chaam | Totaal | 73.7 [%] | 33.3 [%] | 2.7 |
| Gemeente | Altena | 80 | 79.7 [%] | 24.2 [%] | 9.1 |
| Gemeente | Altena | Totaal | 79.7 [%] | 24.2 [%] | 9.1 |
| Gemeente | Ameland | 80 | 28.6 [%] | 13.4 [%] | 11.0 |
| Gemeente | Ameland | Totaal | 28.6 [%] | 13.4 [%] | 11.0 |
| Gemeente | Amersfoort | 70 | 99.0 [%] | 94.9 [%] | 16.4 |
| Gemeente | Amersfoort | 80 | 87.2 [%] | 74.1 [%] | 12.1 |
| Gemeente | Amersfoort | Totaal | 93.8 [%] | 86.1 [%] | 28.5 |
| Gemeente | Amstelveen | 80 | 93.5 [%] | 91.7 [%] | 3.8 |
| Gemeente | Amstelveen | Totaal | 93.5 [%] | 91.7 [%] | 3.8 |
| Gemeente | Amsterdam | 70 | 97.8 [%] | 95.9 [%] | 42.1 |
| Gemeente | Amsterdam | 80 | 96.2 [%] | 95.3 [%] | 3.9 |
| Gemeente | Amsterdam | 100 | 100.0 [%] | 100.0 [%] | 0.7 |
| Gemeente | Amsterdam | Totaal | 97.9 [%] | 95.9 [%] | 46.6 |
| Gemeente | Apeldoorn | 80 | 79.5 [%] | 61.3 [%] | 23.9 |
| Gemeente | Apeldoorn | Totaal | 79.5 [%] | 61.3 [%] | 23.9 |
| Gemeente | Arnhem | 70 | 95.5 [%] | 84.2 [%] | 7.5 |
| Gemeente | Arnhem | 80 | 95.5 [%] | 86.6 [%] | 6.6 |
| Gemeente | Arnhem | 100 | 100.0 [%] | 100.0 [%] | 0.9 |
| Gemeente | Arnhem | Totaal | 95.7 [%] | 86.2 [%] | 15.0 |
| Gemeente | Assen | 70 | 97.3 [%] | 89.7 [%] | 17.0 |
| Gemeente | Assen | 80 | 86.7 [%] | 55.7 [%] | 8.7 |
| Gemeente | Assen | Totaal | 93.0 [%] | 78.2 [%] | 25.7 |
| Gemeente | Asten | 80 | 93.2 [%] | 70.1 [%] | 8.3 |
| Gemeente | Asten | Totaal | 93.2 [%] | 70.1 [%] | 8.3 |
| Gemeente | Baarle-Nassau | 80 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Baarle-Nassau | Totaal | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Baarn | 80 | 88.2 [%] | 64.6 [%] | 3.8 |
| Gemeente | Baarn | Totaal | 88.2 [%] | 64.6 [%] | 3.8 |
| Gemeente | Barendrecht | 70 | 98.8 [%] | 98.9 [%] | 15.1 |
| Gemeente | Barendrecht | 80 | 100.0 [%] | 100.0 [%] | 0.8 |
| Gemeente | Barendrecht | Totaal | 98.8 [%] | 98.9 [%] | 15.9 |
| Gemeente | Barneveld | 80 | 66.9 [%] | 33.5 [%] | 30.0 |
| Gemeente | Barneveld | Totaal | 66.9 [%] | 33.5 [%] | 30.0 |
| Gemeente | Beek | 80 | 55.6 [%] | 36.6 [%] | 8.9 |
| Gemeente | Beek | Totaal | 55.6 [%] | 36.6 [%] | 8.9 |
| Gemeente | Beekdaelen | 80 | 66.9 [%] | 44.8 [%] | 38.4 |
| Gemeente | Beekdaelen | 100 | 50.0 [%] | 13.2 [%] | 0.4 |
| Gemeente | Beekdaelen | Totaal | 66.7 [%] | 44.5 [%] | 38.8 |
| Gemeente | Beesel | 80 | 70.8 [%] | 61.1 [%] | 51.4 |
| Gemeente | Beesel | Totaal | 70.8 [%] | 61.1 [%] | 51.4 |
| Gemeente | Berg en Dal | 80 | 65.6 [%] | 35.5 [%] | 10.1 |
| Gemeente | Berg en Dal | Totaal | 65.6 [%] | 35.5 [%] | 10.1 |
| Gemeente | Bergeijk | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Bergeijk | 80 | 29.0 [%] | 5.2 [%] | 10.1 |
| Gemeente | Bergeijk | Totaal | 31.2 [%] | 5.3 [%] | 10.1 |
| Gemeente | Bergen (L.) | 70 | 50.0 [%] | 33.4 [%] | 0.8 |
| Gemeente | Bergen (L.) | 80 | 48.2 [%] | 24.2 [%] | 47.1 |
| Gemeente | Bergen (L.) | Totaal | 48.3 [%] | 24.3 [%] | 47.9 |
| Gemeente | Bergen (NH.) | 80 | 70.6 [%] | 25.0 [%] | 4.4 |
| Gemeente | Bergen (NH.) | Totaal | 70.6 [%] | 25.0 [%] | 4.4 |
| Gemeente | Bergen op Zoom | 70 | 91.7 [%] | 84.0 [%] | 4.3 |
| Gemeente | Bergen op Zoom | 80 | 78.1 [%] | 54.0 [%] | 16.7 |
| Gemeente | Bergen op Zoom | Totaal | 81.4 [%] | 60.2 [%] | 21.0 |
| Gemeente | Berkelland | 80 | 54.5 [%] | 21.0 [%] | 15.9 |
| Gemeente | Berkelland | Totaal | 54.5 [%] | 21.0 [%] | 15.9 |
| Gemeente | Bernheze | 80 | 84.6 [%] | 50.8 [%] | 4.2 |
| Gemeente | Bernheze | Totaal | 84.6 [%] | 50.8 [%] | 4.2 |
| Gemeente | Best | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Best | 80 | 87.0 [%] | 55.5 [%] | 10.0 |
| Gemeente | Best | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Best | Totaal | 87.7 [%] | 55.6 [%] | 10.0 |
| Gemeente | Beuningen | 80 | 92.7 [%] | 79.0 [%] | 5.0 |
| Gemeente | Beuningen | Totaal | 92.7 [%] | 79.0 [%] | 5.0 |
| Gemeente | Beverwijk | 80 | 95.8 [%] | 77.6 [%] | 3.9 |
| Gemeente | Beverwijk | Totaal | 95.8 [%] | 77.6 [%] | 3.9 |
| Gemeente | Bladel | 80 | 75.0 [%] | 42.2 [%] | 1.2 |
| Gemeente | Bladel | Totaal | 75.0 [%] | 42.2 [%] | 1.2 |
| Gemeente | Blaricum | 80 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Blaricum | Totaal | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Bodegraven-Reeuwijk | 80 | 88.0 [%] | 31.6 [%] | 4.9 |
| Gemeente | Bodegraven-Reeuwijk | Totaal | 88.0 [%] | 31.6 [%] | 4.9 |
| Gemeente | Boekel | 80 | 85.7 [%] | 64.8 [%] | 1.9 |
| Gemeente | Boekel | Totaal | 85.7 [%] | 64.8 [%] | 1.9 |
| Gemeente | Borger-Odoorn | 70 | 25.0 [%] | 2.4 [%] | 1.2 |
| Gemeente | Borger-Odoorn | 80 | 48.4 [%] | 24.2 [%] | 29.8 |
| Gemeente | Borger-Odoorn | Totaal | 47.1 [%] | 23.3 [%] | 31.1 |
| Gemeente | Borne | 80 | 92.7 [%] | 79.4 [%] | 6.5 |
| Gemeente | Borne | Totaal | 92.7 [%] | 79.4 [%] | 6.5 |
| Gemeente | Borsele | 80 | 100.0 [%] | 100.0 [%] | 1.7 |
| Gemeente | Borsele | Totaal | 100.0 [%] | 100.0 [%] | 1.7 |
| Gemeente | Boxtel | 80 | 98.5 [%] | 93.9 [%] | 6.3 |
| Gemeente | Boxtel | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Boxtel | Totaal | 98.5 [%] | 94.0 [%] | 6.3 |
| Gemeente | Breda | 70 | 98.2 [%] | 96.9 [%] | 40.1 |
| Gemeente | Breda | 80 | 66.7 [%] | 39.6 [%] | 12.5 |
| Gemeente | Breda | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Breda | Totaal | 92.5 [%] | 83.3 [%] | 52.7 |
| Gemeente | Bronckhorst | 80 | 58.5 [%] | 16.2 [%] | 12.7 |
| Gemeente | Bronckhorst | Totaal | 58.5 [%] | 16.2 [%] | 12.7 |
| Gemeente | Brummen | 80 | 79.3 [%] | 58.0 [%] | 8.2 |
| Gemeente | Brummen | Totaal | 79.3 [%] | 58.0 [%] | 8.2 |
| Gemeente | Brunssum | 80 | 92.6 [%] | 70.1 [%] | 3.6 |
| Gemeente | Brunssum | Totaal | 92.6 [%] | 70.1 [%] | 3.6 |
| Gemeente | Bunnik | 80 | 81.5 [%] | 70.7 [%] | 3.6 |
| Gemeente | Bunnik | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Bunnik | Totaal | 82.1 [%] | 70.8 [%] | 3.6 |
| Gemeente | Bunschoten | 80 | 66.7 [%] | 6.4 [%] | 1.5 |
| Gemeente | Bunschoten | Totaal | 66.7 [%] | 6.4 [%] | 1.5 |
| Gemeente | Buren | 80 | 100.0 [%] | 100.0 [%] | 0.9 |
| Gemeente | Buren | Totaal | 100.0 [%] | 100.0 [%] | 0.9 |
| Gemeente | Capelle aan den IJssel | 70 | 100.0 [%] | 100.0 [%] | 3.7 |
| Gemeente | Capelle aan den IJssel | 80 | 100.0 [%] | 100.0 [%] | 0.8 |
| Gemeente | Capelle aan den IJssel | Totaal | 100.0 [%] | 100.0 [%] | 4.4 |
| Gemeente | Castricum | 80 | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Castricum | Totaal | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Coevorden | 70 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Coevorden | 80 | 56.8 [%] | 36.1 [%] | 312.4 |
| Gemeente | Coevorden | Totaal | 57.0 [%] | 36.1 [%] | 312.6 |
| Gemeente | Cranendonck | 80 | 69.9 [%] | 29.0 [%] | 15.7 |
| Gemeente | Cranendonck | Totaal | 69.9 [%] | 29.0 [%] | 15.7 |
| Gemeente | Culemborg | 80 | 66.7 [%] | 47.4 [%] | 1.1 |
| Gemeente | Culemborg | Totaal | 66.7 [%] | 47.4 [%] | 1.1 |
| Gemeente | Dalfsen | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Dalfsen | 80 | 48.3 [%] | 17.1 [%] | 20.3 |
| Gemeente | Dalfsen | Totaal | 49.2 [%] | 17.2 [%] | 20.3 |
| Gemeente | Dantumadiel | 80 | 61.2 [%] | 31.0 [%] | 10.9 |
| Gemeente | Dantumadiel | Totaal | 61.2 [%] | 31.0 [%] | 10.9 |
| Gemeente | De Bilt | 80 | 78.8 [%] | 82.3 [%] | 4.8 |
| Gemeente | De Bilt | Totaal | 78.8 [%] | 82.3 [%] | 4.8 |
| Gemeente | De Fryske Marren | 70 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | De Fryske Marren | 80 | 58.7 [%] | 26.6 [%] | 62.1 |
| Gemeente | De Fryske Marren | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | De Fryske Marren | Totaal | 59.9 [%] | 26.9 [%] | 62.4 |
| Gemeente | De Ronde Venen | 80 | 60.6 [%] | 18.5 [%] | 9.2 |
| Gemeente | De Ronde Venen | Totaal | 60.6 [%] | 18.5 [%] | 9.2 |
| Gemeente | De Wolden | 80 | 29.9 [%] | 8.9 [%] | 27.7 |
| Gemeente | De Wolden | Totaal | 29.9 [%] | 8.9 [%] | 27.7 |
| Gemeente | Delft | 70 | 87.5 [%] | 88.1 [%] | 3.9 |
| Gemeente | Delft | 80 | 77.8 [%] | 30.9 [%] | 3.7 |
| Gemeente | Delft | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Delft | Totaal | 81.5 [%] | 60.6 [%] | 7.6 |
| Gemeente | Den Helder | 70 | 0.0 [%] | 0.0 [%] | 3.1 |
| Gemeente | Den Helder | 80 | 86.7 [%] | 33.8 [%] | 2.3 |
| Gemeente | Den Helder | Totaal | 68.4 [%] | 14.3 [%] | 5.4 |
| Gemeente | Deurne | 80 | 50.7 [%] | 20.3 [%] | 28.3 |
| Gemeente | Deurne | Totaal | 50.7 [%] | 20.3 [%] | 28.3 |
| Gemeente | Deventer | 80 | 81.1 [%] | 45.0 [%] | 6.6 |
| Gemeente | Deventer | Totaal | 81.1 [%] | 45.0 [%] | 6.6 |
| Gemeente | Diemen | 70 | 100.0 [%] | 100.0 [%] | 14.7 |
| Gemeente | Diemen | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Diemen | Totaal | 100.0 [%] | 100.0 [%] | 14.8 |
| Gemeente | Dijk en Waard | 70 | 80.0 [%] | 55.7 [%] | 1.2 |
| Gemeente | Dijk en Waard | 80 | 88.9 [%] | 71.2 [%] | 6.0 |
| Gemeente | Dijk en Waard | Totaal | 88.1 [%] | 68.6 [%] | 7.2 |
| Gemeente | Dinkelland | 70 | 94.4 [%] | 92.3 [%] | 7.3 |
| Gemeente | Dinkelland | 80 | 50.0 [%] | 13.8 [%] | 3.9 |
| Gemeente | Dinkelland | Totaal | 75.8 [%] | 64.8 [%] | 11.2 |
| Gemeente | Doesburg | 80 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Doesburg | Totaal | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Doetinchem | 70 | 100.0 [%] | 100.0 [%] | 1.7 |
| Gemeente | Doetinchem | 80 | 56.8 [%] | 23.3 [%] | 9.7 |
| Gemeente | Doetinchem | Totaal | 70.9 [%] | 34.6 [%] | 11.4 |
| Gemeente | Dongen | 80 | 78.7 [%] | 25.5 [%] | 9.5 |
| Gemeente | Dongen | Totaal | 78.7 [%] | 25.5 [%] | 9.5 |
| Gemeente | Dongeradeel | 80 | 50.0 [%] | 48.8 [%] | 1.3 |
| Gemeente | Dongeradeel | Totaal | 50.0 [%] | 48.8 [%] | 1.3 |
| Gemeente | Dordrecht | 80 | 70.0 [%] | 16.4 [%] | 2.1 |
| Gemeente | Dordrecht | Totaal | 70.0 [%] | 16.4 [%] | 2.1 |
| Gemeente | Drechterland | 80 | 93.8 [%] | 95.2 [%] | 1.2 |
| Gemeente | Drechterland | Totaal | 93.8 [%] | 95.2 [%] | 1.2 |
| Gemeente | Drimmelen | 80 | 79.7 [%] | 47.2 [%] | 9.8 |
| Gemeente | Drimmelen | Totaal | 79.7 [%] | 47.2 [%] | 9.8 |
| Gemeente | Dronten | 80 | 55.7 [%] | 19.8 [%] | 236.6 |
| Gemeente | Dronten | Totaal | 55.7 [%] | 19.8 [%] | 236.6 |
| Gemeente | Druten | 80 | 73.1 [%] | 48.9 [%] | 4.8 |
| Gemeente | Druten | Totaal | 73.1 [%] | 48.9 [%] | 4.8 |
| Gemeente | Duiven | 80 | 93.6 [%] | 75.2 [%] | 6.8 |
| Gemeente | Duiven | Totaal | 93.6 [%] | 75.2 [%] | 6.8 |
| Gemeente | Echt-Susteren | 80 | 80.0 [%] | 56.4 [%] | 8.7 |
| Gemeente | Echt-Susteren | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Echt-Susteren | Totaal | 80.5 [%] | 56.8 [%] | 8.8 |
| Gemeente | Edam-Volendam | 80 | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Edam-Volendam | Totaal | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Ede | 70 | 0.0 [%] | 0.0 [%] | 1.2 |
| Gemeente | Ede | 80 | 80.5 [%] | 62.4 [%] | 20.4 |
| Gemeente | Ede | Totaal | 79.3 [%] | 58.9 [%] | 21.6 |
| Gemeente | Eemnes | 80 | 100.0 [%] | 100.0 [%] | 1.1 |
| Gemeente | Eemnes | 100 | 0.0 [%] | 0.0 [%] | 0.4 |
| Gemeente | Eemnes | Totaal | 85.7 [%] | 71.6 [%] | 1.6 |
| Gemeente | Eemsdelta | 80 | 71.4 [%] | 43.7 [%] | 3.2 |
| Gemeente | Eemsdelta | Totaal | 71.4 [%] | 43.7 [%] | 3.2 |
| Gemeente | Eersel | 80 | 100.0 [%] | 100.0 [%] | 1.3 |
| Gemeente | Eersel | Totaal | 100.0 [%] | 100.0 [%] | 1.3 |
| Gemeente | Eijsden-Margraten | 80 | 56.9 [%] | 25.4 [%] | 7.9 |
| Gemeente | Eijsden-Margraten | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Eijsden-Margraten | Totaal | 58.5 [%] | 26.7 [%] | 8.0 |
| Gemeente | Eindhoven | 70 | 100.0 [%] | 100.0 [%] | 46.4 |
| Gemeente | Eindhoven | 80 | 100.0 [%] | 100.0 [%] | 20.7 |
| Gemeente | Eindhoven | Totaal | 100.0 [%] | 100.0 [%] | 67.1 |
| Gemeente | Elburg | 80 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Elburg | Totaal | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Emmen | 70 | 88.9 [%] | 40.2 [%] | 1.0 |
| Gemeente | Emmen | 80 | 65.1 [%] | 25.0 [%] | 60.4 |
| Gemeente | Emmen | Totaal | 66.2 [%] | 25.3 [%] | 61.4 |
| Gemeente | Enkhuizen | 80 | 50.0 [%] | 73.2 [%] | 0.1 |
| Gemeente | Enkhuizen | Totaal | 50.0 [%] | 73.2 [%] | 0.1 |
| Gemeente | Enschede | 70 | 100.0 [%] | 100.0 [%] | 3.9 |
| Gemeente | Enschede | 80 | 69.3 [%] | 40.7 [%] | 23.8 |
| Gemeente | Enschede | 100 | 100.0 [%] | 100.0 [%] | 7.5 |
| Gemeente | Enschede | Totaal | 74.4 [%] | 59.9 [%] | 35.2 |
| Gemeente | Epe | 80 | 81.4 [%] | 55.3 [%] | 4.0 |
| Gemeente | Epe | Totaal | 81.4 [%] | 55.3 [%] | 4.0 |
| Gemeente | Ermelo | 70 | 66.7 [%] | 6.3 [%] | 0.5 |
| Gemeente | Ermelo | 80 | 56.7 [%] | 13.8 [%] | 10.0 |
| Gemeente | Ermelo | Totaal | 57.6 [%] | 13.5 [%] | 10.6 |
| Gemeente | Etten-Leur | 80 | 83.3 [%] | 81.0 [%] | 1.3 |
| Gemeente | Etten-Leur | Totaal | 83.3 [%] | 81.0 [%] | 1.3 |
| Gemeente | Geertruidenberg | 80 | 91.7 [%] | 74.5 [%] | 4.8 |
| Gemeente | Geertruidenberg | Totaal | 91.7 [%] | 74.5 [%] | 4.8 |
| Gemeente | Geldrop-Mierlo | 80 | 91.2 [%] | 53.6 [%] | 3.6 |
| Gemeente | Geldrop-Mierlo | Totaal | 91.2 [%] | 53.6 [%] | 3.6 |
| Gemeente | Gemert-Bakel | 80 | 55.1 [%] | 22.7 [%] | 37.9 |
| Gemeente | Gemert-Bakel | Totaal | 55.1 [%] | 22.7 [%] | 37.9 |
| Gemeente | Gennep | 80 | 58.8 [%] | 33.2 [%] | 43.1 |
| Gemeente | Gennep | Totaal | 58.8 [%] | 33.2 [%] | 43.1 |
| Gemeente | Gilze en Rijen | 80 | 100.0 [%] | 100.0 [%] | 0.9 |
| Gemeente | Gilze en Rijen | Totaal | 100.0 [%] | 100.0 [%] | 0.9 |
| Gemeente | Goeree-Overflakkee | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Goeree-Overflakkee | 80 | 100.0 [%] | 100.0 [%] | 3.2 |
| Gemeente | Goeree-Overflakkee | Totaal | 100.0 [%] | 100.0 [%] | 3.3 |
| Gemeente | Goes | 70 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Goes | 80 | 92.9 [%] | 88.3 [%] | 3.0 |
| Gemeente | Goes | Totaal | 93.1 [%] | 88.6 [%] | 3.0 |
| Gemeente | Goirle | 80 | 87.5 [%] | 60.1 [%] | 9.2 |
| Gemeente | Goirle | Totaal | 87.5 [%] | 60.1 [%] | 9.2 |
| Gemeente | Gooise Meren | 80 | 94.3 [%] | 88.0 [%] | 11.8 |
| Gemeente | Gooise Meren | Totaal | 94.3 [%] | 88.0 [%] | 11.8 |
| Gemeente | Gorinchem | 80 | 88.9 [%] | 42.2 [%] | 1.6 |
| Gemeente | Gorinchem | Totaal | 88.9 [%] | 42.2 [%] | 1.6 |
| Gemeente | Gouda | 80 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Gouda | Totaal | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Groningen | 70 | 100.0 [%] | 100.0 [%] | 7.8 |
| Gemeente | Groningen | 80 | 83.3 [%] | 15.8 [%] | 3.1 |
| Gemeente | Groningen | Totaal | 93.5 [%] | 76.1 [%] | 10.9 |
| Gemeente | Gulpen-Wittem | 80 | 52.0 [%] | 30.3 [%] | 18.1 |
| Gemeente | Gulpen-Wittem | Totaal | 52.0 [%] | 30.3 [%] | 18.1 |
| Gemeente | Haaksbergen | 70 | 89.6 [%] | 74.5 [%] | 6.4 |
| Gemeente | Haaksbergen | 80 | 50.0 [%] | 21.3 [%] | 10.8 |
| Gemeente | Haaksbergen | Totaal | 71.1 [%] | 41.1 [%] | 17.1 |
| Gemeente | Haarlem | 70 | 100.0 [%] | 100.0 [%] | 1.4 |
| Gemeente | Haarlem | 80 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Haarlem | Totaal | 100.0 [%] | 100.0 [%] | 1.5 |
| Gemeente | Haarlemmermeer | 70 | 95.0 [%] | 89.7 [%] | 9.0 |
| Gemeente | Haarlemmermeer | 80 | 93.7 [%] | 86.2 [%] | 28.3 |
| Gemeente | Haarlemmermeer | 100 | 100.0 [%] | 100.0 [%] | 1.1 |
| Gemeente | Haarlemmermeer | Totaal | 94.2 [%] | 87.4 [%] | 38.4 |
| Gemeente | Halderberge | 70 | 100.0 [%] | 100.0 [%] | 1.8 |
| Gemeente | Halderberge | 80 | 74.5 [%] | 30.7 [%] | 10.7 |
| Gemeente | Halderberge | 100 | 0.0 [%] | 0.0 [%] | 2.0 |
| Gemeente | Halderberge | Totaal | 79.1 [%] | 35.0 [%] | 14.5 |
| Gemeente | Hardenberg | 70 | 90.0 [%] | 79.0 [%] | 1.5 |
| Gemeente | Hardenberg | 80 | 89.6 [%] | 87.0 [%] | 16.9 |
| Gemeente | Hardenberg | Totaal | 89.6 [%] | 86.3 [%] | 18.4 |
| Gemeente | Harderwijk | 80 | 98.8 [%] | 99.0 [%] | 14.2 |
| Gemeente | Harderwijk | Totaal | 98.8 [%] | 99.0 [%] | 14.2 |
| Gemeente | Hardinxveld-Giessendam | 80 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Hardinxveld-Giessendam | Totaal | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Harlingen | 80 | 80.0 [%] | 32.3 [%] | 3.6 |
| Gemeente | Harlingen | Totaal | 80.0 [%] | 32.3 [%] | 3.6 |
| Gemeente | Hattem | 80 | 100.0 [%] | 100.0 [%] | 3.4 |
| Gemeente | Hattem | Totaal | 100.0 [%] | 100.0 [%] | 3.4 |
| Gemeente | Heemskerk | 80 | 100.0 [%] | 100.0 [%] | 0.7 |
| Gemeente | Heemskerk | Totaal | 100.0 [%] | 100.0 [%] | 0.7 |
| Gemeente | Heemstede | 80 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Heemstede | Totaal | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Heerde | 80 | 65.8 [%] | 26.7 [%] | 6.5 |
| Gemeente | Heerde | Totaal | 65.8 [%] | 26.7 [%] | 6.5 |
| Gemeente | Heerenveen | 80 | 60.0 [%] | 26.8 [%] | 14.1 |
| Gemeente | Heerenveen | Totaal | 60.0 [%] | 26.8 [%] | 14.1 |
| Gemeente | Heerlen | 70 | 97.4 [%] | 94.8 [%] | 14.1 |
| Gemeente | Heerlen | 80 | 88.6 [%] | 84.1 [%] | 9.2 |
| Gemeente | Heerlen | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Heerlen | Totaal | 93.2 [%] | 90.6 [%] | 23.4 |
| Gemeente | Heeze-Leende | 70 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Heeze-Leende | 80 | 33.3 [%] | 4.0 [%] | 8.0 |
| Gemeente | Heeze-Leende | Totaal | 36.0 [%] | 4.6 [%] | 8.1 |
| Gemeente | Heiloo | 80 | 0.0 [%] | 0.0 [%] | 0.9 |
| Gemeente | Heiloo | Totaal | 0.0 [%] | 0.0 [%] | 0.9 |
| Gemeente | Hellendoorn | 80 | 61.1 [%] | 31.5 [%] | 22.8 |
| Gemeente | Hellendoorn | Totaal | 61.1 [%] | 31.5 [%] | 22.8 |
| Gemeente | Helmond | 70 | 100.0 [%] | 100.0 [%] | 9.4 |
| Gemeente | Helmond | 80 | 90.3 [%] | 73.8 [%] | 19.3 |
| Gemeente | Helmond | 100 | 100.0 [%] | 100.0 [%] | 3.9 |
| Gemeente | Helmond | Totaal | 93.0 [%] | 84.5 [%] | 32.7 |
| Gemeente | Hengelo OV | 80 | 80.4 [%] | 59.3 [%] | 4.7 |
| Gemeente | Hengelo OV | Totaal | 80.4 [%] | 59.3 [%] | 4.7 |
| Gemeente | Het Hogeland | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Het Hogeland | 80 | 53.0 [%] | 31.9 [%] | 179.0 |
| Gemeente | Het Hogeland | Totaal | 53.2 [%] | 31.9 [%] | 179.0 |
| Gemeente | Heumen | 80 | 33.3 [%] | 35.0 [%] | 1.9 |
| Gemeente | Heumen | Totaal | 33.3 [%] | 35.0 [%] | 1.9 |
| Gemeente | Heusden | 70 | 90.0 [%] | 77.6 [%] | 4.1 |
| Gemeente | Heusden | 80 | 77.4 [%] | 46.2 [%] | 14.8 |
| Gemeente | Heusden | Totaal | 80.5 [%] | 53.0 [%] | 18.9 |
| Gemeente | Hilvarenbeek | 70 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Hilvarenbeek | 80 | 88.9 [%] | 87.8 [%] | 2.9 |
| Gemeente | Hilvarenbeek | 100 | 50.0 [%] | 62.5 [%] | 0.2 |
| Gemeente | Hilvarenbeek | Totaal | 87.8 [%] | 86.6 [%] | 3.2 |
| Gemeente | Hilversum | 80 | 91.9 [%] | 66.7 [%] | 3.9 |
| Gemeente | Hilversum | Totaal | 91.9 [%] | 66.7 [%] | 3.9 |
| Gemeente | Hoeksche Waard | 80 | 78.3 [%] | 69.8 [%] | 3.8 |
| Gemeente | Hoeksche Waard | Totaal | 78.3 [%] | 69.8 [%] | 3.8 |
| Gemeente | Hof van Twente | 80 | 77.6 [%] | 53.8 [%] | 6.9 |
| Gemeente | Hof van Twente | Totaal | 77.6 [%] | 53.8 [%] | 6.9 |
| Gemeente | Hollands Kroon | 80 | 70.6 [%] | 29.8 [%] | 26.1 |
| Gemeente | Hollands Kroon | Totaal | 70.6 [%] | 29.8 [%] | 26.1 |
| Gemeente | Hoogeveen | 70 | 85.7 [%] | 75.0 [%] | 3.2 |
| Gemeente | Hoogeveen | 80 | 100.0 [%] | 100.0 [%] | 1.3 |
| Gemeente | Hoogeveen | Totaal | 94.4 [%] | 82.3 [%] | 4.5 |
| Gemeente | Hoorn | 70 | 100.0 [%] | 100.0 [%] | 9.4 |
| Gemeente | Hoorn | 80 | 97.2 [%] | 98.2 [%] | 2.4 |
| Gemeente | Hoorn | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Hoorn | Totaal | 99.2 [%] | 99.6 [%] | 11.8 |
| Gemeente | Horst aan de Maas | 80 | 42.5 [%] | 11.7 [%] | 36.9 |
| Gemeente | Horst aan de Maas | Totaal | 42.5 [%] | 11.7 [%] | 36.9 |
| Gemeente | Houten | 70 | 97.6 [%] | 94.0 [%] | 27.8 |
| Gemeente | Houten | 80 | 93.8 [%] | 71.0 [%] | 2.4 |
| Gemeente | Houten | Totaal | 97.4 [%] | 92.2 [%] | 30.2 |
| Gemeente | Huizen | 80 | 72.7 [%] | 44.2 [%] | 1.0 |
| Gemeente | Huizen | Totaal | 72.7 [%] | 44.2 [%] | 1.0 |
| Gemeente | Hulst | 80 | 89.7 [%] | 69.2 [%] | 2.0 |
| Gemeente | Hulst | Totaal | 89.7 [%] | 69.2 [%] | 2.0 |
| Gemeente | IJsselstein | 70 | 66.7 [%] | 79.1 [%] | 1.1 |
| Gemeente | IJsselstein | 80 | 90.0 [%] | 81.9 [%] | 2.1 |
| Gemeente | IJsselstein | Totaal | 84.6 [%] | 81.0 [%] | 3.3 |
| Gemeente | Kaag en Braassem | 80 | 80.4 [%] | 35.9 [%] | 7.2 |
| Gemeente | Kaag en Braassem | 100 | 0.0 [%] | 0.0 [%] | 1.5 |
| Gemeente | Kaag en Braassem | Totaal | 78.8 [%] | 29.6 [%] | 8.7 |
| Gemeente | Kampen | 80 | 85.7 [%] | 31.5 [%] | 3.0 |
| Gemeente | Kampen | Totaal | 85.7 [%] | 31.5 [%] | 3.0 |
| Gemeente | Kapelle | 80 | 77.8 [%] | 32.8 [%] | 0.9 |
| Gemeente | Kapelle | Totaal | 77.8 [%] | 32.8 [%] | 0.9 |
| Gemeente | Katwijk | 80 | 66.7 [%] | 98.8 [%] | 0.8 |
| Gemeente | Katwijk | Totaal | 66.7 [%] | 98.8 [%] | 0.8 |
| Gemeente | Kerkrade | 70 | 93.1 [%] | 78.1 [%] | 2.9 |
| Gemeente | Kerkrade | 80 | 97.4 [%] | 90.1 [%] | 5.6 |
| Gemeente | Kerkrade | Totaal | 95.5 [%] | 86.0 [%] | 8.5 |
| Gemeente | Koggenland | 70 | 100.0 [%] | 100.0 [%] | 0.6 |
| Gemeente | Koggenland | 80 | 93.1 [%] | 78.1 [%] | 2.6 |
| Gemeente | Koggenland | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Koggenland | Totaal | 94.6 [%] | 82.5 [%] | 3.3 |
| Gemeente | Krimpenerwaard | 80 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Krimpenerwaard | Totaal | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Laarbeek | 80 | 37.0 [%] | 4.9 [%] | 8.5 |
| Gemeente | Laarbeek | Totaal | 37.0 [%] | 4.9 [%] | 8.5 |
| Gemeente | Land van Cuijk | 70 | 100.0 [%] | 100.0 [%] | 0.4 |
| Gemeente | Land van Cuijk | 80 | 61.9 [%] | 21.9 [%] | 39.5 |
| Gemeente | Land van Cuijk | Totaal | 62.2 [%] | 22.8 [%] | 40.0 |
| Gemeente | Landgraaf | 70 | 100.0 [%] | 100.0 [%] | 3.4 |
| Gemeente | Landgraaf | 80 | 89.7 [%] | 63.6 [%] | 4.2 |
| Gemeente | Landgraaf | Totaal | 92.0 [%] | 79.9 [%] | 7.7 |
| Gemeente | Landsmeer | 80 | 100.0 [%] | 100.0 [%] | 1.7 |
| Gemeente | Landsmeer | Totaal | 100.0 [%] | 100.0 [%] | 1.7 |
| Gemeente | Lansingerland | 80 | 46.2 [%] | 6.4 [%] | 6.8 |
| Gemeente | Lansingerland | Totaal | 46.2 [%] | 6.4 [%] | 6.8 |
| Gemeente | Laren | 80 | 90.9 [%] | 52.9 [%] | 2.9 |
| Gemeente | Laren | Totaal | 90.9 [%] | 52.9 [%] | 2.9 |
| Gemeente | Leeuwarden | 70 | 97.6 [%] | 95.6 [%] | 10.8 |
| Gemeente | Leeuwarden | 80 | 76.8 [%] | 54.8 [%] | 31.9 |
| Gemeente | Leeuwarden | Totaal | 82.5 [%] | 65.1 [%] | 42.7 |
| Gemeente | Leiden | 80 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Leiden | Totaal | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Leiderdorp | 80 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Leiderdorp | Totaal | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Leidschendam-Voorburg | 70 | 85.7 [%] | 84.1 [%] | 0.4 |
| Gemeente | Leidschendam-Voorburg | 80 | 22.2 [%] | 3.8 [%] | 0.7 |
| Gemeente | Leidschendam-Voorburg | Totaal | 50.0 [%] | 32.1 [%] | 1.1 |
| Gemeente | Lelystad | 70 | 99.2 [%] | 98.1 [%] | 33.7 |
| Gemeente | Lelystad | 80 | 75.7 [%] | 50.6 [%] | 133.7 |
| Gemeente | Lelystad | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Lelystad | Totaal | 83.3 [%] | 60.2 [%] | 167.5 |
| Gemeente | Leudal | 80 | 49.3 [%] | 14.2 [%] | 29.6 |
| Gemeente | Leudal | Totaal | 49.3 [%] | 14.2 [%] | 29.6 |
| Gemeente | Leusden | 80 | 78.6 [%] | 58.8 [%] | 1.8 |
| Gemeente | Leusden | Totaal | 78.6 [%] | 58.8 [%] | 1.8 |
| Gemeente | Lingewaard | 80 | 65.1 [%] | 40.9 [%] | 41.2 |
| Gemeente | Lingewaard | Totaal | 65.1 [%] | 40.9 [%] | 41.2 |
| Gemeente | Lochem | 80 | 87.5 [%] | 45.1 [%] | 1.2 |
| Gemeente | Lochem | Totaal | 87.5 [%] | 45.1 [%] | 1.2 |
| Gemeente | Loon op Zand | 80 | 84.8 [%] | 41.6 [%] | 5.9 |
| Gemeente | Loon op Zand | Totaal | 84.8 [%] | 41.6 [%] | 5.9 |
| Gemeente | Lopik | 80 | 50.0 [%] | 21.6 [%] | 2.1 |
| Gemeente | Lopik | Totaal | 50.0 [%] | 21.6 [%] | 2.1 |
| Gemeente | Losser | 80 | 80.0 [%] | 65.6 [%] | 0.7 |
| Gemeente | Losser | Totaal | 80.0 [%] | 65.6 [%] | 0.7 |
| Gemeente | Maasdriel | 70 | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Maasdriel | 80 | 70.7 [%] | 31.7 [%] | 45.8 |
| Gemeente | Maasdriel | Totaal | 70.9 [%] | 32.1 [%] | 46.2 |
| Gemeente | Maasgouw | 80 | 59.1 [%] | 40.5 [%] | 33.9 |
| Gemeente | Maasgouw | Totaal | 59.1 [%] | 40.5 [%] | 33.9 |
| Gemeente | Maashorst | 80 | 80.8 [%] | 61.4 [%] | 18.4 |
| Gemeente | Maashorst | Totaal | 80.8 [%] | 61.4 [%] | 18.4 |
| Gemeente | Maassluis | 80 | 100.0 [%] | 100.0 [%] | 1.2 |
| Gemeente | Maassluis | Totaal | 100.0 [%] | 100.0 [%] | 1.2 |
| Gemeente | Maastricht | 70 | 70.4 [%] | 55.7 [%] | 6.1 |
| Gemeente | Maastricht | 80 | 91.3 [%] | 87.8 [%] | 4.3 |
| Gemeente | Maastricht | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Maastricht | Totaal | 80.4 [%] | 69.2 [%] | 10.5 |
| Gemeente | Medemblik | 80 | 81.0 [%] | 47.8 [%] | 7.8 |
| Gemeente | Medemblik | Totaal | 81.0 [%] | 47.8 [%] | 7.8 |
| Gemeente | Meerssen | 80 | 75.9 [%] | 37.4 [%] | 2.8 |
| Gemeente | Meerssen | Totaal | 75.9 [%] | 37.4 [%] | 2.8 |
| Gemeente | Meierijstad | 70 | 99.2 [%] | 96.4 [%] | 13.7 |
| Gemeente | Meierijstad | 80 | 55.6 [%] | 17.7 [%] | 15.4 |
| Gemeente | Meierijstad | Totaal | 83.3 [%] | 54.7 [%] | 29.0 |
| Gemeente | Meppel | 80 | 80.0 [%] | 48.5 [%] | 12.7 |
| Gemeente | Meppel | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Meppel | Totaal | 80.6 [%] | 48.6 [%] | 12.8 |
| Gemeente | Middelburg | 70 | 95.2 [%] | 89.0 [%] | 3.3 |
| Gemeente | Middelburg | 80 | 75.0 [%] | 36.0 [%] | 0.6 |
| Gemeente | Middelburg | Totaal | 89.7 [%] | 81.4 [%] | 3.9 |
| Gemeente | Midden-Delfland | 80 | 84.6 [%] | 88.0 [%] | 1.6 |
| Gemeente | Midden-Delfland | Totaal | 84.6 [%] | 88.0 [%] | 1.6 |
| Gemeente | Midden-Drenthe | 80 | 47.0 [%] | 14.1 [%] | 74.5 |
| Gemeente | Midden-Drenthe | Totaal | 47.0 [%] | 14.1 [%] | 74.5 |
| Gemeente | Midden-Groningen | 70 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Midden-Groningen | 80 | 64.5 [%] | 33.0 [%] | 25.0 |
| Gemeente | Midden-Groningen | Totaal | 65.4 [%] | 33.5 [%] | 25.1 |
| Gemeente | Moerdijk | 80 | 94.4 [%] | 83.3 [%] | 20.4 |
| Gemeente | Moerdijk | 100 | 100.0 [%] | 100.0 [%] | 2.0 |
| Gemeente | Moerdijk | Totaal | 94.5 [%] | 84.8 [%] | 22.4 |
| Gemeente | Molenlanden | 80 | 50.0 [%] | 11.1 [%] | 0.4 |
| Gemeente | Molenlanden | Totaal | 50.0 [%] | 11.1 [%] | 0.4 |
| Gemeente | Montferland | 80 | 83.9 [%] | 57.5 [%] | 10.4 |
| Gemeente | Montferland | Totaal | 83.9 [%] | 57.5 [%] | 10.4 |
| Gemeente | Montfoort | 80 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Montfoort | Totaal | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Neder-Betuwe | 80 | 81.5 [%] | 35.2 [%] | 13.8 |
| Gemeente | Neder-Betuwe | Totaal | 81.5 [%] | 35.2 [%] | 13.8 |
| Gemeente | Nederweert | 80 | 33.9 [%] | 22.9 [%] | 205.7 |
| Gemeente | Nederweert | Totaal | 33.9 [%] | 22.9 [%] | 205.7 |
| Gemeente | Nieuwegein | 70 | 100.0 [%] | 100.0 [%] | 12.2 |
| Gemeente | Nieuwegein | 80 | 100.0 [%] | 100.0 [%] | 3.3 |
| Gemeente | Nieuwegein | Totaal | 100.0 [%] | 100.0 [%] | 15.5 |
| Gemeente | Nieuwkoop | 80 | 61.5 [%] | 24.9 [%] | 5.4 |
| Gemeente | Nieuwkoop | Totaal | 61.5 [%] | 24.9 [%] | 5.4 |
| Gemeente | Nijkerk | 80 | 76.9 [%] | 62.4 [%] | 2.5 |
| Gemeente | Nijkerk | Totaal | 76.9 [%] | 62.4 [%] | 2.5 |
| Gemeente | Nijmegen | 70 | 100.0 [%] | 100.0 [%] | 5.3 |
| Gemeente | Nijmegen | 80 | 87.3 [%] | 76.2 [%] | 14.8 |
| Gemeente | Nijmegen | 100 | 100.0 [%] | 100.0 [%] | 2.3 |
| Gemeente | Nijmegen | Totaal | 90.1 [%] | 84.2 [%] | 22.4 |
| Gemeente | Nissewaard | 70 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Nissewaard | 80 | 100.0 [%] | 100.0 [%] | 4.2 |
| Gemeente | Nissewaard | Totaal | 100.0 [%] | 100.0 [%] | 4.3 |
| Gemeente | Noardeast-Fryslan | 80 | 48.7 [%] | 28.5 [%] | 266.4 |
| Gemeente | Noardeast-Fryslan | Totaal | 48.7 [%] | 28.5 [%] | 266.4 |
| Gemeente | Noordenveld | 80 | 57.1 [%] | 26.7 [%] | 8.2 |
| Gemeente | Noordenveld | Totaal | 57.1 [%] | 26.7 [%] | 8.2 |
| Gemeente | Noordoostpolder | 70 | 100.0 [%] | 100.0 [%] | 0.6 |
| Gemeente | Noordoostpolder | 80 | 53.6 [%] | 10.6 [%] | 147.5 |
| Gemeente | Noordoostpolder | Totaal | 54.3 [%] | 11.0 [%] | 148.1 |
| Gemeente | Noordwijk | 80 | 93.3 [%] | 69.7 [%] | 0.4 |
| Gemeente | Noordwijk | Totaal | 93.3 [%] | 69.7 [%] | 0.4 |
| Gemeente | Noordwijkerhout | 80 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Noordwijkerhout | Totaal | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Nuenen, Gerwen en Nederw | 80 | 85.4 [%] | 69.5 [%] | 11.2 |
| Gemeente | Nuenen, Gerwen en Nederw | Totaal | 85.4 [%] | 69.5 [%] | 11.2 |
| Gemeente | Nunspeet | 80 | 58.3 [%] | 57.5 [%] | 2.7 |
| Gemeente | Nunspeet | Totaal | 58.3 [%] | 57.5 [%] | 2.7 |
| Gemeente | Oegstgeest | 80 | 53.8 [%] | 26.8 [%] | 2.8 |
| Gemeente | Oegstgeest | Totaal | 53.8 [%] | 26.8 [%] | 2.8 |
| Gemeente | Oirschot | 80 | 77.1 [%] | 36.5 [%] | 11.7 |
| Gemeente | Oirschot | 100 | 100.0 [%] | 100.0 [%] | 0.7 |
| Gemeente | Oirschot | Totaal | 77.5 [%] | 40.0 [%] | 12.4 |
| Gemeente | Oisterwijk | 80 | 83.3 [%] | 39.7 [%] | 2.4 |
| Gemeente | Oisterwijk | Totaal | 83.3 [%] | 39.7 [%] | 2.4 |
| Gemeente | Oldambt | 80 | 61.9 [%] | 40.1 [%] | 90.3 |
| Gemeente | Oldambt | Totaal | 61.9 [%] | 40.1 [%] | 90.3 |
| Gemeente | Oldebroek | 80 | 20.0 [%] | 2.7 [%] | 0.6 |
| Gemeente | Oldebroek | Totaal | 20.0 [%] | 2.7 [%] | 0.6 |
| Gemeente | Oldenzaal | 80 | 92.3 [%] | 79.8 [%] | 0.8 |
| Gemeente | Oldenzaal | Totaal | 92.3 [%] | 79.8 [%] | 0.8 |
| Gemeente | Olst-Wijhe | 80 | 55.6 [%] | 20.0 [%] | 6.9 |
| Gemeente | Olst-Wijhe | Totaal | 55.6 [%] | 20.0 [%] | 6.9 |
| Gemeente | Ommen | 80 | 62.1 [%] | 45.4 [%] | 7.2 |
| Gemeente | Ommen | Totaal | 62.1 [%] | 45.4 [%] | 7.2 |
| Gemeente | Oost Gelre | 80 | 89.5 [%] | 60.1 [%] | 2.7 |
| Gemeente | Oost Gelre | Totaal | 89.5 [%] | 60.1 [%] | 2.7 |
| Gemeente | Oosterhout | 70 | 100.0 [%] | 100.0 [%] | 7.2 |
| Gemeente | Oosterhout | 80 | 73.3 [%] | 49.7 [%] | 30.3 |
| Gemeente | Oosterhout | Totaal | 78.9 [%] | 59.4 [%] | 37.5 |
| Gemeente | Ooststellingwerf | 70 | 0.0 [%] | 0.0 [%] | 0.7 |
| Gemeente | Ooststellingwerf | 80 | 40.0 [%] | 9.4 [%] | 20.2 |
| Gemeente | Ooststellingwerf | Totaal | 38.5 [%] | 9.1 [%] | 21.0 |
| Gemeente | Oostzaan | 70 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Oostzaan | 80 | 87.5 [%] | 77.9 [%] | 0.8 |
| Gemeente | Oostzaan | Totaal | 88.9 [%] | 79.2 [%] | 0.8 |
| Gemeente | Opmeer | 80 | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Opmeer | Totaal | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Opsterland | 80 | 35.6 [%] | 5.7 [%] | 26.2 |
| Gemeente | Opsterland | Totaal | 35.6 [%] | 5.7 [%] | 26.2 |
| Gemeente | Oss | 70 | 100.0 [%] | 100.0 [%] | 11.8 |
| Gemeente | Oss | 80 | 74.5 [%] | 37.1 [%] | 17.7 |
| Gemeente | Oss | Totaal | 84.2 [%] | 62.2 [%] | 29.5 |
| Gemeente | Oude IJsselstreek | 80 | 73.0 [%] | 49.4 [%] | 4.8 |
| Gemeente | Oude IJsselstreek | Totaal | 73.0 [%] | 49.4 [%] | 4.8 |
| Gemeente | Ouder-Amstel | 70 | 100.0 [%] | 100.0 [%] | 0.8 |
| Gemeente | Ouder-Amstel | 80 | 84.2 [%] | 51.5 [%] | 3.4 |
| Gemeente | Ouder-Amstel | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Ouder-Amstel | Totaal | 89.3 [%] | 60.6 [%] | 4.2 |
| Gemeente | Oudewater | 80 | 80.0 [%] | 96.9 [%] | 2.2 |
| Gemeente | Oudewater | Totaal | 80.0 [%] | 96.9 [%] | 2.2 |
| Gemeente | Overbetuwe | 80 | 76.9 [%] | 27.1 [%] | 5.4 |
| Gemeente | Overbetuwe | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Overbetuwe | Totaal | 77.8 [%] | 27.2 [%] | 5.4 |
| Gemeente | Papendrecht | 80 | 100.0 [%] | 100.0 [%] | 0.8 |
| Gemeente | Papendrecht | Totaal | 100.0 [%] | 100.0 [%] | 0.8 |
| Gemeente | Peel en Maas | 80 | 55.0 [%] | 20.1 [%] | 7.5 |
| Gemeente | Peel en Maas | Totaal | 55.0 [%] | 20.1 [%] | 7.5 |
| Gemeente | Pekela | 80 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Pekela | Totaal | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Pijnacker-Nootdorp | 80 | 87.5 [%] | 55.5 [%] | 2.4 |
| Gemeente | Pijnacker-Nootdorp | Totaal | 87.5 [%] | 55.5 [%] | 2.4 |
| Gemeente | Purmerend | 80 | 93.5 [%] | 68.3 [%] | 2.3 |
| Gemeente | Purmerend | Totaal | 93.5 [%] | 68.3 [%] | 2.3 |
| Gemeente | Putten | 80 | 37.5 [%] | 3.7 [%] | 1.4 |
| Gemeente | Putten | Totaal | 37.5 [%] | 3.7 [%] | 1.4 |
| Gemeente | Raalte | 80 | 65.2 [%] | 34.5 [%] | 3.2 |
| Gemeente | Raalte | Totaal | 65.2 [%] | 34.5 [%] | 3.2 |
| Gemeente | Reimerswaal | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Reimerswaal | 80 | 72.7 [%] | 39.3 [%] | 2.8 |
| Gemeente | Reimerswaal | Totaal | 73.9 [%] | 39.8 [%] | 2.8 |
| Gemeente | Renkum | 80 | 84.0 [%] | 62.2 [%] | 3.3 |
| Gemeente | Renkum | Totaal | 84.0 [%] | 62.2 [%] | 3.3 |
| Gemeente | Renswoude | 80 | 31.6 [%] | 2.2 [%] | 4.6 |
| Gemeente | Renswoude | Totaal | 31.6 [%] | 2.2 [%] | 4.6 |
| Gemeente | Reusel-De Mierden | 80 | 42.9 [%] | 7.1 [%] | 1.3 |
| Gemeente | Reusel-De Mierden | Totaal | 42.9 [%] | 7.1 [%] | 1.3 |
| Gemeente | Rheden | 80 | 70.0 [%] | 36.4 [%] | 1.9 |
| Gemeente | Rheden | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Rheden | Totaal | 72.7 [%] | 38.8 [%] | 2.0 |
| Gemeente | Rhenen | 80 | 53.8 [%] | 54.8 [%] | 2.3 |
| Gemeente | Rhenen | Totaal | 53.8 [%] | 54.8 [%] | 2.3 |
| Gemeente | Ridderkerk | 70 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Ridderkerk | 80 | 100.0 [%] | 100.0 [%] | 0.8 |
| Gemeente | Ridderkerk | Totaal | 100.0 [%] | 100.0 [%] | 1.1 |
| Gemeente | Rijssen-Holten | 80 | 100.0 [%] | 100.0 [%] | 0.4 |
| Gemeente | Rijssen-Holten | Totaal | 100.0 [%] | 100.0 [%] | 0.4 |
| Gemeente | Rijswijk | 80 | 100.0 [%] | 100.0 [%] | 1.4 |
| Gemeente | Rijswijk | Totaal | 100.0 [%] | 100.0 [%] | 1.4 |
| Gemeente | Roerdalen | 80 | 68.6 [%] | 52.4 [%] | 8.1 |
| Gemeente | Roerdalen | Totaal | 68.6 [%] | 52.4 [%] | 8.1 |
| Gemeente | Roermond | 70 | 66.7 [%] | 46.2 [%] | 2.1 |
| Gemeente | Roermond | 80 | 84.6 [%] | 76.4 [%] | 10.2 |
| Gemeente | Roermond | Totaal | 81.2 [%] | 71.3 [%] | 12.3 |
| Gemeente | Roosendaal | 80 | 62.4 [%] | 28.7 [%] | 21.8 |
| Gemeente | Roosendaal | Totaal | 62.4 [%] | 28.7 [%] | 21.8 |
| Gemeente | Rotterdam | 70 | 100.0 [%] | 100.0 [%] | 9.0 |
| Gemeente | Rotterdam | 80 | 98.9 [%] | 95.4 [%] | 151.7 |
| Gemeente | Rotterdam | Totaal | 99.0 [%] | 95.7 [%] | 160.7 |
| Gemeente | Rozendaal | 80 | 100.0 [%] | 100.0 [%] | 0.7 |
| Gemeente | Rozendaal | Totaal | 100.0 [%] | 100.0 [%] | 0.7 |
| Gemeente | Rucphen | 70 | 0.0 [%] | 0.0 [%] | 0.1 |
| Gemeente | Rucphen | 80 | 94.7 [%] | 58.8 [%] | 2.4 |
| Gemeente | Rucphen | Totaal | 90.0 [%] | 56.8 [%] | 2.5 |
| Gemeente | Schagen | 80 | 53.1 [%] | 11.6 [%] | 7.2 |
| Gemeente | Schagen | Totaal | 53.1 [%] | 11.6 [%] | 7.2 |
| Gemeente | Scherpenzeel | 80 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Scherpenzeel | Totaal | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Schouwen-Duiveland | 80 | 57.9 [%] | 36.1 [%] | 2.8 |
| Gemeente | Schouwen-Duiveland | Totaal | 57.9 [%] | 36.1 [%] | 2.8 |
| Gemeente | Simpelveld | 80 | 86.1 [%] | 81.3 [%] | 32.6 |
| Gemeente | Simpelveld | Totaal | 86.1 [%] | 81.3 [%] | 32.6 |
| Gemeente | Sint-Michielsgestel | 80 | 33.3 [%] | 7.1 [%] | 1.2 |
| Gemeente | Sint-Michielsgestel | Totaal | 33.3 [%] | 7.1 [%] | 1.2 |
| Gemeente | Sittard-Geleen | 70 | 93.8 [%] | 76.9 [%] | 5.3 |
| Gemeente | Sittard-Geleen | 80 | 83.6 [%] | 73.5 [%] | 51.5 |
| Gemeente | Sittard-Geleen | 100 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Sittard-Geleen | Totaal | 85.2 [%] | 73.9 [%] | 57.0 |
| Gemeente | Sliedrecht | 80 | 100.0 [%] | 100.0 [%] | 0.4 |
| Gemeente | Sliedrecht | 100 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Sliedrecht | Totaal | 100.0 [%] | 100.0 [%] | 0.6 |
| Gemeente | Sluis Z | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Sluis Z | 80 | 75.0 [%] | 58.5 [%] | 4.5 |
| Gemeente | Sluis Z | Totaal | 75.7 [%] | 58.7 [%] | 4.5 |
| Gemeente | Smallingerland | 80 | 95.5 [%] | 87.2 [%] | 5.2 |
| Gemeente | Smallingerland | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Smallingerland | Totaal | 95.7 [%] | 87.2 [%] | 5.2 |
| Gemeente | Soest | 80 | 93.1 [%] | 92.9 [%] | 8.1 |
| Gemeente | Soest | Totaal | 93.1 [%] | 92.9 [%] | 8.1 |
| Gemeente | Someren | 80 | 58.7 [%] | 38.2 [%] | 67.8 |
| Gemeente | Someren | Totaal | 58.7 [%] | 38.2 [%] | 67.8 |
| Gemeente | Son en Breugel | 80 | 90.9 [%] | 77.8 [%] | 3.7 |
| Gemeente | Son en Breugel | Totaal | 90.9 [%] | 77.8 [%] | 3.7 |
| Gemeente | Stadskanaal | 80 | 56.9 [%] | 36.0 [%] | 180.1 |
| Gemeente | Stadskanaal | Totaal | 56.9 [%] | 36.0 [%] | 180.1 |
| Gemeente | Staphorst | 80 | 83.3 [%] | 86.0 [%] | 1.7 |
| Gemeente | Staphorst | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Staphorst | Totaal | 85.7 [%] | 86.1 [%] | 1.8 |
| Gemeente | Stede Broec | 80 | 94.1 [%] | 99.9 [%] | 2.0 |
| Gemeente | Stede Broec | Totaal | 94.1 [%] | 99.9 [%] | 2.0 |
| Gemeente | Steenbergen | 80 | 80.2 [%] | 55.6 [%] | 22.2 |
| Gemeente | Steenbergen | Totaal | 80.2 [%] | 55.6 [%] | 22.2 |
| Gemeente | Steenwijkerland | 80 | 68.4 [%] | 30.5 [%] | 11.5 |
| Gemeente | Steenwijkerland | Totaal | 68.4 [%] | 30.5 [%] | 11.5 |
| Gemeente | Stein | 80 | 86.9 [%] | 54.1 [%] | 12.9 |
| Gemeente | Stein | Totaal | 86.9 [%] | 54.1 [%] | 12.9 |
| Gemeente | Stichtse Vecht | 80 | 62.1 [%] | 16.9 [%] | 8.5 |
| Gemeente | Stichtse Vecht | Totaal | 62.1 [%] | 16.9 [%] | 8.5 |
| Gemeente | Sudwest-Fryslan | 70 | 77.8 [%] | 47.6 [%] | 4.0 |
| Gemeente | Sudwest-Fryslan | 80 | 73.8 [%] | 39.3 [%] | 70.3 |
| Gemeente | Sudwest-Fryslan | Totaal | 74.0 [%] | 39.8 [%] | 74.4 |
| Gemeente | Terneuzen | 70 | 100.0 [%] | 100.0 [%] | 3.0 |
| Gemeente | Terneuzen | 80 | 85.7 [%] | 62.9 [%] | 2.6 |
| Gemeente | Terneuzen | Totaal | 93.0 [%] | 82.9 [%] | 5.7 |
| Gemeente | Terschelling | 80 | 80.5 [%] | 73.4 [%] | 38.4 |
| Gemeente | Terschelling | Totaal | 80.5 [%] | 73.4 [%] | 38.4 |
| Gemeente | Texel | 80 | 83.7 [%] | 31.4 [%] | 11.3 |
| Gemeente | Texel | Totaal | 83.7 [%] | 31.4 [%] | 11.3 |
| Gemeente | Teylingen | 80 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Teylingen | Totaal | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Tholen | 80 | 95.8 [%] | 85.4 [%] | 0.5 |
| Gemeente | Tholen | Totaal | 95.8 [%] | 85.4 [%] | 0.5 |
| Gemeente | Tiel | 70 | 33.3 [%] | 10.0 [%] | 0.9 |
| Gemeente | Tiel | 80 | 97.2 [%] | 79.8 [%] | 4.7 |
| Gemeente | Tiel | Totaal | 94.7 [%] | 68.1 [%] | 5.6 |
| Gemeente | Tilburg | 70 | 96.8 [%] | 98.6 [%] | 10.7 |
| Gemeente | Tilburg | 80 | 91.2 [%] | 86.4 [%] | 74.4 |
| Gemeente | Tilburg | 100 | 100.0 [%] | 100.0 [%] | 3.7 |
| Gemeente | Tilburg | Totaal | 92.8 [%] | 88.4 [%] | 88.8 |
| Gemeente | Tubbergen | 80 | 52.8 [%] | 10.9 [%] | 12.0 |
| Gemeente | Tubbergen | Totaal | 52.8 [%] | 10.9 [%] | 12.0 |
| Gemeente | Twenterand | 70 | 100.0 [%] | 100.0 [%] | 0.4 |
| Gemeente | Twenterand | 80 | 56.2 [%] | 27.8 [%] | 9.8 |
| Gemeente | Twenterand | 100 | 100.0 [%] | 100.0 [%] | 0.8 |
| Gemeente | Twenterand | Totaal | 62.2 [%] | 35.4 [%] | 10.9 |
| Gemeente | Tynaarlo | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Tynaarlo | 80 | 62.9 [%] | 13.7 [%] | 7.3 |
| Gemeente | Tynaarlo | Totaal | 63.9 [%] | 13.8 [%] | 7.3 |
| Gemeente | Tytsjerksteradiel | 80 | 53.7 [%] | 25.6 [%] | 63.4 |
| Gemeente | Tytsjerksteradiel | Totaal | 53.7 [%] | 25.6 [%] | 63.4 |
| Gemeente | Uitgeest | 80 | 50.0 [%] | 42.1 [%] | 1.8 |
| Gemeente | Uitgeest | Totaal | 50.0 [%] | 42.1 [%] | 1.8 |
| Gemeente | Uithoorn | 80 | 92.9 [%] | 82.1 [%] | 2.3 |
| Gemeente | Uithoorn | Totaal | 92.9 [%] | 82.1 [%] | 2.3 |
| Gemeente | Urk | 70 | 100.0 [%] | 100.0 [%] | 1.2 |
| Gemeente | Urk | 80 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Urk | Totaal | 100.0 [%] | 100.0 [%] | 1.3 |
| Gemeente | Utrecht | 70 | 100.0 [%] | 100.0 [%] | 34.9 |
| Gemeente | Utrecht | 80 | 100.0 [%] | 100.0 [%] | 4.4 |
| Gemeente | Utrecht | Totaal | 100.0 [%] | 100.0 [%] | 39.2 |
| Gemeente | Utrechtse Heuvelrug | 80 | 67.7 [%] | 34.0 [%] | 18.9 |
| Gemeente | Utrechtse Heuvelrug | Totaal | 67.7 [%] | 34.0 [%] | 18.9 |
| Gemeente | Vaals | 80 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Vaals | Totaal | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Valkenburg aan de Geul | 70 | 0.0 [%] | 0.0 [%] | 0.4 |
| Gemeente | Valkenburg aan de Geul | 80 | 87.0 [%] | 74.7 [%] | 8.7 |
| Gemeente | Valkenburg aan de Geul | Totaal | 83.3 [%] | 71.4 [%] | 9.1 |
| Gemeente | Valkenswaard | 80 | 51.7 [%] | 9.1 [%] | 8.9 |
| Gemeente | Valkenswaard | Totaal | 51.7 [%] | 9.1 [%] | 8.9 |
| Gemeente | Veendam | 70 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Veendam | 80 | 42.6 [%] | 15.3 [%] | 32.1 |
| Gemeente | Veendam | Totaal | 46.6 [%] | 15.6 [%] | 32.2 |
| Gemeente | Veenendaal | 80 | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Veenendaal | Totaal | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Veere | 80 | 84.6 [%] | 58.7 [%] | 2.3 |
| Gemeente | Veere | Totaal | 84.6 [%] | 58.7 [%] | 2.3 |
| Gemeente | Veldhoven | 70 | 95.5 [%] | 87.7 [%] | 17.7 |
| Gemeente | Veldhoven | 80 | 72.9 [%] | 49.1 [%] | 25.4 |
| Gemeente | Veldhoven | Totaal | 82.6 [%] | 65.0 [%] | 43.0 |
| Gemeente | Velsen | 70 | 100.0 [%] | 100.0 [%] | 1.7 |
| Gemeente | Velsen | 80 | 100.0 [%] | 100.0 [%] | 2.3 |
| Gemeente | Velsen | Totaal | 100.0 [%] | 100.0 [%] | 4.0 |
| Gemeente | Venlo | 70 | 100.0 [%] | 100.0 [%] | 2.4 |
| Gemeente | Venlo | 80 | 84.1 [%] | 59.1 [%] | 24.8 |
| Gemeente | Venlo | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Venlo | Totaal | 85.7 [%] | 62.8 [%] | 27.2 |
| Gemeente | Venray | 80 | 34.0 [%] | 8.4 [%] | 11.7 |
| Gemeente | Venray | Totaal | 34.0 [%] | 8.4 [%] | 11.7 |
| Gemeente | Vijfheerenlanden | 80 | 66.7 [%] | 9.6 [%] | 0.7 |
| Gemeente | Vijfheerenlanden | Totaal | 66.7 [%] | 9.6 [%] | 0.7 |
| Gemeente | Vlaardingen | 80 | 100.0 [%] | 100.0 [%] | 3.1 |
| Gemeente | Vlaardingen | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Vlaardingen | Totaal | 100.0 [%] | 100.0 [%] | 3.1 |
| Gemeente | Vlieland | 80 | 75.0 [%] | 29.5 [%] | 0.4 |
| Gemeente | Vlieland | Totaal | 75.0 [%] | 29.5 [%] | 0.4 |
| Gemeente | Vlissingen | 70 | 96.7 [%] | 94.1 [%] | 7.6 |
| Gemeente | Vlissingen | 80 | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Vlissingen | Totaal | 97.1 [%] | 94.4 [%] | 7.9 |
| Gemeente | Voerendaal | 70 | 50.0 [%] | 1.1 [%] | 0.9 |
| Gemeente | Voerendaal | 80 | 58.1 [%] | 31.1 [%] | 5.3 |
| Gemeente | Voerendaal | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Voerendaal | Totaal | 58.8 [%] | 28.4 [%] | 6.3 |
| Gemeente | Voorne aan Zee | 80 | 98.1 [%] | 96.5 [%] | 6.6 |
| Gemeente | Voorne aan Zee | Totaal | 98.1 [%] | 96.5 [%] | 6.6 |
| Gemeente | Voorschoten | 80 | 78.3 [%] | 57.5 [%] | 4.7 |
| Gemeente | Voorschoten | Totaal | 78.3 [%] | 57.5 [%] | 4.7 |
| Gemeente | Voorst | 80 | 80.3 [%] | 38.6 [%] | 9.4 |
| Gemeente | Voorst | Totaal | 80.3 [%] | 38.6 [%] | 9.4 |
| Gemeente | Vught | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Vught | 80 | 85.7 [%] | 55.2 [%] | 1.7 |
| Gemeente | Vught | 100 | 0.0 [%] | 0.0 [%] | 0.9 |
| Gemeente | Vught | Totaal | 83.3 [%] | 37.5 [%] | 2.6 |
| Gemeente | Waadhoeke | 70 | 97.3 [%] | 97.0 [%] | 5.5 |
| Gemeente | Waadhoeke | 80 | 55.4 [%] | 18.4 [%] | 53.0 |
| Gemeente | Waadhoeke | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Waadhoeke | Totaal | 62.1 [%] | 26.0 [%] | 58.6 |
| Gemeente | Waalre | 80 | 80.0 [%] | 27.2 [%] | 0.5 |
| Gemeente | Waalre | Totaal | 80.0 [%] | 27.2 [%] | 0.5 |
| Gemeente | Waalwijk | 70 | 50.0 [%] | 32.8 [%] | 0.8 |
| Gemeente | Waalwijk | 80 | 82.1 [%] | 37.9 [%] | 6.5 |
| Gemeente | Waalwijk | 100 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Waalwijk | Totaal | 81.0 [%] | 37.5 [%] | 7.3 |
| Gemeente | Waddinxveen | 80 | 89.4 [%] | 73.0 [%] | 4.3 |
| Gemeente | Waddinxveen | Totaal | 89.4 [%] | 73.0 [%] | 4.3 |
| Gemeente | Wageningen | 80 | 83.3 [%] | 65.3 [%] | 0.8 |
| Gemeente | Wageningen | Totaal | 83.3 [%] | 65.3 [%] | 0.8 |
| Gemeente | Wassenaar | 70 | 100.0 [%] | 100.0 [%] | 1.1 |
| Gemeente | Wassenaar | 80 | 66.7 [%] | 35.6 [%] | 7.5 |
| Gemeente | Wassenaar | Totaal | 69.4 [%] | 43.7 [%] | 8.5 |
| Gemeente | Waterland | 80 | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Waterland | Totaal | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Weert | 70 | 98.7 [%] | 94.5 [%] | 17.4 |
| Gemeente | Weert | 80 | 51.7 [%] | 35.3 [%] | 24.3 |
| Gemeente | Weert | Totaal | 81.8 [%] | 60.0 [%] | 41.8 |
| Gemeente | West Betuwe | 70 | 50.0 [%] | 64.9 [%] | 1.0 |
| Gemeente | West Betuwe | 80 | 66.0 [%] | 17.6 [%] | 8.5 |
| Gemeente | West Betuwe | Totaal | 64.8 [%] | 22.7 [%] | 9.5 |
| Gemeente | West Maas en Waal | 80 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | West Maas en Waal | Totaal | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Westerkwartier | 70 | 60.0 [%] | 60.2 [%] | 2.2 |
| Gemeente | Westerkwartier | 80 | 54.5 [%] | 25.9 [%] | 100.4 |
| Gemeente | Westerkwartier | Totaal | 54.7 [%] | 26.6 [%] | 102.7 |
| Gemeente | Westerveld | 70 | 100.0 [%] | 100.0 [%] | 0.0 |
| Gemeente | Westerveld | 80 | 82.6 [%] | 41.7 [%] | 2.0 |
| Gemeente | Westerveld | Totaal | 84.6 [%] | 42.8 [%] | 2.0 |
| Gemeente | Westervoort | 80 | 0.0 [%] | 0.0 [%] | 0.7 |
| Gemeente | Westervoort | Totaal | 0.0 [%] | 0.0 [%] | 0.7 |
| Gemeente | Westerwolde | 80 | 62.4 [%] | 37.0 [%] | 335.4 |
| Gemeente | Westerwolde | Totaal | 62.4 [%] | 37.0 [%] | 335.4 |
| Gemeente | Westland | 80 | 88.3 [%] | 82.3 [%] | 9.3 |
| Gemeente | Westland | Totaal | 88.3 [%] | 82.3 [%] | 9.3 |
| Gemeente | Weststellingwerf | 70 | 0.0 [%] | 0.0 [%] | 2.4 |
| Gemeente | Weststellingwerf | 80 | 38.3 [%] | 12.9 [%] | 21.1 |
| Gemeente | Weststellingwerf | Totaal | 35.4 [%] | 11.6 [%] | 23.6 |
| Gemeente | Wierden | 80 | 73.0 [%] | 41.0 [%] | 6.1 |
| Gemeente | Wierden | Totaal | 73.0 [%] | 41.0 [%] | 6.1 |
| Gemeente | Wijchen | 80 | 58.6 [%] | 25.1 [%] | 23.2 |
| Gemeente | Wijchen | Totaal | 58.6 [%] | 25.1 [%] | 23.2 |
| Gemeente | Wijdemeren | 80 | 36.4 [%] | 18.0 [%] | 7.7 |
| Gemeente | Wijdemeren | Totaal | 36.4 [%] | 18.0 [%] | 7.7 |
| Gemeente | Wijk bij Duurstede | 70 | 100.0 [%] | 100.0 [%] | 1.5 |
| Gemeente | Wijk bij Duurstede | 80 | 50.0 [%] | 3.9 [%] | 1.0 |
| Gemeente | Wijk bij Duurstede | Totaal | 81.8 [%] | 60.6 [%] | 2.5 |
| Gemeente | Winterswijk | 80 | 50.0 [%] | 14.2 [%] | 0.2 |
| Gemeente | Winterswijk | Totaal | 50.0 [%] | 14.2 [%] | 0.2 |
| Gemeente | Woensdrecht | 80 | 66.7 [%] | 37.5 [%] | 10.9 |
| Gemeente | Woensdrecht | Totaal | 66.7 [%] | 37.5 [%] | 10.9 |
| Gemeente | Woerden | 70 | 100.0 [%] | 100.0 [%] | 2.3 |
| Gemeente | Woerden | 80 | 89.5 [%] | 33.1 [%] | 3.9 |
| Gemeente | Woerden | Totaal | 93.8 [%] | 57.7 [%] | 6.1 |
| Gemeente | Woudenberg | 80 | 100.0 [%] | 100.0 [%] | 1.9 |
| Gemeente | Woudenberg | Totaal | 100.0 [%] | 100.0 [%] | 1.9 |
| Gemeente | Zaanstad | 70 | 96.9 [%] | 95.1 [%] | 16.6 |
| Gemeente | Zaanstad | 80 | 78.6 [%] | 49.9 [%] | 5.2 |
| Gemeente | Zaanstad | Totaal | 93.6 [%] | 84.3 [%] | 21.8 |
| Gemeente | Zaltbommel | 80 | 65.5 [%] | 30.9 [%] | 53.9 |
| Gemeente | Zaltbommel | Totaal | 65.5 [%] | 30.9 [%] | 53.9 |
| Gemeente | Zeewolde | 70 | 100.0 [%] | 100.0 [%] | 2.7 |
| Gemeente | Zeewolde | 80 | 59.4 [%] | 26.5 [%] | 116.5 |
| Gemeente | Zeewolde | 100 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Zeewolde | Totaal | 64.2 [%] | 28.3 [%] | 119.4 |
| Gemeente | Zeist | 80 | 71.4 [%] | 19.2 [%] | 4.3 |
| Gemeente | Zeist | Totaal | 71.4 [%] | 19.2 [%] | 4.3 |
| Gemeente | Zevenaar | 80 | 76.2 [%] | 62.0 [%] | 8.0 |
| Gemeente | Zevenaar | Totaal | 76.2 [%] | 62.0 [%] | 8.0 |
| Gemeente | Zoetermeer | 70 | 100.0 [%] | 100.0 [%] | 20.0 |
| Gemeente | Zoetermeer | 80 | 95.0 [%] | 84.2 [%] | 5.0 |
| Gemeente | Zoetermeer | Totaal | 98.8 [%] | 96.8 [%] | 25.0 |
| Gemeente | Zoeterwoude | 80 | 100.0 [%] | 100.0 [%] | 0.1 |
| Gemeente | Zoeterwoude | 100 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Zoeterwoude | Totaal | 100.0 [%] | 100.0 [%] | 0.3 |
| Gemeente | Zuidplas | 80 | 59.6 [%] | 31.4 [%] | 6.5 |
| Gemeente | Zuidplas | Totaal | 59.6 [%] | 31.4 [%] | 6.5 |
| Gemeente | Zundert | 80 | 25.9 [%] | 6.2 [%] | 68.3 |
| Gemeente | Zundert | Totaal | 25.9 [%] | 6.2 [%] | 68.3 |
| Gemeente | Zutphen | 80 | 62.2 [%] | 22.4 [%] | 11.3 |
| Gemeente | Zutphen | Totaal | 62.2 [%] | 22.4 [%] | 11.3 |
| Gemeente | Zwartewaterland | 80 | 95.0 [%] | 56.9 [%] | 4.4 |
| Gemeente | Zwartewaterland | Totaal | 95.0 [%] | 56.9 [%] | 4.4 |
| Gemeente | Zwijndrecht | 80 | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Zwijndrecht | Totaal | 100.0 [%] | 100.0 [%] | 0.2 |
| Gemeente | Zwolle | 70 | 96.4 [%] | 92.8 [%] | 44.2 |
| Gemeente | Zwolle | 80 | 85.7 [%] | 70.4 [%] | 8.8 |
| Gemeente | Zwolle | Totaal | 94.2 [%] | 89.1 [%] | 53.0 |
In deze paragraaf worden benchmarks getoond voor provinciale wegbeheerders, afgezet tegen het landelijk niveau. De benchmarks worden getoond voor het totale areaal en voor de wegen met een limiet van 70, 80 en 100 km/uur apart.
Klik met de muis op de onderstaande tabbladen om de benchmarks van de verschillende limieten of het totaal te tonen. Klik vervolgens op de knop rechts van de grafiek om de gewenste wegbeheerder te kiezen.
Let op, er worden pas scores getoond na het maken van een eerste keuze.
# functie wrapper voor het aanroepen van plot_ly
#' De functie roept plot_ly aan voor het maken van de grafiek
#' Breedte, plaatsing en margins zijn proefondervindelijk bepaald voor alle onderdelen
#' Een dropdown menu is toegevoegd om te kunnen schakelen tussen wegbeheerders
#' Een tweede dropdown om tevens te filteren op basis van limiet lijkt complex en wordt buiten de functie gelaten.
# functie
figuur.benchmark <- function(scores_wegbeheerder_limiet, limiet, groepskeuzen_wegbeheerder_limiet, landelijke_score_limiet) {
# roep plot_ly aan en initieer de grafie voor de dropdown keuze met vaste x en y waarde
plot_ly(scores_wegbeheerder_limiet, x = "Categorieën", y = 0, type = 'bar', # data, x as waarde, y as waarde, type barplot
# marker stelt de grafiekkleuren vast in een vector (hier 2 waarden)
# width fixeert de breedte van de grafiek, 900 is in pixels en ongeveer markdown pagina breedte
marker = grafiekkleuren, width = 900) %>% #list(color = c('blue', 'purple'))
layout(
# titeel initiele grafiek met object limiet
title = list(text = paste("Kenmerkscore afwezigheid parkeren bij limiet", limiet, "voor", "te selecteren wegbeheerder", "vs. landelijk.", "\n", "\n",
"<b> Selecteer de wegbeheerder uit de uitklapbare keuzelijst rechts </b>"),
xanchor = 'center', yanchor = 'top'), # plaatsing van de titel
#xanchor = 'center', x = 0.5 , yanchor = 'top', y = 1), # Dynamic title
margin = list(l =50, t = 50), # marges
xaxis = list(title = ""), # x as titel
yaxis = list(title = "SPI deelscore [%]", range = c(0, 100)), # y as titel
showlegend = FALSE # geen legenda
) %>%
# dropdown menu voor selectie visualisatie data
layout(
updatemenus = list(
list(
active = 0,
# Position dropdown box to the right of the graph
xanchor = "left", # position to edge
x = 1.05, # position to edge
yanchor = "middle", # Center dropdown box vertically
y = 0.5, # Center dropdown box vertically
# lapply functie voor de werking van de button
buttons = lapply(1:length(groepskeuzen_wegbeheerder_limiet), function(i) {
list(
method = "update",
args = list(
list(x = list(c(groepskeuzen_wegbeheerder_limiet[i], "landelijk")),
y = list(c(scores_wegbeheerder_limiet$`Score kenmerk Afwezigheid erfaansluitingen`[i], landelijke_score_limiet))), # Update x and y scores_wegbeheerder_limiet
list(title = paste("Kenmerkscore afwezigheid erfaansluitingen bij limiet", limiet, "voor", groepskeuzen_wegbeheerder_limiet[i], "vs. landelijk")) # Dynamic title update
),
label = groepskeuzen_wegbeheerder_limiet[i]
)
})
)
)
)
}# Calculate the average score
landelijke_score_70 <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[1]
landelijke_score_80 <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[2]
landelijke_score_100 <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[3]
landelijke_score_totaal <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[4]
# data per provincie per limiet
scores_provincies_70 <- filter(scores_provincies, Snelheidslimiet == "70")
scores_provincies_80 <- filter(scores_provincies, Snelheidslimiet == "80")
scores_provincies_100 <- filter(scores_provincies, Snelheidslimiet == "100")
scores_provincies_totaal <- filter(scores_provincies, Snelheidslimiet == "Totaal")
# Create the dropdown menu options
groepskeuzen_provincies_70 <- scores_provincies_70$Wegbeheerder
groepskeuzen_provincies_80 <- scores_provincies_80$Wegbeheerder
groepskeuzen_provincies_100 <- scores_provincies_100$Wegbeheerder
groepskeuzen_provincies_totaal <- scores_provincies_totaal$Wegbeheerder
grafiekkleuren <- list(color = c(blue_vals[3], green_vals[3]))# maak een benchmark grafiek voor provenciale wegbeheerders met limiet 70
fig70prov <- figuur.benchmark(scores_wegbeheerder_limiet = scores_provincies_70,
limiet = 70,
groepskeuzen_wegbeheerder_limiet = groepskeuzen_provincies_70,
landelijke_score_limiet = landelijke_score_70)
# Display the plot
fig70prov# maak een benchmark grafiek voor provenciale wegbeheerders met limiet 80
fig80prov <- figuur.benchmark(scores_wegbeheerder_limiet = scores_provincies_80,
limiet = 80,
groepskeuzen_wegbeheerder_limiet = groepskeuzen_provincies_80,
landelijke_score_limiet = landelijke_score_80)
# Display the plot
fig80prov# maak een benchmark grafiek voor provenciale wegbeheerders met limiet 100
fig100prov <- figuur.benchmark(scores_wegbeheerder_limiet = scores_provincies_100,
limiet = 100,
groepskeuzen_wegbeheerder_limiet = groepskeuzen_provincies_100,
landelijke_score_limiet = landelijke_score_100)
# Display the plot
fig100prov# maak een benchmark grafiek voor provenciale wegbeheerders van alle limieten
fig_totaal_prov <- figuur.benchmark(scores_wegbeheerder_limiet = scores_provincies_totaal,
limiet = "totaal",
groepskeuzen_wegbeheerder_limiet = groepskeuzen_provincies_totaal,
landelijke_score_limiet = landelijke_score_totaal)
# Display the plot
fig_totaal_provIn deze paragraaf worden benchmarks getoond voor gemeentelijke wegbeheerders, afgezet tegen het landelijk niveau. De benchmarks worden getoond voor het totale areaal en voor de wegen met een limiet van 70, 80 en 100 km/uur apart.
Klik met de muis op de onderstaande tabbladen om de benchmarks van de verschillende limieten of het totaal te tonen. Klik vervolgens op de knop rechts van de grafiek om de gewenste wegbeheerder te kiezen.
Let op, er worden pas scores getoond na het maken van een eerste keuze.
# Calculate the average score
landelijke_score_70 <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[1]
landelijke_score_80 <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[2]
landelijke_score_100 <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[3]
landelijke_score_totaal <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[4]
# data per provincie per limiet
scores_gemeenten_70 <- filter(scores_gemeenten, Snelheidslimiet == "70")
scores_gemeenten_80 <- filter(scores_gemeenten, Snelheidslimiet == "80")
scores_gemeenten_100 <- filter(scores_gemeenten, Snelheidslimiet == "100")
scores_gemeenten_totaal <- filter(scores_gemeenten, Snelheidslimiet == "Totaal")
# Create the dropdown menu options
groepskeuzen_gemeenten_70 <- scores_gemeenten_70$Wegbeheerder
groepskeuzen_gemeenten_80 <- scores_gemeenten_80$Wegbeheerder
groepskeuzen_gemeenten_100 <- scores_gemeenten_100$Wegbeheerder
groepskeuzen_gemeenten_totaal <- scores_gemeenten_totaal$Wegbeheerder
grafiekkleuren <- list(color = c(blue_vals[3], green_vals[3]))# maak een benchmark grafiek voor gemeentelijke wegbeheerders met wegen met limiet 70
fig70gem <- figuur.benchmark(scores_wegbeheerder_limiet = scores_gemeenten_70,
limiet = 70,
groepskeuzen_wegbeheerder_limiet = groepskeuzen_gemeenten_70,
landelijke_score_limiet = landelijke_score_70)
# Display the plot
fig70gem# maak een benchmark grafiek voor gemeentelijke wegbeheerders met wegen met limiet 80
fig80gem <- figuur.benchmark(scores_wegbeheerder_limiet = scores_gemeenten_80,
limiet = 80,
groepskeuzen_wegbeheerder_limiet = groepskeuzen_gemeenten_80,
landelijke_score_limiet = landelijke_score_80)
# Display the plot
fig80gem# maak een benchmark grafiek voor gemeentelijke wegbeheerders met wegen met limiet 100
fig100gem <- figuur.benchmark(scores_wegbeheerder_limiet = scores_gemeenten_100,
limiet = 100,
groepskeuzen_wegbeheerder_limiet = groepskeuzen_gemeenten_100,
landelijke_score_limiet = landelijke_score_100)
# Display the plot
fig100gem# maak een benchmark grafiek voor gemeentelijke wegbeheerders
fig_totaal_gem <- figuur.benchmark(scores_wegbeheerder_limiet = scores_gemeenten_totaal,
limiet = "totaal",
groepskeuzen_wegbeheerder_limiet = groepskeuzen_gemeenten_totaal,
landelijke_score_limiet = landelijke_score_totaal)
# Display the plot
fig_totaal_gemIn deze paragraaf worden benchmarks getoond voor wegbeherende waterschappen, afgezet tegen het landelijk niveau. De benchmarks worden getoond voor het totale areaal en voor de wegen met een limiet van 70, 80 en 100 km/uur apart.
Klik met de muis op de onderstaande tabbladen om de benchmarks van de verschillende limieten of het totaal te tonen. Klik vervolgens op de knop rechts van de grafiek om de gewenste wegbeheerder te kiezen.
Let op, er worden pas scores getoond na het maken van een eerste keuze.
# Calculate the average score
landelijke_score_70 <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[1]
landelijke_score_80 <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[2]
landelijke_score_100 <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[3]
landelijke_score_totaal <- scores_landelijk$`Score kenmerk Afwezigheid erfaansluitingen`[4]
# data per provincie per limiet
scores_waterschappen_70 <- filter(scores_waterschappen, Snelheidslimiet == "70")
scores_waterschappen_80 <- filter(scores_waterschappen, Snelheidslimiet == "80")
scores_waterschappen_100 <- filter(scores_waterschappen, Snelheidslimiet == "100")
scores_waterschappen_totaal <- filter(scores_waterschappen, Snelheidslimiet == "Totaal")
# Create the dropdown menu options
groepskeuzen_waterschappen_70 <- scores_waterschappen_70$Wegbeheerder
groepskeuzen_waterschappen_80 <- scores_waterschappen_80$Wegbeheerder
groepskeuzen_waterschappen_100 <- scores_waterschappen_100$Wegbeheerder
groepskeuzen_waterschappen_totaal <- scores_waterschappen_totaal$Wegbeheerder
grafiekkleuren <- list(color = c(blue_vals[3], green_vals[3]))# maak een benchmark grafiek voor waterschaps-wegbeheerders met wegen met limiet 70
fig70wat <- figuur.benchmark(scores_wegbeheerder_limiet = scores_waterschappen_70,
limiet = 70,
groepskeuzen_wegbeheerder_limiet = groepskeuzen_waterschappen_70,
landelijke_score_limiet = landelijke_score_70)
# Display the plot
fig70wat# maak een benchmark grafiek voor waterschaps-wegbeheerders met wegen met limiet 80
fig80wat <- figuur.benchmark(scores_wegbeheerder_limiet = scores_waterschappen_80,
limiet = 80,
groepskeuzen_wegbeheerder_limiet = groepskeuzen_waterschappen_80,
landelijke_score_limiet = landelijke_score_80)
# Display the plot
fig80wat# maak een benchmark grafiek voor waterschaps-wegbeheerders met wegen met limiet 100
fig100wat <- figuur.benchmark(scores_wegbeheerder_limiet = scores_waterschappen_100,
limiet = 100,
groepskeuzen_wegbeheerder_limiet = groepskeuzen_waterschappen_100,
landelijke_score_limiet = landelijke_score_100)
# Display the plot
fig100wat# maak een benchmark grafiek voor waterschaps-wegbeheerders met wegen met limiet 60
fig_totaal_wat <- figuur.benchmark(scores_wegbeheerder_limiet = scores_waterschappen_totaal,
limiet = "totaal",
groepskeuzen_wegbeheerder_limiet = groepskeuzen_waterschappen_totaal,
landelijke_score_limiet = landelijke_score_totaal)
# Display the plot
fig_totaal_watHet kenmerk geeft geen volledig beeld van de situatie van erfaansluitingen op en langs de weg.
De in het vorige hoofdstuk behandelde scores per wegbeheerder zijn bepaald op basis van scores op wegvak niveau. Van elk wegvak is bepaald of deze voldoet ten aanzien van het kenmerk SPI Veilige Infrastructuur - Afwezigheid erfaansluitingen, plus een aantal aanvullende kenmerken.
Eerder is ook de dichtheid van erfaansluitingen per wegvak bepaald. Deze is niet gevat in een score op netwerkniveau, zoals deze getoond zijn in het vorige hoofdstuk. Wel wordt deze meegegeven in de data export op wegvakniveau, naar een tekst en gis bestand, beschreven in dit laatste hoofdstuk.
Per wegvak zijn de volgende kenmerken vastgelegd:
# sf df om te exporteren
nwb_erfaansluiting_export <- nwb_erfaansluitingen %>%
left_join(select(st_drop_geometry(nwb_rijbaan2), WVK_ID, WEGNUMMER, STT_NAAM, WPSNAAM, GME_NAAM, BST_CODE, lengte_limiet_aandeel)) %>%
relocate(Snelheidslimiet, erfaansluiting_voldoet, erfaansluiting_aanwezig, erfaansluiting_dichtheid, wegvaklengte,
aantal_erfaansluit_L, aantal_erfaansluit_R, aantal_erfaansluit_TOT, lengte_limiet_aandeel, .after = WVK_ID)# %>%
# names(nwb_erfaansluiting_export)
# Attributen tabel in tekstformat
nwb_erfaansluiting_export_attributentabel <- rbind(
c("Attribuut", "Omschrijving"),
c("WVK_ID", "NWB variabele - Wegvak-ID: De unieke identificatie van een wegvak "),
c("Snelheidslimiet", "De maximum snelheid of snelheidslimiet, op basis van de WKD. Wanneer het wegvak
meerdere limieten kent, is de limiet die toegekent die het grootste aandeel van het wegvak beslaat."),
c("erfaansluitingen_voldoet","Beoordeling of het wegvak voldoet aan het kenmerk 'Afwezigheid erfaansluitingen'.
1: voldoet, 0: voldoet niet"),
c("erfaansluitingen_aanwezig","Beoordeling of ergens langs het wegvak parkeervakken aanwezig zijn:
Parkeervakken aanwezig / Parkeervakken afwezig"),
c("erfaansluitingen_dichtheid", "Het aantal erfaansluitingen op een wegvak per kilometer. Dat wil zeggen: [het aantal erfaansluitingen] / [wegvaklengte in kilometers] "),
c("wegvaklengte","Lengte van het wegvak in meters"),
c("aantal_erfaansluit_L","Het aantal erfaansluitingen links van het wegvak"),
c("aantal_erfaansluit_R","Het aantal erfaansluitingen rechts van het wegvak"),
c("aantal_erfaansluit_TOT","Het totaal aantal erfaansluitingen op het wegvak, dat wil zeggen de som van erfaansluitingen links en rechts van het wegvak"),
c("lengte_limiet_aandeel","Het aandeel van het wegvak waarvoor de aan het wegvak toegekende snelheidslimiet geldt"),
c("WEGBEHSRT","NWB variabele - Wegbeheerdersoort: De categorie wegbeheerder (R, P, G, W of T)"),
c("WEGBEHNAAM","NWB variabele - Wegbeheerdernaam: De naam van de wegbeheerder van de weg"),
c("WEGNUMMER","NWB variabele - Wegnummer: Het wegnummer zoals deze formeel is vastgelegd"),
c("STT_NAAM","NWB variabele - Straatnaam: De straatnaam zoals in BAG wordt gehanteerd of is vastgesteld door de wegbeheerder"),
c("WPSNAAM","NWB variabele - Woonplaats: De naam van de woonplaats zoals in BAG gehanteerd wordt"),
c("GME_NAAM","NWB variabele - Gemeentenaam: De naam van een gemeente zoals in BAG gehanteerd wordt"),
c("BST_CODE","NWB variabele - Baansubsoortcode: Een subtypering van een baansoort")
) %>%
as.data.frame()
# kolomnamen op basis van eerste rij
names(nwb_erfaansluiting_export_attributentabel) <- nwb_erfaansluiting_export_attributentabel[1,]
# verwijder eerste rij
nwb_erfaansluiting_export_attributentabel <- nwb_erfaansluiting_export_attributentabel[-1,]
# maak een scrol tabel van de attributen tabel
scroltabel_gt(nwb_erfaansluiting_export_attributentabel)| Attribuut | Omschrijving |
|---|---|
| WVK_ID | NWB variabele - Wegvak-ID: De unieke identificatie van een wegvak |
| Snelheidslimiet | De maximum snelheid of snelheidslimiet, op basis van de WKD. Wanneer het wegvak meerdere limieten kent, is de limiet die toegekent die het grootste aandeel van het wegvak beslaat. |
| erfaansluitingen_voldoet | Beoordeling of het wegvak voldoet aan het kenmerk 'Afwezigheid erfaansluitingen'. 1: voldoet, 0: voldoet niet |
| erfaansluitingen_aanwezig | Beoordeling of ergens langs het wegvak parkeervakken aanwezig zijn: Parkeervakken aanwezig / Parkeervakken afwezig |
| erfaansluitingen_dichtheid | Het aantal erfaansluitingen op een wegvak per kilometer. Dat wil zeggen: [het aantal erfaansluitingen] / [wegvaklengte in kilometers] |
| wegvaklengte | Lengte van het wegvak in meters |
| aantal_erfaansluit_L | Het aantal erfaansluitingen links van het wegvak |
| aantal_erfaansluit_R | Het aantal erfaansluitingen rechts van het wegvak |
| aantal_erfaansluit_TOT | Het totaal aantal erfaansluitingen op het wegvak, dat wil zeggen de som van erfaansluitingen links en rechts van het wegvak |
| lengte_limiet_aandeel | Het aandeel van het wegvak waarvoor de aan het wegvak toegekende snelheidslimiet geldt |
| WEGBEHSRT | NWB variabele - Wegbeheerdersoort: De categorie wegbeheerder (R, P, G, W of T) |
| WEGBEHNAAM | NWB variabele - Wegbeheerdernaam: De naam van de wegbeheerder van de weg |
| WEGNUMMER | NWB variabele - Wegnummer: Het wegnummer zoals deze formeel is vastgelegd |
| STT_NAAM | NWB variabele - Straatnaam: De straatnaam zoals in BAG wordt gehanteerd of is vastgesteld door de wegbeheerder |
| WPSNAAM | NWB variabele - Woonplaats: De naam van de woonplaats zoals in BAG gehanteerd wordt |
| GME_NAAM | NWB variabele - Gemeentenaam: De naam van een gemeente zoals in BAG gehanteerd wordt |
| BST_CODE | NWB variabele - Baansubsoortcode: Een subtypering van een baansoort |
Op basis hiervan is eenvoudig te visualiseren welke wegvakken van een wegbeheerder al dan niet voldoen aan dit kenmerk. Onderstaand geven we hiervan een voorbeeld voor wegen binnen de kom met limiet 80 van de provincie Zuid-Holland
erfaansluiting_zuidholland <- nwb_erfaansluiting_export %>%
filter(WEGBEHNAAM == "Zuid-Holland" & Snelheidslimiet == "80")
erfaansluiting_zuidholland_dichtheid <- nwb_erfaansluiting_export %>%
filter(WEGBEHNAAM == "Zuid-Holland" & Snelheidslimiet == "80" & erfaansluiting_dichtheid > 0 & wegvaklengte > 100) %>%
rename(`erfaansluitingen dichtheid [n/km]` = erfaansluiting_dichtheid)mapview(erfaansluiting_zuidholland, map.types = c("CartoDB.Positron", "OpenStreetMap", "Esri.WorldImagery", "OpenTopoMap"),
zcol = "erfaansluiting_aanwezig", legend = TRUE)De kaart is interactief. Het is mogelijk om in en uit te zoomen. Wegvakken in de kaart zijn daarnaast aan te klikken. Daarmee wordt de attributen tabel van het wegvak geladen en kunnen andere scores en kenmerken van het wegvak worden bekeken. Tenslotte kan ook een andere achtergrond worden gekozen, waaronder luchtfoto’s.
Naast de aan- of afwezigheid van erfaansluitingen valt de data bijvoorbeeld ook te visualiseren naar de dichtheid van erfaansluitingen. Hieronder een voorbeeld van wegvakken met een dichtheid > 0 [n/km] en een wegvaklengte > 100m
mapview(erfaansluiting_zuidholland_dichtheid, map.types = c("CartoDB.Positron", "OpenStreetMap", "Esri.WorldImagery", "OpenTopoMap"),
zcol = "erfaansluitingen dichtheid [n/km]", legend = TRUE)Deze data is geëxporteerd naar een tekstbestand (csv, scheidingsteken ‘;’, decimaalscheidingsteken ‘,’) en gis bestand (geopackage, ofwel gpkg). De export bevat alle voor deze analyse geselecteerde wegvakken in Nederland. Beide datasets zijn via een aparte downloadoptie openbaar beschikbaar. Het tekstbestand is geschikt voor het openen in bijvoorbeeld Excel. Het geopackage kan gebruikt worden in een gis viewer, bijvoorbeeld QGIS. Let op dat het decimaal scheidingsteken een ‘,’ betreft conform de Nederlandse standaard. De data in het geopackage is ‘.’ decimaalgescheiden (conform internationale standaarden).
# export naar csv, verwijder daarvoor geometry
write.table(st_drop_geometry(nwb_erfaansluiting_export), here("Output", "SPI_kenmerkscore_erfaansluitingen.csv"),
row.names = FALSE, sep = ";", dec = ",", quote = TRUE)
# export naar geopackage
st_write(nwb_erfaansluiting_export, here("Output", "SPI_kenmerkscore_erfaansluiting.gpkg"), Append = FALSE, delete_dsn = TRUE)
# let op, het script overschrijft bestaande datasets met dezelfde naam. Maak een kopie van de dataset als je deze bewerkt en wilt bewaren